Controladores Difusos

CENTRO DE INVESTIGACIN Y DE ESTUDIOS AVANZADOS
DEL
INSTITUTO POLITCNICO NACIONAL

DEPARTAMENTO DE CONTROL AUTOMTICO

Observadores Difusos y Control Adaptable
Difuso Basado en Observadores

TESIS QUE PRESENTA
Araceli Grande Meza

PARA OBTENER EL GRADO DE
MAESTRO EN CIENCIAS

EN LA ESPECIALIDAD DE
CONTROL AUTOMTICO

DIRECTOR DE TESIS:
Dr. Wen Yu Liu

Mxico, D.F., octubre del 2003.

ndice general
1. Introduccin 1
1.1. Objetivos del trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Mtodo de solucin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Estructura del trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Publicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2. Lgica difusa y relacin difusa 7
2.1. Lgica difusa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1. Conjuntos Difusos y operaciones bsicas de los conjuntos difusos . . . 8
2.1.2. Proyecciones y Extensiones Cilndricas . . . . . . . . . . . . . . . . . 21
2.2. Variables Lingsticas y Reglas Difusas SI-ENTONCES (IF-THEN) . . . . . 23
2.2.1. De las Variables Numricas a las Variables Lingsticas . . . . . . . . 23
2.2.2. Reglas difusas SI-ENTONCES (IF-THEN) . . . . . . . . . . . . . . . 26
2.2.3. La Lgica Difusa y el Razonamiento Aproximado . . . . . . . . . . . 28
3. Sistemas Difusos y Control Difuso 31
3.1. Sistemas Difusos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2. Control Difuso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2.1. Reglas Difusas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.2. Dispositivo de Inferencia Difusa . . . . . . . . . . . . . . . . . . . . . 39
3.3. El doble papel de los sistemas difusos . . . . . . . . . . . . . . . . . . . . . . 39
ii NDICE GENERAL
3.4. Los sistemas difusos como aproximadores Universales . . . . . . . . . . . . . 40
3.5. Diseo de sistemas Difusos empleando el Entrenamiento del Gradiente De-
scendente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.5.1. Estructura del Sistema Difuso . . . . . . . . . . . . . . . . . . . . . . 42
3.5.2. Diseo de los Parmetros por el Gradiente Descendente . . . . . . . . 44
4. Observadores Difusos 49
4.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2. Observadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.3. Observadores Difusos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.4. Observador para un Sistema Difuso Takagi-Sugeno . . . . . . . . . . . . . . 53
4.5. Identicador Neuronal Difuso . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.6. Identicador Difuso basado en un Observador . . . . . . . . . . . . . . . . . 58
4.6.1. Observador en modo deslizante . . . . . . . . . . . . . . . . . . . . . 59
4.6.2. Anlisis de estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.6.3. Identicador Difuso basado en un Observador . . . . . . . . . . . . . 63
4.7. Simulacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.7.1. Identicacin de sistemas no lineales . . . . . . . . . . . . . . . . . . 70
5. Control Difuso basado en un Observador 101
5.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.2. Controladores Difusos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.3. Retroalimentacin a la Salida de Sistemas Difusos TSK . . . . . . . . . . . . 103
5.3.1. Control con Retroalimentacin a la Salida de Sistemas Lineales . . . 104
5.3.2. Control Difuso de TSK . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.3.3. Control Difuso para TSK basado en un Observador . . . . . . . . . . 109
5.4. Control Difuso con Retroalimentacin a la Salida basado en un observador . 110
5.5. Simulacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.5.1. Control adaptable difuso . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.5.2. Control adaptable difuso basado en un observador en modo deslizante 123
NDICE GENERAL iii
6. Conclusin 131
Appendix:diagramas 141
iv NDICE GENERAL
Captulo 1
Introduccin
En 1965 Lofti A. Zadeh escribi su celebre artculo Fuzzy Sets [52] en el que menciona
que Muy comnmente, las clases de objetos encontradas en el mundo fsico real no tienen
denido de forma precisa su criterio de pertenencia". Esta misma ambigedad crece en el
caso de un nmero, tal como el 10 con relacin a la clase de todos los nmeros reales que
son mucho ms grandes que 1. Podemos observar con claridad que "las clases de todos los
nmeros reales mucho ms grandes que 1", o "la clase de las mujeres altas", o "la clase
de los hombres jvenes", no constituyen clases o conjuntos en el sentido matemtico usual.
Sin embargo, los datos restantes, imprecisamente llamados clases, desempean un papel
importante en el pensamiento humano, particularmente en el dominio de reconocimiento
de patrones, comunicacin de informacin y abstraccin. Zadeh estableci en su artculo
las bases principales del lenguaje difuso, deniendo el universo de discurso, como el rea
dnde se atribuyen cualidades o se calican determinadas variables, y llamando a un tipo de
conjuntos que encierran una propiedad especca, funciones de pertenencia.
A partir de los primeros resultados presentados por Zadeh [53] y las primeras aplicaciones
en los procesos de control realizadas por Mamdani [28], el control difuso ha mostrado ser
una aproximacin exitosa para los sistemas no lineales complejos.
Desde que las teoras de control clsicas se han combinado dentro de los sistemas difusos,
ha surgido un gran nmero de anlisis de estabilidad y resultados de sntesis en el control
2 Introduccin
difuso. Muchos autores en el campo de esta tecnologa proclaman que el control difuso
est revolucionando el control, prometiendo mayores y mejores adelantos en la solucin de
problemas de alta complejidad dentro del rea ingenierl, invirtiendo de esta forma menor
esfuerzo por parte de la comunidad interesada en encontrar nuevas alternativas.
1.1. Objetivos del trabajo
El objetivo general de esta tesis es proponer una herramienta que resuelva los problemas
de identicacin y control para cierta clase de sistemas no lineales complejos, empleando los
principios de los sistemas difusos.
La motivacin principal de este trabajo es que: "Si algunos estados internos de un sistema
no lineal no se pueden medir, entonces cmo podemos disear un controlador difuso basado
en los datos entrada-salida que nos permita estabilizar tal sistema?".
1.2. Mtodo de solucin
De acuerdo a la complejidad y a la gran variedad de sistemas no lineales que abundan en
la naturaleza, no existe una metodologa exacta que nos permita resolver los problemas de
identicacin y control de estos sistemas, por tanto basndonos en el conocimiento de que
las redes neuronales y la lgica difusa son estimadores universales provistos con la capacidad
de aproximar cualquier funcin no lineal a cualquier precisin que se pida [1], [5], [25],
podemos emplear estos conceptos como una buena alternativa en la solucin a los problemas
de identicacin y control para la clase de sistemas de nuestro inters.
Hoy en da se ha mostrado que la combinancin de nuevas tecnologas tales como las
redes neuronales y la lgica difusa han permitido surgir nuevos conceptos como los neuro
identicadores difusos, los neuro controladores difusos, los controladores adaptables difusos,
etc., que nos proporcionan un medio bastante efectivo en la bsqueda de soluciones para una
amplia gama de sistemas con informacin parcial o ninguna informacin de sus modelos. Los
sistemas de control difuso son una herramienta muy verstil, permitiendonos de esta forma
1.3 Estructura del trabajo 3
encontrar diferentes medios de solucin para un mismo problema.
En la gura 1.1 se muestra un panorama general para dar solucin al problema que se ha
planteado en la tesis; se dan dos diferentes puntos de vista que nos podran proporcionar la
informacin requerida acerca del sistema no lineal: el primero se basa en la estimacin de los
estados internos del sistema por medio de un observador difuso tipo TSK y de acuerdo con
esta informacin poder disear un controlador de igual forma apoyado en los principios de
la lgica difusa [27]. En el segundo caso se emplea la identicacin basada en los conceptos
de las redes neuronales y los sistemas difusos, y para poder estimar los estados internos del
sistema no lineal se utiliza un observador libre de la estructura del sistema como por ejemplo
un observador en modo deslizante, as, con la informacin obtenida poder dar una ley de
control para el sistema en cuestin [49]. Este ltimo caso es ms general y por lo tanto de
mayor inters.
1.3. Estructura del trabajo
Esta tesis est organizada de la siguiente forma:
En el captulo 1 se plantea la necesidad de nuevas estrategias de identicacin y control
que nos permitan hacer frente a problemas de alta complejidad que caracterizan a los sistemas
inmersos en el entorno que nos rodea y que se encuentran presentes en muchas aplicaciones
del rea ingenierl. El problema que se plantea nos permite enfocarnos en nuevas tendencias
del control, como son los sistemas de control difuso en combinacin con conceptos tales
como las redes neuronales articiales, poderosas herramientas en la identicacin y control
de sistemas no lineales complejos.
En el captulo 2 se revisan los conceptos bsicos de la lgica difusa, cuya necesidad se
ha extendido en una amplia variedad de aplicaciones; a partir de la publicacin de Lofti
Zadeh aparecen nuevas deniciones para los conjuntos clsicos. Se enuncia el signicado de
palabras tales como conjunto difuso, funcin de pertenencia o inclusin, variable lingstica,
operaciones difusas, etc. El propsito de este captulo es dar de forma breve una introduccin
terica al conocimiento tan extenso de la lgica difusa.
4 Introduccin
Lgica Difusa
Sistemas Difusos
y
Control Difuso
Observador
TSK
Controlador
TSK
identificador difuso por
medio de un
observador en modo
deslizante
Controlador adaptable
difuso basado en un
observador en modo
deslizante
Identificacin de los
estados internos del
sistema
Observador
difuso
Identificador
difuso
Simulacin
Figura 1.1: Esquema general de la tesis.
1.3 Estructura del trabajo 5
En el captulo 3 se muestra que la aplicacin ms importante de la lgica difusa son los
sistemas difusos y en especial los sistemas de control difuso. Los sistemas difusos son sistemas
basados en el conocimiento o en reglas, existen diferentes tipos de sistemas de control difuso
como son los de tipo Mamdani y los del tipo Takagi-Sugeno-Kang (TSK). Se denen las
caractersticas bsicas de estos sistemas. Podemos ver que este tipo de sistemas se pueden
emplear muy bien en la identicacin y control de sistemas no lineales complejos gracias a
la capacidad que tienen de aproximar sistemas no lineales con una buena exactitud.
En el captulo 4 se muestra la aplicacin de las redes neuronales y de los sistemas difusos
dentro del rea de la identicacin de sistemas no lineales, de los cuales no se cuenta con
toda la informacin y cuyos modelos matemticos son muy complejos.
Se muestran dos formas para la estimacin de los estados internos del sistema no lineal, la
primera es por medio de la aplicacin de los observadores difusos para sistema tipo Takagi-
Sugeno y en el segundo mtodo se introduce un observador en modo deslizante as como su
diagrama de diseo, esto es con el n de estimar los estados internos del sistema no lineal
y de esta forma identicar la planta por medio de un neuro identicador difuso, tambin se
muestra el anlisis de estabilidad de ste ltimo.
En el captulo 5 se plantea el problema de seguimiento para un sistema no lineal, y de
igual forma que en el captulo anterior se presentan dos alternativas, en la primera propuesta
se utiliza un sistema de control tipo Takagi-Sugeno que es parte de la continuacin a la
estimacin de los estados internos del sistema por medio de un observador TSK, lo que
simplica el problema mostrndolo como un caso lineal, en el segundo procedimiento se
dene un error de seguimiento y de esta forma se propone un neuro controlador adaptable
difuso, este planteamiento es ms general y de mayor inters en la solucin para el control
de sistemas no lineales complejos.
Las partes de que consta un controlador adaptable son un identicador, un controlador,
el modelo de la planta y el modelo de referencia as como un algoritmo de adaptacin, que
en ste caso podra ser el entrenamiento del gradiente descendente [29].
6 Introduccin
1.4. Publicaciones
Parte de esta tesis se present como el artculo titulado Fuzzy Output Feedback Control
via Sliding Mode Observer, International Symposium on Robotics and Automation, Toluca,
Mexico, 2002
Captulo 2
Lgica difusa y relacin difusa
La mayora de las deniciones que a continuacin se citan son extradas de [42] y [41], se
presentan los conceptos bsicos que describen a la lgica difusa y a los sistemas de control
difuso.
2.1. Lgica difusa
En la dcada de los aos veinte de este siglo, J. Lukasiewicz desarroll los principios de
la lgica multivaluada, cuyos enunciados pueden tener valores de verdad comprendidos entre
el 0 (FALSO) y el 1 (CIERTO) de la lgica binaria clsica.
En 1965, L. Zadeh aplic la lgica multivaluada a la teora de conjuntos, estableciendo
la posibilidad de que los elementos pudieran tener diferentes grados de pertenencia a un
conjunto. Zadeh introdujo el trmino fuzzy (borroso, difuso) y desarroll un lgebra completa
para los conjuntos difusos, aunque estos conjuntos no tuvieron aplicacin prctica hasta
mediados de los aos setenta, cuando E. H. Mamdani dise un controlador difuso para un
motor de vapor [42].
En la lgica borrosa o difusa se trabaja con conjuntos, que se denen por sus funciones
de pertenencia, que se denotan como
C
(x) e indican el grado de pertenencia (entre 0 y 1)
del elemento con valor x al conjunto C.
8 Lgica difusa y relacin difusa
La denominada lgica difusa (fuzzy logic) permite tratar informacin imprecisa, como
estatura media, temperatura baja o mucha fuerza, en trminos de conjuntos borrosos o difu-
sos (imprecisos en denitiva). Estos conjuntos borrosos se combinan en reglas para denir
acciones, como por ejemplo, Si la temperatura es alta entonces enfriar mucho. De esta man-
era, los sistemas de control basados en lgica difusa combinan unas variables de entrada
(denidas en trminos de conjuntos difusos), por medio de grupos de reglas que producen
uno o varios valores de salida.
Los sistemas basados en lgica difusa pueden ser aplicados a problemas similares que las
redes neuronales, y resultan interesantes para problemas no lineales o no bien denidos.
Los sistemas difusos permiten modelar cualquier proceso no lineal, y aprender de los
datos haciendo uso de determinados algoritmos de aprendizaje (como los de las propias redes
neuronales). Estos sistemas permiten utilizar fcilmente el conocimiento de los expertos en
un tema, formalizando el conocimiento a veces ambiguo del experto (o el sentido comn)
de una forma realizable. Y gracias a la simplicidad de los clculos, normalmente pueden
realizarse en sistemas baratos y rpidos.
Desde los resultados presentados por Zadeh y sus primeras aplicaciones en procesos de
control demostrados por Mamdani, el control difuso ha probado ser una excelente aproxi-
macin para sistemas no lineales complejos. Debido a que muchas teoras del control clsico
se combinan en los sistemas difusos, han aparecido anlisis de estabilidad y resultados de
sntesis en control difuso.
A continuacin se presentan los aspectos bsicos de la lgica difusa.
2.1.1. Conjuntos Difusos y operaciones bsicas de los conjuntos
difusos
De los Conjuntos Clsicos a los Conjuntos difusos
Sea U el universo de discurso, o conjunto universal que contiene todos los elementos posi-
bles que concierne a cada contexto en particular o aplicacin. Recordando que un conjunto
clsico (crisp) A, o simplemente el conjunto A, en el universo de discurso U se puede denir
2.1 Lgica difusa 9
o estando todos sus miembros o especicando las propiedades que pueden satisfacer los el-
ementos del conjunto.Podemos enlistar los elementos del conjunto, esto slo para conjuntos
nitos. De forma ms general podemos establecer una regla que cumplan los elementos que
pertenezcan al conjunto A y que podemos representar como
A = {x U | cumple ciertas condiciones} (2.1)
Podemos citar otro mtodo para denir el conjunto A, el mtodo de pertenencia, que
introduce una funcin de pertenencia (tambin llamada funcin caracterstica, funcin dis-
criminante, o funcin indicador) para A, denotado por
A
(x) , tal que
A
(x) =
(
1 si x A
0 si x / A
(2.2)
El conjunto A es equivalente matemticamente a su funcin de pertenencia
A
(x) en el
sentido que conociendo
A
(x) conocemos al propio A.
Si queremos denir un conjunto en U de acuerdo a si el auto es un auto americano o no,
nos presentamos con una dicultad. Una perspectiva es que un auto es un auto americano
si tiene el nombre de auto manufacturado en Estados Unidos de Amrica; (EUA) de otra
forma no es un auto americano. Sin embargo, mucha gente siente que la distincin entre un
auto americano y uno no americano no es como en un conjunto crisp, debido a que muchos
componentes de los autos que se consideran americanos (por ejemplo, Ford, GM, Chryslers)
son producidos fuera de Estados Unidos de Amrica. Adems, algunos autos no americanos
son manufacturados en los EUA. Qu se puede hacer para enfrentar este problema?
Esencialmente, la dicultad del ejemplo anterior muestra que algunos conjuntos no tienen
fronteras claras. La teora de conjuntos clsica requiere que un conjunto debe tener una
propiedad bien denida, por tanto es incapaz de denir el conjunto como todos los autos
americanos en Los Angeles. Para afrontar esta limitacin de la teora de conjuntos clsica,
se introdujo el concepto de conjunto difuso. El resultado de esa limitacin es fundamental
y es necesaria una nueva teora: la teora de conjuntos difusos.
Denicin 2.1 Un conjunto difuso en el universo de discurso U se caracteriza por una
funcin de pertenencia
A
(x) que toma valores en el intervalo [0, 1].
Notacin Los conjuntos difusos se denotan por letras maysculas normales, por ejem-
plo los conjuntos difusos A, B, C, L, etc. Las matrices se denotan por letras maysculas
oscuras como la matriz A, B, C, etc. Los elementos de un conjunto difuso se denotan por
letras minsculas normales como x, u, y, etc., para las variables lingsticas se utilizarn
letras normales con gorro, como b x, b y, etc.
Por tanto, un conjunto difuso es una generalizacin de un conjunto clsico permitiendo
que la funcin de pertenencia tome cualquier valor en el intervalo de [0, 1]. En otras palabras
la funcin de pertenencia de un conjunto clsico puede tomar solo dos valores -cero y uno-,
mientras que la funcin de pertenencia de un conjunto difuso es una funcin continua con
rango entre [0, 1]. Podemos ver de la denicin que no existe nada incierto de la denicin
de conjunto difuso; es simplemente un conjunto con una funcin de pertenencia continua.
Un conjunto difuso A en U puede representarse como un conjunto de pares ordenados de un
elemento genrico x y de su valor de pertenencia,
A = {(x,
A
(x)) | x U} (2.3)
Cuando U es continuo (por ejemplo, U = R), A es comnmente escrito como
A =
Z
U

A
(x) /x (2.4)
donde el signo de integral no denota integracin; denota la coleccin de todos los puntos
x U con la funcin de pertenencia asociada
A
(x). Cuando U es discreto, A es comnmente
escrito como
A =
X
U
A
(x) /x (2.5)
donde el signo de sumatoria no representa adicin aritmtica; denota la coleccin de todos los
puntos x U con la funcin de pertenencia asociada
A
(x). Regresando al ejemplo anterior
y empleando el concepto de conjunto difuso se pueden denir el conjunto de autos americanos
2.1 Lgica difusa 11
y no americanos. Para denir el conjunto de autos americanos en Los Angeles denotado
por D, como un conjunto difuso de acuerdo al porcentaje de las partes del auto hechas es
EUA. Especcamente, D se dene por la funcin de pertenencia
D
(x) = p (x) (2.6)
donde p (x) es el porcentaje de las partes del auto x hechas en EUA y toma valores entre 0 %
y 100 %. Por ejemplo, si un auto en particular x
0
tiene el 60 % de sus partes hechas en EUA,
entonces decimos que el auto x
0
pertenece al conjunto D en el grado de 0.6. Similarmente,
podemos denir el conjunto de autos no americanos en Los Angeles, denotado por F,
como el conjunto difuso con la funcin de pertenencia
F
(x) = 1 p (x) (2.7)
donde p (x) es lo mismo que en (2.6). De esta manera, si un auto particular x
0
tiene el
60 % de todas sus partes hechas en EUA, entonces podemos decir que el auto x
0
pertenece
al conjunto difuso F en un grado de 1-0.6=1.4. La gura 2.1 muestra (2.6) y (2.7). Por
supuesto, un elemento puede pertenecer a diferentes conjuntos difusos en el mismo o en
diferente grado.
Podemos denir a Z como el conjunto nombrado nmeros cercanos al cero. Por tanto
una posible funcin de pertenencia para Z es
Z
(x) = e
x
2
(2.8)
donde x R. Esta es una funcin Gaussiana con media igual a cero y desviacin estndar
igual a uno. De acuerdo a esta funcin de pertenencia, los nmeros 0 y 2 pertenecen al
conjunto difuso Z en un grado de e
0
= 1 y e
4
, respectivamente.
Tambin podemos denir la funcin de pertenencia para Z como
Z
(x) =
_
_
0 si x < 1
x + 1 si 1 x < 0
1 x si 0 x < 1
0 si 1 x
(2.9)
1
0
D
100 p(x)
Figura 2.1: Funcin de pertenencia para autos americanos (
D
) y no americanos (
F
) basados
en el porcentaje de las partes del auto hechas en EUA (p (x)) .
De acuerdo a esta funcin de pertenencia, los nmeros 0 y 2 pertenecen al conjunto difuso
Z en un grado de 1 y 0, respectivamente. (2.8) y (2.9) se pueden observar en las guras
(2.2) y (2.3), respectivamente. Se pueden elegir muchas otras funciones de pertenencia que
caractericen a nmeros cercanos a cero.
Podemos sealar tres observaciones importantes sobre los conjuntos difusos:
Comentario 2.1 Las propiedades empleadas para caracterizar conjuntos difusos usualmente
son difusos, por ejemplo, nmeros cercanos al cero, lo cual no es una descripcin precisa.
De esta forma, podemos usar diferentes funciones de pertenencia para caracterizar la misma
descripcin. Sin embargo, las funciones de pertenencia por s solas no son difusas - en reali-
dad son funciones matemticas precisas -. Una vez que una propiedad difusa es representada
por una funcin de pertenencia, por ejemplo, nmeros cercanos al cero se representa por
la funcin de pertenencia (2.8) o (2.9), nada ser difuso despus. As, caracterizando una
descripcin difusa con una funcin de pertenencia, esencialmente se le quita lo difuso a la
descripcin difusa. Un malentendido comn de la teora de conjuntos difusos es que la teora
de conjuntos difusos trata de hacer difuso al mundo. Por el contrario, estos conjuntos difusos
son usados para no ver al mundo de forma difusa.
Comentario 2.2 La observacin anterior es una cuestin importante: cmo determinar las
2.1 Lgica difusa 13
0
1

x
Figura 2.2: Funcin de pertenencia posible para caracterizar nmeros cercanos al cero.
-1 1
x
1

Figura 2.3: Otra posible funcin de pertenencia para caracterizar nmeros cercanos al cero.
funciones de pertenencia? Debido a que existe una variedad de elecciones para las funciones
de pertenencia, cmo podemos elegir una de estas opciones? Conceptualmente, existen dos
aproximaciones para determinar una funcin de pertenencia. La primera aproximacin es
usar el conocimiento humano de los expertos, es decir, preguntar a los expertos del campo
para especicar las funciones de pertenencia. Ya que los conjuntos difusos son en ocasiones
empleados para formular el conocimiento humano, las funciones de pertenencia representan
una parte del conocimiento humano. Usualmente, esta aproximacin puede darnos una fr-
mula rgida de la funcin de pertenencia; se necesita un ajuste ms no. Para la segunda
aproximacin, empleamos una coleccin de datos provenientes de varios sensores para deter-
minar las funciones de pertenencia. Especcamente, primero se denen las estructuras de
las funciones de pertenencia y de esta forma se ajustan los parmetros de las funciones de
pertenencia basadas en los datos.
Comentario 2.3 Finalmente, debera enfatizarse que aunque (2.8) y (2.9) son usadas
para caracterizar la misma descripcin de nmeros cercanos al cero, estos son diferentes
conjuntos difusos. Hablando rigurosamente, podramos emplear diferentes etiquetas para rep-
resentar los conjuntos difusos (2.8) y (2.9); por ejemplo, podramos usar
Z
1
(x) en (2.8) y
Z
2
(x) en (2.9). Un conjunto difuso tiene una correspondencia uno a uno con su funcin de
pertenencia. Esto es, cuando decimos un conjunto difuso, existe una funcin de pertenencia
nica asociada con ste; recprocamente, cuando damos una funcin de pertenencia, sta
representa un conjunto difuso.
Conceptos Bsicos asociados con los Conjuntos Difusos
Muchos de estos conceptos son una extensin de los conceptos bsicos de un conjunto
clsico (crisp), sin embargo algunos de ellos son nicos dentro del marco de los conjuntos
difusos.
Denicin 2.2 A continuacin se denen los conceptos de soporte, singleton difuso, centro,
punto de cruce, punto elevado, conjunto difuso normal, -corte, conjunto difuso convexo y
proyecciones.
2.1 Lgica difusa 15
1
varios
(x)
x entero
1 2 3 4 5 6 7 8 9 10
0.5
Figura 2.4: Funcin de pertenencia para el conjunto dufuso "varios".
El soporte (support) de un conjunto difuso A en el universo de discurso U es un conjunto
crisp que contiene todos los elementos de U que no tienen valores de pertenencia igual a cero
en A, esto es,
supp(A) = {x U |
A
(x) > 0} (2.10)
donde supp(A) denota el soporte del conjunto difuso A. Por ejemplo, el soporte del con-
junto difuso "varios"en la gura 2.4 es el conjunto de enteros {3, 4, 5, 6, 7, 8}. Si el soporte
de un conjunto difuso esta vaco, se le llama conjunto difuso vaco. Un singleton difuso
es un conjunto difuso cuyo soporte es un nico punto en U.
El centro de un conjunto difuso se dene como: si el valor medio de todos los puntos
en el cul la funcin de pertenencia del conjunto difuso alcanza su mximo valor es nito,
por tanto se dene este valor medio como el centro del conjunto difuso, si el valor medio es
igual a un innito positivo (negativo), entonces el centro se dene como el ms grande (ms
pequeo) entre todos los puntos que alcanzan el valor de pertenencia mximo. La gura 2.5
muestra los centros de algunos conjuntos difusos tpicos. El punto de cruce de un conjunto
difuso es el punto en U cuyo valor de pertenencia en A es igual a 0,5.
A
1
A
2
A
3
A
4
centro
de A
1
centro
de A
2
centro
de A
3
centro
de A
4
Figura 2.5: Centros de algunos conjuntos difusos tpicos.
El punto elevado de un conjunto difuso es el valor de pertenencia ms grande obtenido
por cualquier punto. Por ejemplo, los puntos elevados de todos los conjuntos difusos en las
Figuras 2.1-2.3 son iguales a uno. Si el punto elevado de un conjunto difuso es igual a uno,
se le llama conjunto difuso normal. Todos los conjuntos difusos en las Figuras 2.1-2.3 son
por tanto conjuntos difusos normales.
Un -corte de un conjunto difuso A es un conjunto crisp A, que contiene todos los
elementos en U que tienen valores de pertenencia en A mayores o iguales a , esto es,
A
= {x U |
A
(x) } (2.11)
Por ejemplo, para = 0.3 el -corte del conjunto difuso (2.9) (gura 2.3) es el conjunto
crisp [-0.7,0.7], y para = 0.9, es [-0.1,0.1] .
Cuando el universo de discurso U es el espacio Euclidiano n-dimensional R
n
, el concepto
de convexidad se puede generalizar al conjunto difuso. Un conjunto difuso A se dice convexo
si y solo si -corte A
es un conjunto convexo para cualquier en el intervalo (0, 1] .

Los conceptos bsicos de las secciones anteriores conciernen a un slo conjunto difuso. Se
asume que A y B son conjuntos difusos denidos en el mismo universo de discurso U.
2.1 Lgica difusa 17
Denicin 2.3 La igualdad, contencin complemento, unin e interseccin de dos conjuntos
difusos A y B se denen a continuacin
Decimos que A y B son iguales si y slo s
A
(x) =
B
(x) para todo x U. Se dice
que B contiene a A, denotado por A B si y slo s
A
(x)
B
(x) para todo x U. El
complemento de A es un conjunto difuso A en U cuya funcin de pertenencia es denida por
A
(x) = 1
A
(x) (2.12)
La unin de A y B es un conjunto difuso en U, denotado por A B cuya funcin de
pertenencia esta denida como
AB
(x) = max [
A
(x) ,
B
(x)] (2.13)
La interseccin de A y B es un conjunto difuso A B en U con funcin de pertenencia
AB
(x) = mn [
A
(x) ,
B
(x)] (2.14)
La unin de A y B es el conjunto difuso ms pequeo que contiene a A y B. Si C es
cualquier conjunto difuso que contiene a A y B, entonces tambin contiene la unin de A y B.
AB denido como en (2.13) contiene a ambos A y B ya que max [
A
(x) ,
B
(x)]
A
(x)
y m ax [
A
(x) ,
B
(x)]
B
(x). Adems, si C es cualquier conjunto difuso conteniendo a A
y B, entonces
C
(x)
A
(x) y
C
(x)
B
(x) . Por tanto,
C
(x) m ax [
A
(x) ,
B
(x)] =
AB
, lo que signica que A B denido como en (2.13) es el conjunto difuso ms pequeo
que contiene a ambos A y B.La interseccin se justica de igual manera.
Las funciones que denen la unin y la interseccin pueden generalizarse a condicin
de cumplir ciertas restricciones. Las funciones que cumplen estas condiciones se conocen
respectivamente como Conorma Triangular (T-Conorma) y Norma Triangular (T-Norma).
Algunas de las ms usadas son:
Conomas Normas
MAX(a,b) MIN(a,b)
(a+b-ab) (ab)
MIN(1,a+b) MAX(0, a+b-1)
Como en la lgica clsica, las Conormas y Normas cumplen las leyes de Morgan que las
relacionan.
Particiones Difusas
Dada una variable difusa A, denida en un rango entre u
1
y u
2
, es posible establecer en
ella diversas particiones. Se conoce por particin a un conjunto de los conjuntos difusos
que se han denido para la variable A. Una particin de A es uno de los subconjuntos
que pueden formarse con los elementos (trminos) de T(A). As, para la variable "estatura"
una posible particin sera la correspondiente a la gura 2.6, con tres subconjuntos difusos,
cada uno identicado por una etiqueta, {Bajo, Medio, Alto}, y una funcin de inclusin
o pertenencia, {
Bajo
(t),
Medio
(t),
Alto
(t)}. Se dice que una particin es completa si
para todos los valores posibles de U existe en la particin un conjunto con pertenencia no
nula (es decir, los conjuntos denidos cubren todo U); as, completitud es el porcentaje de
los elementos de U para los que existe en la particin un conjunto con pertenencia no nula
frente al total de elementos de U. Se dice que dos conjuntos difusos estn solapados si su
interseccin es no nula; de este modo, el solapamiento de un conjunto difuso es la relacin
del nmero de elementos que comparte con otros conjuntos de la misma particin, respecto
del nmero total de elementos que lo forman.
Para la realizacin ,de controladores basados en lgica difusa se han de denir particiones
de las variables del controlador. Normalmente se recomienda que estas particiones sean com-
pletas, con un solapamiento del 20 % al 50 %, y en nmero impar. Normalmente se emplean
particiones de 3 o 7 conjuntos, pues la complejidad no es excesiva y permiten una precisin
suciente en la descripcin de los valores de la variable. Adems, se recomienda denir con-
juntos de tipo T (triangulares) en torno a puntos singulares, como el cero. Los nombres de
los conjuntos difusos que forman una particin se suelen expresar en forma abreviada por sus
iniciales; as, una particin tpica como {Negativo Grande, Negativo Pequeo, Cero, Positivo
Pequeo, Positivo Grande} se representa como {NG, NP, CE, PP, PG} o, en ingles, {NL,
NS, ZE, PS, PL} (Negative Large, Negative Small, Zero, Positive Small, Positive Large).
2.1 Lgica difusa 19

A
(x)
Bajo Medio Alto
x
Figura 2.6: Conjuntos difusos para la variable Estatura.
Inferencia Difusa
Tambin como en el caso de la lgica clsica, la lgica difusa se ocupa del razonamiento
formal con proposiciones, pero a diferencia de sta, los valores de las proposiciones pueden
tomar valores intermedios entre verdadero y falso.
De la misma forma que se dene un isomorsmo entre la lgica y la teora de conjuntos
clsica, es posible tambin denir un isomorsmo entre la lgica y la teora de conjuntos
difusos, y de stas a su vez con un lgebra de Boole. De esta forma, los conjuntos difusos
tambin representan predicados en la lgica proposicional. El objeto de la lgica difusa
es proporcionar un soporte formal al razonamiento basado en el lenguaje natural, que se
caracteriza por tratarse de un razonamiento de tipo aproximado, que hace uso de unas
proposiciones que a su vez expresan informacin de carcter impreciso.
Relaciones Difusas y el Principio de Extensin
Sean U y V dos conjuntos clsicos arbitrarios. El producto Cartesiano de U y V , denotado
por U V , es el conjunto no difuso de todos los pares ordenados (u, v) tal que u U y
v V ,
U V = {(u, v) | u U y v V } (2.15)
El orden en que aparecen U y V es importante, ya que si U 6= V , entonces U V 6=
V U. En general el producto Cartesiano de n conjuntos no difusos arbitrarios U
1
, U
2
, . . . , U
n
denotado por U
1
U
2
. . . U
n
, es el conjunto no difuso de todas las n-tuplas (u
1
, u
2
, . . . , u
n
)
tales que u
i
U
i
para i {1, 2, . . . , n}; esto es,
U
1
U
2
. . . U
n
= {(u
1
, u
2
, . . . , u
n
) | u
1
U
1
, u
2
U
2
, . . . , u
n
U
n
} (2.16)
Una relacin (no difusa) entre conjuntos (no difusos) U
1
, U
2
, . . . , U
n
es un subconjunto
del producto Cartesiano U
1
U
2
. . . U
n
, esto es, si empleamos Q(U
1
, U
2
, . . . , U
n
) para
denotar una relacin entre U
1
, U
2
, . . . , U
n
entonces
Q(U
1
, U
2
, . . . , U
n
) U
1
U
2
. . . U
n
(2.17)
Como un caso especial, una relacin binaria entre conjuntos (no difusos) U y V es un
subconjunto del producto Cartesiano U V.
Denicin 2.4 Una relacin difusa es un conjunto difuso denido en el producto Cartesiano
de conjuntos crisp U
1
, U
2
, . . . , U
n
. Con el esquema de representacin
A = {(x,
A
(x)) | x U} (2.18)
una relacin difusa Q en U
1
U
2
. . . U
n
es denida como el conjunto difuso
Q =

((u
1
, u
2
, . . . , u
n
) ,
Q
(u
1
, u
2
, . . . , u
n
)) | (u
1
, u
2
, . . . , u
n
) U
1
U
2
. . . U
n
(2.19)
donde
Q
: U
1
U
2
. . . U
n
[0, 1].
Como un caso especial, una relacin binaria difusa es un conjunto difuso denido en el
producto Cartesiano de dos conjuntos crisp. Una relacin binaria sobre un producto Carte-
siano nito es representado usualmente por una matriz relacional difusa, esto es, una matriz
cuyos elementos son los valores de pertenencia de los pares correspondientes a la relacin
difusa.
El principio de extensin permite convertir conceptos no difusos en difusos, siendo
adems la base de la inferencia en los sistemas difusos. Sean U y V dos universos de discurso,
2.1 Lgica difusa 21
y f una funcin de U a V . En general, para una conjunto difuso A en U el principio de
extensin dene un conjunto difuso B en V dado por
B
(v) = sup
uf
1
(v)
[
A
(u)] (2.20)
es decir
B
(v) es el mximo de
A
(u) para todos los u U que cumplen que f(u) = v,
donde v V y suponiendo que f
1
(v) no es vaco. Si f
1
(v) es vaco para algn v V , se
denir
B
(v) = 0.
2.1.2. Proyecciones y Extensiones Cilndricas
Se denen estos conceptos ya que una relacin crisp est denida en el espacio producto
de dos o ms conjuntos. Por ejemplo, considerando el conjunto
A =

(x, y) R
2
| (x 1)
2
+ (y 1)
2
1
que es una relacin en U V = R

2
. La proyeccin de A sobre U es A
1
= [0, 1] U y la
proyeccin de A sobre V es A
2
= [0, 1] V ; ver la gura 2.7. La extensin de A
1
sobre
U V = R
2
es A
1E
= [0, 1] (, ) R
2
. Estos conceptos se pueden extender a las
relaciones difusas.
Denicin 2.5 Sea Q una relacin difusa en U
1
. . . U
n
y {i
1
, . . . , i
k
} una subsecuencia
de {1, 2, . . . , n} , entonces la proyeccin de Q sobre U
i
1
. . . U
i
k
es una relacin difusa
Q
P
denida por la funcin de pertenencia
Q
P
(u
i
1
, . . . , u
i
k
) = m ax
u
j1
U
j1
,...,u
j(NK)
U
j(NK)
Q
(u
1
, . . . , u
n
) (2.21)
donde

u
j1
, . . . , u
j(nk)
es el complemento de {u
i
1
, . . . , u
i
k
} con respecto a {u
1
, . . . , u
n
}.
Como un caso especial, si Q es una relacin binaria difusa en UV , entonces la proyeccin
de Q sobre V , denotada por Q
1
, es el conjunto difuso en denido por:
Q
1
(x) = max
yV

Q
(x, y) (2.22)
A
1E
A
V
U
A
2
A
1
Figura 2.7: Proyecciones y Extenciones Cilndricas de una relacin.
Denicin 2.6 Sea Q
P
una relacin difusa en U
i
1
. . . U
i
k
y {i
1
, . . . , i
k
} es una sub-
secuencia de {1, 2, . . . , n} , entonces la extensin cilndrica de Q
P
a U
1
. . . U
n
en una
relacin difusa Q
PE
en U
1
. . . U
n
denida por
Q
PE
(u
1
, . . . , u
n
) =
Q
P
(u
i
1
, . . . , u
i
K
) (2.23)
Como un caso especial, si Q
1
es un conjunto difuso en U, entonces la extensin cilndrica
de Q
1
a U V es una relacin difusa Q
1E
en U V denida por
Q
1E
(x, y) =
Q
1
(x) (2.24)
La denicin (2.23) tambin es vlida para relaciones crisp.
Sean P (U, V ) y Q(V, W) dos relaciones binarias crisp que comparten un conjunto V . La
composicin de P y Q, denotada por P Q se dene como una relacin en U W tal que
(x, z) P Q si y solo si existe una y V tal que (x, y) P y (y, z) Q.
P Q es la composicin de P (U, V ) y Q(V, W) si y solo si
PQ
(x, z) = max
yV
t
P
(x, y) ,
Q
(y, z)
(2.25)
para cualquier (x, z) U W, donde t es cualquier t-norma.
2.2 Variables Lingsticas y Reglas Difusas SI-ENTONCES (IF-THEN) 23
Denicin 2.7 La composicin de las relaciones difusas P (U, V ) y Q(V, W), denotada por
P Q, est denida como una relacin difusa en U W cuya funcin de pertenencia est
dada por (2.25) .
Debido a que la t-norma en (2.25) puede tomar una variedad de frmulas, para cada
t-norma podemos obtener una composicin en particular. Las dos composiciones ms usadas
comnmente son la composicin m ax mn y la composicin m ax product, que se denen
a continuacin:
La composicin m ax mn de relaciones difusas P (U, V ) y Q(V, W) es una relacin
difusa P Q en U W denida por la funcin de pertenencia
PQ
(x, z) = max
yV
mn t
P
(x, y) ,
Q
(y, z)
(2.26)
donde (x, z) U W.
La composicin max product de relaciones difusas P (U, V ) y Q(V, W) es una relacin
difusa P Q en U W denida por la funcin de pertenencia
PQ
(x, z) = max
yV
t
P
(x, y) ,
Q
(y, z)
(2.27)
donde (x, z) U W.
2.2. Variables Lingsticas y Reglas Difusas SI-ENTONCES
(IF-THEN)
2.2.1. De las Variables Numricas a las Variables Lingsticas
En nuestra vida diaria, las palabra en ocasiones sirven para describir variables. Por ejem-
plo, cuando decimos "hoy hace calor", o de forma equivalente, "la temperatura de hoy es
alta", usamos la palabra alta para describir la variable de "la temperatura de hoy". De esta
forma, la variable "la temperatura de hoy", toma la palabra alta para describir su valor.
Claramente, la variable "la temperatura de hoy"puede tomar los nmeros 25
C, 19
C, etc.,
como sus valores. Cuando una variable toma nmeros como sus valores, tenemos un marco
matemtico bien establecido para formularlo. Pero cuando una variable toma palabras como
sus valores, no tenemos un marco formal para expresarlo en la teora matemtica clsica.
Para proporcionar un marco formal, se introdujo el concepto de variables lingsticas. Si una
variable puede tomar palabras en un lenguaje natural como sus valores, se le llama variable
lingstica.
Denicin 2.8 Si una variable puede tomar palabras en lenguajes naturales como sus val-
ores, se le llama variable lingstica, donde las palabras son caracterizadas como conjuntos
difusos denidos en el universo de discurso en el que la variable es denida.
Denicin 2.9 [54] y [55] Una variable lingstica se caracteriza por

b
X, T, U, M
, donde
b
X es el nombre de la variable lingstica; por ejemplo,
b
X podra ser la velocidad del
auto, cuya representacin se muestra en la gura 2.8.
T es el conjunto de valores lingsticos que
b
X puede tomar; en el ejemplo anterior
T={lenta,media, rpida}
U es el dominio fsico actual en el que la variable lingstica
b
X toma valores (crisp)
cuantitativos; en el ejemplo anterior U = [0, V
max
] .
M es la regla semntica que relaciona cada valor lingstico en T con un conjunto
difuso en U; en el ejemplo anterior M relaciona lenta, media y rpida con la funcin
de pertenencia que se muestra en la gura 2.8.
De estas deniciones vemos que las variables lingsticas son extensiones de las variables
numricas en el sentido de que permiten tomar conjuntos difusos como sus valores; ver la
gura 2.9.
lenta

media rpida

0
1
35 55 75 V
max
Velocidad del auto en
(mph)

Figura 2.8: La velocidad de un auto como una variable lingstica puede tomar tres conjuntos
difusos.
U U
Variable numrica Variable lingstica
Figura 2.9: De la variable numrica a la variable lingstica.
Introduciendo el concepto de variables lingsticas, podemos formular descripciones vagas
del lenguaje natural en trminos matemticos precisos. Este es el primer paso para incorporar
el conocimiento humano dentro de los sistemas de ingeniera en una manera sistemtica y
eciente.
2.2.2. Reglas difusas SI-ENTONCES (IF-THEN)
En los sistemas difusos y de control, el conocimiento humano se representa en trminos
de reglas SI-ENTONCES. Una regla difusa SI-ENTONCES es una declaracin expresada
como
SI hproposicin difusai , ENTONCEShproposicin difusai (2.28)
Proposiciones Difusas
Existen dos tipos de proposiciones: las proposiciones difusas atmicas y las proposiciones
difusas compuestas. Una proposicin difusa atmica es una declaracin simple
b x es A (2.29)
donde b x es una variable lingstica, y A es un valor lingstico de b x (esto es, A es un
conjunto difuso denido en el dominio fsico de b x). Por ejemplo, si b x representa la velocidad
del auto del ejemplo anterior, se tienen las siguientes proposiciones difusas (las primeras tres
son proposiciones atmicas difusas y las ltimas tres son proposiciones compuestas difusas):
b x es L (2.30)
b x es M (2.31)
b x es R (2.32)
b x es L o b x no es M (2.33)
b x no es L y b x no es R (2.34)
(b x es L y b x no es R) o b x es M (2.35)
donde L, M y R denotan los conjuntos difusos "lento", "medio" y rpido", respectiva-
mente.
Se puede notar que en una proposicin compuesta difusa, las proposiciones atmicas
difusas son independientes, esto es, las xs en la misma proposicin de (2.33)-(2.35) pueden
ser diferentes variables. En realidad, las variables lingsticas en una proposicin difusa son
en general diferentes. Por ejemplo sea x la velocidad de un auto y y =

x la aceleracin
del auto, entonces si se dene el conjunto alta (A) para la aceleracin, se tiene la siguiente
proposicin difusa compuesta
b x es R y b y es A
Por consiguiente, las proposiciones difusas deben entenderse como relaciones difusas. Se
pueden determinar las funciones de pertenencia para estas relaciones.
Las reglas difusas combinan uno o ms conjuntos difusos de entrada, llamados an-
tecedentes o premisas, y les asocian un conjunto difuso de salida, llamado consecuente
o consecuencia. Los conjuntos difusos de la premisa se asocian mediante conjuntivas lg-
icas como y, o, etc. Una regla tpica, de tipo IF-THEN, para un sistema de control sera
"Si error es positivo_pequeo y derivada_de_error es negativo_pequeo Entonces accin es
positiva_pequea", que se suele expresar abreviadamente mediante expresiones del tipo Si
E es PP y dE es NP Entonces U es PP.
Las reglas difusas permiten expresar el conocimiento que se dispone sobre la relacin
entre antecedentes y consecuentes. Para expresar este conocimiento de forma completa nor-
malmente se precisa de varias reglas, que se agrupan formando lo que se conoce como una
base de reglas, es decir, el conjunto de reglas que expresan las relaciones conocidas entre
antecedentes y consecuentes.
La base de reglas se puede representar bien como una tabla de las reglas que la forman, o
bien como una memoria asociativa difusa o FAM(Fuzzy Associative Memory). Las FAM
son matrices que representan la consecuencia de cada regla denida para cada combinacin
de dos entradas. Las FAM permiten realizar una representacin grca clara de las relaciones
entre dos variables lingsticas de entrada y la variable lingstica de salida, pero requiere
que se indique explcitamente todas las reglas que se pueden formar con estas dos variables
de entrada. Cuando el nmero de conjuntos de cada una de las particiones de entrada crece
las FAM se hacen difcilmente manejables. Es posible tambin denir FAM de ms de dos
dimensiones, pero su tamao se hace rpidamente excesivo y son ms difciles an de manejar.
En su lugar se suele trabajar con varias FAM de dimensin dos, para as denir subconjuntos
de reglas que asocien las entradas de dos en dos en la base de reglas general [41].
Formalmente, una base de reglas difusa es una coleccin de reglas R
(l)
con el formato
R
(l)
: IF bx
1
is F
l
1
and...and bx
n
is F
l
n
THEN by is G
l
(2.36)
donde F
/
1
y G
l
son conjuntos difusos en U
i
< y V <, respectivamente, y b x =(b x
1,
. . . , b x
n
)
T
U
1
U
n
e b y V son variables lingsticas. Este formato de reglas se conoce como difuso
puro o de tipo Mamdani, por ser quien primero las propuso en 1974 para realizar un
controlador difuso que estabiliza un sistema en torno a su punto de trabajo. Otro formato
frecuente para las reglas es el llamado de tipo Sugeno. En este caso, la funcin de salida es
una combinacin lineal de las variables de entrada, o en un caso ms general, una funcin
genrica de las variables de entrada.
R
(l)
: IF bx
I
is F
/
1
and...and bx
n
is F
/
n
THEN by
l
= f
l
(x) (2.37)
Si llamamos M al nmero de reglas IF- THEN (SI-ENTONCES) de la base de reglas
entonces l = 1, 2, ..., M en las ecuaciones (2.36) y (2.37). El vector x representa el conjunto de
las entradas, mientras que y es la salida del sistema difuso. Los sistemas difusos descritos con
n entradas x
i
, y una sola salida y, se conocen como MISO (Multiple Input Single Output),
mientras que los que tienen varias salidas (de 1 hasta k) se conocen como MIMO (Multiple
Input Multiple Output). Para estos ltimos sistemas, se puede generalizar el formato anterior
de las reglas, o bien descomponerlo en k sistemas de tipo MISO.
2.2.3. La Lgica Difusa y el Razonamiento Aproximado
La lgica es el estudio de los mtodos y principios del razonamiento donde el razonamiento
signica obtener nuevas proposiciones de las ya existentes.
En la lgica clsica las proposiciones pueden ser ciertas o falsas, es decir, el valor real de
una proposicin es 0 o 1.
La lgica difusa generaliza la lgica clsica de dos valores permitiendo que los valores de
una proposicin sea cualquier nmero en el intervalo [0,1].
Esta generalizacin nos permite realizar un razonamiento aproximado, esto es, deducir
conclusiones imprecisas (proposiciones difusas) a partir de una coleccin de premisas impre-
cisas (proposiciones difusas).
Modus Ponens Generalizado y Modus Tollens Generalizado
Las reglas difusas son bsicamente de tipo IF-THEN (SI-ENTONCES) y expresan una
relacin o proposicin difusa. En lgica difusa el razonamiento no es preciso, sino aproximado,
lo cual quiere decir que se puede inferir de una regla una conclusin aunque el antecedente
(premisa) no se cumpla plenamente. Existen dos mtodos bsicos de inferencia entre reglas
o leyes de inferencia, el modus ponens generalizado (GMP) y el modus tollens
generalizado (GMT), que representan extensiones o generalizaciones del razonamiento
clsico. El GMP se conoce como razonamiento directo y puede resumirse de la forma
siguiente:
(Conocimiento): Si x es A Entonces y es B
(Hecho): b x es A
(Consecuencia): b y es B
Donde A, A, B Y B son conjuntos difusos. Esta relacin se expresa tambin como B=
A R.
El GMT se conoce como razonamiento inverso y puede resumirse de la forma
siguiente:
(Conocimiento): Si b x es A Entonces b y es B
(Hecho): b y es B
-
(Consecuencia): b x es A
Lo que se expresa como A= B R
Las matemticas difusas proporcionan un punto de inicio y un lenguaje para los sistemas
difusos y el control difuso. Las matemticas difusas son un campo enorme donde sus princi-
pios se han desarrollado para reemplazar los conjuntos de la teora matemtica clsica por
conjuntos difusos. De esta forma la teora de la matemtica clsica se puede transformar
en matemtica difusa, observando el nacimiento de palabras como topologa difusa, lgebra
difusa, anlisis difuso, etc. Estos principios y conceptos son muy tiles dentro de los sistemas
difusos y del control difuso.
En el siguiente captulo se citan algunos conceptos bsicos de los sistemas difusos y del
control difuso.
Captulo 3
Sistemas Difusos y Control Difuso
Podemos observar que los principios de la lgica y de la matemtica difusa son usados para
desarrollar los sistemas de control difuso, de estos prinicipios se derivan frmulas matemticas
compactas que nos ayudan a representar los diferentes tipos de sistemas difusos.
3.1. Sistemas Difusos
Una de las principales aplicaciones de la lgica difusa es el diseo de sistemas de control
que, a partir de unas entradas, deben generar unas salidas para actuar sobre determinados
mecanismos. Un ejemplo podra ser el sistema de control para regular la velocidad de un
ventilador en funcin de la temperatura ambiente. En este caso, la nica entrada del sistema
sera el valor de la temperatura, por ejemplo en grados centgrados, y la nica salida, el valor,
en revoluciones por minuto (rpm), de la velocidad necesaria del ventilador para conseguir
una temperatura ideal.
En aos recientes el campo de los sistemas difusos y el control ha tenido un progreso
acelerado. Motivados por el xito del control difuso en productos de consumo y en el con-
trol de procesos industriales, ha habido un incremento en la cantidad de trabajos sobre los
estudios de los sistemas difusos y el control difuso.
Los sistemas difusos son sistemas basados en el conocimiento o en reglas. El corazn de un
32 Sistemas Difusos y Control Difuso

1
45 55 65
Funcin de pertenencia para
alta
Velocidad (mph)
Figura 3.1: Funcin de pertenencia para alta, donde el eje horizontal representa la velocidad
del auto y el eje vertical representa el valor miembro para alta.
sistema difuso es la base del conocimiento que consiste de las llamadas reglas SI-ENTONCES
(IF-THEN rules). Una regla SI-ENTONCES es una declaracin SI-ENTONCES en la cual
algunas palabras son caracterizadas por funciones de pertenencia continuas. Por ejemplo, la
siguiente es una regla difusa SI-ENTONCES.
SI la velocidad de un auto es alta,
ENTONCES se aplica menor fuerza al acelerador
(3.1)
donde las palabras alta y menor son caracterizadas por las funciones de pertenencia
mostradas en la gura 3.1 y 3.2 respectivamente. Un sistema difuso es construido de una
coleccin de reglas difusas SI-ENTONCES.
El punto de inicio para construir un sistema difuso es obtener una coleccin de reglas
difusas basadas en el conocimiento humano de los expertos. El siguiente paso es combinar es-
tas reglas en un sistema simple. Los diferentes sistemas difusos emplean diferentes principios
de esta combinacin.
Existen tres tipos de sistemas difusos empleados comnmente:
1. sistemas difusos puros o de Mamdani,
2. sistemas difusos Takagi-Sugeno-Kang (TSK), y
3.1 Sistemas Difusos 33

1
Funcin de pertenencia para
menor
Fuerza al acelerador
Figura 3.2: Funcin de pertenencia para menor, donde el eje horizontal representa la fuerza
aplicada al acelerador y el eje vertical representa el valor miembro para menor.
3. sistemas difusos con fuzzycador y defuzzycador.
La conguracin bsica de un sistema difuso puro se muestra en la gura 3.3. La base
de reglas difusas representa la coleccin de reglas SI-ENTONCES. Por ejemplo, para el
controlador de un auto, la base de reglas difusas consiste de las siguientes tres reglas:
SI la velocidad es baja,
ENTONCES se aplica ms fuerza al acelerador
(3.2)
SI la velocidad es media,
ENTONCES se aplica una fuerza normal al acelerador
(3.3)
SI la velocidad es alta,
ENTONCES se aplica menor fuerza al acelerador
(3.4)
el dispositivo de inferencia difusa combina las reglas difusas SI-ENTONCES dentro de
un mapeo de conjuntos difusos en el espacio de entrada U R
n
a conjuntos difusos en el
espacio de salida V R basado en principios de la lgica difusa. Si existiera una lnea de
retroalimentacin en la gura 3.3, el sistema se transforma en un sistema dinmico difuso.
El principal problema con el sistema difuso puro es que sus entradas y salidas son conjun-
tos difusos (palabras en lenguajes naturales), por el contrario en los sistemas de ingeniera
Base de Reglas
Difusas
Dispositivo de
inferencia difusa
x en U y en V
Figura 3.3: Conguracin bsica de los sistemas difusos puros.
las entradas y las salidas son variables valuadas en la realidad. Para resolver este problema,
Takagi, Sugeno y Kang propusieron otro sistema difuso cuyas entradas y salidas son variables
valuadas en la realidad.
Para considerar las reglas difusas SI-ENTONCES en la forma de 3.1, el sistema Takagi-
Sugeno-Kang (TSK) utiliza reglas en la siguiente forma:
SI la velocidad bx de un auto es alta,
ENTONCES la fuerza del acelerador es b y = cx
(3.5)
donde la palabra alta tiene el mismo signicado que en 3.1, y c es una constante.
Comparando 3.5 y 3.1 podemos ver que la parte ENTONCES de la regla cambia de una
descripcin utilizando palabras en lenguajes naturales a una frmula matemtica simple.
Este cambio hace ms fcil combinar las reglas. En realidad, el sistema difuso Takagi-Sugeno-
Kang es una media ponderada tomada de los valores en las partes ENTONCES de las reglas.
La conguracin bsica del sistema difuso Takagi-Sugeno-Kang se muestra en la gura 3.4.
Los problemas principales con el sistema difuso Takagi-Sugeno-Kang son: (i) su parte
ENTONCES es una frmula matemtica y por tanto no puede proporcionar un marco natural
que represente el conocimiento humano, y (ii) no hay mucha libertad para aplicar diferentes
principios en lgica difusa, debido a esto la versatilidad de los sistemas difusos no est
muy bien representada en este marco. Para resolver estos problemas empleamos los sistemas
difusos con fuzzycador y defuzzycador, su conguracin se muestra en la gura 3.5.
3.1 Sistemas Difusos 35
Base de Reglas
difusas
Media
ponderada
x en U y en V
Figura 3.4: Conguracin bsica del sistema difuso Takagi-Sugeno-Kang.
Base de Reglas
Difusa
Dispositivo de
inferencia difusa
x en U
y en V
Fuzzyficador Defuzzyficador
Conjuntos
difusos en U
Conjuntos
difusos en V
Figura 3.5: Conguracin bsica de los sistemas difusos con fuzzycador y defuzzycador.
Sistema
difuso
Proceso
Figura 3.6: Sistema difuso como controlador en lazo abierto.
Sistema
Difuso
Proceso
Figura 3.7: Sistema Difuso como controlador en lazo cerrado.
Los sistemas difusos mostrados en la gura 3.5 pueden ser usados como controladores en
lazo abierto o controladores en lazo cerrado mostrados en las guras 3.6 y 3.7.
3.2. Control Difuso
Los sistemas expertos de control difuso basados en reglas, conocido como controladores
difusos o FLC (Fuzzy Logic Controllers), son sin duda la aplicacin ms extendida de la
lgica difusa. De forma general, podemos observar en la gura 3.8, que para controlar un
proceso o sistema se emplea un mdulo controlador, que recibe como entradas una o varias
variables de control llamadas generalmente referencias,
__
R, y una o varias variables de salida
del propio proceso,
__
S , produciendo como salidas una o varias variables, que se conocen como
actuadores
__
A. Normalmente el objetivo del control es mantener
__
R =
__
S .
La estructura tpica de un controlador basado en un sistema difuso puede verse en la
3.2 Control Difuso 37

Controlador

Proceso

_
R
_
A
_
S
Figura 3.8: Control directo de un proceso o sistema.
P
r
e
p
r
o
c
e
s
a
d
o

P
o
s
p
r
o
c
e
s
a
d
o

_
R
_
S
FLC
Controlador
_
X
_
Y
_
A
Figura 3.9: Estructura de un controlador (el ncleo FLC es el controlador difuso).
gura 3.9.
Es de destacar que el control difuso, que es la principal aplicacin de los sistemas difusos,
aparte de ser un tema de investigacin, resulta muy importante desde el punto de vista
industrial, en cuyo campo existen desde hace tiempo innidad de aplicaciones para estos
sistemas en funcionamiento.
La arquitectura del controlador a utilizar depende de la aplicacin concreta a llevar a
cabo. No resulta fcil realizar una clasicacin genrica de todas las arquitecturas posibles
de controladores basados en lgica difusa, sin embargo, existen grandes grupos dentro de
los cuales podemos mencionar los controladores difusos directos sin optimizacin y los con-
Base de conocimiento
Fuzzyficacin
Dispositivo de
inferencia
Defuzzyficacin
Planta
Figura 3.10: Esquema representativo de un control difuso.
troladores difusos directos con optimizacin, controladores difusos hbridos en los cules se
incluyen los formados por la combinacin de lgica difusa con redes neuronales y sistemas
expertos. Actualmente, existe una gran cantidad de propuestas dentro de la combinacin
de la capacidad de aprendizaje de las redes neuronales y del procesamiento de informacin
imprecisa de la lgica difusa.
En el rea del control inteligente [25], la lgica difusa se ha utilizado para resolver de
forma exitosa una gran variedad de problemas de diversa complejidad, en general las etapas
ms importantes utilizadas por un control difuso son las mostradas en la gura 3.10.
Las etapas mostradas en la gura 3.10 son:
a) La fuzzycacin toma valores de la planta y los interpreta como valores lingsticos.
b) El dispositivo de inferencia realiza los planteamientos lgicos necesarios para la toma
de decisiones.
c) La defuzzycacin consiste en la conversin de datos lingsticos a datos numricos,
mediante una ponderacin y normalizacin de las sentencias lgicas antecedentes.
d) La base de conocimiento, incluye los parmetros necesarios para la fuzzycacin,
inferencia y defuzzycacin, los cuales pueden ser de naturaleza heurstica u optimizados
mediante alguna tcnica particular.
3.3 El doble papel de los sistemas difusos 39
3.2.1. Reglas Difusas
Las reglas difusas combinan uno o ms conjuntos difusos de entrada, llamados an-
tecedentes o premisas, y les asocian un conjunto difuso de salida, llamado consecuente o
consecuencia. Los conjuntos difusos de la premisa se asocian mediante conjuntivas lgicas
como y, o, etc. Una regla tpica, de tipo SI-ENTONCES, para un sistema de control sera
"Si error es positivo_pequeo y derivada _de_error es negativo_pequeo Entonces accin
es positiva_pequea", que suele expresar abreviadamente mediante expresiones de tipo Si E
es PP y dE es NP Entonces U es PP.
Las reglas difusas permiten expresar el conocimiento que se dispone sobre la relacin
entre antecedentes y consecuentes. Para expresar este conocimiento de forma completa nor-
malmente se precisa de varias reglas, que se agrupan formando lo que se conoce como una
base de reglas.
La base de reglas se puede representar como una tabla de las reglas que la forma, o bien
como una memoria asociativa difusa o FAM (fuzzy Associative Memory), que son matrices
representando la consecuencia de cada regla denida para cada combinacin de dos entradas.
3.2.2. Dispositivo de Inferencia Difusa
Se llaman dispositvos de inferencia difusa a los sistemas que interpretan las reglas
de tipo IF-THEN de una base de reglas, con el n de obtener los valores de salida a partir de
los actuales valores de las variables lingsticas de entrada al sistema. En un sistema difuso
las reglas del tipo R
(l)
: IF b x
1
is F
l
1
and...and b x
n
is F
l
n
THEN b y is G
l
donde F
l
1
y G
l
son
conjuntos difusos en U
i
R y V R b x = (b x
i,...,
b x
n
)
T
U
i
... U
n
e b y V son variables
lingsticas. Se interpreta como una implicacin difusa de F
l
1
... F
l
n
G
l
en U V.
3.3. El doble papel de los sistemas difusos
Por una parte, los sistemas difusos son sistemas basados en reglas construidas a partir
de una coleccin de reglas lingsticas, y por otra parte, los sistemas difusos son mapeos no
lineales que en muchos casos se pueden representar por frmulas precisas y compactas como
en [41]:
f (x) =
P
M
l=1
y
l
(
Y
n
i=1
A
l
i
(x))
P
M
l=1
(
Y
n
i=1
A
l
i
(x))
la cul representa un sistema de lgica difusa con defuzzycador por media de centros,
implicacin difusa por la regla del producto y fuzzycador singleton.
Una contribucin importante de la teora de sistemas difusos es proporcionar un pro-
cedimiento sistemtico para transformar un conjunto de reglas lingsticas a un mapeo no
lineal.
Debido a que los mapeos no lineales son fciles de implementar los sistemas difusos han
encontrado su camino dentro de una variedad de aplicaciones en la Ingeniera.
3.4. Los sistemas difusos como aproximadores Univer-
sales
Como se ha mencionado, ciertos tipos de sistemas difusos se pueden escribir como frmu-
las no lineales compactas [41]. Por una parte estas frmulas no lineales compactas simplican
los clculos de los sistemas; y por otra parte, nos proporcionan una oportunidad para analizar
los sistemas difusos con ms detalle. Podemos ver que los sistemas difusos son tipos particu-
lares de funciones no lineales, por tanto, no hay ningn problema si los sistemas difusos son
usados como controladores, ejecutor de decisiones, procesadores de seales o cualquier otro
sistema, es interesante conocer la capacidad de los sistemas difusos desde un punto de vista
de aproximacin de funcin. Por ejemplo, qu tipos de funciones no lineales pueden repre-
sentar o aproximar los sistemas difusos y con qu grado de aproximacin? Pero si los sistemas
difusos pueden aproximar cualquier funcin no lineal en una aproximacin arbitraria, por
tanto podran ser muy tiles en una amplia variedad de aplicaciones.
El decir que los sistemas difusos son aproximadores universales, nos indica que pueden
aproximar cualquier funcin sobre un conjunto compacto a una aproximacin arbitraria. Este
3.5 Diseo de sistemas Difusos empleando el Entrenamiento del Gradiente Descendente 41
resultado muestra la existencia de un sistema difuso ptimo, sin embargo, no nos provee de
mtodos para encontrarlo. De hecho, encontrar el sistema difuso es ms difcil que probar su
existencia. Dependiendo de la informacin proporcionada, podemos o no encontrar el sistema
difuso.
Para responder la pregunta de cmo encontrar el sistema difuso ptimo, primero es nece-
sario ver qu informacin est disponible para la funcin no lineal g (x) : U R
n
R, que
se nos pide aproximar. En general, podemos encontrar tres situaciones:
1. La frmula analtica de g (x) es conocida.
2. La frmula analtica de g (x) es desconocida, pero para cualquier x U podemos
determinar la g (x) correspondiente. Esto es, g (x) es una caja negra -conocemos el
comportamiento entrada-salida de g (x) pero no conocemos los detalles internos.
3. La frmula analtica de g (x) es desconocida y slo se proporciona un nmero limitado
de pares entrada-salida (x
j
, g (x
j
)), donde x
j
U no se pueden elegir arbitrariamente.
Para el diseo de los sistemas difusos existen diferentes mtodos, de acuerdo a la infor-
macin que se dispone.
3.5. Diseo de sistemas Difusos empleando el Entre-
namiento del Gradiente Descendente
Hasta ahora se han establecido las bases de la lgica y sistemas difusos y se han presenta-
do los sistemas difusos de control, quiz la aplicacin ms importante, especialmente a nivel
industrial. Lejos de ser entes estticos los sistemas difusos pueden ser entrenados para opti-
mizar su buen funcionamiento. Los sistemas difusos de control son aproximadores funcionales
genricos, es decir, dado cierto nivel de error, se puede encontrar un controlador difuso que
aproxime cualquier funcin con un error menor al establecido, y para ello se pueden emplear
diversas tcnicas, algunas procedentes del campo de las redes neuronales (sistemas neuro
borrosos), y otras de otros campos, como los algoritmos genticos [19], [40].
Existen numerosos algoritmos de aprendizaje que se pueden aplicar a los sistemas difusos,
algunos de los ms importantes son:
- Entrenamiento del gradiente descendente.
- Algoritmos genticos
- Mnimos cuadrados.
- Tablas de bsqueda.
A continuacin se presenta el algoritmo de aprendizaje del gradiente descendente.
3.5.1. Estructura del Sistema Difuso
Se ha observado que en el esquema de tablas de bsqueda, las funciones de pertenencia
se jan en el primer paso y no dependen de los pares entrada-salida; es decir, las funciones
de pertenencia no se optimizan de acuerdo a los pares entrada-salida. Desde un punto de
vista conceptual, el diseo de sistemas difusos a partir de los pares entrada-salida podran
ser clasicados dentro de dos tipos de aproximacin. En la primera aproximacin, las reglas
difusas SI-ENTONCES (IF-THEN) se generan primero de los pares entrada-salida, y el sis-
tema difuso se construye a partir de estas reglas de acuerdo a cierta eleccin del dispositivo
de inferencia difusa, el fuzzycador y defuzzycador. En la segunda aproximacin, la estruc-
tura del sistema difuso se especica primero de algunos parmetros en la estructura libres de
cambio, y as, estos parmetros se determinan de acuerdo con los pares entrada-salida [41].
Primero, se especica la estructura del sistema difuso que se disear. Si elegimos un
sistema difuso con un dispositivo de inferencia de producto, un fuzzycador singleton, de-
fuzzycador de promedio de centros y funcin de pertenencia Gaussiana. De esta forma
asumimos que el sistema a disear tiene la siguiente forma:
f (x) =
P
M
l=1
y
l
Q
n
i=1
exp
x
i
x
l
i
l
i
P
M
l=1
Q
n
i=1
exp
x
i
x
l
i
l
i
2
(3.6)
donde M es ja, y
l
, x
l
i
y
l
i
son parmetros libres (elegimos a
l
i
= 1). Aunque la estructura del
sistema difuso se elige como en (3.6) el sistema difuso no se ha podido disear debido a que
f=a/b
y
-1
y
-M
x
1
x
n

x
= exp[-(x-x
-
i
1
)
2
/
i
12
]
z
1

z
M
capa 3
capa 2
capa 1
f
a b
Figura 3.11: Representacin de una red para el sistema difuso.
los parmetros y
l
, x
l
i
y
l
i
no se han especicado. Una vez elegidos los parmetros y
l
, x
l
i
y
l
i
, podemos obtener el sistema difuso diseado; esto es, el disear el sistema difuso equivale
ahora a determinar los parmetros y
l
, x
l
i
y
l
i
.
Para determinar estos parmetros de forma ptima, podemos representar el sistema difuso
f (x) de (3.6) como una red con alimentacin hacia adelante. Especcamente, el mapeo de
la entrada x U R
n
a la salida f (x) V R puede ser implementado de acuerdo
a las siguientes operaciones, primero, la entrada x pasa a travs de un operador producto
Gaussiano para ser z
l
=
Q
n
i=1
exp
x
i
x
l
i
l
i
as, z
l
pasa a travs de un operador suma
y un operador suma de promedios para obtener b =
P
M
l=1
z
l
y a =
P
M
l=1
y
l
z
l
nalmente, la
salida del sistema difuso se obtiene como f (x) = a/b. Estas tres operaciones se muestran en
la gura 3.11 como una red de tres capas con alimentacin hacia adelante.
3.5.2. Diseo de los Parmetros por el Gradiente Descendente
Paso 1. Determinacin de la Estructura y colocacin de los parmetros ini-
ciales. Elegir el sistema difuso en la forma de (3.6) y determina M. M ms grande
produce ms parmetros y ms clculos, pero proporciona una mejor exactitud de la
aproximacin. Especicar los parmetros iniciales y
l
(0) , x
l
i
(0) y
l
i
(0). Estos parmet-
ros iniciales se pueden determinar de acuerdo a las reglas lingsticas de los expertos, o
se eligen de tal manera que las funciones de pertenencia correspondientes cubren uni-
formemente los espacios de entrada y salida. Para aplicaciones particulares se pueden
emplear mtodos especiales.
Paso 2. La entrada presente y clculo de la salida del sistema difuso. Para un
par entrada-salida dado (x
p
0
; y
p
0
), p = 0, 1, 2, ..., y en la q-sima etapa de entrenamiento
q = 0, 1, 2, ..., el presente x
p
0
a la capa de entrada del sistema difuso en la gura 3.11 y
calcula las salidas de las Capas 1-3. Esto es, calcula
z
l
=
n
Y
i=1
exp((
x
p
0i
x
l
i
(q)
l
i
(q)
)
2
) (3.7)
b =
M
X
l=1
z
l
(3.8)
a =
M
X
l=1
y
l
(q) z
l
(3.9)
f = a/b (3.10)
Paso 3. Actualizacin de parmetros. Usar el algoritmo de entrenamiento (3.11),
(3.12), y (3.13) para calcular los parmetros y
l
(q + 1) , x
l
i
(q + 1) y
l
i
(q + 1) , donde
y = y
p
0
, y z
l
, b, a y f se calculan como en el paso 2.
Paso 4. Repetir yendo al Paso 2 con q = q +1, hasta que el error |f y
p
0
| es menor al
nmero pre especicado , o hasta que q sea igual al nmero especicado.
Paso 5. Repetir yendo al Paso 2 con p = p + 1; es decir, actualizar los parmetros
usando el siguiente par entrada-salida (x
p+1
0
; y
p+1
0
).
Paso 6. Si es deseable y factible, jar p = 1 y hacer los Pasos 2-5 nuevamente hasta que
el sistema difuso diseado sea satisfactorio. Para el control en lnea y la identicacin
del sistema dinmica, este paso no es factible porque los pares de entrada-salida se pro-
porcionan uno-por-uno en una forma de tiempo-real. Para problemas de reconocimiento
de patrones donde los pares entrada-salida se proporcionan fuera de lnea, este paso es
usualmente deseable.
Siguiendo estos pasos se puede disear un sistema difuso f (x) en la forma (3.6) tal que
el error e
p
=
1
2
[f (x
p
0
) y
p
0
]
2
sea mnimo. De esta forma se obtienen los parmetros y
l
, x
l
i
y
l
i
, tal que e
p
se minimice.
y
l
(q + 1) = y
l
(q) (f y)
1
b
z
l
(3.11)
donde l = 1, 2, ..., M, q = 0, 1, 2, ...
x
l
i
(q + 1) = x
l
i
(q)
(f y)
b
y
l
(q) f
z
l
2
x
p
0i
x
l
i
(q)
l2
i
(q)
(3.12)
donde i = 1, 2, ..., n, l = 1, 2, ..., M, q = 0, 1, 2, ...
l
i
(q + 1) =
l
i
(q)
e
l
i
|
q
=
l
i
(q)
(fy)
b
y
l
(q) f
z
l
2
(
x
p
0i
x
l
i
(q)
)
2
l3
i
(q)
(3.13)
donde i = 1, 2, ..., n, l = 1, 2, ..., M, q = 0, 1, 2, ...
Debido a que el algoritmo de entrenamiento (3.11), (3.12), y (3.13) es un algoritmo
del gradiente descendente, la opcin de los parmetros iniciales es crucial para el xito del
algoritmo. Si los parmetros iniciales son cercanos a los parmetros ptimos, el algoritmo
tiene una oportunidad buena para converger a la solucin ptima; por otra parte, el algoritmo
puede converger a una solucin no ptima o incluso diverja. La ventaja de usar el sistema
difuso es que los parmetros y
l
, x
l
i
y
l
i
, tienen un signicado fsico claro y tenemos los mtodos
para escoger los valores iniciales adecuados para ellos. Tener en mente que los parmetros
y
l
son los centros de los conjuntos difusos en las partes ENTONCES de las reglas y, los
parmetros x
l
i
y
l
i
son los centros y anchuras de los conjuntos difusos Gaussianos en las
partes SI de las reglas. Por consiguiente, dado un sistema difuso diseado en la forma de
(3.6), podemos recuperar las reglas difusas SI-ENTONCES que constituyen al sistema difuso.
Estas reglas difusas SI-ENTONCES pueden ayudar para explicar el diseo del sistema difuso
de una manera amigable.
Este mtodo se puede aplicar al problema de identicacin de sistemas dinmicos no
lineales.
Identicacin de sistemas dinmicos no lineales
El problema de identicacin consiste en encontrar un modelo conveniente de identi-
cacin y ajustar los parmetros del modelo para optimizar una funcin de rendimiento
basado en el error entre la planta y la salida del modelo de identicacin. La Identicacin
de sistemas es un proceso de determinacin de un modelo apropiado para el sistema basado
en mediciones proporcionadas por los sensores. La Identicacin es un proceso importante ya
que muchas aproximaciones en ingeniera dependen del modelo del sistema. Debido a que los
sistemas difusos son poderosos aproximadores universales, es razonable usarlos como modelos
de identicacin para sistemas no lineales. Podemos emplear al sistema difuso (3.6) provisto
con el algoritmo de entrenamiento (3.11), (3.12) y (3.13) para aproximar componentes no
lineales desconocidas en sistemas dinmicos.
Considerando el sistema dinmico no lineal en tiempo discreto
y (k + 1) = f (y (k) , . . . , y (k n + 1) ; u(k) , . . . , u (k m+ 1))
donde f es una funcin desconocida que queremos identicar, u e y son la entrada y salida
del sistema, respectivamente, n y m son enteros positivos. La tarea es identicar la funcin
f desconocida basada en los sistemas difuso.
Haciendo
b
f (x) el sistema difuso en la forma (3.6). Reemplazamos f (x) por
b
f (x) se

planta f

sistema difuso
^
f
^
y
y
e u
Figura 3.12: Esquema bsico de identicacin de un modelo para un sistema dinnico no
lineal usando el sistema difuso.
obtiene el modelo de identicacin siguiente:
b y (k + 1) =
b
f (y (k) , . . . , y (k n + 1) ; u(k) , . . . , u (k m+ 1))
Ahora se deben ajustar los parmetros en
b
f (x) tal que la salida del modelo de identicacin
b y (k + 1) converja a la salida del sistema y (k + 1) conforme k tiende a innito. La gura
3.12 muestra este esquema de identicacin.
Los pares entrada-salida son (x
k+1
0
; y
k+1
0
), donde x
k+1
0
= (y (k) , . . . , y (k n + 1) ; u(k) , . . . , u (k m+ 1
y
k+1
0
= y (k + 1) ,y k = 0, 1, 2, .... Debido a que el sistema es dinmico, estos pares entrada-
salida se recolectan cada momento. La operacin del proceso de identicacin es el mismo
que en los pasos de 1 a 5.
En este captulo hemos visto que los sistemas difusos consisten de cuatro componentes,
base de reglas difusa, dispositivo de inerencia difusa, fuzzycador y defuzzycador como lo
muestra la gura 3.10, para poder desarrollar los sistemas de control difuso son necesarios los
conceptos de la matemtica difusa, y de esta forma se pueden derivar frmulas matemticas
compactas que nos representes sistemas complejos con bastante aproximacin.
En este captulo se han presentado los conceptos fundamentales de los sistemas difusos,
que son necesarios para el diseo de controladores difusos. Hoy en da la tecnologa avanza
de forma acelerada, incorporndose nuevas estrategias de control de sistemas, de esta forma
se han fusionado tcnicas de control como son las redes neuronales y los conceptos de los
sistemas difusos, pudiendo mezclar la capacidad de procesamiento de informacin de las
redes neuronales y la sencillez de expresin los sistemas difusos, de esta forma han surgido
conceptos como las redes neuronales difusas o redes neuro difusas, identicadores difusos,
etc. En el siguiente captulo se pretende mostrar algunas alternativas en la identifcacin de
sistemas no lineales complejos empleando los principios de los sistemas difusos de control.
Captulo 4
Observadores Difusos
Hoy en da uno de los retos principales del ser humano es crear computadoras ms
inteligentes capaces de pensar por s mismas, que puedan aprender de la experiencia y no
simplemente de la repeticin de ciertas instrucciones que un programador de sistemas le
asigne. El afn de encontrar nuevas oportunidades de solucin a este y otros problemas
interesantes le ha permitido crear modelos de procesamiento de informacin que sean capaces
de imitar el comportamiento del cerebro humano, prueba de ello son las redes neuronales
y los sistemas difusos. Estos sistemas se han fusionado con el n de crear nuevos medios
para la identicacin de sistemas no lineales complejos [25]. En este captulo se proponen
diferentes formas para la estimacin de los estados internos de un sistema no lineal en base
a los observadores e identicadores difusos.
4.1. Introduccin
Para el diseo de los sistemas de control, en ocasiones hacemos la consideracin de que
todas las variables estn disponibles para la retroalimentacin. En la realidad esta suposicin
no es muy cierta, debido a que las variables de estado no son accesibles para una medicin
directa o debido a que no se cuenta con los sensores o transductores adecuados, resultan ser
muy caros o el nmero de ellos es limitado.
50 Observadores Difusos
Es importante sealar que debemos evitar diferenciar una variable de estado para generar
otra. En el diseo de los sistemas de control se pueden usar diferentes mtodos para estimar
e identicar los estados internos de un sistema cuando slo se tiene informacin de los datos
de entrada y salida de la planta, ejemplo de ello pueden ser los identicadores basados en
redes neuronales y sistemas difusos (identicadores neuronales difusos); otra opcin son los
estimadores de estado como los observadores, en este caso los observadores difusos. Ambas
herramientas son adecuadas para encontrar los estados internos de un sistema que carece
de esta informacin.
En este captulo se presentan dos formas diferentes para la estimacin de los estados
internos de un sistema no lineal, el primero de ellos es por medio de la observacin, en este
caso empleando un observador difusos tipo Takagi-Sugeno cuya salida es una combinacin
lineal de las entradas del sistema, lo que simplica la complejidad del problema [27]. El
segundo mtodo que se utiliza para la estimacin de los estados internos del sistema se
realiza empleando un observador libre de la estructura del modelo en combinacin con una
red neuronal difusa, lo que permite identicar los estados internos del sistema, en este caso se
emplean los sistemas difusos tipo Mamdani que expresan el conocimiento previo disponible
sobre el sistema, expresando as el conocimiento adquirido durante el proceso de optimizacin.
4.2. Observadores
Existen mtodos para estimar las variables de estado que no se miden sin un proceso de
diferenciacin. La estimacin de semejantes variables de estado por lo general se denomina
observacin. En este caso, para aplicar la retroalimentacin de estado, podemos disear
un dispositivo, llamado estimador de estado u observador de estado, as, la salida del
dispositivo generar un estimador del estado. Si el observador de estado capta todas las
variables de estado del sistema, sin importar si algunas de ellas estn disponibles para una
medicin directa, se denomina observador de estado de orden completo. Hay ocasiones en
las que un observador tal no es necesario, slo se requiere de la observacin de las variables
de estado que no se miden, pero no de aquellas que tambin se miden directamente. Por
4.3 Observadores Difusos 51
ejemplo, dado que las variables de salida son observables y se relacionan en forma lineal con
las variables de estado, no es necesario observar todas las variables de estado, sino slo las n
- m variables de estado en donde n es la dimensin del vector de estado y m es la dimensin
del vector de salida.
Un observador que estima menos de n variables de estado, en donde n es la dimensin
del vector de estado, se denomina observador de estado de orden reducido o, simplemente,
observador de orden reducido. Si el observador de estado de orden reducido tiene el orden
mnimo posible, se denomina observador de estado de orden mnimo, u observador de orden
mnimo [34].
4.3. Observadores Difusos
Desde sus inicios hasta la actualidad el control difuso est ganando una increble madurez.
Es muy conocido que muchos investigadores en el campo del control han realizado estudios
sobre los observadores lineales y no lineales, en cambio, los observadores difusos an no han
atrado suciente la atencin de los expertos.
En [10] se puede ver una de las pocas investigaciones que existen con respecto a los
observador difusos. Se presenta un observador difuso para procesos no lineales, obtenido a
travs de la interconectividad difusa de observadores tipo Luenberger lineales locales. La
aproximacin emplea tcnicas de estabilidad robusta en particular la cuadrtica para mostrar
la estabilidad cuadrtica global del observador difuso. En esta aproximacin no se asume la
linealidad de los procesos no lineales con respecto a las entradas, que generalmente se asume
para los observadores no lineales convencionales.
Las tcnicas difusas han demostrado tener una efectividad exitosa en el control de pro-
cesos complejos, donde se han presentado resultados tericos importantes.
Sin embargo, a pesar de los impresionantes resultados en modelado y control el problema
dual y muy importante de los observadores difusos no ha tenido suciente atraccin para
realizar los debidos estudios que merecen.
Los problemas relacionados con los observadores difusos podran ser dirigidos por lo
menos desde dos puntos de vista:
1. Estimar las funciones de pertenencia asociadas con diferentes variables de estado jando
valores difusos y;
2. Construir en la lnea de los modelos Takagi-Sugeno, observadores difusos globales no
lineales por medio de conectividad difusa de observadores locales lineales.
De acuerdo con la segunda opcin, primero el espacio de estados es dividido en subespacios
difusos. As, en cada subespacio difuso se dene un modelo local lineal o afn y un observador
correspondiente tipo Luenberger. Finalmente, se da una interconectividad difusa de los
modelos lineales locales usando el mtodo de inferencia estndar Sugeno para obtener el
modelo global. Los modelos locales interconectados, generan modelos lineales inciertos con
incertidumbres correspondientes y no correspondientes. Estas incertidumbres representan la
interaccin entre los modelos locales y dependen de la eleccin de las funciones de pertenencia.
Asumiendo algunas cotas en estas incertidumbres, se emplean tcnicas de estabilizacin
cuadrtica y funciones de Lyapunov suaves y continuas por tramos para deducir estabilidad
de las dinmicas globales del error.
Como sabemos los modelos Takagi-Sugeno se representan por un conjunto nito de reglas
[10]:
R
i
p
: Si x
1
(t) L
1
i
, . . . , x
n
(t) L
i
n
Entonces P
i
:
(

x(t) = A
i
(t) +B
i
(t)
y = H
i
(t)
)
i = 1, . . . , M
(4.1)
donde x <
n
, u <
m
, y <
p
son respectivamente el estado, la entrada y las variables
de salida medibles. L
i
j
es un valor lingstico de las variables difusas X
j
que representan las
variables de estado x
j
.Para cada valor lingstico, L
i
j
, se asocia a un conjunto difuso
g
LX
i
j
.
Aqu se considera una subsecuencia I (con card(I) = n n) de 1, . . . , n y reescribiendo
4.4 Observador para un Sistema Difuso Takagi-Sugeno 53
(4.1):
R
i
p
: Si x
k
1
(t) L
i
k
1
, . . . , x
k
n
(t) L
i
k
n
Entonces P
i
:
(

x(t) = A
i
(t) +B
i
(t)
y = H
i
(t)
)
i = 1, . . . , M
(4.2)
con k
1
, k
2
, . . . , k
n
I y suponemos que x
k
1
, x
k
2
, . . . , x
k
1
estn disponibles para las mediciones
y permiten la particin (4.2). La tarea del observador es estimar n I estados remanentes.
En base a los modelos locales P
i
, se pueden construir observadores locales tipo Luenberger
como:
R
i
O
: Si x
k
1
(t) L
i
k
1
, . . . , x
kn
(t) L
i
kn
Entonces O
i
:
_
_
_
b x(t) = A
i
b x(t) +L
i
H
i
(x b x) +B
i
u(t)
b y = H
i
b x(t)
_
_
_
i = 1, . . . , M
(4.3)
donde O
i
representa un observador local asociado con el modelo local i-simo de (4.2) y
L
i
la ganancia del i-simo observador. b x <
n
, u <, b y <. Se puede notar que para la
denicin de observadores locales O
i
, la particin difusa, en la parte "Si", est basada en la
variable del proceso x y no en b x.
4.4. Observador para un Sistema Difuso Takagi-Sugeno
Un observador de estado estima las variables de estado con base en las mediciones de
las variables de salida y de control. Aqu tiene una funcin importante el concepto de ob-
servabilidad. De hecho los observadores de estado pueden disearse si y slo si satisfacen la
condicin de observabilidad [34].
El vector de estado observado e x se usa en la retroalimentacin del estado para generar
el vector de control deseado. Considere el sistema denido mediante
x = Ax +Bu (4.4)
y = Cx (4.5)
Suponiendo que el estado x se aproximar mediante el estado e x del modelo dinmico
e x = Ae x+Bu +K
e
( y Ce x) (4.6)
que representa el observador de estado. El observador de estado tiene y y u como entradas
y e x como salida. El ltimo trmino del segundo miembro de esta ecuacin es un trmino
de correccin que contiene la diferencia entre la salida y medida y la salida Ce x estimada.
La matriz K
e
funciona como una matriz de ponderacin. El trmino de correccin vigila
el estado e x. Ante la presencia de una discrepancia entre las matrices A y B usadas en este
modelo y las del sistema real, la adicin del trmino de correccin ayuda a reducir los efectos
producidos por la diferencia entre el modelo dinmico y el sistema real.
El orden del observador de estado es igual al del sistema. Suponiendo que el sistema
se dene mediante las ecuaciones (4.4) y (4.5) y que el modelo del observador se dene
mediante la ecuacin (4.6).
Para obtener la ecuacin de error del observador, se resta la ecuacin (4.6) de la ecuacin
(4.4).
x

e x= Ax Ae xK
e
( Cx Ce x)
= (AK
e
C)(xe x)
(4.7)
Deniendo la diferencia entre x y e x como el vector de error e , o
e = xe x
as, la ecuacin (4.7) se convierte en
e= (AK
e
C)e (4.8)
A partir de (4.8) el comportamiento dinmico del vector de error se determina mediante los
valores caractersticos de la matriz AK
e
C. Si la matriz AK
e
C es estable, el vector de
4.4 Observador para un Sistema Difuso Takagi-Sugeno 55
error converger a cero para cualquier vector de error inicial e(0). Es decir que e x(t) converg-
er a x(t) sin considerar los valores de x(0) y e x(0). Si se eligen los valores caractersticos de
la matriz AK
e
C en tal forma que el comportamiento dinmico del vector de error sea
asintticamente estable y sucientemente rpido, cualquier vector de error tender a 0 (el
origen) con una velocidad adecuada.
Para un sistema no lineal
x= f (x, u)
y = g (x)
(4.9)
Asumimos que (4.9) puede ser representado o aproximado de forma suciente por un sistema
difuso Takagi-Sugeno. El sistema TS consiste de una base de reglas difusa, donde cada regla
i es de la forma
La regla i-sima:
SI
1
(t) es F
i1
y y
r
(t) es F
ir
ENTONCES

x(t) = A
i
x(t) +B
i
u(t) +a
i
y
i
(t) = C
i
x(t) +c
i
, i = 1, 2, , r
(4.10)
donde
a
i
= f (x, u) [A
i
x(t) +B
i
u(t)]
c
i
= g (x) C
i
x(t)
A
i
=
f
x
|
(x
i
,u
i
)
B
i
=
f
u
|
(x
i
,u
i
)
C
i
=
g
x
|
(x
i
,u
i
)
Denicin 4.1 Si los pares (A
i
, C
i
), i = 1, 2, , r; son observables, el sistema difuso
(5.5) se dice localmente observable.
Para el diseo del observador Takagi-Sugeno , se asume que el sistema difuso (5.5)
es localmente observable. Primero, los observadores locales de estado son diseados a con-
tinuacin, basados en la tripleta (A
i
, B
i
, C
i
) :
La regla i-esima del observador:
SI z
1
(t) es F
i1
y y z
g
(t) es F
ig
ENTONCES

b x(t) = A
i
b x(t) +B
i
u(t) +G
i
[y (t) b y (t)]
b y
i
(t) = C
i
b x(t) , i = 1, 2, , r
(4.11)
donde G
i
(i = 1, 2, , r) son matrices del error de observacin. y (t) e b y (t) son la salida
nal del sistema (5.5) y el observador difuso, respectivamente. Por tanto el estado nal
estimado del observador difuso es
b x(t) =
r
X
i=1
i
A
i
b x(t) +
r
X
i=1
i
B
i
u(t) +
r
X
i=1
i
G
i
[y (t) b y (t)] (4.12)
la salida nal del observador difuso es
b y
i
(t) =
r
X
i=1
i
C
i
b x(t) (4.13)
donde se usa el mismo peso
i
igual al peso de la i-sima regla del sistema difuso (5.6). Los
parmetros del observador son G
i
en cada regla.
4.5. Identicador Neuronal Difuso
El problema de la determinacin de un modelo matemtico para un sistema desconocido
por medio de la observacin de los datos entrada-salida generalmente se reere a la iden-
ticacin del sistema. El propsito de la identicacin del sistema es, entre otras cosas,
-Predecir el comportamiento del sistema, -Explicar la interaccin y relacin entre la entrada
y la salida de un sistema, -Disear un controlador basado en el modelo de un sistema. Para
realizar simulaciones del sistema bajo control, es necesario un modelo del sistema.
La identicacin del sistema generalmente involucra dos pasos: la identicacin de la
estructura del sistema y la identicacin de los parmetros del sistema.
La identicacin es uno de los problemas esenciales en la teora del control, especialmente
cuando no tenemos informacin completa del modelo. Un mtodo efectivo es utilizar redes
neuronales, debido a que una red neuronal es un identicador libre del modelo del sistema
[16], [32], es decir, la planta puede ser considerada como una caja negra [38]. Las Redes
Neuronales Difusas (RND), son sistemas que incorporan aspectos de las redes neuronales
como es la capacidad de aprender a partir de ciertos datos, y aspectos de los sistemas
4.5 Identicador Neuronal Difuso 57
difusos ya que trabajan con razonamientos lgicos basados en reglas de inferencia y variables
lingsticas.
Los neuro identicadores se pueden clasicar como esttico (alimentacin hacia adelante)
y dinmico (recurrente) [32], [30]. Los perceptrones multicapa son implementados por la
aproximacin de la funcin no lineal en el lado derecho de la ecuacin diferencial [18]. Se ha
empleado una versin continua de la red neuronal multicapa para estimar las no linealidades
de cierto robot manipulador [24]. La desventaja principal de las redes neuronales estticas
es que las reglas de actualizacin de pesos utilizan informacin en las estructuras locales de
datos y la funcin de aproximacin es sensible a datos de entrenamiento que se presentan
[11].
Las redes neuronales dinmicas superan de forma exitosa estas desventajas debido a la
estructura de retroalimentacin [16]. Las redes neuronales dinmicas fueron introducidas
primero por Hopeld [14] y despus estudiadas por otros [8], [11], [35], [46], etc. Existen
dos conceptos generales del entrenamiento recurrente. El aprendizaje de un punto jo est
dirigido para hacer que las redes neuronales logren el equilibrio preestablecido [36]. El apren-
dizaje de la trayectoria entrena a la red para seguir la trayectoria deseada en el tiempo [37].
Muchas de las redes neuronales dinmicas no tienen capas ocultas [35], [47]. Como en los
perceptrones de una sola capa, las capacidades de aproximacin de estas redes son limitadas.
Para afrontar estas limitaciones, se propusieron redes neuronas dinmicas de mayor orden
[21]. Esto contiene funciones no lineales mltiples para aproximar las dinmicas no lineales
complejas, la regla de entrenamiento es similar al caso de una sola capa [35]. Otro mtodo
es emplear mltiples capas en las redes neuronales dinmicas, como con los perceptrones
multicapa, la habilidad de identicacin podra ser mejorada exitosamente.
Muchos de los trabajos sobre identicacin difusa emplean la consideracin de accesibil-
idad completa de los estados, sin embargo, en la realidad esto no siempre es vlido. En el
caso de que slo la entrada y la salida son medibles, un sistema difuso complejo puede muy
bien hacer corresponder los pares entrada-salida. Si el sistema no lineal tiene demasiados
estados internos, el mapeo entrada-salida no ser suciente para modelar todo el sistema no
lineal. Para enfrentar este inconveniente, existen al menos dos mtodos:
Emplear el sistema difuso que contenga un observador tipo Luenberger [20], [48]. La
dimensin del sistema difuso es la misma que la de la planta. Debido a que slo est
disponible el error a la salida , los parmetros correspondientes a los estados internos
no pueden cambiar cuando se aplica la regla de aprendizaje. Debido a esto es necesario
adicionar otros trminos, tales como retardos [48] o trminos lineales [20].
Utilizar el "principio de separacin", es decir, el observador de estados y el sistema
de identicacin son tratados separadamente. La dicultad es que los observadores
basados en un modelo no se pueden usar, debido a que no se dispone de un conocimiento
exacto de la planta. Los observadores no lineales libres de la estructura del sistema,
tales como los observadores de alta ganancia [33] y los observadores en modo deslizante
[2] pueden ser muy tiles, pero son adecuados para plantas especiales. Por ejemplo, los
observadores de alta ganancia requieren que las plantas no lineales tengan una forma
linealizable, esta condicin no es aceptable cuando se trata de identicar un sistema que
se considera como una caja negra, por lo que el observador en modo deslizante [13] es
ms adecuado, ademas es muy utilizado en las dinmicas de los robots manipuladores.
La combinacin de observadores no lineales con identicadores basados en los sistemas
difusos es una buena direccin para mejorar la aproximacin en la identicacin. En esta
seccin se aplicar el observador en modo deslizante para estimar los estados internos del
sistema.
4.6. Identicador Difuso basado en un Observador
Un modelo neurodifuso puede ser interpretado como una clase especial de red neuronal
con parmetros difusos, la red neuronal modica estos parmetros [23]. Se han desarrollado
redes neuronales difusas basadas en las redes neuronales tradicionales, en particular el Per-
ceptrn Multicapa, en el que se han ido haciendo difusas algunas partes como por ejemplo
las neuronas o la funcin de costo.
4.6 Identicador Difuso basado en un Observador 59
En el caso cuando slo la entrada y la salida son medibles, las redes neuronales complejas
pueden relacionar muy bien los pares entrada-salida. Si el sistema no lineal tiene muchos
estados internos, el mapeo entrada-salida no es suciente para modelar totalmente al sistema
[17], por lo tanto en este caso podemos utilizar un observador para estimar los estados
intermos y de esta forma emplear todos los estados para identicar al sistema no lineal.
Sin embargo, muchos observadores se basan en la estructura de la planta, lo que signica
un gran problema cuando slo se cuenta con informacin de los datos de entrada-salida
[49]. A continuacin se presenta un observador libre de la estructura del sistema, como es un
observador en modo deslizante en combinacin con una red neuronal difusa, esto nos permite
aplicarlo al problema de identicacin del sistema no lineal el cul carece de informacin
completa de sus estados internos.
4.6.1. Observador en modo deslizante
Generalmente un sistema no lineal MIMO puede ser escrito como
x
t
= f (x
t
, u
t
),
y
t
= Cx
t
(4.14)
donde x
t
<
n
es el estado de la planta. u
t
<
m
es determinada entrada de control que
puede estabilizar al sistema no lineal (4.14), |u
t
| u. y
t
<
m
es la salida medible, C es la
matriz de salida conocida. Transformando el sistema (4.14) en una forma normal:
x
t
= Ax
t
+F(x
t
, u
t
), y
t
= Cx
t
(4.15)
donde F(x
t
, u
t
) := f (x
t
, u
t
) Ax
t
, A es una matriz especial en la que el par (A, C) es
observable.
Construyendo el observador en modo deslizante como:
x
t
= Ax
t
+S(x
t
, e) Ke
t
y
t
= Cx
t
(4.16)
donde e
t
es el error de salida denido como:
e
t
:= y
t
y
t
= C
t
= C(x
t
x
t
) ,
t
es denido como el error del observador. El trmino de modo deslizante S(x
t
, e
t
) es
elegido como:
S(x
t
, e
t
) =
P
1
C
T
C
t
C
t
= P
1
C
T
sign(e
t
) (4.17)
donde es una constante positiva.
Claramente el observador en modo deslizante (4.16) no es dependiente de la planta no
lineal (4.14).
La derivada del error del observador es
t
= A
t
+S(x
t
, e
t
) KC
t
F(x
t
, u
t
)
= (AKC)
t
+S(x
t
, e
t
) F(x
t
, u
t
)
= A
0
t
+S(x
t
, e
t
) F(x
t
, u
t
)
(4.18)
donde A
0
:= AKC. Debido a que (A, C) es observable, existe K tal que A
0
es estable.
As la siguiente ecuacin de Lyapunov tiene una solucin positiva P
A
T
0
P+PA
0
= Q, Q = Q
T
> 0
para alguna matriz denida positiva Q.
Asumiendo que la funcin no lineal f(x
t
, u
t
) satisface la siguiente suposicin
A1:
f(x
t
, u
t
) Ax
t
= P
1
C
T
h(x
t
, u
t
)
donde h(x
t
, u
t
) es determinada una funcin como:
kh(x
t
, u
t
)k < , > 0.
4.6.2. Anlisis de estabilidad
Teorema 4.1 Bajo la suposicin A1, el error del observador entre el observador en modo
deslizante (4.16) y el sistema no lineal (4.14) es asintticamente estable
lm
t
t
= 0 (4.19)
Demostracin. Considerando la siguiente funcin de Lyapunov candidata:
V
t
=
T
t
P
t
Calculando su derivada
V
t
=
T
t
A
T
0
P+PA
0
t
+ 2
T
t
P[S(x
t
, e
t
) F(x
t
, u
t
)] .
Empleando A1
F(x
t
, u
t
) = P
1
C
T
h(x
t
, u
t
), kh(x
t
, u
t
)k < .
Si elegimos S(x
t
, e
t
) como (4.17), tenemos
V
t
=
T
t
Q
t
+ 2
T
t
C
T
h(x
t
, u
t
) 2
T
t
C
T
C
t
k
C
tk

=
T
t
Q
t
+ 2
T
t
C
T
h(x
t
, u
t
) 2
C
t

T
t
Q
t
+ 2
C
t
(kh(x
t
, u
t
)k ) < 0
Con

V
t
< 0,
t
L
. De la ecuacin de error (4.18) tambin concluimos que

t
L
.
Debido a

V
t

T
t
Q
t
y V
t
es el proceso determinado,
t
es cuadrticamente integrable
y determinado
t
L
2
. Empleando el lema de Barbalat [32] obtenemos que el error del
observador
t
es asintticamente estable, as lm
t
t
= 0.
Comentario 4.1 La suposicin A1 es fcil de satisfacer si f(x
t
, u
t
) se determina, ya que A,
P y h(x
t
, u
t
) son seleccionados por el usuario. Muchos sistemas tienen funciones no lineales
establecidas f(x
t
, u
t
), por ejemplo, los sistemas mecnicos. El procedimiento de diseo del
observador en modo deslizante (4.16) se muestra en la gura 4.1.

INICIO
Elegir A
(A, C)
observable?
Elegir K>0
A
0
=A-KC
estable?
1
SI
SI
NO
NO
FIN
Elegir Q>0
solucin
P<0?
Elegir h(x) frontera
-P
-1
C
T
h=f-Ax
1
SI
SI
NO
NO
Figura 4.1: Procedimiento de diseo del observador en modo deslizante.
4.6.3. Identicador Difuso basado en un Observador
Redes Neuronales Difusas Tipo Mamdani
Un modelo difuso genrico se presenta como una coleccin de reglas difusas en la forma
siguiente:
R
i
: SI b x
1
es A
1i
y b x
2
es A
2i
y b x
n
es A
ni
ENTONCES

b x
1
es B
1i
y

b x
n
es B
ni
O

b x
1
es u
1
C
1i
y

b x
m
es u
m
C
mi

b x
n
es C
ni
O

b x
1
es a
1
b x
1
y

b x
n
es a
ni
b x
n
(4.20)
Esta regla se puede escribir de tres forma para las reglas:
R
i
1
: SI b x
1
es A
1i
y b x
2
es A
2i
y b x
n
es A
ni
ENTONCES
1
3
b x
1
es B
1i
y
1
3
b x
n
es B
ni
R
i
2
: SI b x
1
is A
1i
y b x
2
es A
2i
y b x
n
es A
ni
ENTONCES
1
3
b x
1
es u
1
C
1i
y

b x
m
es u
m
C
mi
y

b x
n
es C
ni
R
i
3
: SI b x
1
es A
1i
y b x
2
es A
2i
y b x
n
es A
ni
ENTONCES
1
3
b x
1
es a
1
b x
1
y

1
3
b x
n
es a
ni
b x
n
Empleamos l(i = 1, 2, , l) reglas difusas SI-ENTONCES para realizar un mapeo de un
vector lingstico de entradas
b
X = [b x
1
b x
n
] <
n
a un vector lingstico de salidas
b
Y (k) =

b x
1

b x
m
T
.
A
1i
, A
ni
, B
1i
, B
ni
y C
1i
, C
ni
son conjuntos difusos estndar [41]. Para una vari-
able de entrada x
i
existen l
i
conjuntos difusos. En el caso de una conexin completa l =
l
1
l
2
l
n
. De [41] sabemos que, usando la inferencia del producto, media de centros
y fuzzycador singleton, la p-sima salida del sistema lgico difuso se puede expresar de la
siguiente forma:
1
3
b x
p
=
l
P
i=1
w
1pi
"
n
Q
j=1
A
ji
#!
/
l
P
i=1
"
n
Q
j=1
A
ji
#!
=
l
P
i=1
w
1pi
i
1
3
b x
p
=
l
P
i=1
u
i
w
2pi
"
n
Q
j=1
A
ji
#!
/
l
P
i=1
"
n
Q
j=1
A
ji
#!
=
l
P
i=1
u
i
w
2pi
i
1
3
b x
p
=
l
P
i=1
a
i
b x
i
(4.21)
donde
A
ji
son las funciones de pertenencia de los conjuntos difusos A
ji
, w
pi
es el punto en
el que
B
pi
= 1. Si se dene
i
=
n
Y
j=1
A
ji
/
l
X
i=1
n
Y
j=1
A
ji
Podemos considerar la siguiente red neuronal para identicar al sistema no lineal.
.
b x
t
= A
n
b x
t
+W
1,t
(b x
t
) +W
2,t
(b x
t
)u
t
(4.22)
donde
el parmetro W
k
=
_
_
w
11
w
1l
.
.
.
w
n1
w
nl
_
_
,
el vector de datos (b x
t
) = [
1

l
]
T
, u
t
= [u
1
, u
2
u
m
, 0, 0]
T
, el vector b x
t
<
n
es el
estado de la red neuronal. A
n
<
nn
es una matriz estable que se especica posteriormente.
Las matrices W
1,t
<
nm
, W
2,t
<
nm
son los pesos que describen las conexiones de
las capas de salida.
() <
m
es el vector sigmoidal de funciones, () is <
mm
la matriz diagonal
() = diag [
1
(V
2,t
b x
t
)
1

m
(V
2,t
b x
t
)
m
] .
Los elementos de
i
() (as como el
i
()) se eligen como funciones sigmoidales
i
(x) = a
i
/
1 +e
b
T
i
x
c
i
.
Ahora el objetivo del observador difuso es hacer que los estados del modelo neuronal (4.22)
puedan seguir los estados completos de la planta real (4.14) o (4.15), de esta forma se plantea
el siguiente criterio:
J
mn
= mn
W
J, J = kx b xk
2
R
(4.23)
As, para cualquiera > 0, tenemos
J (1 +) kx xk
2
R
1
+
1 +
1
kx b xk
2
R
1
. (4.24)
El mnimo del trmino kx xk
2
R
ya se ha resuelto en la seccin para el observador. Si
seleccionamos R = (1 +
1
) R
1
, podemos reformular el objetivo de identicacin como:
minimizar el trmino kx b xk
2
R
. De hecho, ste es el Principio de Separacin.
Podemos denir el error de identicacin como
t
:= x
t
b x
t
(4.25)
Debido a que y son elegidos como las funciones sigmoidales, las condiciones de
Lipschitz generales siguientes se cumplen:
e
T
t
1
e
t

T
t
t
,

e
t
u
t
t
u
t
u
2
T
t
t
(4.26)
donde
e
t
:= (x
t
) (b x
t
),
e
t
:= (x
t
) (b x
t
)
f
W
1,t
:= W
1
W
1,t
,
f
W
2,t
:= W
2
W
2,t
Generalmente la red neuronal (4.22) no puede igualar al sistema no lineal (4.14) exactamente,
el sistema no lineal (4.14) puede representarse como
.
x
t
= A
n
x
t
+W
1
(x
t
) +W
2
(x
t
)u
t
+
e
f
t
. (4.27)
donde
e
f
t
es el error del modelado, W
1
, W
2
son matrices constantes dadas .
Si una entrada de control acotada u
t
puede estabilizar al sistema no lineal (4.14), la
dinmica no modelada
e
f
t
es acotada [24]. Ahora asumiendo que
A2: Existe una constante positiva tal que
e
f
t
f
=
e
f
T
t

f
e
f
t
,
f
=
T
f
> 0
Es bien sabido [45] que si la matriz A
n
es estable, el par (A
n
, R
1/2
) es controlable, el par
(Q
1/2
, A
n
) es observable, y la condicin de frecuencia local especial o su equivalente de la
matriz
A
T
n
R
1
A
n
Q
1
4
A
T
n
R
1
R
1
A
n
A
T
n
R
1
R
1
A
n
T
(4.28)
se cumple, de esta forma la ecuacin de la matriz de Riccati
A
T
n
P+PA
n
+PRP+Q = 0 (4.29)
tiene una solucin denida positiva P. Por lo tanto es razonable introducir la siguiente
suposicin:
A3: Para una matriz estable dada A
n
existen una matriz estrictamente denida positiva
Q
1
tal que la matriz de la ecuacin de Riccati (4.29) con
R = 2W
1
+ 2W
2
+
1
f
, Q = Q
1
+
+u
2
(4.30)
donde W
1
:= W
T
1

1
1
W
1
, W
2
:= W
T
2

1
2
W
2
, tiene una solucin positiva P.
La otra contribucin principal de este documento es que se da una nueva regla de apren-
dizaje en lnea para la red neuronal dinmica multicapa (4.22):
W
1,t
= 2s
t
K
1
P
t
W
2,t
= 2s
t
K
2
P
t
(u
t
)
T
(4.31)
donde
s
t
=
(
0 si k
t
k
2
Q
1

1 isi k
t
k
2
Q
1
>
(4.32)
K
i
<
nn
(i = 1 4) son matrices denidas positivas, P es la solucin de la ecuacin de
la matriz de Riccati dada por (4.29). Debido a que W
1
, W
2
pueden ser matrices constantes,
las seleccionamos como las condiciones iniciales:
W
1,0
= W
1
, W
2,0
= W
2
, (4.33)
El teorema siguiente declara el hecho que la regla de aprendizaje sugerida anteriormente
resulta ser globalmente estable.
Anlisis de estabilidad
Teorema 4.2 Se considera un sistema no lineal (4.14) y la red neuronal dinmica multicapa
(4.22) cuyos pesos son ajustados con (4.31). Si las suposiciones A2 y A3 se cumplen se
puede concluir que
(I) Los pesos de las redes neuronales W
i,t
y el error de identicacin
t
estn acotados.
(II) Para cualquiera T (0, ) el error de identicacin
t
converge al conjunto residual
D
t
=
n
t
| k
t
k
2
Q
1

o
(4.34)
Demostracin. Usando (4.22) y (4.27), la dinmica del error de identicacin es
t
= A
n
t
+
f
W
1,t
+
f
W
2,t
u
t
+W
1
e
t
+W
2
e
t
u
t
+
e
f
t
(4.35)
Deniendo una funcin de Lyapunov candidata como
V
t
=
_
_
_
V
1,t
:=
max
PQ
1
1
+
1
2
tr
h
f
W
T
1,t
K
1
1
f
W
1,t
i
+
1
2
tr
h
f
W
T
2,t
K
1
2
f
W
2,t
i
si k
t
k
2
Q
1

V
2,t
:=
T
t
P
t
+
1
2
tr
h
f
W
T
1,t
K
1
1
f
W
1,t
i
+
1
2
tr
h
f
W
T
2,t
K
1
2
f
W
2,t
i
si k
t
k
2
Q
1
>
.
(4.36)
Debido a que

f
W
i,t
=

W
i,t
, de la zona muerta de la regla de aprendizaje (4.31), la derivada
de V
t
es
V
t
=
_
V
1,t
= 0 si k
t
k
2
Q
1

V
2,t
= 2
T
t
P

t
+ tr
"

f
W
T
1,t
K
1
1
f
W
1,t
#
+ tr
"

f
W
T
2,t
K
1
2
f
W
2,t
#
si k
t
k
2
Q
1
>
.
(4.37)
Ahora se puede discutir el trmino 2
T
t
P

t
, de acuerdo con:
2
T
t
P

t
= 2
T
t
PA
n
t
+ 2
T
t
P
1
e
t
+W
2
e
t
u
t
+
e
f
t
+ 2
T
t
P
f
W
1,t
+
f
W
2,t
u
t
(4.38)
La desigualdad de la matriz siguiente [47] es usada para estimar el lado derecho de (4.38)
X
T
Y+
X
T
Y
T
X
T
1
X+Y
T
Y (4.39)
que es vlido para cualquiera X, Y <
nk
y para cualquier matriz denida positiva 0 <
=
T
<
nn
.
Usando (4.26) tenemos
2
T
t
PW
1
e
t

T
t
PW
1
1
W
T
1
P
t
+ e
T
t
1
e
t

T
t
PW
1
P+
t
2
T
t
PW
2
e
t
u
t

T
t
PW
2
P+u
2
t
2
T
t
PW

T
t
PW
T
1

1
1
W
1
P
t
+
T

T
t
PW
1
P
t
+l
1
e
V
1,t
b x
t
1
2
T
t
PW

T
t
PW
2
P
t
+l
2
e
V
2,t
b x
t
2
(4.40)
De A2, 2
T
t
P
e
f
t
puede ser estimado como
2
T
t
P
e
f
t

T
t
P
1
f
P
t
+
e
f
T
t

f
e
f
t

T
t
P
1
f
P
t
+ (4.41)
Usando (4.38), (4.40) y (4.41),

V
2,t
puede ser escrito como
V
2,t

T
t
L
t
+L
W1
+L
W2
T
t
Q
1
t
+ (4.42)
donde
L = PA
n
+ A
T
n
P+PRP+Q,
L
W1
= tr
"

f
W
T
1,t
K
1
1
f
W
1,t
#
+ 2
T
t
P
f
W
1,t
t
,
L
W2
= tr
"

f
W
T
2,t
K
1
2
f
W
2,t
#
+ 2
T
t
P
f
W
2,t
u
t
Usando A3 y la regla de adaptacin (4.31),
V
2,t

T
t
Q
1
t
+
Es conocido que cuando
k
t
k
2
Q
1
> (4.43)
V
2,t
< 0, t [0, T] . Como

V
1,t
= 0 y

V
2,t
< 0, V
t
es acotado, esto es, se cumple (I).
As el tiempo total durante el cul k
t
k
2
Q
1
> , es nito. Teniendo T
k
se denote el
intervalo de tiempo durante el cul k
t
k
2
Q
1
> .
Si slo se tienen tiempos nitos, k
t
k
2
Q
1
permanece fuera del crculo de radio (y
entonces vuelve a entrar), k
t
k
2
Q
1
eventualmente permanecer dentro de este crculo.
Si k
t
k
2
Q
1
deja el crculo innitas veces, como el tiempo total en que k
t
k
2
Q
1
deja el
crculo es nito,
X
k=1
T
k
< , lm
k
T
k
= 0 (4.44)
As k
t
k
2
Q
1
es acotada por medio de un argumento del conjunto invariante. De (4.43)

tambin es acotada. Teniendo k

t
k
2
Q
1
denota el error de seguimiento ms grande durante el
intervalo T
k
. Entonces (4.44) y k
t,k
k
2
Q
1
acotado implica que
lm
k
h
k
t,k
k
2
Q
1
i
= 0
As k
t,k
k
2
Q
1
converger a . Por lo tanto se logra obtener (II).
Comentario 4.2 Muchos documentos han presentado la prueba de estabilidad del neuro
identicador a travs de la teora de Lyapunov (ver [21], [35] y [47]). La existencia del
error de modelado requiere la tcnica adaptable robusta como en [32]. Para los ejemplos, [21]
usa modicacin para evitar que el error de identicacin sea innito en presencia de
una perturbacin acotada pequea. En este documento usamos la tcnica de zona-muerta.
Esto signica que cuando la norma del error de identicacin es pequea comparado con
el error de modelado, se detine la regla de adaptacin para asegurar que el peso y el error
de identicacin sean acotados. Esta tcnica se ha usado con xito en las redes neuronales
estticas como en [4]. Si la red neuronal (4.22) puede igualar al sistema no lineal exactamente
(
e
f = 0, = 0), se alcanza la estabilidad asinttica , es decir.
lmsup
T
1
T
Z
T
0
k
t
k
2
Q
1
dt = 0, lmsup
t
k
t
k = 0.
Comentario 4.3 El procedimiento de aprendizaje (4.31) de las redes neuronales multicapa
dinmicas (4.58) es similar con la propagacin hacia atrs de las redes neuronales multi-
capa estticas [26]. (K
i
P) es el ndice de aprendizaje.

K
i
P
t
y

K
i
PW
i,t
t
b x
T
t
son
exactamente las mismas como en el esquema de propagacin hacia atrs [12], [45].
Comentario 4.4 An cuando la regla de aprendizaje propuesta se parece a los algoritmos
de propagacin hacia atrs con un trmino adicional, la estabilidad del error asinttica global
es garantizada debido al hecho que es derivado basado en la aproximacin de Lyapunov. As,
el problema mnimo local (que es una preocupacin mayor en el aprendizaje esttico) no es
alcanzado en este caso.
Comentario 4.5 Ninguna condicin inicial especial se requiere, por lo tanto no es necesario
el aprendizaje o-line. El objetivo de la regla de actualizacin (4.31) es para minimizar
(4.23). As los pesos en este algoritmo on-line no puede converger a los valores ptimos,
pero stos son acotados.
4.7. Simulacin
4.7.1. Identicacin de sistemas no lineales
Se emplea un sistema no lineal para ilustrar como disear un sistema difuso empleando
el algoritmo del gradiente descendente. Se desea disear un sistema difuso para identicar el
siguiente sistema no lineal:
y(k + 1) =
y(k)
1 +y(k)
2
+u(k)
3
(4.45)
Se tienen 2 reglas difusas
R
1
: Si y (k) es A
11
y u(k) es A
12
entonces y(k + 1) es B
1
R
2
: Si y (k) es A
21
y u(k) es A
22
2
donde los 6 conjuntos difusos A
11
, A
12
, A
21
, A
22
, B
1
y B
2
son desconocidos, asumimos que
sus funciones de pertenencia se eligen como funciones Gaussianas
(x) = exp
(x c)
2
2
!
funcin con forma de campana, centrada en el valor c, de anchura y amplitud 1.
4.7 Simulacin 71
1) Fuzzycador tipo singleton
=
(
1 si x = x
0 otro caso
por lo tanto para una declaracin difusa se tiene
(x es A)
A
(x
)
2) La operacin difusa:
{y (k) es A
11
y u(k) es A
12
} es
A
11
A
12
Empleando implicaciones difusas de la forma:
{Si y (k) es A
11
y u(k) es A
12
1
} produce
A
11
A
12
B
1
La relacin de 2 reglas difusas R
1
y R
2
es la operacin O
= max
A
11
A
12
B
1
,
A
21
A
22
B
2
3) Defuzzycador,
suponiendo que el centro del conjunto difuso B
1
es y
1
, el conjunto difuso es un conjunto
difuso normal
B
1
(y
1
) = 1
suponiendo que el centro del conjunto difuso B
2
es y
2
, el conjunto difuso es un conjunto
difuso normal
B
2
(y
2
) = 1
la altura del primer conjunto difuso es
A
11
A
12
B
1
la altura del segundo conjunto difuso es
A
21
A
22
B
2
Empleando un defuzzycador por media de centros, la salida del sistema difuso es
b y(k + 1) =
y
1
A
11
A
12
+y
2
A
21
A
22
A
11
A
12
+
A
21
A
22
(4.46)
El objetivo de identicacin es encontrar 4 funciones de pertenencia
A
11
,
A
12
,
A
21
,
A
22
(cada funcin de pertenencia tiene dos parmetros y
1
(que corresponde al conjunto
difuso B
1
) y y
2
(que corresponde al conjunto difuso B
2
) por lo que se considera minimizar
el siguiente criterio (4.47):
J = [y(k + 1) b y(k + 1)]
2
(4.47)
y
1
(k + 1) = y
1
(k)
(b yy)
b
z
1
y
2
(k + 1) = y
2
(k)
(b yy)
b
z
2
c
11
(k + 1) = c
11
(k) 2 (b y y) z
1
(y
1
b y)(y(k)c
11
)
b
2
11
.
.
. c
12
c
21
c
22
(k + 1) = c
22
(k) 2 (b y y) z
2
(
y
2
b y
)
(u(k)c
22
)
b
2
22
11
(k + 1) =
11
(k) 2 (b y y) z
1
(y
1
b y)(y(k)c
11
)
2
b
3
11
(4.48)
donde
z
1
= exp
(y(k)c
11
)
2
2
11
exp
(u(k)c
12
)
2
2
12
z
2
= exp
(y(k)c
21
)
2
2
21
exp
(u(k)c
22
)
2
2
22
a = y
1
z
1
+y
2
z
2
b = z
1
+z
2
=
1
1 + kz
1
k
2
+ kz
1
k
2
De las condiciones iniciales aleatorias [0, 1], los resultados de identicacin se muestran en
la gura 4.2:
Problema 4.1 En este caso se desea identicar un sistema no lineal empleando un sistema
difuso.
Solucin 4.1 Los sistemas difusos son muy tiles cuando los modelos no estn disponibles
o se tiene informacin parcial del sistema, en este problema se conoce el modelo matemtico.
4.7 Simulacin 73
Figura 4.2: Identicacin de sistemas no lineales.
Figura 4.3: Funciones de pertenencia para B
1
y B
2
.
-2 0 2 4
0
0.2
0.4
0.6
0.8
1
funcion de pertenencia para A11
x
m
u
(
x
)
-2 0 2 4
0
0.2
0.4
0.6
0.8
1
x
m
u
(
x
)
-5 0 5
0
0.2
0.4
0.6
0.8
1
x
m
u
(
x
)
-0.5 0 0.5 1
0.75
0.8
0.85
0.9
0.95
1
x
m
u
(
x
)
c1=0.7159
s1=0.7679
c2=1.1737
s2=0.5711
c3=1.4970
s3 =-1.6077
c4=0.2173
s4=0.8400
Figura 4.4: Funciones de pertenencia para A
11
, A
12
, A
21
y A
22
.
-2 -1 0 1 2 3 4 5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
funciones de pertenencia
x
mu(x)
A11
A12
A21
A22
A12
A22
A21
A11
Figura 4.5: Comparacin de las funciones de pertenencia de A
11
, A
12
, A
21
y A
22
.
4.7 Simulacin 75
0 20 40 60 80 100 120 140 160 180 200
-1
-0.5
0
0.5
1
1.5
2
tiempo
parmetros
Figura 4.6: Convergencia de parmetros para las funciones de pertenencia A
11
, A
12
,A
21
y
A
22
.
A
11
(0.7159) A
21
(1.4970)
y(k)
A
12
(1.1737)
A
22
(0.2173)
u(k)
B
1
(0.9937)
B
2
(-0.3331)
Figura 4.7: A cada combinacin de las variables de entrada, se asocia una consecuencia.
Conclusin 4.1 Para este caso se utilizaron dos reglas difusas, con este valor fue posible
obtener un buen resultado en la identicacin del sistema; en realidad el nmero de reglas
ideal que nos permita hacer una aproximacin adecuada del sistema es an un tema de
investigacin, este dato se establece de acuerdo a los resultados que mejor se adecuen al
problema.
La aproximacin que se obtiene del sistema no lineal es adecuada en trminos generales,
se determina a partir de un sistema difuso, con dos reglas difusas y cuatro conjuntos difusos
A
11
, A
12
, A
21
y A
22
(gura 4.4) para la parte de la premisa y B
1
y B
2
(gura 4.3) en la
parte de la consecuencia de estas reglas SI-ENTONCES (IF-THEN). Se utilizan funciones
del tipo Gaussianas, con parmetros variables: la posicin del centro y ancho de cada funcin
(c y sigma). El propsito del algoritmo de optimizacin es cambiar estos parmetros de tal
forma que el sistema difuso aproxime lo mejor posible al sistema no lineal. En la gura
4.6 podemos observar que por medio del algoritmo empleado se alcanza la convergencia de
cada parmetro establecido permitiendo al sistema difuso identicar a la planta no lineal.
En la gura 4.7 se muestra que para una combinacin de las variables de entrada se da un
valor en la consecuencia de las reglas difusas como parte de la aplicacin del algoritmo de
optimizacin, as, para este caso:
R
1
: Si y (k) es 0,7159 y u(k) es 1,1737 entonces y(k + 1) es 0,9937
R
2
: Si y (k) es 1,4970 y u(k) es 0,2173 entonces y(k + 1) es 0,331
Este mismo conocimiento se puede emplear en la identicacin y control de sistemas
no lineales prcticos tales como los robots manipuladores. A continuacin se presenta el
siguiente ejemplo.
Ejemplo 4.1 Se aplicar el algoritmo de diseo establecido anteriormente a un problema
de un robot manipulador de dos grados de libertad [31].
Expresando las dinmicas de un robot manipulador de dos grados de libertad de la
siguiente forma:
M(q)
q + V (q,

q)
q + G(q) +f
D
(
q) = (t)
4.7 Simulacin 77
mg1
mg2
q1
q2
x
y
r1
l2
l1
r2
Figura 4.8: Robot Manipulador de dos grados de libertad.
donde q = [q
1
, q
2
]
T
es la posicin de los eslabones del robot, (t) R
2
es la entrada de
control, M(q) es la matriz de inercia, V (q,

q) es la matriz centrpeta y de Coriolis, G(q) es
el vector de la gravedad, f
D
(
q) es el vector de la friccin.
En la gura 4.8 se muestra un esquema de un robot manipulador de dos grados de
libertad. Para el caso de los dos eslabones, los elementos se pueden representar como
M (q) =
"
M
11
M
12
M
21
M
22
#
,
M
11
= m
1
(r
2
1
/4 +l
2
1
/3) +m
2
(l
2
1
+r
2
2
/4 +l
2
2
/3 +l
1
l
2
cos q
2
)
+m
2
(l
2
1
+ 3/4l
2
2
+l
1
l
2
cos q
2
)
M
12
= m
2
r
2
2
/4 +l
2
2
/3 +
1
2
l
1
l
2
cos q
2
+m
L
l
2
2
= M
21
M
22
= m
2
(r
2
2
/4 +l
2
2
/3) +m
L
l
2
2
C

q,

q
=
_
_
V
m

q
2
sinq
2
V
m
sin q
2
q
1
+

q
2
V
m

q
1
sin q
2
0
_
_
V
m
=

1
2
m
2
l
1
l
2
+m
L
l
1
l
2
,
G(q) , =
"

1
2
m
1
+m
2
gl
1
cos q
1
+
1
2
m
2
gl
2
cos (q
1
+q
2
)
1
2
m
2
gl
2
cos (q
1
+q
2
)
#
F
d
=
"

1

q
1
+
1
sign(
q
1
)
2

q
2
+
2
sign(
q
2
)
#
(4.49)
Los parmetros del robot son: m
1
= 4,8Kg, m
2
= 5,3Kg, l
1
= l
2
= 1m. r
1
= l
1
/2,
r
2
= l
2
/2, m
L
= 0. Los coecientes de friccin son 0,4 y 0,7. Por lo tanto las matrices reales
de (4.49) son:
M =
"
9,3 + 5,3 cos (q
2
) 2,1 + 2,65 cos q
2
2,1 + 2,65 cos q
2
2,1
#
,
C =
_
_
2,65
q
2
sin q
2
2,65
q
1
+

q
2
sin q
2
2,65
q
1
sin q
2
0
_
_
G(q) =
"
75,4 cos q
1
+ 25,97 cos (q
1
+q
2
)
25,97 cos (q
1
+q
2
)
#
,
Para realizar las simulaciones, se considera un robot manipulador planar de dos grados
de libertad. Se asume que cada eslabn tiene su masa concentrada en un punto al nal. El
manipulador est en posicin vertical, con gravedad y friccin.
Los parmetros del robot son: m
1
= m
2
= 1, l
1
= 1, l
2
= 2.
Los dos coecientes de friccin son 0,3, y la gravedad es 9,8.
4.7 Simulacin 79
(4.49) se puede escribir como:
x = f(x
t
, t) +g(x
t
, t)u
t
(4.50)
donde
x
t
=
h
q
1
, q
2
,

q
1
,

q
2
i
T
,
f(x
t
, t) =
h
q
1
,
q
2
, M
1
V

q +G+F
d
i
T
,
g(x
t
, t)u = [0, 0, M
1
(q)]
T
.
Asumimos que slo la posicin del ngulo q es medible, la velocidad

q ser estimada por
el observador en modo deslizante (4.16).
Para el robot manipulador de dos grados de libertad se utilizan dos observadores,
observador (a):
q
a
= Aq
a
+ S (q
a
, e) Ke
t
y
a
= Cq
a
, q
a
:= [q
1
,

q
1
]
(4.51)
observador (b):
q
b
= Aq
b
+S (q
b
, e) Ke
t
y
b
= Cq
a
, q
a
:= [q
2
,

q
2
]
(4.52)
Siguiendo los pasos de diseo de la gura 4.1.
1.- Como tenemos la matriz C
C =
h
1 0
i
,
podemos elegir A =
"
0 1
1 0
#
para hacer que el par (A, C) sea observable.
2.- Ahora se verica que el par (A, C) sea observable, esto lo podemos hacer calculando
la matriz siguiente la cul debe ser de rango completo
rango
"
C
CA
#
= n
Si C =
h
1 0
i
, y CA =
h
1 0
i
"
0 1
1 0
#
=
h
0 1
i
se tiene que
rango
"
1 0
0 1
#
= 2
De aqu se obtiene que el par (A, C) efectivamente es observable, por lo tanto podemos
encontrar K tal que A
0
= A KC sea estable.
3.- Si elegimos K > 0 para que A
0
sea estable tenemos
K =
"
2
2
#
> 0,
4.- Entonces A
0
= A KC =
"
0 1
1 0
#
"
2
2
#
h
1 0
i
!
A
0
=
"
0 1
1 0
#
"
2 0
2 0
#
A
0
=
"
2 1
1 0
#
Se obtiene el polinomio caracterstico de A
0
y sus races, se verica si son races reales
negativas:
det |sI A
0
| = det
s
"
1 0
0 1
#
"
2 1
1 0
#
= det
"
s 0
0 s
#
"
2 1
1 0
#
= det
"
s + 2 1
1 s
#
det |sI A
0
| = (s + 2) s (1) = s
2
+ 2s + 1 = (s + 1) (s + 1)
polinomio caracterstico = s
2
+ 2s + 1
races s
1
= 1, s
2
= 1 tienen parte real negativa, por lo tanto A
0
es estable.
5.- Seleccionar Q > 0
si empleamos Q =
"
3 1
8 3
#
, la solucin de la ecuacin de Lyapunov
A
0
P +PA
T
0
= Q (4.53)
6.- Debemos obtener P > 0, de (4.53) se tiene:
4.7 Simulacin 81
"
2 1
1 0
#"
P
1
P
2
P
3
P
4
#
+
"
P
1
P
2
P
3
P
4
#"
2 1
1 0
#
=
"
3 1
8 3
#
por lo tanto P =
"
1.5 -0.25
3.25 0
#
=
"
P
1
P
2
P
3
P
4
#
Para vericar que P > 0 es denida positiva, sus menores principales deben ser positivos.
P
1
= 1,5 > 0
det |P| = P
1
P
4
P
2
P
3
= (1.5)(0) (0.25)(3.25) = 0+0.8125 =0.8125> 0
de esta forma la matriz P es denida positiva.
7.- Se elije h(x) acotada
Por tanto las matrices reales de (4.49): donde q = [q
1
, q
2
]
T
(rad).
Para estabilizar al robot manipulador se emplea un control PD
= K
p
(q q
D
) K
d
q

q
D
"

1
2
#
= K
p
"
q
1
q
d
1
q
2
q
d
2
#
K
d
_
_

q
1

q
d
1
q
2

q
d
2
_
_
(4.54)
donde
K
p
=
"
600 0
0 600
#
, K
d
=
"
10 0
0 10
#
.
Por tanto todos los estados del manipulador son acotados. De las deniciones de M, V,
G y F
d
sabemos que f(x
t
, t) +g(x
t
, t)u en (4.50) es acotada, de modo que existe una funcin
h(x) tal que
P
1
C
T
h = f Ax
Sin perder generalidad, elegimos kh(x
t
, u
t
)k < , = 10. Para eliminar el chattering, se
puede usar el siguiente compensador de capa acotada
S (x
t
, e
t
) =
P
1
C
T
C
t
kC
t
k
=
(
P
1
C
T
sign(C
t
)
P
1
C
T
C
t
/
|C
t
|
|C
t
| <
(4.55)
El controlador de capa acotada anterior ofrece una aproximacin continua para el modo
deslizante discontinuo dentro de la capa acotada y garantiza que el error del observador est
dentro de cualquier vecindad cercana al origen [6]. El valor de es un dato importante que
permite establecer el modo deslizante para el observador, en este caso se ha seleccionado un
dato de =0.01; de esta forma se proporciona la caracterstica para el observardor en modo
deslizante.
Un modelo difuso genrico se representa como una coleccin de reglas difusas de la sigu-
iente forma:
R
i
: SI b x
1
es A
1i
y b x
2
es A
2i
y b x
n
es A
ni
ENTONCES

b x
1
es B
1i
y

b x
n
es B
ni
O

b x
1
es u
1
C
1i
y

b x
m
es u
m
C
mi

b x
n
es C
ni
O

b x
1
es a
1
b x
1
y

b x
n
es a
ni
b x
n
(4.56)
Esta regla se puede escribir de tres forma para las reglas:
R
i
1
: SI b x
1
es A
1i
y b x
2
es A
2i
y b x
n
es A
ni
ENTONCES
1
3
b x
1
es B
1i
y
1
3
b x
n
es B
ni
R
i
2
: SI b x
1
is A
1i
y b x
2
es A
2i
y b x
n
es A
ni
ENTONCES
1
3
b x
1
es u
1
C
1i
y

b x
m
es u
m
C
mi
y

b x
n
es C
ni
R
i
3
: SI b x
1
es A
1i
y b x
2
es A
2i
y b x
n
es A
ni
ENTONCES
1
3
b x
1
es a
1
b x
1
y

1
3
b x
n
es a
ni
b x
n
Se utilizan las l(i = 1, 2 l) reglas difusas SI-ENTONCES que permita realizar un
mapeo de un vector lingstico de entrada
b
X = [b x
1
b x
n
] <
n
a un vector lingstico
de salida
b
Y (k) =

b x
1

b x
m
T
. A
1i
, A
ni
, B
1i
, B
ni
y C
1i
, C
ni
son conjuntos difusos
estndar [41]. Para la variable de entrada x
i
existen l
i
conjuntos difusos. En el caso de
conexiones completas, l = l
1
l
2
l
n
. De [41] es conocido que si se utiliza inferencia
de productos, media de centros y fuzzycador tipo singleton, la p-sima salida del sistema
4.7 Simulacin 83
difuso se puede expresar de la siguiente forma:
1
3
b x
p
=
l
P
i=1
w
1pi
"
n
Q
j=1
A
ji
#!
/
l
P
i=1
"
n
Q
j=1
A
ji
#!
=
l
P
i=1
w
1pi
i
1
3
b x
p
=
l
P
i=1
u
i
w
2pi
"
n
Q
j=1
A
ji
#!
/
l
P
i=1
"
n
Q
j=1
A
ji
#!
=
l
P
i=1
u
i
w
2pi
i
1
3
b x
p
=
l
P
i=1
a
i
b x
i
donde
A
ji
son los valores de las funciones de pertenencia de los conjuntos difusos A
ji
, w
pi
es el punto en que
B
pi
= 1. Si denimos
i
=
n
Y
j=1
A
ji
/
l
X
i=1
n
Y
j=1
A
ji
(4.57)
El modelo difuso anterior puede representar adecuadamente el siguiente sistema el cul
puede ser una representacin del modelo del sistema no lineal en cuestin:
b q = A
n
b q +W
1,t
(V
1,t
b q) +W
2,t
(V
2,t
b q)B (4.58)
donde b q = [b q
1
,

b q
1
, b q
2
,

b q
2
]. Se seleccionan W
1,t
y W
2,t
R
43
, V
1,t
y V
2,t
R
34
,
(x) =
2
(1 +e
2x
)
0,5, (x) =
0,2
(1 + e
0,2x
)
0,05
Las condiciones iniciales son W
T
1,0
= W
T
2,0
= V
10
= V
2,0
=
_
_
1 1 1 1
1 2 1 2
2 1 2 1
_
_
, q(0) = q(0) =
b q(0) = 0.
Los pesos se actualizan de acuerdo a (4.31) con = 0,2, K
i
:= K
i
P = 10I
4
, A
n
= 2I
4
.
Los resultados de la identicacin para el estado q se muestran en las guras 4.9 - 4.12. Si
no empleamos el observador, el neuro identicador como en (4.58) tendr dos dimensiones,
elegimos W
1,t
y W
2,t
R
23
, V
1,t
y V
2,t
R
32
. Empleando la misma regla de actualizacin
(4.31) n = 2, los resultados de identicacin se muestran en las guras 4.13 - 4.14.
Las funciones de pertenencia que se emplean en el sistema difuso se eligen como funciones
Gaussianas de la siguiente forma:
A
ji
(k) = exp
(x
j
c
ji
)
2
2
ji
!
El algoritmo de aprendizaje tiene como objetivo variar la posicin y ancho de las funciones
Gaussianas de forma iterativa tal que se aproxime apropiadamente al sistema no lineal. Se
seleccionan los siguientes datos para l = n = 2, c
ji
y
ji
son nmeros aleatorios entre (0, 1) .
Podemos ver que el identicador basado en el observador es mejor que el identicador
difuso donde los estados son parcialmente medibles. El nmero de reglas establecido nos
muestra resultados aceptables.
En la gura 7.1 se muestra el diagrama general para la identicacin de los estados del
robot manipulador.
Problema 4.2 Identicar los estados del sistema no lineal para el robot manipulador.
Solucin 4.2 Se utiliza un neuro identicador con la regla de actualizacin (4.31). El dia-
grama de simulacin se muestra en el apndice A.
Conclusin 4.2 Se puede observar en las guras correspondientes que la identicacin de
los estados del robot manipulador es adecuada.
Problema 4.3 Estimar los estados del robot manipulador correspondientes a la posicin y
velocidad empleando un observador en modo deslizante.
Solucin 4.3 Haciendo uso del observador en modo deslizante (4.16) se estiman los esta-
dos correspondientes al sistema. Podemos disear un observador en modo deslizante para el
sistema (4.50).
4.7 Simulacin 85
Figura 4.9: Identicacin del estado q1 del robot manipulador.
Figura 4.10: Identicacin del estado q2 del robot manipulador.
Figura 4.11: Identicacin del estado dq1 del robot manipulador.
Figura 4.12: Identicacin del estado dq2 del robot manipulador.
4.7 Simulacin 87
Figura 4.13: Observacin del estado q por medio del observador en modo deslizante.
Figura 4.14: Observacin del estado dq por medio del observador en modo deslizante.
Figura 4.15: Identicacin del estado q1 para el sistema no lineal.
Conclusin 4.3 Se puede observar en las guras 4.13 y 4.14 la observacin de los estados
por medio del observador en modo deslizante.
Problema 4.4 Identicar los estados para el robot manipulador empleando el resultado
obtenido de la estimacin de los estados con el observador en modo deslizante.
Solucin 4.4 Si se incluye el observador en modo deslizante dentro del neuro identicador
para estimar los estados correspondientes al sistema se obtienen los resultados mostrados en
las guras 4.15-4.18.
Conclusin 4.4 En las guras 4.15-4.18 se muestra que la identicacin de los estados
del sistema empleando el observador en modo deslizante nos proporciona un resultado ms
adecuado, donde los estados parciales son medibles. Los pequeos castaeos se deben a las
dinmicas no modeladas que se encuentran presentes. Se puede observar que con un nmero
4.7 Simulacin 89
Figura 4.16: Identicacin del estado q2 para el sistema no lineal.
Figura 4.17: Identicacin del estado dq1 para el sistema no lineal.
Figura 4.18: Identicacin del estado dq2 para el sistema no lineal.
Figura 4.19: Funciones de pertenencia para B1 y B2.
4.7 Simulacin 91
Figura 4.20: Funciones de pertenencia para la parte de la premisa de las reglas difusas.
Figura 4.21: Convergencia de parmetros de las reglas difusas.
A
11
(1.4) A
21
(2.32)
y(k)
A
12
(-2.45)
A
22
(1.5)
u(k)
B
1
(0.253)
B
2
(0.035)
de reglas difusas igual a 2 se obtiene una buena aproximacin del sistema no lineal, este
valor es relativo ya que se debe variar hasta obtener un resultado satisfactorio a cada prob-
lema. En la gura 4.22 se observa que para cada combinacin de las variables de entrada se
asocia un valor en la consecuencia de cada regla difusa, este resultado se logra a partir de
la convergencia de los parmetros establecidos dentro del algoritmo de optimizacin como se
muestra en las guras 4.19-4.21, en este caso se varan tanto la posicin de las funciones
Gaussianas como su ancho, permitiendo de esta forma la identicacin del sistema no lineal.
Ejemplo 4.2 Se aplicar el mismo algoritmo de diseo a la identicacin de un oscilador
de Van der Pol.
A continuacin se considera el siguiente oscilador de Van der Pol dado por
"

x
1
x
2
#
=
"
0 1
0 0
#"
x
1
x
2
#
+
"
0
1,5
#
[(1 x
2
1
) x
2
x
1
]
y = x
1
. (4.59)
Sabemos que sin una entrada de control, los estados del oscilador de Van der Pol son acotados.
Por tanto, podemos usar el mismo observador en modo deslizante como en (4.51) para estimar
4.7 Simulacin 93

0 50 100 150 200 250 300
-3
-2
-1
0
1
2
3
tiempo
Estado x1
x(t)
x
x
^
Figura 4.23: Identicacin del estado x
1
del oscilador de Van der Pol.
el estado x
2
. Debido a que este sistema no lineal carece de una entrada de control, el sistema
difuso puede seleccionarse como
.
x
n
= Ax
n
+W
1,t
(V
1,t
x
n
)
donde W
1,t
y W
2,t
R
23
, V
1,t
y V
2,t
R
32
, K
i
:= K
i
P = 10I
2
, A = 2I
2
.
Problema 4.5 Identicar los estados del sistema de Van der Pol.
Solucin 4.5 Se utiliza un neuro identicador con una regla de actualizacin (4.31), los
resultados se muestran en las guras 4.23, 4.24. El diagrama de simulacin para realizar la
identicacin de los estados del sistema de Van der Pol por medio de un identicador difuso
se muestra en la gura 7.3 del Apndice A.
Conclusin 4.5 Se puede observar en las guras correspondientes que la identicacin de
los estados del oscilador de Van der Pol es buena.

0 50 100 150 200 250 300
-4
-3
-2
-1
0
1
2
3
4
tiempo
Estado x2
x(t)
x
x
^
2
para el oscilador de Van der Pol.
Problema 4.6 Estimar los estados x1 y x2 del oscilador de Van der Pol.
Solucin 4.6 Haciendo uso del observador en modo deslizante (4.16) se estiman los estados
x1 y x2 del oscilador de Van der Pol los resultados se muestran en la gura 4.25. Podemos
disear un observador en modo deslizante para el oscilador de Van der Pol, su diagrama se
muestra en la gura 7.4 del apndice A.
Conclusin 4.6 Con ayuda del observador en modo deslizante se ha podido obtener infor-
macin acerca de los estados del oscilador de Van der Pol.
Problema 4.7 Identicar los estados para el oscilador de Van der Pol empleando el resul-
tado obtenido de la estimacin parcial de sus estados con el observador en modo deslizante.
Solucin 4.7 Se incluye el observador en modo deslizante dentro del neuro identicador
para estimar los estados correspondientes al sistema.
4.7 Simulacin 95

0 100 200 300 400 500 600
-4
-2
0
2
4
6
8
10
12
tiempo
Estados x1 y x2
x1
x2
x(t)
Figura 4.25: Observacin de los estados x1 y x2 del oscilador de Van de Pol.

0 100 200 300 400 500 600 700 800
-2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
tiempo
Estado x1
x(t)
x
x
^
1
en base a un observador en modo deslizante.
0 100 200 300 400 500 600 700 800
-5
-4
-3
-2
-1
0
1
2
3
4
tiempo
Estado x2
x(t)
^
x
x
2
en base a un observador en modo deslizante.
Figura 4.28: Funciones de pertenencia para B1 y B2.
4.7 Simulacin 97

A
11
(-8.587) A
21
(-8.587)
y(k)
A
12
(9.3)
A
22
(9.3)
u(k)
B
1
(-2.22)
B
2
(-2.43)
Conclusin 4.7 Podemos ver que se obtiene una buena aproximacin del oscilador de Van
der Pol usando el neuro identicador difuso con la informacin adquirida a partir de la
observacin de los estados x1 y x2 por medio del observador en modo deslizante, guras
4.26-4.27. Los pequeos castaeos se deben a las dinmicas no modeladas que se encuentran
presentes. Se puede observar que con 2 reglas difusas se logra cierta aproximacin del sistema
no lineal; en realidad el nmero ptimo de reglas difusas adecuado es un valor relativo que
se debe variar hasta obtener un resultado satisfactorio a cada problema. En la gura 4.31
se muestra que para cada combinacin de las variables de entrada se asocia un valor en la
consecuencia de cada regla difusa, este resultado se logra a partir de la convergencia de los
parmetros establecidos dentro del algoritmo de optimizacin como se muestra en las guras
4.28-4.30, en este caso se varan tanto la posicin de las funciones Gaussianas como su
ancho, permitiendo de esta forma la identicacin del sistema no lineal.
En este captulo se han podido estimar los estados internos de un sistema no lineal
por medio de un identicador difuso y un observador en modo deslizante, el uso de este
observador es adecuado ya que para el caso de los sistemas difusos que se basan en reglas
de inferencia es necesario un observdor que sea libre de la estructura del modelo. Con la
informacin obtenida a partir de la estimacin de los estados del sistema se puede disear un
4.7 Simulacin 99
controlador difuso para esta clase de sistemas no lineales. En el captulo siguiente se plantea
la posibilidad de diseo de un controlador adaptable difuso a partir de los datos obtenidos
en este captulo.
Captulo 5
Control Difuso basado en un
Observador
Los sistema difusos y las redes neuronales son una herramienta muy acertada en el con-
trol de sistema no lineales complejos en casos cuando no se tiene informacin completa del
sistema o cuando se considera al sistema como una caja negra [3], [50], [51]. En este captulo
se muestran dos alternativas de diseo para un controlador difuso, la primera alternativa es
una continuacin a la opcin del observador difuso Takagi-Sugeno que se mostr anterior-
mente, este opcin es ms simplicada que la segunda alternativa en la que se considera un
controlador adaptable difuso, el cual requiere de un algoritmo de aprendizaje como el entre-
namiento del gradiente descendente, esta segunda propuesta es una opcin ms general.
5.1. Introduccin
Hoy en da el control difuso ha sido sugerido como una alternativa a las tcnicas de control
convencionales para sistemas de control complejos. Durante la ltima dcada, el control difuso
ha atrado una gran atencin de las comunidades acadmica e industrial. Mucha gente ha
dedicado gran parte de su tiempo y esfuerzo tanto del mbito de la investigacin como en
las tcnicas de implementacin a los controladores difusos [19], [22].
102 Control Difuso basado en un Observador
El control difuso es el ms til en la aplicacin del conocimiento cualitativo de un sistema
para disear un controlador. El control difuso es aplicable generalmente a plantas que se
encuentran modeladas matemticamente en forma pobre y donde el conocimiento cualitativo
de los operadores con experiencia pueden proporcionar control cualitativo.
Las tcnicas de control difuso representan un medio para conjuntar el conocimiento hu-
mano, la habilidad y el trato con las incertidumbres dentro del proceso del control. Sin
embargo, las tcnicas del control difuso sufren problemas tales como (1) el diseo del control
difuso es difcil de obtener debido a que no se dispone de las bases tericas y (2) el desem-
peo del control difuso puede ser inconsistente debido a que ste depende principalmente de
la experiencia individual de los operadores. Sin embargo, debido al auge que ha tenido el
control difuso en la aplicacin exitosa de los sistemas de control industrial, ha sido evidente
que muchos problemas olvidados pueden abordarse de una mejor manera. El anlisis de es-
tabilidad y el diseo sistemtico son los temas ms importantes en los sistemas de control
difuso. Recientemente, se han hecho grandes esfuerzos en las investigaciones relacionadas a
este tema [4], [9].
5.2. Controladores Difusos
Cuando los sistemas difusos son usados como controladores, stos se denominan contro-
ladores difusos. Si los sistemas difusos son usados para modelar el proceso y los contro-
ladores son diseados en base al modelo, entonces los controladores resultantes tambin son
denominados controladores difusos. Por tanto, los controladores difusos son controladores
no lineales con una estructura especial. Como se ha visto, el control difuso representa la
aplicacin ms importante de la Teora Difusa dentro de los problemas prcticos.
Existen dos categoras comunes para diseo de controladores difusos: una es en modelo
libre y la otra es en modelo base.
Se puede emplear un controlador al retroalimentar las variables de estado, de la forma
u = u(r, x), en lugar de aquel donde se retroalimenta la salida, que es de la forma u = u(r, y).
En la gura 5.1 se muestra la estructura del sistema en el que se hace control retroalimentando
5.3 Retroalimentacin a la Salida de Sistemas Difusos TSK 103

Controlador Planta Mediciones
Estimador
Retroalimentacin
de estado
Entrada de
control
automtico
Entrada de
comando
r u
Estado
x y
Salida
Estado
estimado
x
^
Entrada
incierta
v
Entrada
incierta
W
Figura 5.1: Retroalimentacin del estado con estimador.
las variables de estado. Si y 6= x, se debe estimar el estado, empleando x(t)
x(t) como se
indica por el bloque del estimador. Esto ser cierto, por ejemplo, cuando la salida y contenga
slo algunas componentes del vector de estados x. En general, un estimador requerir como
entradas tanto a la salida y como la entrada de control u. Con base en la entrada de control
u(t), la salida medida y (t) y el modelo del sistema dinmico, el estimador produce un estado
en lugar del estado real x(t) para producir la entrada al controlador. Si el estado completo
es medible de manera exacta, y = x, entonces no se requiere el estimador.
5.3. Retroalimentacin a la Salida de Sistemas Difusos
TSK
Con el desarrollo de las redes neuronales y de los sistemas difusos, se sabe que el
conocimiento cualitativo de un sistema puede tambin ser representado por medio de una
forma funcional no lineal. En base a esta idea, han aparecido en el campo del control difuso
algunos modelos difusos basados en los mtodos de diseo de sistemas de control difuso.
Estos mtodos son conceptualmente simples y directos. Las tcnicas de control lineal con
retroalimentacin pueden utilizarse en el caso de estabilizacin con retroalimentacin. El
procedimiento es el siguiente. Primero, la planta no lineal se representar por un modelo di-
fuso tipo Takagi-Sugeno. En este tipo de modelo difuso, las dinmicas locales en diferentes
regiones espacio-estado se representan por modelos lineales [27]. El modelo completo del sis-
tema se obtiene por una combinacin difusa de los modelos lineales a travs de la funcin
de pertenencia difusa no lineal. El diseo del control se lleva a cabo de acuerdo en base al
modelo por medio del esquema de compensacin distribuido paralelo. La idea es que, para
cada modelo lineal local, se disea un control lineal con retroalimentacin. El controlador
completo resultante, que no es lineal en general, nuevamente es una combinacin difusa
de cada uno de los controladores lineales. Al mismo tiempo, el problema de estabilizacin
robusta tambin ha sido considerado un caso del modelo difuso Takagi-Sugeno (T-S) [38],
[39], [43], [44].
El diseo del observador es un problema muy importante en los sistemas de control, sin
embargo, en los sistemas de control difuso, el diseo del observador difuso es tratado difcil-
mente [10]. Un problema clave es que la estabilidad del sistema total, con el controlador difuso
y el observador difuso, debe ser garantizado en el caso del modelo difuso. Una contribucin
principal es el desarrollo del principio de separacin; que es el diseo del controlador difuso
y del observador difuso en forma independiente [27].
Otra contribucin importante de la teora de los sistemas difusos es que proporcionan un
procedimiento sistemtico para transformar una base del conocimiento humano a un mapeo
no lineal. Los sistemas difusos han sido aplicados a una gran variedad de campos alrededor del
control, procesamiento de seales, comunicaciones, manufacturacin de circuitos integrados,
y sistemas expertos de negocios, medicina, psicologa, etc. Sin embargo, la aplicacin ms
signicativa se ha concentrado en los problemas de control.
5.3.1. Control con Retroalimentacin a la Salida de Sistemas Lin-
eales
Considerando el sistema denido mediante
x= Ax +Bu
y = Cx
Suponemos que el sistema es completamente observable, pero x no est disponible para
una medicin directa. Suponemos emplear el control mediante la retroalimentacin del estado
observado
u = Ke x (5.1)
En el sistema de control mediante la retroalimentacin del estado observado da una
ecuacin del observador
e x = (AK
e
C)e x +Bu +K
e
y (5.2)
Tomando la transformada de Laplace de (5.1)
U(s) = K
e
X(s) (5.3)
La transformada de Laplace de la ecuacin del observador obtenida mediante la ecuacin
(5.2) es
s
e
X(s) = (AK
e
C)
e
X(s) +BU(s) +K
e
Y (s) (5.4)
donde se supuso que el estado observado inicial es cero, o e x(0) = 0. Sustituyendo (5.3) en
(5.4) y despejando
e
X(s) en la ecuacin resultante, se tiene
e
X(s) = (sI)
5.3.2. Control Difuso de TSK
Muchos sistemas fsicos son muy complejos en la prctica por lo que esos modelos
matemticos rigurosos son muy difciles de obtener, sino imposibles. Sin embargo, muchos de
estos problemas se pueden expresar de alguna forma con modelos matemticos locales o como
una agregacin de un conjunto de modelos matemticos. Takagi y Sugeno han propuesto un
modelo difuso para describir los sistemas complejos. Podemos considerar el empleo del sigu-
iente modelo dinmico para representar un sistema complejo con mltiples entradas-mltiples
salidas, que incluya tanto modelos lineales analticos locales y funciones de pertenencia di-
fusas [27].
Especcamente, el modelo dinmico difuso Takagi-Sugeno en tiempo continuo es descrito
por reglas difusas SI-ENTONCES, que localmente representan relaciones lineales entrada-
salida de sistemas no lineales. La regla i-sima del modelo difuso es de la siguiente forma:
La regla i-sima para la Planta es:
SI z
1
(t) es F
i1
y y z
g
(t) es F
ig
ENTONCES

x(t) = A
i
x(t) +B
i
u(t)
y
i
(t) = C
i
x(t) , i = 1, 2, , r
(5.5)
donde F
ij
(j = 1, 2, , g) son conjuntos difusos, x(t) R
n
es el vector de estado, u(t)
R
m
es el vector de salida, e y
i
(t) R
p
es el vector de salida. (A
i
R
nxn
, B
i
R
nxm
, C
i
R
pxn
)
es una tripleta de matrices, r es el nmero de reglas SI-ENTONCES, y z
1
(t) v z
g
(t) son
algunas variables medibles del sistema, es decir., las variables de las premisas.
Dado un par [x(t) , u(t)], empleando el mtodo de inferencia difusa estndar, esto es,
empleando un fuzzycador singleton, producto de inferencia difusa y defuzzycador media
ponderada- el estado nal del sistema difuso se inere de la siguiente forma:
x(t) =
r
P
i=1
w
i
[z(t)][A
i
x(t)+B
i
u(t)]
r
P
i=1
w
i
[z(t)]
=
r
P
i=1
i
[z (t)] [A
i
x(t) +B
i
u(t)]
(5.6)
donde
w
i
[z (t)] =
g
Q
j=1
F
ij
[z
j
(t)] ,
i
[z (t)] =
w
i
[z(t)]
r
P
i=1
w
i
[z(t)]
z (t) =
h
z
1
(t) z
2
(t) z
g
(t)
i
F
ij
[z
j
(t)] es el grado de pertenencia de z
j
(t) en F
ij
. Se asume que
w
i
[z (t)] 0, i = 1, 2, , r;
r
X
i=1
w
i
[z (t)] > 0
para toda t. De esta forma
i
[z (t)] 0, i = 1, 2, , r;
r
X
i=1
i
[z (t)] = 1
para toda t. Por conveniencia de notacin, sea w
i
= w
i
[z (t)],
i
=
i
[z (t)] ; por tanto
el estado nal del sistema difuso puede representarse como
x(t) =
r
X
i=1
i
A
i
x(t) +
r
X
i=1
i
B
i
u(t) (5.7)
La salida nal del sistema difuso es el siguiente:
y (t) =
r
P
i=1
w
i
[z (t)] C
i
x(t)
r
P
i=1
w
i
[z (t)]
=
r
X
i=1
i
[z (t)] C
i
x(t) (5.8)
esto es,
y (t) =
r
X
i=1
i
C
i
x(t) (5.9)
Denicin 5.1 Si los pares (A
i
, B
i
), i = 1, 2, , r; son controlables, el sistema difuso
visto en (5.5) se dice localmente controlable.
Para el diseo del controlador difuso, se supone que el sistema difuso (5.5) es localmente
controlable. Primero, los controladores con retroalimentacin de estado locales son diseados,
basados en los pares (A
i
, B
i
):
La regla i-sima del controlador es:
SI z
1
(t) es F
i1
y y z
g
(t) es F
ig
ENTONCES u(t) = K
i
x(t) , i = 1, 2, , r
(5.10)
por tanto, la salida nal del controlador difuso es
u(t) =
r
X
i=1
i
[z (t)] K
i
x(t) =
r
X
i=1
i
K
i
x(t) (5.11)
donde se emplea el mismo peso
i
[z (t)] como el peso de la regla i-sima del sistema
difuso (5.6). Los parmetros del controlador son K
i
en cada regla. Sustituyendo (5.11) en
(5.7), obtenemos
x(t) =
r
X
i=1
r
X
j=1
j
(A
i
B
i
K
j
) x(t) (5.12)
Una condicin suciente que garantice la estabilidad del sistema difuso se obtiene en
trminos del mtodo directo de Lyapunov. La ecuacin anterior es asintticamente estable
si existe una matriz P
1
denida positiva tal que
(A
i
B
i
K
i
)
T
P
1
+P
1
(A
i
B
i
K
i
) < 0
para i = 1, 2, , r, y
A
i
B
i
K
j
+A
j
B
j
K
i
2
T
P
1
+P
1
A
i
B
i
K
j
+A
j
B
j
K
i
2
< 0
para i < j r. Estas ecuaciones se pueden resolver numricamente de forma eciente a
travs del marco de desigualdad de matriz lineal (LMI).
Comentario 5.1 Si tenemos V (x) = x
T
P
1
x y
e
V (e x) = e x
T
P
2
e x, de acuerdo con el anlisis
correspondiente, podemos satisfacer las condiciones necesarias para comprobar la estabilidad
del sistema controlador.
Comentario 5.2 El controlador difuso y el observador difuso se pueden disear indepen-
dientemente para ser estables y todo el sistema (con el controlador difuso y el observador
difuso) tambin se mantiene estable.
Comentario 5.3 En el desarrollo del principio de separacin de los sistemas lineales, los
polos del sistema en lazo cerrado incluye ambos polos del sistema de control y los polos
del sistema de observacin. En los sistemas difusos, el principio de separacin es diferente,
la estabilidad del sistema en lazo cerrado se determina por el principio de comparacin de
vector, ms que por los polos.
En la prctica, todos los estados no son medibles completamente, y es necesario disear
un observador difuso para poder implementar el controlador difuso (5.11).
5.3.3. Control Difuso para TSK basado en un Observador
Sustituyendo (5.9) y retomando (4.13) en (4.12), obtenemos
b x(t) =
r
X
i=1
i
A
i
b x(t) +
r
X
i=1
i
B
i
u(t) +
r
X
i=1
r
X
j=1
j
G
i
C
j
[x(t) b x(t)] (5.13)
Usando el estado b x(t) nal estimado, (5.13), y (5.11), obtenemos el siguiente controlador
difuso:
La regla i-sima del controlador es:
SI z
1
(t) es F
i1
y y z
g
(t) es F
ig
ENTONCES u(t) = K
i
b x(t) , i = 1, 2, , r
(5.14)
as, la salida nal del controlador difuso es
u(t) =
r
X
i=1
i
K
i
b x(t) (5.15)
Si sustituimos (5.15) y (5.7) en (5.13), respectivamente, obtenemos
x(t) =
r
X
i=1
A
i
x(t)
r
X
i=1
r
X
j=1
j
B
i
K
j
b x(t) (5.16)
b x(t) =
r
X
i=1
r
X
j=1
j
(A
i
B
i
K
j
) b x(t) +
r
X
i=1
r
X
j=1
j
G
i
C
j
[x(t) b x(t)] (5.17)
Haciendo e x = x(t) b x(t) ;entonces
e x(t) =
r
X
i=1
r
X
j=1
j
(A
i
G
i
C
j
) e x(t) (5.18)
La ecuacin anterior es asintticamente estable si existe una matriz P
2
denida positiva
tal que
(A
i
G
i
C
i
)
T
P
2
+P
2
(A
i
G
i
C
i
) < 0
para i = 1, 2, , r, y
A
i
G
i
C
j
+A
j
G
j
C
i
2
T
P
2
+P
2
A
i
G
i
C
j
+A
j
G
j
C
i
2
< 0
para i < j r. Estas ecuaciones se pueden resolver numricamente de forma eciente a
travs del marco de desigualdad de matriz lineal (LMI).
5.4. Control Difuso con Retroalimentacin a la Salida
basado en un observador
En [16] se da un panorama de un control neuronal. Existen dos tipos de control neuronal:
control directo [21] y control indirecto [35]. El control neuronal directo se reere cuando la
red neuronal se coloca en cascada con el sistema a controlar. En el control neuronal indirecto
el controlador se basa en la identicacin del sistema no lineal, de esta forma el proceso de
identicacin se convierte en una parte esencial de la construccin del controlador neuronal
[32].
La estructura general del control adaptable difuso con retroalimentacin a la salida basado
en un observador en modo deslizante se muestra en la gura 5.2.
5.4 Control Difuso con Retroalimentacin a la Salida basado en un observador 111

PLANTA

OBSERVADOR
EN MODO
DESLI ZANTE
CONTROL
DI FUSO
MODELO DE
REFERENCI A
Figura 5.2: Estructura general del control adaptable difuso basado en un observador en modo
deslizante.
Un modelo difuso genrico es presentado como una coleccin de reglas difusas en la
siguiente forma:
R
i
: SI x
1
es A
1i
y x
2
es A
2i
y x
n
es A
ni
ENTONCES b y
1
es B
1i
y b y
m
es B
mi
(5.19)
Empleamos l(i = 1, 2 l) reglas difusas SI-ENTONCES para realizar un mapeo de un vector
lingstico de entradas X = [x
1
x
n
] <
n
a un variable lingstica de salida. A
1i
, A
ni
y B
1i
, B
mi
son conjuntos difusos estndar [41]. Para una variable de entrada x
i
existen l
i
conjuntos difusos. En el caso de una conexin completa l = l
1
l
2
l
n
. De [41] sabemos
que, usando la inferencia del producto, media de centros y fuzzycador singleton, la k-sima
salida del sistema lgico difuso puede ser expresada como:
b y
k
=
l
P
i=1
w
ki
"
n
Q
j=1
A
ji
#!
l
P
i=1
"
n
Q
j=1
A
ji
#!
=
l
P
i=1
w
i
i
(5.20)
donde
A
ji
,
B
ki
son las funciones de pertenencia de los conjuntos difusos A
ji
y B
ki
,
l es el nmero de reglas SI-ENTONCES
w
ki
es el punto en el que
B
ki
= 1.
donde
i
est denido como:
i
=
n
Q
j=1
A
ji
l
P
i=1
n
Q
j=1
A
ji
(5.20) se puede expresar en la forma paramtrica siguiente
b
Y
t
= W
t
[X
t
] (5.21)
donde
b
Y
t
= [b y
1
b y
m
]
T
, W
t
=
_
_
w
11
w
1l
.
.
.
w
m1
w
ml
_
_
, [X
t
] = [
1

l
]
T
.

x
1
x
1n
A
1
A
1l1
A
n1
A
nln

1

2

l
w
11
w
ml
y
1

y
m
CAPA I II III IV
^
^
Figura 5.3: Arquietectura del sistema adaptable difuso.
El controlador adaptable difuso se disea a partir de la informacin siguiente. La es-
tructura del sistema adaptable difuso se muestra en la gura.5.3. Estas cuatro capas del
sistema difuso se han discutido en muchos documentos [25], [15]. La Capa I acepta el vector
lingstico de entradas X (k) . Cada nodo de la capa II representa el valor de la funcin de
pertenencia de la variable lingstica. Los nodos de la capa III representan las reglas difusas.
La capa IV es la capa de salida, los lazos entre la capa III y la capa IV son conectados
completamente por la matriz de pesos W
k
. Las capas I y II son la parte de premisa. Las
capas III y IV son la parte de consecuencia.
De la salida b y uno puede controlar al sistema no lineal (4.14) o (4.15) por medio de
las reglas difusas, pero este modelo difuso puede reejar slo los pares entrada-salida. La
seccin previa nos proporciona una estimacin asinttica de los estados internos, si los estados
estimados x
i
en (4.16) son usados para controlar al sistema, el sistema difuso controlar al
sistema no lineal completo. Ahora el objetivo del control es hacer que todos los estados de
la planta real (4.14) o (4.15) sigan a los estados de referencia. Puede ser formulado como el
criterio siguiente:
J
mn
= mn
W
J, J = kx x
k
2
R
(5.22)
donde x
es el estado de referencia, que satisface:
t
= h(x
t
)
As, para cualquiera > 0, tenemos
J (1 +) kx xk
2
R
+
1 +
1
kx x
k
2
R
. (5.23)
El mnimo del trmino kx xk
2
R
ya ha sido resuelto en la seccin previa. Eligiendo

R =
(1 +
1
) R, ahora podemos reformular el objetivo de la identicacin como: minimizar el
trmino kx x
k
2
R
. Y deniendo el error de seguimiento como
e
t
:= x
t
x
t
(5.19) es cambiado como
R
i
: SI x
1
es A
1i
y x
2
es A
2i
y x
n
es A
ni
ENTONCES b y
1
es B
1i
y b y
m
es B
mi
(5.24)
Para el sistema no lineal
x
t
= f(x
t
) +g(x
t
)u
t
, y
t
= Cx
t
(5.25)
Si f () y g () son conocidos, podemos elegir el control u
t
para cancelar la no linealidad y
disear el controlador basado en la teora de control lineal. La idea del control es:
u
=
1
g(x
t
)
[f(x
t
) +A(x
t
x
t
) +h(x
t
)]
donde A es una matriz estable. De esta forma el sistema en lazo cerrado es
e
t
= Ae
t
as
lm
t
e
t
= 0
Puesto que f () y g () son conocidos y x
t
no est disponible, usamos el sistema difuso para
identicar f () y g () . El control adaptable es
u
t
=
1
bg(x
t
)
h
b
f(x
t
) +v
i
(5.26)
donde asumimos que b g(x
t
) 6= 0
v = Ae
t
+h(x
t
)
b
f(x
t
) = W
f
X
t
b g(x
t
) = W
g
X
t
(5.27)
con las reglas de actualizacin de peso proporcionadas por el gradiente
W
f
= K
f
Pe
t
X
t
e
T
t
W
g
= K
g
Pu
c
X
t
e
T
t
(5.28)
donde K
f,g
<
1
e I es la matriz identidad
Teorema 5.1 Asumiendo que el sistema con retroalimentacin-linealizable est en la forma
cannica de controlabilidad y el control de entrada est dado por (5.26). Haciendo que el
sistema difuso sea actualizado como:
Si ke
t
k
2
>

mn
(Q)
entonces la regla de actualizacin est dada por (5.28).
Si ke
t
k
2
mn
(Q)
entonces detenemos el procedimiento de aprendizaje .
De esta forma
el error de seguimiento ltrado e(t), los parmetros del sistema difuso son acotados y
estn dados en
e
t
L
, W
f
L
, W
g
L
, (5.29)
para cualquiera T > 0 el error de ltro cumple el siguiente desempeo de seguimiento
1
T
Z
T
0
e
T
t
Qe
t
dt
e
T
0
e
0
T
+ (5.30)
donde =
f
+d
f
+
g
+d
f
u, es el nmero de condicin de Q denido como :=

max
(Q)
mn
(Q)
.
Demostracin.
e
t
= f +gu h(x
t
) +v v
= f +gu
c
h(x
t
) +v v
= f +
h
(eg + b g)
1
bg
h
b
f +v
ii
h(x
t
) +h(x
t
) +A
t
v
= A
t
+
f
b
f
+ (g bg) u
c
(5.31)
Permitiendo que la funcin candidata de Lyapunov sea
L
t
= e
T
t
Pe
t
+tr
f
W
T
f
K
1
f
f
W
f
+tr
f
W
T
g
K
1
g
f
W
g
. (5.32)
Sustituyendo de (5.31) la derivada de (5.32) produce.
L
t
= 2e
T
t
P

Ae
t
+
f
b
f
+ (g b g) u
c
+2tr

f
W
T
f
K
1
f
f
W
f
!
+ 2tr

f
W
T
g
K
1
g
f
W
g
!
Usando (5.25) y (5.27),
f
b
f = W
f
(X
t
)
c
W
f
X
t
+
f
= W
X
t
+d
f
c
W
f
X
t
+
f
=
f
W
f
X
t
+
f
+W
f
d
f
donde d
f
es el error del observador,
f
es el error de identicacin difuso, y
g bg =
f
W
g
X
t
+
g
+W
g
d
g
As
L
t
= 2e
T
t
P{Ae
t
+
f
W
f
X
t
+
f
+W
f
d
f
+
f
W
g
X
t
u
c
+
g
+W
g
d
g
u
c
}
+2tr

f
W
T
f
K
1
f
f
W
f
!
+ 2tr

f
W
T
g
K
1
g
f
W
g
!
En vista de la desigualdad de la matriz
X
T
Y +
X
T
Y
T
X
T
1
X +Y
T
Y (5.33)
qu es vlido para cualquiera X, Y <
nk
y para cualquier matriz denida positiva 0 < =
T
<
nn
,
2e
T
P
f
puede ser concluida como
2e
T
P
f
e
T
Pl
1
Pe +
2
f
l
4
e
T
Pl
1
Pe +
f
2e
T
P
g
u
c
puede ser concluida como
2e
T
P
g
u
c
e
T
Pl
2
Pe +
2
g
u
2
c
l
5
e
T
Pl
2
Pe
2
+
g
u
2e
T
PW
f
d
f
puede ser estimada como
2e
T
PW
f
d
f
e
T
W
T
f
Pl
3
PW
f
e +d
T
f
l
1
3
d
f
e
T
PW
f
Pe +d
f
2e
T
PW
g
d
g
u
c
puede ser estimada como
2eW
g
d
g
u
c
e
T
W
T
g
l
4
W
g
e + |u
c
|
2
g
d
g
l
1
4
d
g
e
T
PW
g
Pe +ud
g
As
L
t
L
rq
+L
w
+L
g
e
T
Qe +
Si usamos la regla de adaptacin como:
L
rq
= A
T
P +PA +P

l
1
+l
2
+W
f
+W
P +Q
L
w
= 2tr

f
W
T
f
K
1
f
f
W
f
!
+tr
X
t
f
W
f
L
g
= 2tr

f
W
T
g
K
1
g
f
W
g
!
+tr
X
t
u
c
f
W
g
=
f
+d
f
+
g
+d
f
u
donde L
rq
es la ecuacin de Riccati estndar, la eleccin adecuada de la matriz estable A
puede hacerla cero, es decir, L
rq
= 0. Usando la regla de aprendizaje (5.28), L
w
= 0, L
g
= 0
(I) si kek
2
>
1
mn
(Q) , usando la regla de actualizacin como (5.28) podemos concluir
que
L
t
e
T
Qe +
mn
(Q) kek
2
+ < 0. (5.34)
L es acotado. Integrando (5.34) desde 0 hasta T se produce
L
T
L
0

Z
T
0
e
T
Qe
dt +T
Debido a que 1, tenemos
Z
T
0
e
T
Qe
dt L
0
L
T
+b
d
T L
0
+T (5.35)
donde es el nmero de condicin de Q
(II) si kek
2

1
mn
(Q) , de (5.28) los pesos se hacen constantes, L
t
permanece acotado.
Y
R
T
0
e
T
Qe
dt
R
T
0

max
(Q) kek
2
dt

max
(Q)
mn
(Q)
T L
0
+T
(5.36)
De (I) y (II), L
t
es acotado, (5.29) es alcanzado. Debido a que W
f,0
= W
f
y W
g,0
= W
g
,
de (5.35) y (5.36), (5.30) es obtenido. Por tanto el teorema ha sido comprobado.
5.5. Simulacin
5.5.1. Control adaptable difuso
Tomando los parmetros del robot manipulador como en [24], y tambin incluyendo la
friccin en (4.49), es decir, l
1
= l
2
= 2r
1
= 2r
2
= 1m, m
1
= 0,8kg, m
2
= 2,3kg, v1 = v2 =
0,4, k1 = k2 = 0,8, g = 9,81. Las condiciones iniciales son

q(0) = [
q
1
(0),

q
2
(0)] = [0, 0],
q(0) = [q
1
(0), q
2
(0)] = [3,14, 0,6]. Asumimos que los parmetros en (4.49) son desconocidos,
slo la posicin y la velocidad de q estn disponibles.
Siguiendo las reglas difusas usadas para la identicacin
5.5 Simulacin 119
R
i
: SI x
1
es A
1i
y x
2
es A
2i
y x
n
es A
ni
ENTONCES b y
1
es B
1i
y b y
m
es B
mi
(5.37)
Para el robot se puede representar como:
x
t
= f(x
t
) +g(x
t
)u
t
(5.38)
Puesto que f () y g () son conocidos y x
t
no est disponible, usamos el sistema difuso para
identicar f () y g () . El control adaptable es
u
t
=
1
bg(x
t
)
h
b
f(x
t
) +v
i
(5.39)
donde asumimos que b g(x
t
) 6= 0
v = Ae
t
+h(x
t
)
b
f(x
t
) = W
f
X
t
b g(x
t
) = W
g
X
t
(5.40)
con las reglas de actualizacin de peso proporcionadas por el gradiente descendente:
W
f
= K
f
Pe
t
X
t
e
T
t
W
g
= K
g
Pu
c
X
t
e
T
t
(5.41)
El control difuso es
= u
1,t
+u
2,t
u
1,t
= (x
)
"
2 0
0 2
#
x
W
t
(b x
t
) =
3 cos t + sin t
cos t + 3 sin t
!
W
t
(b x
t
),
u
2,t
=
"
2 0
0 2
#
q
1
q
2
!
b x
1
b x
2
!
"
3 0
0 3
#

q
1
q
2
!
_
_
q
1,t

q
1,t
q
2,t

q
2,t
/
_
_
donde = 0,1.
Figura 5.4: La respuesta caracterstica del control derivativo incluye un defasameinto respecto
a la seal de entrada, el valor de ganancia a la salida es igual al de la entrada.
Problema 5.1 Hallar la ley de control que resuelva el problema de seguimiento para el robot
manipulador de dos grados de libertad.
Solucin 5.1 Se utiliza un identicador para que nos proporcione informacin de los estados
del sistema y de esta forma dar una ley de control adecuada. El control adaptable difuso
presentado en esta seccin se muestra en la gura.7.5 del apndice A.
Conclusin 5.1 En este caso se emplea un control adaptable difuso que nos permite lograr
cierta trayectoria de seguimiento para una planta no lineal. En la gura 5.4 se muestra el
comportamiento del control PD usado en la compensacin del sistema. El control establecido
para la planta no lineal es un control indirecto donde se realiza un proceso previo de identi-
cacin del sistema. Este proceso de identicacin se logra a partir de un identicador difuso
cuyos resultados se muestran en las guras 5.5 - 5.7. En la gura 5.14 se muestra que para
cada combinacin de las variables de entrada se asocia un valor en la consecuencia de cada
regla difusa, este resultado se logra a partir de la convergencia de los parmetros establecidos
5.5 Simulacin 121
1
y B
2
.
0 1 00 2 00 300 400 500 600
- 15
- 10
- 5
0
5
10
Ti emp o
par me tr os

A
11
(1.3) A
21
(2.2)
y(k)
A
12
(2.5)
A
22
(1.5)
u(k)
B
1
(0.14)
B
2
(1.12)
5.5 Simulacin 123
dentro del algoritmo de optimizacin como se muestra en la gura 5.7, en este caso se varan
tanto la posicin de las funciones Gaussianas como su ancho, permitiendo de esta forma la
identicacin del sistema no lineal.
5.5.2. Control adaptable difuso basado en un observador en modo
deslizante
Asumiendo que slo la posicin del ngulo q es medible, la velocidad

q podra medirse
con el observador en modo deslizante (4.16). Para el robot manipulador de dos grados de
libertad podemos usar dos observadores:
observador (a):
q
a
= Aq
a
+S(q
a
, e) Ke
t
y
a
= Cq
a
, q
a
:= [q
1
,

q
1
]
(5.42)
observador (b):
q
b
= Aq
b
+S(q
b
, e) Ke
t
y
b
= Cq
b
, q
b
:= [q
2
,

q
2
]
(5.43)
Los pasos para el diseo se muestran en la gura 4.1. Como C =
h
1 0
i
, podemos escoger
A =
"
0 1
1 0
#
para hacer que el par (A, C) sea observable; se elegimos K =
"
2
2
#
> 0, por
tanto A
0
= AKC =
"
2 1
1 0
#
es estable; si utilizamos Q =
"
3 1
8 3
#
, la solucin para
la ecuacin de Lyapunov
A
0
P+ PA
T
0
= Q (5.44)
es denida positiva P =
"
1.5 -0.25
3.25 0
#
. Para estabilizar al manipulador, empleamos un
control difuso basado en un observador como el de modo deslizante.
De las deniciones de M, V, G y f
D
sabemos que f (x
t
, t) +g(x
t
, t)u en (4.50) es acotado,
por tanto existe una funcin h(x) tal que
P
1
C
T
h = f Ax
Sin prdida de generalidad, elegimos kh(x
t
, u
t
)k < , = 10. Para eliminar el efecto del
chattering, podemos usar el siguiente compensador de capa acotada mencionado anterior-
mente
S(x
t
, e
t
) =
P
1
C
T
C
t
kC
t
k
=
(
P
1
C
T
sign(C
t
)
P
1
C
T
C
t
/
|C
t
|
|C
t
| <
(5.45)
El controlador de capa acotada enunciado ofrece una aproximacin continua al modo deslizante
discontinuo dentro de la capa acotada y garantiza que el error del observador est dentro
de cualquier vecindad cercana al origen [6]. En este caso = 0.01 que garantiza mejores re-
sultados. Podemos emplear q y

b q para modelar al robot manipulador por medio del modelo
difuso obtenido a partir de la siguiente informacin:
b q = A
n
b q +W
1,t
(V
1,t
b q) +W
2,t
(V
2,t
b q) (5.46)
donde b q = [b q
1
,

b q
1
, b q
2
,

b q
2
]. Escogemos W
1,t
y W
2,t
R
43
, V
1,t
y V
2,t
R
34
,
(x) =
2
(1 +e
2x
)
0,5, (x) =
0,2
(1 + e
0,2x
)
0,05
Las condiciones iniciales son W
T
1,0
(W
1
) = W
T
2,0
(W
2
) = V
1,0
(V
1
) = V
2,0
(V
2
) =
_
_
1 1 1 1
1 2 1 2
2 1 2 1
_
_
,
q(0) = q(0) = b q(0) = 0. Los pesos se actualizan de acuerdo a (4.31) con = 0,2,
K
i
:= K
i
P = 10I
4
, A
n
= 2I
4
. Los resultados de identicacin para q se muestran en-
seguida. Si no usamos el observador, el neuro identicador mostrado en (5.46) ser de dos
dimensiones, elegimos W
1,t
y W
2,t
<
23
, V
1,t
y V
2,t
<
32
. Usando la misma regla de
actualizacin (4.31) con l = n = 2. los resultados de identicacin se muestran en las gura
5.9 y 5.10. Podemos ver que el identicador basado en el observador es mejor que el neuro
identicador cuando los estados parciales son medibles.
Simulacin
Podemos observar a continuacin la identicacin y control del robot manipulador de dos
grados de libertad considerando un observador en modo deslizante.
5.5 Simulacin 125
Figura 5.9: Control basado en un observador en modo deslizante para la posicin de los
eslabones.
Problema 5.2 Hallar la ley de control que resuelva el problema de seguimiento para el robot
manipulador de dos grados de libertad.
Solucin 5.2 Se utiliza un controlador difuso con base en un observador en modo deslizante.
El neuro control presentado en esta seccin se muestra en la gura 7.6 del apndice A.
Conclusin 5.2 Las trayectorias de seguimiento para el control adaptable difuso basado en
un observador en modo deslizante se muestran en la guras 5.9 y 5.10 que corresponde a la
posicin y velocidad del robot manipulador. El controlador basado en la identicacin com-
pleta de los estados del sistema es una mejor opcin ya que permite controlar al sistema de
una forma ms adecuada teniendo mayor informacin del sistema no lineal. El controlador
se establece por medio de un control indirecto que requiere un proceso previo de identicacin
del sistema. Este proceso de identicacin se logra a partir de un identicador difuso cuyo
algoritmo de optimizacin vara tanto la posicin como el ancho de ciertas funciones Gaus-
sianas propuestas para el sistema difuso (guras 5.11 y 5.12). En la gura 5.14 se muestra
que para cada combinacin de las variables de entrada se asocia un valor en la consecuencia
Figura 5.10: Control basado en un observador en modo deslizante para la velocidad de las
juntas dq.
1
y B
2
.
5.5 Simulacin 127
0 100 2 00 300 4 00 500 6 00 700
- 15
- 10
- 5
0
5
10
15
ti empo
par metr os

A
11
(-0.39) A
21
(-1.15)
y(k)
A
12
(-0.25)
A
22
(0.13)
u(k)
B
1
(-0.8)
B
2
(0.045)
de cada regla difusa, este resultado se logra a partir de la convergencia de los parmetros
establecidos dentro del algoritmo de optimizacin, gura 5.13.
La ley de control es la siguiente:
= u
1,t
+u
2,t
u
1,t
= (x
)
"
2 0
0 2
#
x
W
t
(b x
t
) =
3 cos t + sin t
cos t + 3 sin t
!
W
t
(b x
t
),
u
2,t
=
"
2 0
0 2
#
q
1
q
2
!
b x
1
b x
2
!
"
3 0
0 3
#
_
_

b q
1
b q
2
_
_
_
_
_
_
b q
1,t

b q
1,t
b q
2,t

b q
2,t
/
_
_
_
_
Se puede observar que para el control adaptable difuso es necesario dar la estructura de las
reglas difusas del tipo SI-ENTONCES, no necesariamente se deben conocen los valores de los
conjuntos difusos o el nmero de reglas, se selecciona un mtodo de fuzzycacin, inferencia y
defuzzycacin que nos permita obtener una solucin adecuada a nuestro problema. En este
caso se emplearon reglas del tipo Mamdani y una representacin del sistema con fuzzycacin
tipo singleton, inferencia por la regla del producto y defuzzycacin por media de centros.
5.5 Simulacin 129
Con este modelo se pretende obtener una buena aproximacin de la planta. La entrada y
la salida al sistema difuso se denen como funciones de pertenencia de tipo Gaussianas. El
algoritmo de optimizacin que se utiliza es el entrenamiento del gradiente descendente el
cul modica los parmetros de las funciones Gaussianas; tanto la ubicacin del centro como
el ancho de stas mismas de forma iterativa. El empleo del observador en modo deslizante
permite una mejor aproximacin del sistema no lineal debido a que se tiene una estimacin
an mejor de los estados internos de ste, lo cual considera una mejora en la identicacin
y control del sistema en cuestin.
En este captulo se present el diseo de un controlador adaptable difuso que nos permi-
tiera el control de un robot manipulador de dos grados de libertad. Se emple un identicador
difuso con base en un observador en modo deslizante para obtener una mejor estimacin de
los estados internos del sistema y obtener resultados adecuados de control en la aplicacin
del controlador adaptable difuso.
Captulo 6
Conclusin
En forma general no podemos armar que la lgica difusa sea mejor que las redes neu-
ronales o viceversa, sencillamente que cada problema o parte de un problema requiere una
solucin diferente, y cada tcnica est ms indicada para ciertos problema ms que para
otro, con frecuencia la solucin ptima consiste en una combinacin inteligente de las diver-
sas tcnicas de solucin, de esta forma los sistemas difusos se aplican especialmente donde
existen comportamientos no lineales importantes, y se disponga de un conjunto de reglas
proporcinada por los expertos en la materia. Aunado a ello se pueden usar tcnicas de esti-
macin de los estados internos del sistema para obtener una mejor informacin del sistema
no lineal y aplicar el diseo de un controlador que estabilice al sistema.
Los sistemas difusos son ms favorables desde el punto de vista que son capaces de ex-
presar el conocimiento humano a travs de reglas propias de cada individuo, y su desempeo
se realiza ajustando precisamente estas reglas mediante un algoritmo de adaptacin como
en las redes neuronales.
La ventaja principal de los sistemas difusos es justamente la exibilidad que tienen de
interpretar el razonamiento humano basado en reglas y que se pueden traducir a expresiones
matemticas cuyo desempeo se logra variando ciertos parmetros de estas reglas; aunque
al nal el resultado es igual al que se obtiene por medio de las redes neuronales, los sistemas
difusos contienen cierta informacin de la planta disponible a travs de los expertos en la
132 Conclusin
materia, favoreciendo de esta forma la representacin de modelos ms completos.
En base a los resultados obtenidos en este trabajo, se puede observar que la simulacin es
adecuada desde un punto de vista puramente acadmico, empleando slo dos reglas difusas
se logra una aproximacin satisfactoria del sistema no lineal; sin embargo, en aplicaciones
ms prcticas dentro de la industria, es posible la necesidad de utilizar un nmero mayor de
reglas difusas con el objetivo de una mejor interpretacin del sistema no lineal a travs de
los sistemas difusos. El inconveniente que existe es que no hay una armacin que precise
el nmero exacto de reglas difusas a utilizar para obtener los resultados requeridos en el
proceso de simulacin; no obstante, de esta forma podemos asegurar un buen desempeo
empleando slo dos reglas difusas.
Hemos visto que podemos extender las tcnicas de control no lineal a casos ms generales,
cuando:
1. el sistema es una caja negra,
2. slo estn disponibles los datos entradas-salidas.
Debido a que el sistema es una caja negra, son muy tiles los sistemas difusos; precisa-
mente porque solo las entradas-salidas son medibles, y de esta forma podemos propor-
cionar un observador en modo deslizante. Y nalmente podemos probar la estabilidad
de la combinacin de estos dos mtodos.
El desarrollo de este trabajo ha proporcionado varias experiencias positivas, asumiendo
nuevas estrategias de control, obteniendo resultados satisfactorios y de esta forma poder
establecer un precedente para este tipo de aplicaciones.
Para el diseo del control se consideran dos alternativas, en la primera se considera un
control difuso del tipo Takagi-Sugeno, el cual tiene la capacidad de sintetizar funciones
de control, proporcionar una capacidad de operacin en diversas zonas de operacin,
y un carcter lingstico que le hace ms accesible y que simplica el problema. La
segunda alternativa considera el diseo de un controlador adaptable difuso, el cual
permite resolver satisfactoriamente el problema de seguimiento que se plantea.
133
La tcnica de optimizacin utilizada por el control adaptable difuso para la segunda
alternativa de diseo fue la utilizacin de un observador en modo deslizante.
Una de las contribuciones principales del presente trabajo es el diseo de un control
adaptable difuso que permita estabilizar a la clase de sistemas no lineales en consideracin.
Y debido a que el control es adaptable se incluyen conceptos relativos a observadores e
identicadores neuronales difusos.
Dentro de los trabajos futuros podra ser el mejoramiento del controlador en base a la
optimizacin de las reglas y bases de conocimiento. As como la implementacin prctica del
diseo del controlador adaptable difuso que se plante.
134 Conclusin
Bibliografa
[1] M.Brown, C.J.Harris, Neurofuzzy Adaptive Modelling and Control, Prentice Hall: New
York , 1994.
[2] A.Canudas de Wit and J.J.E.Slotine, Sliding Observers for Robot Manipulator, Auto-
matica, Vol.27, No.5, pp. 859-864, 1991.
[3] W.C.Chan, C.W.Chan, K.C.Cheung and Y.Wang, Modeling of nonlinear stochastic dy-
namical systems using neurofuzzy networks, 38th IEEE Conference on Decision and
Control, pp. 2643-2648, Phoenix, USA, 1999.
[4] F.C.Chen and C.C.Liu, Adaptive Controlling Nonlinear Countinuous-Time Systems Us-
ing Multilayer Neural Networks, IEEE Transactions on Automatic Control, vol. 39, pp.
1306-1310, 1994.
[5] M.Y.Chen and D.A.Linkensm, A systematic neuro-fuzzy modeling framework with ap-
plication to material property prediction, IEEE Trans. Syst., Man, Cybern. B, Vol.31,
pp. 781-790, 2001.
[6] M.J.Corless and G.Leitmann, Continuous State Feedback Guaranteeing Uniform Ul-
timate Boundedness for Uncertain Dynamic Systems, IEEE Trans. Automat. Contr.
Vol.26, pp. 1139-1144, 1981.
[7] G.Cybenko, Approximation by Superposition of Sigmoidal Activation Function,
Math.Control, Sig Syst, Vol.2, pp. 303-314, 1989.
136 BIBLIOGRAFA
[8] A.Delgado, C.Kambahmpati, and K.Warwick, Dynamic recurrent neural network for
systems identication and control, IEE Proc.-Cont. Theo. Appl., Vol. 142, No 4, pp.
307-315, 1995.
[9] B.Egardt, Stability of Adaptive Controllers, Lecture Notes in Control and Information
Sciences, Vol.20, Springer-Verlag, Berlin, 1979.
[10] A.M.Fayaz, On the Sugeno-Type Fuzzy Observers, Proc. of 38th IEEE Conf. on Deci-
sion & Control, pp. 4828-4833, Phoneix, USA,1999.
[11] K.Funahashi, and Y.Nakamura, Approximation of dynamical systems by continuous
time recurrent neural networks, Neural Networks, Vol. 6, pp. 801-806, 1993.
[12] S.Haykin, Neural Networks- A Comprehensive Foundation, Macmillan College Publ.
Co., New York, 1994.
[13] J.Hernandez and J-P.Barbot, Sliding Observer-based Feedback Control for Flexible
Joints Manipulator, Automatica, Vol.32, No.9, pp. 1243-1254, 1996.
[14] J.J.Hopeld, Neurons with grade response have collective computational properties like
those of a two-state neurons, Proc. Nat. Acad. Sci., USA, 81, pp. 3088-3092, 1984.
[15] S.I.Horikawa, T.Furuhashi and Y.Uchikawa, On fuzzy modeling using fuzzy neural net-
works with the back-propagation algorithm, IEEE Trans. Neural Networks, Vol.3, No.5,
pp. 801-806, 1992.
[16] K.J.Hunt, D.Sbarbaro, R.Zbikowski, and P.J.Gawthrop, Neural Network for control
systems-a survey, Automatica, 28, pp. 1083-1112, 1992.
[17] P.A.Ioannou and J.Sun, Robust Adaptive Control, Prentice-Hall, Inc, Upper Saddle Riv-
er: NJ, 1996.
[18] S.Jagannathan and F.L. Lewis, Identication of nonlinear dynamical systems using mul-
tilayered neural networks, Automatica, vol.32, no.12, pp. 1707-1712, 1996.
BIBLIOGRAFA 137
[19] C.F.Juang, A TSK-type recurrent fuzzy network for dynamic systems processing by
neural network and genetic algorithm, IEEE Trans. Fuzzy Syst., Vol.10, pp. 155-170,
2002.
[20] Y.H. Kim and F.L. Lewis, High-Level Feedback Control with Neural Networks, World
Scientic Publ. Co., 1998.
[21] E.B.Kosmatopoulos, M.M.Polycarpou, M.A.Christodoulou and P.A.Ioannpu, High-
Order Neural Network Structures for Identication of Dynamical Systems, IEEE Trans.
on Neural Networks, Vol.6, No.2, pp. 442-431, 1995. Convergence, Neural Networks,
Vol.10, No.2, pp. 299-314, 1997. Vol.1, pp. 4-27.
[22] Lee Chuen, Fuzzy Logic in Control Systems: Fuzzy Logic Controller-Part I, IEEE
Transactions on Systems, Man and Cybernetics, Vol 20, No. 2 March/April 1990.
[23] Y.G.Leu, T.T.Lee and W.Y.Wang, Observer-based adaptive fuzzy-neural control for
unknown nonlinear dynamical systems, IEEE Trans. Syst., Man, Cybern. B, Vol.29,
pp. 583-591, 1999.
[24] F.L.Lewis, A.Yesildirek and K.Liu, Multilayer neural-net robot controller with guaran-
teed tracking performance, IEEE Trans. on Neural Networks, Vol.7, No.2, pp. 388-399,
1996.
[25] C.T.Lin and G.Lee, Neural fuzzy systems: A neural-fuzzy synergism to intelligent sys-
tems, Prentice-Hall Inc., NJ, 1996.
[26] C.T.Lin, A neural fuzzy control system with structure and parameter learning, Fuzzy
Sets anc Systems., Vol.70, pp. 183-212, 1995.
[27] Xiao-Jun Ma, Zeng-Qi Sun, Yan-Yan He, Analysis and Design of Fuzzy Controller and
Fuzzy Observer, IEEE Trans.on Fuzzy Systems, Vol. 6, No.1, Feb. 1998.
[28] E.H.Mamdani, Application of fuzzy algorithm for simple dynamic plant, IEE
Proceedings-Control Theory and Applications, Vol. 121, No.12, 1585-1588, 1974.
138 BIBLIOGRAFA
[29] D.P.Mandic, A.I.Hanna and M.Razaz, A normalized gradient descent algorithm for non-
linear adaptive lters using a gradient adaptive step size, IEEE Signal Processing Let-
ters, Vol.8, No.11, pp. 295-297, 2001
[30] P.A.Mastorocostas and J.B.Theocharis, A recurrent fuzzy-neural model for dynamic
system identication, IEEE Trans. Syst., Man, Cybern. B, Vol.32, pp. 176-190, 2002.
[31] R. M. Murray, Z. Li, S. S. Sastry, A mathematical introduction to robotics manipulation,
CRC Press, 1993.
[32] K.S.Narendra and K.Karthasarathy, Identication and Control of Dynamical Systems
Using Neural Networks, IEEE Trans. Neural Networks, Vol.1, pp. 4-27, 1990.
[33] S.Nicosia and A.Tornambe, High-Gain Observers in the State and Parameter Estimation
of Robots Having Elastic Joins, System & Control Letter, Vol.13, pp. 331-337, 1989.
[34] K.Ogata, Ingeniera de Control Moderno, 3a.Ed. Prentice-Hall, 1998.
[35] G.A.Rovithakis and M.A.Christodoulou, Adaptive Control of Unknown Plants Using
Dynamical Neural Networks, IEEE Trans. on Syst., Man and Cybern., Vol. 24, pp.
400-412, 1994.
[36] I.W.Sandberg, Uniform approximation and the circle criterion, IEEE Trans. on Auto-
matic Control, Vol. 38, pp. 1450-1458., 1992.
[37] E.Sontag, Neural nets as systems models and controllers, in Proc. 7th Yale Workshop
on Adaptive and Learning Systems, pp. 73-79, Yale University, 1992.
[38] H.H.Tsai and P.T.Yu, On the optimal design of fuzzy neural networks with robust
learning for function approximation, IEEE Trans. Syst., Man, Cybern. B, Vol.30, pp.
217-223, 2000.
[39] K.Wang, and A.N.Mitchel, Robustness and perturbation analysis of a class of articial
neural networks, Neural Networks, Vol. 7, No 2, pp. 251-257, 1994.
BIBLIOGRAFA 139
[40] C.H.Wang, H.L.Liu and C.T.Lin, Dynamic optimal learning rates of a certain class of
fuzzy neural networks and its applications with genetic algorithm, IEEE Trans. Syst.,
Man, Cybern. B, Vol.31, pp. 467-475, 2001.
[41] L.X.Wang, Adaptive Fuzzy Systems and Control, Englewood Clis NJ: Prentice-Hall,
1994.
[42] L.X.Wang, A course in Fuzzy Systems and Control, Englewood Clis NJ: Prentice-Hall,
1997.
[43] W.Y.Wang, T.T.Lee, C.L.Liu and C.H.Wang, Function approximation using fuzzy neu-
ral networks with robust learning algorithm, IEEE Trans. Syst., Man, Cybern. B, Vol.27,
pp. 740-747, 1997.
[44] W.Y.Wang, Y.G.Leu and C.C.Hsu, Robust adaptive fuzzy-neural control of nonlin-
ear dynamical systems using generalized projection updated law and variable structure
controller, IEEE Trans. Syst., Man, Cybern. B, Vol.31, pp. 140-147, 2001.
[45] J.C.Willems, Least Squares Optimal Control and Algebraic Riccati Equations, IEEE
Trans. on Automatic Control, Vol. 16, No 6, pp. 621-634, 1971.
[46] 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, pp. 358-364, 2000.
[47] W. Yu, Alexander S.Poznyak, Indirect Adaptive Control va Parallel Dynamic Neural
Networks, IEE Proceedings - Control Theory and Applications, Vol.37, No.1, 1999.
[48] W. Yu and Alexander S.Poznyak, Robust Asymptotic Neuro Observer with Time Delay
Term, submitted to CDC99
[49] Wen Yu, Marco A. Moreno, Xiaoou Li, Observer Based Neuro Identier, IEE Proceedings
- Control Theory and Applications, Vol.147, No.2, pp. 145-152, 2000.
140 BIBLIOGRAFA
[50] W.Yu and X. Li, Some stability properties of dynamic neural networks, IEEE Trans.
Circuits and Systems, Part I, Vol.48, No.1, pp. 256-259, 2001.
[51] W.Yu and X. Li, Some new results on system identication with dynamic neural net-
works, IEEE Trans. Neural Networks, Vol.12, No.2, pp. 412-417, 2001.
[52] L.A.Zadeh, Fuzzy Sets, Information and Control, Vol 8, pp. 338-356, 1965.
[53] L.A. Zadeh, Fuzzy Algorithm, Information and Control, Vol.12, No.2, pp. 94-102, 1968.
[54] L.A.Zadeh, Outline of a new approach to the analysis of complex systems and decision
processes, IEEE Trans. on Systems, Man, and Cybern., Vol.3, No.1, pp.28-44, 1973
[55] L.A.Zadeh, The concept of a linguistic variable and its application to approximate
reasoning I, II, III, Information Sciences, Vol.8, pp. 199-251, pp. 301-357; Vol.9 pp.
43-88, 1975.
Appendix: diagramas
Para las diferentes simulaciones se utiliz la herramienta Matlab Simulink, a continuacin
se muestran los diagramas.
Figura 7.1: Diagrama principal para el neuro identicador del robot manipulador.
142 Appendix: diagramas
Figura 7.2: Diagrama principal del observador para estimar los estados del robot de dos
grados de libertad.
Figura 7.3: Diagrama principal para la identicacin del sistema de Van der Pol por medio
de un sistema difuso.
Figura 7.4: Observador en modo deslizante para el sistema de Van der Pol.
143
Figura 7.5: Diagrama principal del control neuronal adaptativo para el robot manipulador
de dos grados de libertad.
Figura 7.6: Diagrama principal del contol incluyendo el observador en modo deslizante para
la velocidad de la junta del robot.

Controladores Difusos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Controladores Difusos

Cargado por

Copyright:

Formatos disponibles

CENTRO DE INVESTIGACIN Y DE ESTUDIOS AVANZADOS

es un conjunto convexo para cualquier en el intervalo (0, 1] .

que es una relacin en U V = R

. De la ecuacin de error (4.18) tambin concluimos que

tambin es acotada. Teniendo k

es el estado de referencia, que satisface:

u, es el nmero de condicin de Q denido como :=

También podría gustarte