Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MAESTRO EN CIENCIAS
EN LA ESPECIALIDAD DE
CONTROL AUTOMTICO
DIRECTOR DE TESIS:
Mxico, D.F.
Dedicatoria
A toda mi familia , por haberme apoyado en todo momento para el logro de mis objetivos.
ii
Agradecimientos
Deseo expresar mi gratitud a los esfuerzos de la gente que devotamente me ayudaron a la realizacin de esta tesis CINVESTAV: Antonio Osorio Cordero, Jos de Jess Mesa Serrano, Noem Garca Gutirrez, Graciela Meza Castellanos, Carlos Guerrero Rojo y Sheila Montiel. A mis asesores: Dr. Francisco Jos Ruiz Snchez y al Dr. Ieroham Barouh por las crticas constructivas para mejorar el presente trabajo A Mis amigos : Beto, Edgar, Armando, Gabriela, Roxana, Omar, Laura, Sara, Rosa, Sheila y Rigoberto. Mil gracias a mi familia: A mis abuelos Jorge Salas y Margarita Ziga, a mis padres Antonia Salas y Ernesto Gmez, a mis tos Roberto Salas, Carmen Salas y Miguel Salas, a mi hermano Israel Gmez y a mis primos Zoe, Zaira, Laura, Pepe y Bruno. Por ltimo mi especial gratitud al Dr. Wen Yu Liu por dirigirme en este trabajo de tesis y ensearme lo difuso que suele ser la vida. Mil gracias al CONACYT por apoyarme con una beca, sin la cul no hubiera sido posible terminar este trabajo de tesis y al departamento de Control Automtico por proporcionarme los medios necesarios para mi formacin acadmica y por las facilidades otorgadas durante mi estancia.
iv
Resumen
En este trabajo se presenta un algoritmo jerrquico de aprendizaje tipo backpropagation para la identicacin de sistemas sin utilizar estructuras complejas de entrenamiento y un algoritmo para el diseo de controladores difusos jerrquico. Este nuevo esquema de aprendizaje es aplicado a sistemas de identicacin va aprendizaje difuso jerrquico. El algoritmo de aprendizaje emplea un factor de aprendizaje de tiempo variable, el cual es determinado a partir de los datos de entrada-salida y a partir de la estructura del sistema. Este mtodo sugiere ser ms sencillo que el aprendizaje normal debido a su estructura jerrquica, lo que implica que podemos entrenar exactamente los parmetros de cada sub-bloque del sistema jerrquico independientemente. Por otra parte, el algoritmo para el diseo de controladores difusos jerrquicos es desarrollado de tal forma que uno puede fcilmente disear las reglas difusas del sistema en forma jerrquica mediante el uso del mtodo de mapeo de variables y un ndice de aproximacin . En contraste con el mtodo convencional de una sola capa, el nuevo mtodo llamado jerrquico, posee la gran ventaja de que el nmero de reglas del sistema solamente se incrementa linealmente con el nmero de variables de entrada. La efectividad del mtodo propuesto para la identicacin de sistemas se verica a travs de un ejemplo de cinco dimensiones y mediante la prediccin de una serie de tiempo de tipo Mackey-Glass. De manera similar para mostrar la efectividad del algoritmo correspondiente al diseo de controladores difusos jerrquicos, el algoritmo propuesto se valida a travs del diseo de un controlador difuso jerrquico para el sistema riel-esfera. Los resultados de las simulaciones se presentan para ilustrar la efectividad y la conabilidad de estos algoritmos.
vi
ndice general
1. Introduccin 1.1. Motivacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Justicacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3. Descripcin de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. Sistemas difusos 2.1. Estructura de los sistemas difusos . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1. Fuzzicacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.2. Mecanismo de inferencia difusa . . . . . . . . . . . . . . . . . . . . . 2.1.3. Defuzzicacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2. Tipos de Sistemas difusos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1. Mamdani . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.2. Takagi-Sugeno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3. Conclusiones del captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. Sistemas difusos jerrquicos va aprendizaje para identicacin de sistemas 3.1. El sistema difuso jerrquico . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. Identicacin de sistemas va aprendizaje difuso jerrquico . . . . . . . . . . 3.2.1. Error backpropagation . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.2. Algoritmo para identicacin de sistemas no lineales . . . . . . . . . 19 20 21 23 28 1 2 4 5 7 7 9 9 11 13 13 15 17
viii
NDICE GENERAL 30 32 32 36 41 43 44 46 51 53 54 55 65 65 73 79 81 83
3.3. Aprendizaje de un controlador en sistemas difusos . . . . . . . . . . . . . . . 3.4. Simulaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.1. Ejemplo de cinco dimensiones . . . . . . . . . . . . . . . . . . . . . . 3.4.2. Prediccin de una serie de tiempo tipo Mackey-Glass . . . . . . . . . 3.5. Conclusiones del captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. Sistemas difusos jerrquicos va mapeo de variables para control difuso 4.1. El sistema de estructura jerrquica . . . . . . . . . . . . . . . . . . . . . . . 4.2. El sistema difuso limpio-jerrquico L-HFS . . . . . . . . . . . . . . . . . . . 4.2.1. Algoritmo para la construccin del sistema difuso lmpido-jerrquico . 4.3. Aplicacin del L-HFS al sistema riel-esfera . . . . . . . . . . . . . . . . . . . 4.3.1. El sistema riel-esfera . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.2. Implementacin del algoritmo L-HFS . . . . . . . . . . . . . . . . . . 4.4. Aplicacin en tiempo real . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.1. Descripcin del sistema . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.3. Implementacin al sistema real y resultados experimentales . . . . . . 4.5. Conclusiones del captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. Conclusiones y trabajos futuros 5.1. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
ndice de guras
2.1. Esquema general del control difuso. . . . . . . . . . . . . . . . . . . . . . . . 2.2. Funcin de membresa del singleton. . . . . . . . . . . . . . . . . . . . . . . . 3.1. (a) y (b) Representacin para el sistema lgico difuso jerrquico; (c) representacin para el sistema lgico difuso convencional de una sola capa. . . . . 3.2. Sistema difuso jerrquico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3. Un sistema difuso jerrquico para identicacin. . . . . . . . . . . . . . . . . 3.4. Entrenamiento en el caso general para la identicacin de sistemas. . . . . . 3.5. Diagrama a bloques que representa el aprendizaje de tipo O-Line. . . . . . . 3.6. Entrenamiento para sistemas de control usando sistemas difusos jerrquicos. 3.7. Estructura jerrquica difusa para identicar el sistema no lineal denido por ( 3.11). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.8. Identicacin para una sistema difuso jerrquico con 2+2+2=6 reglas difusas. 3.9. Salida de la planta y(x) y el modelo identicado (x) para el ejemplo de cinco y dimensiones cuando 0<t<55. . . . . . . . . . . . . . . . . . . . . . . . . . . 3.10. Identicacin para un sistema difuso convencional con 12 reglas difusas. . . . 3.11. Salida de la planta y(x) y el modelo identicado (x) para el ejemplo de cinco y dimensiones cuando 0<t<55. . . . . . . . . . . . . . . . . . . . . . . . . . . 3.12. Comparacin del desempeo entre los mtodos convencional y jerrquico para el ejemplo de cinco dimensiones. . . . . . . . . . . . . . . . . . . . . . . . . . 3.13. Estructura jerrquica difusa para identicar la serie de tiempo Mackey-Glass. 36 37 35 34 35 33 34 20 24 26 29 30 31 8 9
NDICE DE FIGURAS 3.14. Identicacin para un sistema difuso jerrquico con 2+2+2=6 reglas difusas. 3.15. Salida de la planta y(x) y el modelo identicado (x) para el ejemplo de predicy cin en una serie de tiempo tipo Mackey-Glass cuando 0<t<55. . . . . . . . 3.16. Identicacin para un sistema difuso convencional con 12 reglas difusas. . . . 3.17. Salida de la planta y(x) y el modelo identicado (x) para el ejemplo de predicy cin en una serie de tiempo tipo Mackey-Glass cuando 0<t<55. . . . . . . . 3.18. Comparacin del desempeo entre los mtodos convencional y jerrquico para la prediccin de una serie de tiempo tipo Mackey-Glass . . . . . . . . . . . . 4.1. Arquitectura de un controlador difuso a) Sistema de control b) Control difuso convencional y c) Control difuso jerrquico. . . . . . . . . . . . . . . . . . . 4.2. Sistema difuso jerrquico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3. Sistema de lgica difusa de estructura jerrquica. . . . . . . . . . . . . . . . . 4.4. Diagrama a bloques de un sistema difuso jerrquico (HFS). . . . . . . . . . . 4.5. Reglas mediante el acceso aleatorio. . . . . . . . . . . . . . . . . . . . . . . . 4.6. El proceso de reduccin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.7. La relacin de los renglones y las variables de mapeo. . . . . . . . . . . . . . 4.8. Reglas para F1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.9. Reglas para F2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.10. Diagrama de un HFS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.11. Un nmero triangular difuso en donde a1 , a2 y a3 describen respectivamente la tripleta (a1 , a2 , a3 ). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.12. Sistema riel-esfera. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.13. Estructura del HFS para el sistema riel-esfera. . . . . . . . . . . . . . . . . . 4.14. Las reglas del ejemplo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.15. Funciones de membresa para las variables de entrada y salida. . . . . . . . . 4.16. Unidades F1 ,F2 y F3 y nmero de reglas. . . . . . . . . . . . . . . . . . . . . 4.17. Funciones de membresa tipo triangular para r (x) y r (x) y funcin de mem bresa resultante para rr (x) = m r (x), r (x)). . . . . . . . . . . . . . . . n( 60 53 54 55 56 57 58 44 45 45 47 48 48 49 50 51 52 40 39 38 39 38
NDICE DE FIGURAS 4.18. Reestructura para la base de reglas de una sola capa . . . . . . . . . . . . . . 4.19. Nuevas reglas para Fr , F y Fu . . . . . . . . . . . . . . . . . . . . . . . . . . 4.20. Funciones de membresa para las variables de salida; (a) Funciones de salidas (b) Grca de la operacin ( P OR PG ); (c) Grca de la operacin ( P OR NG ); (d) Grca de la operacin ( PG OR N ); (e) Grca de la operacin ( PG OR PG ) y (f) (b) Grca de la operacin ( NG OR NG ). . . . . . . 4.21. Descripcin del sistema riel esfera. . . . . . . . . . . . . . . . . . . . . . . . 4.22. Estructura del jerrquica para el sistema barra-esfera en tiempo real. . . . . . 4.23. Reglas difusas para el ejemplo en tiempo real del sistema riel-esfera . . . . . . 4.24. Unidades Fr , F y Fu para el sistema barra-esfera. . . . . . . . . . . . . . . . 4.25. Tipos de funciones de membresa para el sistema barra esfera.(a) Membresas de entrada para la variable r (b) Membresas de entrada para la variable r (c) 4.26. Tipos de funciones de membresa para el sistema barra esfera.(a) Membresas de entrada para la variable (b) Membresas de entrada para la variable (c) Producto algebraico A = A B y (c) Producto algebraico B = C D. . . . .
xi 63 64
64 66 67 69 70
72
4.27. El sistema riel-esfera. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.28. Diagrama a bloques en simulink para el controlador en tiempo real del sistema riel-esfera usado por Ortiz [22]. . . . . . . . . . . . . . . . . . . . . . . . . . 4.29. Diagrama de bloques en simulink para el controlador en tiempo real del sistema riel-esfera jerrquico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.30. Diagrama de bloques en simulink para el controlador en tiempo real del sistema riel-esfera de lgica convencional. . . . . . . . . . . . . . . . . . . . . . . . . 4.31. Resultados de la aplicacin en tiempo real del sistema barra-esfera. (a) Sistema difuso jerrquico de 12 reglas y (b) sistema difuso convencional de una sola capa de 16 reglas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.32. Seal de control (a) para el sistema difuso jerrquico y (b) para el sistema convencional de la lgica difusa. . . . . . . . . . . . . . . . . . . . . . . . . . 4.33. Salida de control PD-difuso para el sistema riel-esfera. . . . . . . . . . . . .
72 73 74 75 76
77 77 78
xii
Captulo 1 Introduccin
Desde que el control difuso fue propuesto por E. H. Mamdani en 1974, diferentes estudios aplicados a la teora del control difuso han mostrado que el aprendizaje difuso y/o los algoritmos de control difuso son de las reas ms activas y fructferas de la investigacin en los ltimos aos dentro del campo de la lgica difusa. A partir de la dcada de los ochentas, la lgica difusa ha desempeado una funcin vital en el avance de soluciones prcticas y sencillas para una gran diversidad de aplicaciones en la ingeniera y la ciencia. Debido a su gran importancia en los sistemas de navegacin de vehculos espaciales, control de vuelo, control satelital de altitud, control de velocidad en msiles y similares, el rea de la lgica difusa se ha vuelto una parte importante e integral de los procesos industriales y de manufactura. Desde el punto de vista conceptual, el diseo de sistemas difusos a partir de los pares de entrada-salida, han sido clasicados en dos tipos. El primer tipo de clasicacin sugiere y la estructura del sistema difuso sea construida a partir de estas reglas, del mecanismo que las reglas del tipo Si entonces sean generadas a travs de los pares de entrada-salida
de inferencia difusa, del fuzzicador y del defuzzicador. En la segunda clasicacin, la estructura del sistema difuso se especica primeramente por lo que algunos parmetros en la estructura difusa son libres de cambio y estos se determinan de acuerdo a los pares de entradasalida. Aunque regularmente algunas aplicaciones del control difusos a procesos industriales han producido resultados superiores a sus equivalentes obtenidos por el control clsico [25],
Introduccin
el dominio de estas aplicaciones ha experimentado una seria limitacin al expander este a sistemas ms complejos, debido a que an no existe una teora completa para determinar el rendimiento del sistemas a partir del cambio en sus parmetros o variables. Sin embargo, al expandir algunas de estas aplicaciones a sistemas ms complejos, el nmero de reglas difusas relacionadas con el proceso se incrementan de forma exponencial con el nmero de variables relacionadas al sistema. Especcamente este problema llamado la maldicin de la dimensionalidad1 establece que con el uso de n variables y m conjuntos denidos por cada variable, se necesitaran mn reglas difusas para construir un controlador difuso completo, i.e., conforme n crece, la base de reglas rpidamente sobrecarga la memoria de cualquier dispositivo de computo haciendo que el controlador difuso sea difcil de implementar adems de que se dene un tiempo de respuesta imposible para procesos rpidos en tiempo real [37] [35] [36]. Para tratar este problema Raju, Zhou, y Kisner propusieron el uso de sistemas difusos jerrquicos [37] [3], los cuales consisten en un nmero de sistemas difusos de baja dimensin conectados uno a otro de forma jerrquica. La ventaja que propone este enfoque jerrquico para los sistema difusos, es que el nmero total de reglas difusas del controlador se incrementa solamente de forma lineal con el nmero de variables de entrada y por tanto que sea ms sencillo de implementar reduciendo as el costo computacional y consecuentemente el tiempo de computo.
1.1.
Motivacin
Debido al efecto tecnolgico causado por el uso de las computadoras a partir de la dcada de los 80s y 90s, el uso de controladores automticos asistidos por microcomputadoras ha crecido considerablemente en muchas de las aplicaciones industriales y militares de la actualidad. En la gran mayora de los casos, un control computarizado genera una accin rpida y precisa de control para sistemas de control basados en la experiencia, sin embargo
1
1.1 Motivacin
estas acciones se realizan generalmente con una baja calidad en el control comparadas con la habilidad mostrada por un operador humano experto. Para resolver este problema, los mtodos del control difuso hicieron posible que los ingenieros tuvieran herramientas para disear sistemas de control de excelente calidad, sin embargo, conforme las plantas modernas con mltiples entradas y salidas se han vuelto ms y ms complejas, la implementacin de este tipo de controladores se ha tornado ms difcil debido a la maldicin de la dimensionalidad. Las limitaciones causadas por la maldicin de la dimensionalidad, sugirieron una nueva metodologa para el diseo de sistema difusos a travs del uso de una estructura jerrquica. Aunque los sistemas difusos jerrquicos denotan ser la mejor opcin para evitar el crecimiento del nmero de reglas difusas de forma exponencial, algunos de estos mtodos usan estructuras complejas y en algunos casos estos abarcan solamente algunos problemas especcos. La nalidad del presente trabajo, es la de dar a conocer un nuevo algoritmo jerrquico de aprendizaje tipo backpropagation para la identicacin de sistemas no lineales sin utilizar estructuras complejas de entrenamiento y la de ofrecer una metodologa del nuevo enfoque difuso jerrquico mediante el diseo un controlador difuso en tiempo real para el sistema riel-esfera. Este sistema se utiliza para ejemplicar y justicar el desarrollo de esta tesis, en particular, el prototipo esta ubicado en el Centro de Servicios Experimentales (CSE) del Departamento de Control Automtico (DCA) del CINVESTAV-IPN. Finalmente mencionaremos los casos en los que es necesario utilizar sistemas difusos jerrquicos: 1. En procesos complejos, gran nmero de variables de entrada y/o salida. 2. En procesos no lineales complejos. 3. Cuando la introduccin de la experiencia de un experto se base en una gran cantidad de variables imprecisas obtenidos a partir de su experiencia. 4. Cuando sea necesario optimizar recursos (memoria del controlador). 5. En general, cuando se quieran representar y operar con una gran variedad de parmetros que tengan cierto grado de imprecisin o incertidumbre.
Introduccin
1.2.
Justicacin
Al leer algunos artculos y libros de texto referentes a la teora del control difuso, el lector crea una opinin acerca de como trabaja y se desempea el control lgico difuso. En lo particular, es fcil observar que la mayora de la literatura no ofrece los sucientes conceptos fundamentales sobre la teora difusa y el control difuso. Sin embargo, cuando el lector localiza cuales son estos conceptos, este comienza a adquirir una opinin diferente acerca de cmo? y cuando el control difuso trabaja, adems de la habilidad para reconocer cuando este es ms prctico2 que el control convencional. De acuerdo con D. Abramovithc 1994 [1], es claro que la lgica difusa puede ser mucho ms til de lo que sus opositores haran creer. Cualquier aplicacin candidata al control difuso es aquella que relacione una interaccin humana y una regla de control previamente establecida, i.e., estos son problemas donde la diferencia entre el bien y el mal no es binaria. En la actualidad, el uso del control difuso convencional satisface el objetivo de controlar cualquier proceso basado en la informacin cualitativa de los procesos. Aunque el creciente nmero de aplicaciones de los controladores difusos han sido restringidos en gran medida a la falta de seguridad en su desempeo, en los ltimos aos el mundo actual ha sido incitado en considerar y aplicar esta rea para su uso en los sistemas de control. En contraste con el controlador difuso convencional, el controlador difuso jerrquico no slo controla el sistema deseado de forma adecuada, sino que tambin reduce el efecto causado por la maldicin de la dimensionalidad, de tal forma que permite la implementacin del controlador difuso en forma prctica y sencilla. Por otra parte, la construccin de sistemas difusos en jerarquas, ofrecen la grandes recompensas de modelar no linealidades sin la necesidad de emplear algoritmos complejos y por supuesto el de dar soporte a algunos controladores convencionales en donde el margen de error es crtico. Finalmente existen algunos problemas, en donde, los sistema de control han sido diseado especcamente para trabajar bajo el control de un operador humano. Mediante el uso de sensores extras y tiempos de muestreo ms rpidos que los ofrecidos por un operador humano,
2
En costo e implementacin.
el control difuso fcilmente ofrece el mismo desempeo realizado por este ltimo. Es por tanto, que la contribucin real que ofrecen los sistemas difusos jerrquicos a las reas de la ingeniera, ciencia, negocios, medicina, psicologa y similares, es de suma importancia en la actualidad.
1.3.
Descripcin de la tesis
Este trabajo de tesis que se presenta, consiste de temas distribuidos en cinco captulos, divididos de la siguiente manera: En el captulo 1 se realiza una breve introduccin al tema de tesis. En el captulo 2, se da una introduccin referente al concepto de sistema difuso y a los mecanismos de inferencia difusa tipo Sugeno y Mamdani. El captulo 3, muestra la motivacin de utilizar los sistemas difusos jerrquicos para la identicacin de sistemas, adems de tratar el anlisis completo para la construccin del algoritmo jerrquico de aprendizaje tipo-backpropagation para la identicacin de sistemas. Este captulo, tambin incluye un par de ejemplos para mostrar la efectividad de mtodo propuesto. En el captulo 4 se aborda el anlisis y la justicacin de los sistemas difusos jerrquicos en los esquemas de control mediante el uso de variables de mapeo. Este captulo tambin presenta el diseo y la implementacin de un algoritmo para el diseo de controladores difusos jerrquicos. Al nal del mismo, se presenta la aplicacin en tiempo real para mostrar la efectividad del algoritmo propuesto. Por ltimo, el captulo 5 describe las conclusiones generales del trabajo realizado y las perspectivas de investigacin para trabajos futuros.
Introduccin
2.1.
Motivado por Zadeh y validado por Mamdani, el uso de los sistemas difusos han sido aplicados en una gran variedad de reas tales como el control automtico, el procesamiento digital de seales, las comunicaciones, los sistemas expertos, la medicina, etc. Sin embargo, las aplicaciones ms signicativa de los sistemas difusos se han concentrado especcamente en el rea del control automtico. Esencialmente un sistema difuso, es una estructura basada en conocimiento denida a travs de un conjunto de reglas difusas del tipo si-entonces, las cuales, contienen una
8
Controlador difuso
Base de reglas
Sistemas difusos
ui
Deffuzificador
yi
difuso
difuso
Proceso
cuanticacin lgica difusa de la descripcin lingstica del experto de como realizar un control adecuado. La gura 2.1 ilustra el diagrama a bloques y los componentes bsicos de un sistema difuso en donde los conjuntos clsicos Ui y Yi son llamados el universo del discurso para ui y yi denen las entradas y salidas correspondientes del sistema difuso. respectivamente. En particular, ui Ui con i = 1, 2, 3, ..., n y yi Yi con i = 1, 2, ..., m De acuerdo a la gura 2.1, es fcil observar que el sistema difuso utiliza conjuntos difusos, denidos por la base de reglas difusa, para cuanticar la informacin en la base de reglas y que el mecanismo de inferencia opera sobre estos conjuntos difusos para producir nuevos conjuntos difusos, por tanto, es necesario especicar como el sistema convertir las entradas numricas ui Ui en conjuntos difusos, un proceso llamado fuzzicacin, tales que ellos describe el mapeo de un espacio de acciones de control difuso en acciones de control no difuso. La defuzzicacin por tanto, genera una accin de control no difusa la cual denotamos
crisp generalmente por yq y es la mejor representacin de una salida difusa inferida.
puedan ser utilizados por el sistema difuso. De igual forma, el proceso llamado defuzzicacin
2.1.1.
Fuzzicacin
El proceso de la fuzzicacin consiste en una transformacin de un dato o de un conjunto todos lo posibles conjuntos difusos que pueden ser denidos por Ui y dado ui Ui , denotemos del discurso Ui . clsico a su correspondiente conjunto difuso, por tanto, denotemos por Ui , el conjunto de
la transformacin difusa de ui a un conjunto difuso por Af uz , el cual es denido en el universo i La transformacin de un conjunto clsico a un conjunto difuso se produce mediante el uso
del operador de fuzziacin F, Passino [23], denido por F : Ui Ui en donde F(ui ) = Af uz . i ciones en rea del control automtico y este es denido como un conjunto difuso Af uz Ui i ( 1 si x = ui 0 en otro caso
Regularmente el uso del fuzzicador tipo singlenton es el ms utilizado para las aplica-
Af uz (x) =
i
(2.1)
Cualquier conjunto difuso con la forma (2.1) en su funcin de membresa es llamado singlenton1 , gura (2.2).
2.1.2.
El mecanismo de inferencia difusa es el ncleo de cualquier controlador difuso. Su comportamiento dinmico es en general caracterizado por un conjunto de reglas difusas de la
1
Note que la funcin discreta impulso puede ser utilizada para representar la funcin de membresa de
un singlenton.
10 forma Si x es A entonces y es B
Sistemas difusos
(2.2)
en donde A y B son valores lingsticos denidos por un conjunto difuso en un universo X y Y respectivamente. La clusula Si, un antecedente, es una condicin en el dominio de aplicacin; la clusula entonces, una consecuencia, es una accin de control dado al proceso bajo control. Con un conjunto de reglas difusas, el mecanismo de inferencia difusa es capaz de derivar una accin de control para un conjunto de valores de entrada. En otras palabras, una accin de control es determinada por las entradas observadas, las cuales representan el estado del proceso a ser controlado mediante el uso de las reglas de control. en esencia, es una relacin binaria R de las variables x y y en el espacio del producto X Y . Existen diversos mtodos de inferencia difusa que pueden ser formulados a travs de los siguientes mtodos son los ms utilizados: operadores2 t-norma y s-norma para calcular la relacin difusa R=A B. En general, los 1. Implicacin de Dienes-Rescher [28]: En esta implicacin la regla difusa (2.2) es interpretada como una relacin RD en A B con funcin de membresa RD (x, y) = mx[1 A (x), B (y)] a (2.3) La expresin Si x es A entonces y es B, la cual se abrevia regularmente como A B,
2. Implicacin Lukasiewics [28]: Especcamente, la regla difusa (2.2) es interpretada como una relacin difusa RL en A B con funcin de membresa RL (x, y)= m n[1, 1 A (x) + B (y)] (2.4)
3. Implicacin de Zadeht [28]: Aqu la regla difusa (2.2) es interpretada como una relacin difusa RZ en A B con funcin de membresa RL (x, y) mx [m A (x), B (y)), 1 A (x)] a n(
2
(2.5)
11
4. Implicacin Mamdani [28]: La regla difusa (2.2) es interpretada como una relacin RM en A B con funcin de membresa n RM (x, y) = m [A , B ] , RM = A (x) B (x) (2.6)
Aunque estas cuatro ecuaciones representan diferentes interpretaciones de la regla difusa (2.2), la implicacin de Mamdani, es la ms utilizada para aplicaciones en los sistemas difusos, ecuacin (2.6). En general el operador inferencia se aproxima por medio de una t-norma.
2.1.3.
Defuzzicacin
Conceptualmente, la tarea de defuzzicar es especicar un punto, elemento de V, que reeje la defuzzicacin, sin embargo, algunos mtodos de defuzziacacin son prcticos. Como es comn, a continuacin detallaremos dos de las tcnicas ms utilizadas para la defuzzicacin. El defuzzicador centro de gravedad (COG): especica la salida y como el centro del rea cubierta por la funcin de membresa del conjunto difuso B, y esta es dada por
crisp = y = yq
la mejor representacin del conjunto difuso B 0 . A la fecha no existe un algoritmo ptimo para
PR
es el centro del rea de la funcin de i asociado con el conjunto difuso implicado Bq para la i esima Y
yq
(2.7)
bq i
Bq (yq )dyq i
(2.8)
Por simplicidad usaremos (j, k, ..., l; p, q)i = Ri para denotar la i esima regla difusa de una base de
12
Sistemas difusos denota el rea bajo Bq (yq ). Note que el sistema difuso debe ser denido tal que i
R XY i=1 yq
Bq (yq )dyq 6= 0 i
(2.9)
crisp para toda ui , o la salida yq , no ser denida apropiadamente. Este valor no debe
ser cero si existe una regla seleccionada para cada posible combinacin de las entradas del sistema difuso y si todo el conjunto difuso de la consecuencias tiene rea distinta de cero. Defuzzicador centro promedio: El defuzzicador centro promedio determina la
crisp salida clsica yq usando los centros de cada salida de la funciones de membresa. El
valor ptimo o mximo de cada conclusin es representada mediante el conjunto difuso implicado:
crisp yq
P al valor ms alto de (x)) y bq es el centro del rea de la funcin de membresa de Bq i i asociado con el conjunto de implicacin difusa Bq para la isima regla (j, k, ..., l; p, q)i . e
donde el sup denota el supremo (supx {(x)} puede ser simplemente pensado como
(2.10)
n o bq sup Bq (yq ) 6= 0 i i
yq
(2.11)
los clculos4 correspondientes para la i esima regla (j, k, ..., l; p, q)i por lo que el i conjunto difuso de implicaciones Bq es denido en su funcin de membresa como Bq (yq ) = i (1 , 2 , ..., n ) Bq (yq ) P i
4
(2.12)
13
Por lo tanto, la ecuacin para la defuzzicacin centro promedio esta dada por
crisp yq
(2.13)
PR
(2.14)
i=1
2.2.
En estas seccin se presentan los controladores difusos de tipo Mamdani y Sugeno, los cuales han sido utilizados exitosamente en una gran variedad de aplicaciones en la comunidad del control difuso. Aunque, el objetivo del controlador difuso Mamdani es el de representar a un exitoso operador humano, el controlador difuso de tipo Sugeno sugiere ser ms eciente en clculos y en mtodos de adaptacin (learning).
2.2.1.
Mamdani
En esta subseccin deniremos la construccin de un sistema difuso tipo Mamdani. Primero, considrese una base de reglas difusas del tipo MISO descritas por (2.15)
r R1 : Si u1 es Aj y u2 es Ak y,..., y un es Al entonces y1 es B1 2 n 1 . . . s Rj : Si u1 es Aj y u2 es Ak y,..., y un es Al entonces yj es Bj 1 2 n . . . t Rm : Si u1 es Aj y u2 es Ak y,..., y un es Al entonces ym es Bm 2 n 1 s en donde Aj , Ak ,..., Al y Bj para Rj , representan los valores lingsticos correspondientes, 2 n i
(2.15)
Passino [23].
14 Si la entrada al sistema difuso es dado por ui = x i entonces, haciendo uso del fuzzicador singlenton ( 1 si xi = x i = 0 en otro caso se tiene que ui es Aj Aj (x ) i i
i
Sistemas difusos
(2.16)
(2.17)
(2.18)
regla difusa Rj correspondiente a la base de reglas difusas descritas por (2.15). Al hacer uso de la ecuacin (2.16), la j esima regla difusa de la base de reglas (2.15) es representa por
s Rj : Si x es Aj y x es Ak y,..., y x es Al entonces yj es Bj 1 2 n 2 n 1
(2.19)
Aj (x ) i
i
(2.20)
El motor de inferencia difusa que utiliza esta base de reglas difusas es el mecanismo de tiene que: inferencia del producto o implicacin de Mamdani, por lo que para la j esima regla se
n Y i
Aj (x ) Bj (y) i
i
(2.21)
(2.22)
s en donde el ndice M representa el nmero de reglas para (2.15) y Bj denota el valor lingstico correspondiente a la salida yj de la j esima regla difusa Rj , con j = l.
15
El mtodo de defuzzicacin puede ser obtenido suponiendo que y j es centro de Bj , la altura de la l regla del conjunto difuso es
n Y i
Aj (x ) Bj y j i
i
(2.23)
es un conjunto difuso normalizado, sustituyendo la ecuacin (2.24) en la ecuacin (2.23) se obtiene que el centro promedio es dado por
m X j=1
Bj y j = 1 n Y
i i
(2.24)
yj
Aj (x ) i
i
y =
n m X Y
j=1
Aj (x ) i
i
Teorema 2.1 Sistemas difusos con base de reglas difusas, mecanismos de inferencia tipo producto, fuzzicador singlenton y defuzzicador centro promedio poseen el siguiente mapeo no lineal
m X j=1
yj
crisp
= m n X Y
j=1 i
n Y
i
Aj (xi )
i
Aj (xi )
i
(2.25)
2.2.2.
Takagi-Sugeno
El modelo difuso de Takagi-Sugeno (tambin conocido como modelo TKS) fue propuesto por Takagi, Sugeno y Kang [9], en un esfuerzo para formalizar un mtodo sistemtico para generar reglas difusas a partir de un conjunto de datos de entradas y salidas. Una tpica regla difusa en el modelo de Sugeno tiene la forma Si x es A y y es B entonces z = f (x, y) (2.26)
16
Sistemas difusos
donde A y B son conjuntos difusos en el antecedente, mientras z = f (x, y) es una funcin clsica en la consecuencia. Usualmente f (x, y) es un polinomio en la variables de entrada x y y, pero este puede ser cualquier funcin mientras pueda describir apropiadamente la salida del modelo dentro de la regin difusa especicada por la regla de antecedentes. Cuando f (x, y) es un polinomio de primer orden, el sistema resultante de inferencia difusa es llamado modelo difuso de Sugeno de primer orden. Cuando f es una constante, entonces tenemos un modelo difuso de Sugeno de orden cero, el cual puede ser visto como un caso especial de la regla de inferencia difusa de Mamdani, en la cual cada regla es especicada por un singletn (o una consecuencia pre-defuzzicadora ), o un caso especial del modelo Tsukamoto. Sin embargo, un modelo de Sugeno de orden cero es equivalente a una red de funciones bsica radiales. Un caso especial del modelo difuso lingstico se obtiene cuando la consecuencia, el conjunto difuso Bi , es formado por conjuntos difusos de singlentones. Estos sistemas se representan simplemente como nmeros reales bi , obtenindose las siguientes reglas: Ri : Si x es Ai entonces y = bi , i = 1, 2, ..., K. (2.27)
Este modelo se llama modelo singletn. Un mtodo simplicado de inferencia-defuzzicacin se utiliza generalmente con este modelo: PK i=1 bi y = PK i i=1 i (2.28)
Este mtodo de defuzzication se llama el medio difuso fuzzy mean. El modelo difuso del singleton pertenece a una clase general de las funciones aproximadoras, llamadas la extensin de las funciones bsicas (Friedman, 1991) tomando la forma: y=
K X i=1
(x)bi
(2.29)
La mayora de las estructuras usadas en la identicacin de sistemas no lineales, tales como las redes neuronales articiales, las redes neuronales de funciones bsicas radiales [8], o tiras (splines), pertenecen a esta clase de sistemas.
17
2.3.
En este captulo, se discuti en gran detalle la estructura de los sistemas difuso y dos de los mecanismos de inferencia difusa ms utilizados en la comunidad del control difuso: el modelo difuso Sugeno y el modelo difuso Mamdani. De acuerdo a la primera seccin, es fcil observar que el sistema de inferencia difusa es una de las herramientas de modelado ms importantes del control difuso debido a que su estructura se basa estrictamente en la teora de la lgica difusa. Por otra parte, los sistemas de inferencia difusa denidos aqu, basados en alguno de los mtodos propuestos, dan la posibilidad de representar conceptualmente el mejor mapeo no lineal de salida de un sistema difuso con el objetivo de simular el conocimiento de un operador humano experto a un bajo costo y ecientemente sin la necesidad de reemplazar al operador debido a largas jornadas de trabajo. En el siguiente captulo, el modelo de inferencia Mamdani ser usa elaborar la construccin de un mtodo tipo-backpropagation en la identicacin de sistemas.
18
Sistemas difusos
Captulo 3
En los sistemas difusos convencionales o de tipo estndar, el nmero de reglas aumenta de forma exponencial con el crecimiento en el nmero de variables de entrada, esto es, suponga que existen n variables de entrada y m funciones de membresa para cada variable, entonces necesitaremos mn reglas para construir un controlador difuso completo y tan rpido como n aumente su tamao, la base de reglas difusas sobrecargar rpidamente la memoria de cualquier sistema de computo y por supuesto, har difcil la implementacin del controlador difuso. En general, la complejidad de un problema aumenta de forma exponencial debido al nmero de las variables implicadas, este fenmeno llamado la maldicin de la dimensionalidad, no es nico de los sistemas difusos y es la idea original que motiv el estudio de los sistemas difusos jerrquicos (HFSs), Brown [3] y Zhou [37].
20
(c)
Figura 3.1: (a) y (b) Representacin para el sistema lgico difuso jerrquico; (c) representacin para el sistema lgico difuso convencional de una sola capa.
3.1.
Los sistemas difusos jerrquicos consisten de un nmero de sistemas difusos de baja dimensin distribuidos de forma jerrquica, los cuales, poseen la gran ventaja de que el nmero total de reglas de su base de conocimiento aumentan de forma lineal con el nmero de las variables de entrada implicadas, Zhou [37]. Esta arquitectura se representa en la gura 3.1(a) y (b) con 4 (n = 4) variables de entradas y 5 (m = 5) funciones de membresa, se obtiene que cada sistema difuso de baja dimensin consiste de 52 (m2 ) reglas y por tanto el nmero total de reglas es 3 52 = 75[(n 1)m2 ], la cual representa una funcin lineal de las n variables de entrada. En contraste con esto, podemos vericar que el nmero de reglas del sistemas difuso convencional, gura 3.1(c), es de 54 = 625 reglas y por tanto, concluir que el nmero total de reglas difusas se reduce considerablemente bajo el esquema de los sistemas difusos jerrquicos. Comentario 3.1 Los sistemas difusos jerrquicos consisten de un nmero de sistemas di-
21
fusos de baja dimensin conectados en un arreglo jerrquico, por tanto no existe restriccin alguna para aplicar el orden en las jerarquas, gura 3.1(a) y (b). Para eliminar el problema concerniente al fenmeno de la maldicin de la dimensionalidad y consecuentemente los problemas de implementacin, el presente trabajo propone un nuevo enfoque para la determinacin de las reglas correspondientes a cada unidad lgica difusa (FLU1 ) de un sistema jerrquico difuso dado va aprendizaje difuso jerrquico.
3.2.
En los ltimos aos, las redes neuronales y la lgica difusa han sido clasicadas como aproximadores universales debido a que stas pueden aproximar ciertas funciones no lineales a cualquier exactitud prescrita. Resultados recientes muestran que el procedimiento de fusin en este tipo de tecnologas parecen ser muy efectivos para la identicacin de sistemas no lineales, Brown (1994) [2], Chen (2001) [4] y Lin (1996) [16]. Aunque los mtodos como el gradiente descendiente y el backpropagation generalmente son usados para ajustar los parmetros de las funciones de membresa y los pesos de defuzzicacin para redes neuronales difusas, la convergencia lenta de aprendizaje y los mnimos locales son principalmente los inconvenientes que presentan estos algoritmos, Lin (1995) [17]. Debido a esto, algunas modicaciones fueron derivadas en publicaciones recientes: En el 2001 Chen [5], sugiere una ley de robustez en el algoritmo backpropagation para resistir los efectos del ruido y el no aceptar errores derivados durante la aproximacin. Por su parte, Brown (1994) [2], propone el uso de funciones de membresa B-spline para minimizar una funcin objeto robusta demostrando velocidad de convergencia en sus algoritmos y por ltimo Wu (2000) [33] aplica redes neuronales del tipo RBF para determinar la estructura y los parmetros de un sistema neuronal difuso.
1
22
Sistemas difusos jerrquicos va aprendizaje para identicacin de sistemas Analizando la bibliografa anterior se observa que existen diversos mtodos correspondi-
entes para la identicacin de sistemas, los cuales pueden ser aplicados efectivamente para resolver el problema de la identicacin, sin embargo, desde el punto de vista del diseo Wang (1999) en [29], seala que es muy dicil aplicar tcnicas de aprendizaje a los sistemas difusos jerrquicos si se usa el algoritmo backpropagation, por otra parte, Yu (2004) en [31], demuestra que el uso de algoritmos de entrenamiento resultan ser extremadamente complejos an para el caso de una red neuronal difusa de una capa y consecuentemente para el uso de sistemas difusos jerrquicos. Aunque usando tcnicas como el backpropagation y el algoritmo del gradiente descendiente podemos simplicar el entrenamiento para redes neuronales multicapas, Ser posible entrenar sistemas difusos jerrquicos por medio de tcnicas similares?. Hasta ahora, lo mejor de nuestro conocimiento para el entrenamiento de los sistemas difusos jerrquicos es el usado algoritmo convencional del gradiente descendiente. Debido al problema2 que enfrenta el diseo de los sistemas difusos convencionales con una precisin establecida, el propsito fundamental de este capitulo, es el de introducir un mtodo tipo backpropagation para la identicacin de sistema va sistemas difusos jerrquicos. En ciertos casos, el diseo de un sistema difuso tambin es limitado cuando no podemos decidir la funcin de membresa de prioridad, por lo que generalmente, se recomienda el uso del dato de entrada-salida para entrenar los parmetros de la funcin de membresa, por ejemplo ANFIS [10] y el aprendizaje por el mtodo del gradiente [28], sin embargo para evitar esta limitacin, en el presente trabajo se asume que ambas funciones de membresa, premisa y consecuencia, son desconocidas. El nuevo algoritmo que se presenta a continuacin es tan sencillo que podemos entrenar exactamente los parmetros de cada sub-bloque independientemente con diferentes velocidades en el aprendizaje. Adicionalmente, un par de ejemplos se incluyen para ilustrar la efectividad del algoritmo sugerido.
23
3.2.1.
Error backpropagation
Generalmente un modelo convencional difuso con una salida es representado como una coleccin de reglas difusas en el siguiente formato (por ejemplo, el modelo difuso de Mamdani [28]) Ri : Si x1 is Ai y y xn is Ai entonces y is B i b 1 n (3.1)
en donde l (i = 1, 2, . . . , l) representa las reglas difusas del tipo si-entonces para desarrollar y . Por otra parte, Ai , , Ai y B i denotan conjuntos difusos y cada variable de entrada 1 n tiene que l = l1 l2 . . . ln . un mapeo del vector lingstico de entrada X = [x1 , , xn ] <n a una salida lingstica
xj (j = 1, 2, . . . , n) dene lj conjuntos difusos. Para el caso de una conexin completa se Como anteriormente se ha comentado, la idea principal de construccin en los sistemas
difusos jerrquicos para evitar la maldicin de la dimensionalidad, es el la de colocar las variables de entrada del sistema en una coleccin de sistemas difusos de baja dimensin, los cuales, constituyen los niveles jerrquicos del sistema, gura 3.2. Por lo tanto, para las n variables de entrada x1 , x2 , . . . , xn con M1 reglas denidas en cada nivel, el sistema difuso jerrquico es construido como sigue: El primer nivel es un sistema difuso con n1 variables de entrada x1 , x2 , . . . , xn1 , el cual es construido a travs de las reglas
i b Ri : Si x1 is Ai y . . . y xn1 is Ai 1 entonces y is B1 1 n
en donde 2 n1 < n y i = 1, 2, . . . , l1 .
salida, por lo tanto, la base de reglas denidas para el sistema difuso de este nivel es construido a travs de
El p esimo nivel (p > 1) es un sistema difuso con np variables de entrada y una sola
24
jerrquico es llamado de arquitectura incremental y cuando np = np2 , este es llamado de arquitectura agregada, Chung [6].
De acuerdo al diseo convencional de los sistemas difuso, existen varias estrategias para representar la salida de estos, el presente trabajo considera el uso del mecanismo de inferencia tipo producto, el uso del fuzzicador singlenton y del defuzzicador centro promedio por lo que el mapeo no lineal
l P
wi
y= b
i=1
i=1
" l n P Q
"
j=1
n Q
Ai (xj ) j #
j=1
Ai (xj ) j
representa la salida y del sistema difuso denido a partir de la base de reglas difusas denidas por (3.1), en donde Ai representa las funciones de membresa de los conjuntos difusos Ai y j j wi es la moda de B1 , es decir, B1 = 1. i i Adicionalmente, para el sistema difuso jerrquico de la gura 3.2, se tiene que la salida
3.2 Identicacin de sistemas va aprendizaje difuso jerrquico denida para el primer nivel (p = 1) es descrita por " # l1 n1 P i Q w1 Ai (xj ) j y1 = b
i=1 i=1 l1 n1 P Q
25
"
j=1
j=1
Ai (xj ) j
(3.2)
en donde Ai representa las funciones de membresa de los conjuntos difusos Ai y wi es la j j moda de B1 , es decir, B1 = 1 i i Similarmente, el p esimo nivel (p > 1) es dado por " np1 # np2 lp X Y Y i wp Ai (xp,j ) Dp,j (p1,j ) y i p,j yp =
i=1 lp
i en donde Ai y Dp,j son las funciones de membresa de los conjuntos difusos Ai y Dp,j i p,j p,j i respectivamente y wp es la media de Bp , i.e., Bp = 1. i i
i=1
i=1
(3.3)
A continuacin se desarrolla un ejemplo para explicar de forma detallada como usar la tcnica sugerida tipo-backpropagation en los sistemas difusos jerrquicos. Considere los tres bloques difusos F s1, F s2 y F s3 que conforman el sistema difuso jerrquico denido en la gura (3.3). Observe que para cada subsistema, existen l reglas difusas, n entradas y 1 salida. Al hacer uso del fuzzicador singlenton, de la implicacin de Mamdani y del defuzzicador centro promedio, la salida de cada sistema difuso puede xj ci 2 j ser expresada como (3.2), en donde Ai = exp i es la funcin de membresa del j
j
conjunto difuso
Ai , j
w es el punto en el cual Bi = 1 y y es la salida de cada sistema difuso. " 2 # xj ci a j z (x) := y y = con exp i j b j=1
i n Y l l X X i i w z , b := zi a := i=1 i=1
26
Fs1
Fs2
Fs3
Figura 3.3: Un sistema difuso jerrquico para identicacin. El objetivo de la de identicacin es el de determinar los parmetros wi , ci y i tal que la j j salida y del sistema difuso jerrquico converja a la salida de la planta y. Al usar la tcnica del gradiente descendiente para determinar los parmetros wi , ci y i , j j el gradiente es determinado a travs del uso de la regla de la cadena, por lo que se tiene que a J J y ( y) i y = = ( y) bi = y z i i w y w w b
y wi es actualizado por
wi (k + 1) = wi (k) + wi J = wi (k) i w i z = wi (k) ( y) y b x Para determinar los incrementos en ci y ci , como e = ex , entonces j j x # " i xj ci J a i J y z i w j 2 z 2 2 = = ( y) y ci y z i ci b b i j j j por lo que el vector ci es actualizado por j ci (k j + 1) = ci (k) j (wi y ) xj ci j 2( y)z y . 2 b i j
i
(3.4)
3.2 Identicacin de sistemas va aprendizaje difuso jerrquico Similarmente, como " 2 # n 2 # " xj ci xj ci a Y J J y z i j j b 2 3 = = ( y) y exp i y z i i z i j=1 i i j j j j i (k j + 1) = i (k) j 2 (wi y ) xj ci j 2( y)z y . 3 b i j
i
27
, i es actualizado por j
Si denimos el error de identicacin como e = y (k) y(k). El mtodo del gradiente descen diente puede escribirse en en trminos del error wi (k + 1) = wi (k) zi e b (3.5)
Las entradas y las salidas de cada subsistema estn denidas como se muestra en la gura (3.3), por lo que el ndice de desempeo es modicado de tal forma que J =
1 2
(wi (k) y (k)) xj (k) ci (k) j i i i cj (k + 1) = cj (k) 2z (k) e 2 b(k) i (k) j 2 i (w (k) y (k)) xj (k) ci (k) j i i i j (k + 1) = j (k) 2z (k) e. 3 b(k) i (k) j
Para el mdulo F s3, el algoritmo de aprendizaje es el mismo descrito por la ecuacin (3.5), solamente que debemos agregar los subndices correspondientes en cada una de las variable, x3,2 (k) = y2 (k), e = y3 (k) y(k) = e3 y
i por ejemplo, wi (k +1) w3 (k +1), ci (k +1) ci (k +1), i (k +1) i (k +1), x3,1 = y1 (k), j 3 j 3
(3 y)2 . y
y3 =
Ai (x3,j ) 3,j
# .
(3.6)
J J y3 y2 = i i w2 y3 y2 w2
28
ya que
a3 b2 3
yi b3
y3 3 yi , b3
(3.7)
+ 1) =
i w2 (k)
(3.8)
y3 e (k). y2 3
Similarmente e1 =
y3 e (k), y1 3
As con e1 (k) y e2 (k) podemos entrenar el subsistema F s1 y F s2 independientemente por el algoritmo normal, Jang [10].
i y3 y3 w3 i y2 ci 3,1 =2 z3 2 . y1 b3 i 3,1
3.2.2.
Nuestro propsito en esta subseccin es el de presentar un algoritmo para el caso general de la identicacin de sistemas mostrado en la gura 3.4, por lo que el procedimiento de entrenamiento es el siguiente:
29
Figura 3.4: Entrenamiento en el caso general para la identicacin de sistemas. Algoritmo 3.1 Algoritmo para la identicacin de sistemas Paso 1: De acuerdo con la estructura del sistema difuso jerrquico, calcule la salida de cada bloque mediante el uso de la ecuacin (3.3). Algunas salidas del sistema difuso jerrquico deben ser entradas del siguiente nivel. Paso 2: Calcule el error para cada bloque. Comenzando desde el ltimo bloque, el error de identicacin es eo (k) = yo (k) y(k) donde eo (k) es el error de identicacin, yo (k) es la salida del sistema difuso jerrquico completa y y(k) es la salida de la planta. Entonces propagando el error hacia atrs se forma la estructura del sistema difuso jerrquico. De acuerdo con la gura (3.4), podemos calcular el error para el bloque p (denido como ep ) formado a travs del bloque q (denido como eq ). Recordando la discusin anterior de la regla de la cadena se tiene
i yq wq i yp ci q,p zq ep = 2 2 eq . bq i q,p
(3.9)
Paso 3: Actualice los parmetros de la funcin gausiana ( funciones de membresa: premisa y consecuencia) para cada bloque independientemente, por lo que el algoritmo tipo backpropagation para p esimo bloque es
i i wp (k + 1) = wp (k) i zp ep , bp
30
Bloque de control
Controlador difuso
Planta
HFS
Bloque de identificacin
Figura 3.5: Diagrama a bloques que representa el aprendizaje de tipo O-Line. i wp (k) yp (k) xp,j (k) ci (k) p,j i ep , ci (k + 1) = cj (k) 2zp (k) i 2 p,j p,i bp (k) p.j (k) i 2 wp (k) yp (k) xp,j (k) ci (k) p,j i ep , i (k + 1) = i (k) 2zp (k) i 3 p,j p,j bp (k) p,j (k) np lp 2 Y Y xp.j ci p,j i i y bp = exp zp . en donde zp = i
j=1
p,j
j=1
Como se ha sealado, varias aplicaciones en el rea del control automtico y en el rea de la identicacin de sistemas han sido desarrolladas. En efecto, el uso de sistemas difusos jerrquicos para la identicacin de sistemas es en general un mtodo universal, el cual, tambin pude ser aplicado para el aprendizaje de controladores difusos o de tipo convencional.
3.3.
Basados en los resultados de la seccin anterior, es fcil observar que se pueden determinar de manera similar al problema de identicacin los parmetros wi , ci y i tal que la salida j j u del sistema difuso jerrquico converja a la salida de un controlador convencional u, gura 3.5. Por tanto, el propsito general de esta seccin, es el de presentar el siguiente algoritmo para el aprendizaje de tipo o-line.
31
Figura 3.6: Entrenamiento para sistemas de control usando sistemas difusos jerrquicos. Algoritmo 3.2 Aprendizaje de un controlador va sistemas difusos jerrquicos Paso 1: De acuerdo con la estructura del sistema difuso jerrquico, calcule la salida de cada bloque mediante el uso de la ecuacin (3.3). Algunas salidas del sistema difuso jerrquico deben ser entradas del siguiente nivel. Paso 2: Calcule el error para cada bloque. Comenzando desde el ltimo bloque, el error de control es eo (k) = uo (k) u(k) donde eo (k) es el error de control, uo es la salida del controlador difuso jerrquico completo y u(k) es la salida del controlador convencional. Entonces propagando el error hacia atrs se forma la estructura del sistema difuso jerrquico. De acuerdo con la gura 3.6, podemos calcular el error para el bloque p (denido como ep ) formado a travs del bloque q (denido como eq ). Recordando la discusin anterior de la regla de la cadena se tiene ep = 2
i uq wq i up ci q,p zq 2 eq . bq i q,p
(3.10)
Paso 3: Entrene la funcin gausiana ( funcin de membresa en la parte de la premisa y consecuencia) para cada bloque independientemente, para el p esimo bloque, el algoritmo tipo backpropagation es el siguiente
i i wp (k + 1) = wp (k) i zp ep , bp
32
Sistemas difusos jerrquicos va aprendizaje para identicacin de sistemas i wp (k) up (k) xp,j (k) ci (k) p,j i ep , ci (k + 1) = cj (k) 2zp (k) 2 p,j p,i bp (k) i (k) p.j i (k p,j + 1) = i (k) p,j
i 2zp (k)
en donde
i zp
np Y j=1
Para validar el desempeo de los sistemas difusos jerrquicos en la identicacin de sistemas y la efectividad del mtodo propuesto, a continuacin se presenta la simulacin numrica con los siguientes ejemplos propuestos por Chung [6].
3.4.
Simulaciones
El primer sistema, un ejemplo de cinco dimensiones, es usado para validar la importancia del mtodo difuso jerrquico y el mtodo de anlisis correspondiente a la subseccin anterior. Por otra parte, el segundo ejemplo, la prediccin de una serie de tiempo tipo Mackey-Glass, es empleado para ilustrar el buen comportamiento en el aprendizaje y demostrar la excelente habilidad en la generalizacin del mtodo tipo backpropagation.
3.4.1.
La planta no lineal a identicar fue originalmente usada por Friedman para evaluar el algoritmo de modelado MARS [7], denida por y = 10 sin(x1 x2 ) + 20(x3 0,5)2 + 10x4 + 5x5 . en donde el vector de entrada es x(k) = [x1 , x2 , x3 , x4 , x5 ]. (3.11)
3.4 Simulaciones
Planta
33
Fs1
Fs3 Fs2
Figura 3.7: Estructura jerrquica difusa para identicar el sistema no lineal denido por ( 3.11).
Para la identicacin del sistema no lineal denido por (3.11), se utiliz el modelo de la estructura jerrquica difusa denido en la gura 3.7. La identicacin se realiz por computadora con la ayuda de Matlab usando dos reglas difusas para cada bloque difuso jerrquico l1 = l2 = l3 = 2 y deniendo el nmero total de entradas para cada bloque como n1 = 3, n2 = 2 y n3 = 2. Observe que el nmero de entradas y de reglas difusas denidas en cada bloque difuso pueden ser denidas arbitrariamente por ejemplo l1 = l2 = l3 = 3 y n1 = 2, n2 = 2 y n3 = 3 , sin embargo, para mostrar la efectividad del algoritmo en la reduccin de las reglas difusas se utiliza el formato propuesto. La simulacin utiliza 200 datos de entrenamiento para el ejemplo, en donde la seal de entrada para el entrenamiento es aleatoria en el rango de [0, 1]. Las guras 3.8, 3.9, 3.10 y 3.11 muestran los resultados de la simulacin numrica para el sistema descrito por la ecuacin (3.11) a travs del uso de sistemas difusos jerrquicos y el mtodo convencional de identicacin propuesto por Brown [2], Jang [10] y Lin [16]. En las guras 3.8 y 3.9, se presentan la salida de la planta y el modelo identicado a travs del uso de los sitemas jerrquicos difusos. Como se puede observar en la gura 3.9, este modelo identicado representa una mejor aproximacin de la planta no lineal con respecto a los resultados mostrados por el mtodo convencional difuso, guras 3.10 y 3.11 respectivamente.
34
25
20
15
10
20
40
60
80
100 Tiempo
120
140
160
180
200
Figura 3.8: Identicacin para una sistema difuso jerrquico con 2+2+2=6 reglas difusas.
25
20
15
10
10
15
20
25
30 Tiempo
35
40
45
50
55
Figura 3.9: Salida de la planta y(x) y el modelo identicado (x) para el ejemplo de cinco y dimensiones cuando 0<t<55.
3.4 Simulaciones
35
20
15
10
-5
20
40
60
80
100 Tiempo
120
140
160
180
200
Figura 3.10: Identicacin para un sistema difuso convencional con 12 reglas difusas.
20
15
10
-5 5 10 15 20 25 30 Tiempo 35 40 45 50 55
Figura 3.11: Salida de la planta y(x) y el modelo identicado (x) para el ejemplo de cinco y dimensiones cuando 0<t<55.
36
50
30
20
10
20
40
60
80
100 Tiempo
120
140
160
180
200
Figura 3.12: Comparacin del desempeo entre los mtodos convencional y jerrquico para el ejemplo de cinco dimensiones. Comparando el desempeo del algoritmo tipo-backprpagation propuesto (mse:0.5070) contra el mtodo convencional de la lgica difusa (mse: 4.4919), gura 3.12, es posible observar que podemos modelar sistemas no lineales con un nmero menor de reglas difusas y consecuentemente, con una mayor velocidad de convergencia en el algoritmo propuesto.
3.4.2.
[x(t (m 1)t), . . . , x(t t), x(t)] Rm x(t + ls ) R. Para vericar el mapeo, la generalizacin y la habilidad de aprendizaje, una estructura jerrquica difusa es propuesta para predecir la serie de tiempo catica de Mackey-Glass, gura 3.13 [20].
3.4 Simulaciones
Planta
37
Fs1
Fs3 Fs2
Figura 3.13: Estructura jerrquica difusa para identicar la serie de tiempo Mackey-Glass. La serie de Mackey-Glass es generada por la ecuacin diferencial: x(t) = 0,2x(t ) . 1 + x10 (t )
De acuerdo con ejemplo propuesto por Chung [6], en nuestra simulacin se establece que = 30, m = 6, t = 6, ls = 6 y un total de 1200 datos se recolectaron con el siguiente formato [x(t 30), x(t 24), x(t 18), x(t 12), x(t 6), x(t); x(t + 6)] entradas- 1 salida. (3.12)
en donde t = 130 1329. La ecuacin (3.12), corresponde al problema de un mapeo de 6 Las guras 3.14, 3.15, 3.16 y 3.17 muestran los resultados de la simulacin para el sistema
descrito por la ecuacin (3.12) correspondiente al problema de un mapeo de 6 entradas-1 salida.a travs del uso de los sistemas difusos jerrquicos y el mtodo convencional de identicacin propuesto por Brown [2], Jang [10] y Lin [16]. Las guras 3.14 y 3.15, presentan la seal de salida para la planta y el modelo identicado a travs del uso de los sistemas jerrquicos difusos. Como se puede observar en la gura 3.15, este modelo identicado representa una mejor aproximacin del mapeo de 6 entradas-1 salida con respecto a los resultados mostrados por el mtodo convencional difuso, guras 3.10 y 3.11 respectivamente.
38
0.8
0.6
0.4
0.2
200
400
600 Tiempo
800
1000
1200
Figura 3.14: Identicacin para un sistema difuso jerrquico con 2+2+2=6 reglas difusas.
1.2
1.1
0.9
0.8
450
460
470
480
490
500 Tiempo
510
520
530
540
550
Figura 3.15: Salida de la planta y(x) y el modelo identicado (x) para el ejemplo de prediccin y en una serie de tiempo tipo Mackey-Glass cuando 0<t<55.
3.4 Simulaciones
39
0.5
200
400
600 Tiempo
800
1000
1200
Figura 3.16: Identicacin para un sistema difuso convencional con 12 reglas difusas.
1.1 1.05 1 0.95 0.9 0.85 0.8 580 590 600 610 620 630 Tiempo 640 650 660 670 680
Figura 3.17: Salida de la planta y(x) y el modelo identicado (x) para el ejemplo de prediccin y en una serie de tiempo tipo Mackey-Glass cuando 0<t<55.
40
0.02
0.015
0.01
0.005
200
400
600 Tiempo
800
1000
1200
Figura 3.18: Comparacin del desempeo entre los mtodos convencional y jerrquico para la prediccin de una serie de tiempo tipo Mackey-Glass .
Comparando nuevamente el desempeo del algoritmo tipo-backprpagation propuesto (6 reglas difusas, mse: 0.0019) con el mtodo convencional difusa (12 reglas difusas, mse: 0.0043), gura 3.18, es fcil observar que el modelar sistemas no lineales (serie de Mackey-Glass) mediante el nuevo enfoque jerrquico, evita que la base de reglas difusas sobrecarg rpidamente la memoria de cualquier sistema de computo.
Una vez que se ha vericado la correspondencia entre el mapeo, la generalizacin y la habilidad de aprendizaje entre los sistemas difusos convencionales y los sistemas difusos jerrquicos, se est en condiciones de conrmar que el enfoque difuso jerrquico permite modelar sistemas con una gran reduccin signicativa en el nmero de reglas difusas y por supuesto con mayor velocidad de convergencia y clculos en computo con respecto a los ofrecidos por los mtodos convencionales.
41
3.5.
Es fcil observar que existen diversos mtodos para la identicacin de sistemas, los cuales pueden ser aplicados efectivamente para resolver el problema de la identicacin, sin embargo, desde el punto de vista del diseo difuso, una de las preocupaciones importantes en los sistemas de la lgica difusa, es el cmo reducir el nmero total de reglas implicadas y el de sus correspondientes requerimientos en cmputo. Aunque los mtodos como el gradiente descendiente y el backpropagation generalmente son usados para la identicacin de los sistemas, la convergencia lenta de aprendizaje y los mnimos locales son principalmente los inconvenientes que presentan estos algoritmos. Debido a esto, los resultados presentados en este captulo muestran que usando la tcnica tipo-backpropagation y el algoritmo del gradiente descendiente podemos simplicar el entrenamiento para los sistemas difusos jerrquicos, adems de reducir el nmero total de reglas implicadas y el de sus correspondientes requerimientos en cmputo. Adicionalmente, el par de ejemplos incluidos en este captulo sirven para ilustrar la efectividad del algoritmo sugerido. En el siguiente captulo, la idea general de los sistemas difusos jerrquicos descrita en este captulo ser usada para disear un sistema de control difuso jerrquico.
42
44
Controlador difuso
Planta
M1
Controlador difuso
M2
M3
Figura 4.1: Arquitectura de un controlador difuso a) Sistema de control b) Control difuso convencional y c) Control difuso jerrquico. Por lo tanto, el objetivo principal de este captulo es el de presentar una solucin en esquemas jerrquicos para la reconstruccin del controlador va mapeo de variables con el n de evitar la maldicin de la dimensionalidad y consecuentemente disminuir las dicultades de diseo e implementacin de los sistemas difusos.
4.1.
Uno de los propsitos fundamentales de utilizar sistemas difusos jerrquicos (HFS), es el de minimizar el tamao de una base de reglas difusas mediante la eliminacin de la maldicin de la dimensionalidad, sin embargo, a pesar de la eciente reduccin de reglas, el sistema difuso jerrquico se torna ms complejo para su diseo e implementacin en los diseos de control. Ms especcamente, esta limitacin se debe a que la mayora de las unidades de la lgica difusa (FLUs) que constituyen un (HFS), se usan como variables de entrada de las siguiente capa jerrquica, lneas punteadas en la gura 4.2. Debido a esto, las reglas implicadas en las capas medias de la estructura jerrquica care-
45
A.V ( Variables del antecedente escogidas de las variables de entrada de la primera capa )
Figura 4.3: Sistema de lgica difusa de estructura jerrquica. cen de signicado fsico y llegan a ser tan prominentes como el gran crecimiento desmesurado de capas en un (HFS), Brown [3] y Wang [29]. Para tratar este problema y el de su implementacin, Joo (1999) [12] dene que el diseo de los sistema difuso jerrquicos se debe relacionar como un sistema de lgica difusa de estructura jerrquica (S-HFS2 ) tal y como se muestra en la gura 4.3. En la primera capa del S-HFS, todas las variables de entrada pueden ser usadas como variables lingsticas de antecedentes, siempre y cuando las variables del sistema sean uti2
46
lizadas normalmente como variables de entrada en esta capa. En la segunda capa, las salidas de la primer capa no deben ser utilizadas como variables lingsticas de antecedentes ya que estas tienen poco signicado fsico. En vez de esto, stas son usadas en las partes entonces de las reglas difusas de esta capa, conclusiones. Las variables lingsticas de antecedentes de la capa siguiente, por ejemplo, pueden ser seleccionadas de los representantes elegidos de las variables de entrada de la capa anterior. Consecuentemente, slo las variables con signicado fsico se utilizan en los antecedentes de las reglas difusas y las reglas difusas que resultan llegan a ser fciles de disear. Finalmente, el uso de este esquema facilita el diseo de las reglas difusas implicadas en las capas medias de la estructura jerrquica sin la necesidad de reajustar o redisear las reglas correspondientes a cada unidad lgica difusa (FLU).
4.2.
Como se mencion al inicio de este captulo, el eliminar el excedente de reglas difusas en los sistemas difusos convencionales, consiste en la reconstruccin del controlador difuso convencional en un controlador difuso jerrquico. En esta seccin, el nuevo mtodo basado en el mapeo de variables se designa como un sistema difuso limpio-jerrquico, el cual, es exhibido a n de obtener las bases de reglas difusas correspondientes al sistema difuso jerrquico. A continuacin se desarrolla un ejemplo para explicar de forma detallada como usar la tcnica sugerida L-HFS y despus, en la siguiente seccin, aplicaremos la tcnica a un sistema en particular3 a n de obtener un sistema difuso jerrquico para el sistema. Considere el sistema descrito en la gura 4.4 y la base de reglas difusas descrita en la gura 4.5. De acuerdo con el sistema y la base de reglas difusas, se puede observar que las tres variables de entrada son , y x. Por otra parte, F1 y F2 , se denen como las unidades de lgica difusa (FLUs) de la primera y segunda capa respectivamente. Las salidas lingsticas difusas denidas en la gura 4.5, se obtienen mediante el acceso aleatorio4 , las cuales son usadas para generar una base en el mapeo de la base de reglas difusas. Como
3 4
47
F1 F2
ejemplo, denamos cada variable de entrada con tres trminos lingsticos : N es negativo, C es cero y P es positivo. De esta manera, podemos obtener 27 (333=27) reglas difusas. La reglas difusas de la gura 4.5 son las siguientes:
Primero, acuerdo a la gura 4.4, las variables de entrada denidas para el mdulo F1 de son , . De acuerdo a la gura 4.5, uno ja los valores y para escoger cada columna vertical y comenzar el proceso de reduccin como lo muestra la gura 4.6. Intuitivamente, existen cinco tipos diferentes de renglones, por tanto, solamente necesitamos de cinco variables de mapeo para la salida intermedia u . Deniendo las cinco variables de mapeo como Av , Bv , Cv , Dv y Ev , respectivamente (la gura 4.7 denota la relacin de estas variables). A continuacin, seleccionemos el primer rengln de la gura 4.7 para explicar que es P y que es tambin P y a su vez, este es mapeado a la variable A. Obviamente, de la gura 4.7, el FLU de F1 mostrado en la gura 4.8 puede ser construido a travs de las
48
49
P C N N C P N N P
P P C P
Av
Bv
P C N N
Dv
Cv
N N N N C
Ev
P C N
N N
Figura 4.7: La relacin de los renglones y las variables de mapeo. reglas si-entonces como sigue: si es P y es P entonces u0 es Av , si es P y es C entonces u0 es Bv , . . . . si es N y es N entonces u0 es Ev . De acuerdo con la gura 4.7, la relacin que existen entre u0 y x es equivalente a la relacin entre las variables de mapeo (Av , Bv , Cv , Dv y Ev ) y a x. Por tanto, la tabla de la gura 4.9 puede ser construida como sigue: si u0 es Av y x es P entonces u es P , si u0 es Av y x es C entonces u es Z, . . . . si u0 es Ev y x es N entonces u es N. Las reglas de la tabla de la gura 4.8 y 4.9 son lo que desebamos para F1 y F2 respectivamente.
50
Figura 4.8: Reglas para F1 . Comentario 4.1 Para comprobar que se puede conseguir el mismo modelo de entrada-salida antes y despus de aplicar el mtodo L-HFS, supngase que tenemos un sistema con tres variables de entrada y una base de reglas difusas denidas por la tabla de la gura 4.5. Mediante el mtodo convencional de la lgica difusa de una sola capa, la salida de u puede ser expresada como sigue: si es P y es P y x es P entonces u es P. Sin embargo, usando mtodo L-HFS, podemos conseguir la misma salida u mediante el uso de la tablas de las guras 4.8, 4.9 y 4.4 respectivamente. Por lo que la descripcin es la siguiente: si es P y es P entonces u0 es Av . si u0 es Av y x es P entonces u es P , De esta descripcin , es obvio que podemos conseguir al mismo modelo de la entradasalida antes y despus la descomposicin L-HFS. Por otra parte, para un sistema de tres variables de entrada, en el sistema convencional de la lgica difusa de una sola capa, las reglas totales son 27 (3 3 3). Sin embargo, usando mtodo de L-HFS, las reglas totales
51
Figura 4.9: Reglas para F2 . son nicamente 24. Claramente, se ve de las tablas de la gura 4.8, 4.9 y 4.4. Eso signica que hay 9 reglas para conseguir la salida de u0 y 15 reglas para conseguir la salida de u. En cuanto a un sistema de n variables de entrada, el mismo modelo de la entrada-salida se puede obtener antes y despus la descomposicin L-HFS y el nmero de reglas totales ser reducido considerablemente.
4.2.1.
Nuestro propsito en esta subseccin es el presentar un algoritmo para el caso general en la construccin de sistemas difusos jerrquicos, por lo que el procedimiento de construccin es el siguiente: Algoritmo 4.1 Construccin de sistemas L-HFS va mapeo de variables. Paso 1: Determine la forma del HFS y etiquete los FLU de 1i a ni de la i-sima capa como lo muestra la gura 4.10. Paso 2: De la gura 4.10, je las variable de entrada x1 , x2 y use el proceso de reduccin para obtener el mapeo de las variables de salida FLU (11 ). Use de manera similar el procedimiento para ejecutar el mapeo de las variables de salida para obtener 21 ,31 ,. . .,n1 .
52
1i
12 11 21 31
22 41 n1
n2
Figura 4.10: Diagrama de un HFS. Paso 3: De la gura 4.10, je las variables de entrada x1 ,x2 ,x3 ,x4 y utilice el proceso de reduccin para obtener el mapeo de las variables de salida FLU (12 ). De la misma manera utilice el procedimiento para ejecutar el mapeo de las variables de salida para obtener 22 ,32 ,. . .,n2 . Paso 4: Repita el procedimiento del paso anterior hasta agotar todas las combinaciones y hasta que la segunda capa se alcance. Paso 5: En la capa nal, podemos tabular las reglas nales FLU de las salidas lingsticas relacionadas a las variables de mapeo de la capa anterior. Paso 6: Si al aplicar el proceso de mapeo de reduccin para la i-sima capa FLU (1i ), no se observa reduccin alguna para el mapeo de las variables de salida, redeniremos el mdulo o los mdulos correspondiente mediante el uso del operador mnimo5 , aplicado a cada una de las premisas de las reglas difusas del o de los mdulos correspondientes, de tal manera que esta operacin redena la nueva consecuencia de la regla difusa correspondiente. Paso 7: Por ltimo las nuevas reglas difusas se comparan mediante el uso de un ndice de aproximacin, el cual, de manera simple nos lleva a un proceso de reduccin sencillo para los mdulos correspondientes. A continuacin se dene el proceso de reduccin del ndice .
5
53
A(x)
0.5
Figura 4.11: Un nmero triangular difuso en donde a1 , a2 y a3 describen respectivamente la tripleta (a1 , a2 , a3 ). Denicin 4.1 Sean las reglas mostradas en las ecuaciones 4.1 y 4.2, la i-sima y j-sima regla difusa correspondientes a una base de reglas difusa de tipo MISO. Ri : Si u1 es Aj y u2 es Ak y ... y un es Al , entonces yi es Bir 1 2 n
s Rj : Si u1 es Aj y u2 es Ak y ... y un es Al , entonces yj es Bj 1 2 n s Se dice que Bj = Bir si
(4.1) (4.2)
i R (x)dx
R (x)dx
(4.3)
|i i | <
i
(4.4)
j
en donde 4.3 denota el rea bajo la curva de las funciones de membresa R (x) y R (x). Note que para el ndice de la ecuacin (4.4), i y i representan los valores correspondiente o n i a las tripleta denidas por las funciones de membresa R = m Aj , Ak , ..., Aln y n 2 1 o n j R = m Aj , Ak , ..., Aln respectivamente, gura 4.11. n 2
1
A continuacin para validar el desempeo de los sistemas difusos jerrquicos en los sistema
de control difuso se desarrolla un ejemplo para mostrar la efectividad del mtodo en el sistema riel-esfera propuesto por Ortiz [22].
54
4.3.
El objetivo central de esta seccin es el de presentar la construccin de un controlador difuso jerrquico mediante el uso de la tcnica L-HFS. En esta seccin, consideraremos el sistema no lineal riel-esfera como ejemplo de un sistema difuso convencional y posteriormente aplicaremos la tcnica propuesta al sistema en particular a n de obtener un sistema difuso jerrquico para el sistema. A continuacin presentamos los aspectos bsicos del sistema rielesfera para esta aplicacin en particular.
4.3.1.
El sistema riel-esfera
El sistema riel-esfera es el que aparece en la gura 4.12. El objetivo de este sistema es el de controlar la posicin de la esfera con el cambio en la posicin del riel con respecto al eje horizontal, en donde r dene la distancia de la esfera al origen, r la velocidad de la esfera, el ngulo de la posicin del riel y la velocidad angular del riel. Por otra parte, el conjunto de reglas difusas descritas el espacio de estado cuatro-dimensional x = (r, r, , ) del sistema riel-esfera, gura 4.14, son denidas intencionalmente para propsi tos especcos de esta aplicacin por lo tanto el dominio de entrada de inters para esta aplicacin esta denido por funciones triangulares de membresa, esto es,
55
F1 F3 F2
x si 0 x 1
0 si x 0
4.3.2.
Como anteriormente se comento, a continuacin se presenta el uso del algoritmo L-HFS, el cual describe paso a paso la construccin del sistema L-HFS correspondiente al control de posicin del sistema riel-esfera.
56
Paso 1: La estructura para el diseo del HFS del sistema riel-esfera se muestra en la gura 4.13 y la gura 4.14 muestra la tabla correspondiente a la base de reglas del controlador difuso para un sistema convencional de lgica difusa de una sola capa, construido a travs de las siguientes reglas difusas del tipo si-entonces si r es N y r es C y es N y es C entonces u es P , si r es N y r es NC y es N y es C entonces u es P , si r es N y r es N C y es N y es C entonces u es P G, . . . si r es P y r es NC y es P y es NC entonces u es N. en donde N es negativo, P es positivo, C es cero, NC es diferente de cero, P G es positivo grande y NG es negativo grande, gura 4.15. Paso 2: De acuerdo con la tabla de la gura 4.14 je r,r y use el mtodo de mapeo L-HFS para obtener las variables de mapeo RA , RB , RC y RD respectivamente. Construya las reglas para el mdulo F1 como muestra la gura 4.16. (4.5)
57
membresa
NG
PG
membresa
Figura 4.15: Funciones de membresa para las variables de entrada y salida. Las base de reglas difusas del tipo si-entonces para el mdulo Fr son si r es N y r es C entonces ur es RA si r es N y r es NC entonces ur es RB si r es P y r es C entonces ur es RC si r es P y r es NC entonces ur es RD . Paso 3: De manera similar je y , use nuevamente el mtodo de mapeo L-HFS para obtener el mapeo de variables RE , RF , RG y RH . Construya las reglas para el mdulo F2 como muestra la gura 4.16. Las base de reglas difusas del tipo Si-entonces para el mdulo F son si es N y es C entonces ur es RE si es N y es NC entonces ur es RF si es P y es C entonces ur es RG si es P y es NC entonces ur es RH . (4.7) (4.6)
58
Reglas para F2 o F
Figura 4.16: Unidades F1 ,F2 y F3 y nmero de reglas. Hemos terminado el proceso. Paso 4 y 5: Finalmente para la segunda capa Fu , se usa el mtodo propuesto de mapeo para obtener la salida nal u, como muestra la gura 4.16, en donde la base de reglas difusas del tipo si-entonces para el mdulo Fu es descrita por si ur es RA y u es RE entonces u es P . . . si ur es RB y u es RH entonces u es N . . . si ur es RD y u es RH entonces u es N. Obsrvese en este punto que continuar con el proceso resultara intil, dado que el nmero de reglas se ha incrementado considerablemente y supera en nmero a las denidas previamente en el ejemplo, vase la gura 4.16. Comentario 4.2 De acuerdo al algoritmo para la construccin de un sistemas L-HFS va mapeo de variables los pasos del 1 al 5 se aplican a bases de reglas difusa con estructura similar a la descrita por la gura 4.5, sin embargo, los pasos 5 y 6 se aplican a bases con estructuras similares a la descrita por la gura 4.14 (4.8)
59
De acuerdo al comentario anterior, al algoritmo y el uso de este al ejemplo, a continuacin se dene el uso del operador mnimo6 para obtener las nuevas variables de salida correspondiente a los mdulos Fr y F . Por otra parte, con ayuda del ndice de aproximacin , estas nuevas reglas de salida permiten de manera simple realizar el proceso de reduccin para el los mdulos correspondientes. Paso 5: Para determinar las nuevas variables de salida, considere la primer regla de la base descrita por (4.6), si r es N y r es C entonces ur es RA la cual representa la siguiente operacin difusa (r es N) AND (r es C) = (r (x)) (r (x)) . (4.9)
Seleccionado el operador mnimo para la operacin difusa descrita en (4.9), se obtiene que n( (r (x)) (r (x)) = m N (x), C (x)). Por ltimo, defnase RA como la nueva variable de salida a partir de (4.10), es decir, n( RA = (r (x)) (r (x)) = m N (x), C (x)) explcitamente 0 si x 1 x + 1 si 1 x 0,5 = m N (x), C (x)) = n( x si 0,5 x 0 0 si x 0 (4.10)
RA
en donde r (x) = N (x) y r (x) = C (x), gura (4.17). de los mdulos descritos en el ejemplo.
6
60
Figura 4.17: Funciones de membresa tipo triangular para r (x) y r (x) y funcin de mem bresa resultante para rr (x) = m r (x), r (x)). n( Mdulo F1 Primer regla: si r es N y r es C entonces ur es RA De acuerdo con la discusin anterior, se tiene que para la primer regla 0 si l 1 l + 1 si 1 l 0,5 con l = (r, r). rr (l) = RA (l, 1, 0,5, 0) = l si 0,5 l 0 0 si l 0 si r es N y r es NC entonces ur es RB entonces (4.13) se rescribe como: si r es N y r es N entonces ur es RB o si r es N y r es P entonces ur es RB (4.15) (4.14) (4.11)
(4.12)
Segunda regla:
(4.13)
4.3 Aplicacin del L-HFS al sistema riel-esfera Por lo tanto, para la regla difusa (4.14) se determina que la variable de salida es 0 si l 2 l + 2 si 2 l 1 con l = (r, r) rr (l) = RB (l) = (l, 2, 1, 0) = l si 1 l 0 0 si l 0 rr (l) = 0 Tercer regla: si r es P y r es C entonces ur es RC se concluye que 0 si l 0
61
(4.16)
(4.17)
rr (l)
= RC (l, 0, 0,5, 1) =
Cuarta regla:
1 l si 0,5 l 1 0 si l 1
l si 0 l 0,5
(4.18)
si r es P y r es NC entonces ur es RD La cuarta regla (4.19) se redene como si r es P y r es P entonces ur es RD si r es P y r es N entonces ur es RD por lo tanto, (4.22) dene la variable de salida para (4.20) 0 si l 0 l si 0 l 1 con l = (r, r) rr (l) = RD (l) = (l, 0, 1, 2) = 2 l si 1 l 2 0 si l 2
(4.19)
(4.20)
(4.21)
(4.22)
62
y a su vez (4.23) dene la nueva variable de salida para (4.21). rr (x) = 0 (4.23)
Un proceso similar se efecta para determinar las nuevas variables de salida correspondientes al modulo F2 descrito en el ejemplo. Paso 7 (El ndice de aproximacin ):. Obsrvese que las funciones de membresa denidas por (4.12) y (4.18), para el mdulo Fr , satisfacen la condicin (4.3). Es fcil observar que (4.24) representa la ecuacin (4.4) en trminos de las tripletas correspondientes para (4.12) y (4.18).
3 X (RA )i (Rc )i = |1 0| + |0,5 0,5| + |1 1| i=1
(4.24)
= 3<
Similarmente, para el mdulo F se tiene que (4.25) representa la ecuacin (4.4) en trminos de las tripletas correspondientes
3 X (RE )i (RG )i = |1 0| + |0,5 0,5| + |1 1| i=1
(4.25)
= 3 < .
Ahora bien, deniendo = 4 como el ndice de aproximacin entre reglas difusas y redeniendo las variables de mapeo, gura 4.18, el conjunto de reglas difusas para el mdulo Fr , ecuacin (4.6), se rescribe como si r es N y r es C entonces ur es RA si r es N y r es NC entonces ur es RB si r es P y r es C entonces ur es RA si r es P y r es NC entonces ur es RC (4.26)
63
Figura 4.18: Reestructura para la base de reglas de una sola capa de igual modo para F , ecuacin (4.7), se tiene que si es N y es C entonces ur es RD si es N y es NC entonces ur es RE si es P y es C entonces ur es RD si es P y es NC entonces ur es RF y por ltimo el mdulo Fu descrito por (4.8) se redene por (4.28), gura 4.19. Si ur es RA y u es RD entonces u es P P G, . . . Si ur es RB y u es RE entonces u es P, . . . Si ur es RC y u es RF entonces u es N. La gura 4.19 muestra las nuevas reglas difusas para los mdulos Fr , F y Fu respectivamente. Por otra parte, la gura 4.20 muestra las funciones de membresa para las variables de salida (4.28) (4.27)
64
Reglas para F2 o F
(a ) F u n c io n e s d e m e m b re s ia d e s a lid a
NG 1 0.8 0.6 0.4 0.2 0 -4 N P PG 1 0.8 0.6 0.4 0.2 0 -4
(b ) " P O R P G "
(c ) " P O R N G "
-2
-2
-2
(d ) " P G O R N "
(e ) " P G O R P G "
-2
-2
-2
Figura 4.20: Funciones de membresa para las variables de salida; (a) Funciones de salidas (b) Grca de la operacin ( P OR PG ); (c) Grca de la operacin ( P OR NG ); (d) Grca de la operacin ( PG OR N ); (e) Grca de la operacin ( PG OR PG ) y (f) (b) Grca de la operacin ( NG OR NG ).
65
del mdulo Fu , las cuales, son el resultado de aplicar el operador mnimo y el ndice de aproximacin al nuevo proceso de reduccin, gura 4.18 y 4.19. Del ejemplo anterior, note que el nmero de reglas difusas reales descritas por la gura 4.14 para el diseo convencional difuso consiste en realidad de 36 reglas difusas. Sin embargo, mediante la aplicacin del mtodo L-HFS, el nmero total de reglas difusas han sido reducidas a un total de 21 reglas. Obsrvese tambin, que el modelo entrada-salida del sistema barraesfera antes y despus de la descomposicin L-HFS es similar uno con respecto al otro tal y como se muestra a continuacin.
4.4.
Es esta seccin se explora el potencial prctico de los controladores difusos jerrquicos para controlar la posicin de la esfera en el sistema riel-esfera. El desempeo de los sistemas difusos jerrquicos en el captulo 3, ha sido evaluado mediante simulaciones numricas, sin embargo, para que un controlador difuso jerrquico pueda ser aplicado a un sistema fsico real de control, ste debe ser probado en un equipo con caractersticas iguales o por lo menos similares a la planta real. Para este n, se utiliz el prototipo riel-esfera propuesto originalmente por Ortiz7 [22], en el cual se probaron ambos controladores difuso, el convencional y el jerrquico, a n de referenciar uno con respecto al otro.
4.4.1.
Los experimento descritos en esta seccin se llevaron cabo en el sistema riel-esfera ubicado en el Centro de Servicios Experimentales (CSE) del Departamento de Control Automtico (DCA) del CINVESTAV-IPN, el cual consta de dos vigas paralelas de metal unidas en el extremo izquierdo por un pivote jo y en el extremo derecho unidos mediante una barra metlica la cual es unida a un motor de CD. Especcamente, el sistema riel-esfera, desliza una esfera sobre el riel o barra larga de metal y el motor de DC es usado para mover o
7
Originalmente usado para el modelado y control PD-difuso en tiempo real de este sistema.
66
cambiar la posicin de la barra con respecto al eje horizontal a n de enviar la esfera al lugar deseado, gura 4.21. De acuerdo a Ortiz [22], el sistema riel-esfera es caracterizado por cuatro variables de estado: r1 (posicin de la esfera), r2 (velocidad de la esfera), (posicin angular de la barra con respecto al eje horizontal) y (velocidad angular de la barra) por lo que en particular en esta aplicacin deniremos el dominio de inters como el hipercubo [1,5, 1,5] [1,5, 1,5] [0,2, 0,2] [0,4, 0,4] en el espacio de estado cuatro-dimensional x = (r, r, , ). En particular, los ejemplos para esta aplicacin, sugieren el uso del controlador difuso de tipo Sugeno debido a las limitaciones de implementacin que presenta el controlador difuso de tipo Mamdani8 . En contraste con esto el controlador difuso de tipo Sugeno sugiere ser ms eciente en clculos, implementacin y en mtodos de adaptacin (learning) Jang [10]. Al igual que para los otros ejemplos mostrados en este captulo, a continuacin se analiza paso a paso el diseo del controlador difuso jerrquico para el sistema riel-esfera en tiempo real.
Esto es debido a que este tipo de controlador difuso es ms de un arte y menos de un enfoque de ingeniera
[9]
67
F1 F3 F2
Figura 4.22: Estructura del jerrquica para el sistema barra-esfera en tiempo real.
4.4.2.
Al haber denido el dominio de entrada para el sistema barra-esfera y basados en las condiciones descritas en la subseccin anterior, comencemos a describir paso a paso la construccin del L-HFS correspondiente al sistema riel-esfera. Paso 1: La estructura HFS para el sistema barra-esfera es descrita por la gura 4.22 y la gura 4.23 muestra la tabla correspondiente a la base de reglas del controlador difuso para un sistema convencional de lgica difusa de una sola capa, construido a travs de las siguientes reglas difusas del tipo si-Entonces
Regla 1
si r es A y r es C y es E y es G = u1 si r es A y r es C y es E y es H = u2
(4.29)
u1 = 1,015r + 2,234r 12,67 1,046 + 0,02624 Regla 2 : u2 = 1,161r + 1,969r 9,396 6,165 + 0,474 Regla 3 : u3 = 1,506r + 2,234r 12,99 1,865 + 1,426 Regla 4 :
si r es A y r es C y es F y es G = u3 Si r es A y r es C y es F y es H = u4
68
Sistemas difusos jerrquicos va mapeo de variables para control difuso Regla 5 : si r es A y r es D y es E y es G = u5 si r es A y r es D y es E y es H = u6 (4.30)
u5 = 0,7343r + 2,234r 12,85 6,11 1,034 Regla 6 : u6 = 1,413r + 1,969r 9,485 6,592 + 1,159 Regla 7 :
si r es A y r es D y es F y es G = u7 si r es A y r es D y es F y es H = u8
u9 = 0,9853r + 1,969r 9,291 5,115 + 0,195 Regla 10 : u10 = 1,225r + 2,234r 12,8 3,929 0,3662 Regla 11 :
si r es B y r es C y es F y es G = u11 si r es B y r es C y es F y es H = u12
u11 = 1,413r + 1,969r 9,485 6,592 1,159 Regla 12 : u12 = 0,7343r + 2,234r 12,85 6,11 + 1,034 Regla 13 :
si r es B y r es D y es E y es G = u13 si r es B y r es D y es E y es H = u14
(4.32)
u13 = 0,7339r + 1,969r 9,381 4,688 + 0,8804 Regla 14 : u14 = 1,506r + 2,234r 12,99 1,865 1,426 Regla 15 :
si r es B y r es D y es F y es G = u15 si r es B y r es D y es F y es H = u16
69
B =
G =
antecedente y u = F (r, r, , ) es una funcin en la consecuencia. Paso 2: De acuerdo a la gura 4.23 je r, r y use el mtodo de mapeo L-HFS para obtener las variables de mapeo I, II, III y IV . Construya las reglas para el mdulo Fr como muestra la gura 4.24. Por tanto, las base de reglas difusas del tipo Si-entonces para el mdulo Fr son Si r es A y r es C, entonces ur es I Si r es A y r es D, entonces ur es II Si r es B y r es D, entonces ur es III Si r es B y r es D, entonces ur es IV Paso 3: De manera similar je y , use nuevamente el mtodo de mapeo L-HFS para obtener el mapeo de las variables correspondientes y construya las reglas correspondientes (4.33)
y H =
C =
D =
E =
70
Reglas para F2 o F
Figura 4.24: Unidades Fr , F y Fu para el sistema barra-esfera. para el mdulo F , gura 4.24. La base de reglas para el mdulo F es Si r es E y r es G, entonces ur es V Si r es E y r es H, entonces ur es V I Si r es F y r es G, entonces ur es V II Si r es F y r es H, entonces ur es V III (4.34)
Hemos concluido con el proceso Sin embargo continuar la construccin de la base difusas para el mdulo Fu resultara intil, dado que el nmero de reglas se ha incrementado considerablemente y supera en nmero a las denidas previamente en el ejemplo, vase las guras 4.23 y 4.24. Ante esta circunstancias, el mtodo de inferencia difusa de tipo Sugeno sugiere un mtodo ms prctico y sencillo para redenir los mdulos correspondiente, en lugar de emplear el mtodo de inferencia difusa de tipo Mamdani.
71
A continuacin, a n de ilustrar el mtodo para redenir los mdulos correspondiente, se describe paso a paso la reconstruccin de los mdulos respectivos al sistema riel-esfera. Paso 1.1: Dena las salidas correspondientes para cada base de reglas difusas, esto es, la nueva base de reglas difusas para el mdulo Fr es denida por Regla 1 : Regla 2 : Regla 3 : Regla 4 : Si r es A y r es C, entonces ur1 = a1 r + b1 r + c1 Si r es A y r es D, entonces ur2 = a2 r + b2 r + c2 Si r es B y r es D, entonces ur3 = a3 r + b3 r + c3 Si r es B y r es D, entonces ur4 = a4 r + b4 r + c4 (4.35)
en donde ai , bi y ci son constantes de la funcin de salida de cada regla. De igual forma se tiene que la base de reglas difusas para el mdulo F es Regla 1 : Regla 2 : Regla 3 : Regla 4 : Si es E y es G, entonces u1 = a1 + b1 + c1 Si es E y es H, entonces u2 = a2 + b2 + c2 Si es F y es G, entonces u3 = a3 + b3 + c3 Si es F y es H, entonces u4 = a4 + b4 + c4 (4.36)
Paso 1.2: Para redenir el mdulo Fu , Aplique el operador producto algebraico9 , guras 4.25 y 4.26 respectivamente. Paso 1.3: Para construir el mdulo Fu : Utilice la gura 4.22 y determine la base de reglas difusas de acuerdo al nmero de funciones de membresa denas para cada entrada, asegurando que por cada entrada se utilice la funcin de membresa correspondiente al paso 1.2. Paso 1.4: Por ltimo defnase la base de reglas difusas y las salidas correspondientes
9
72
-4
-2
0 x
-4
-2
0 x
Grado de membresa
Grado de membresa -2 -1 0 x 1 2 3
0.25
-2
-1
0 x
Figura 4.25: Tipos de funciones de membresa para el sistema barra esfera.(a) Membresas de entrada para la variable r (b) Membresas de entrada para la variable r (c) Producto algebraico A = A B y (c) Producto algebraico B = C D.
(a) Funciones de membresa de entrada
1.2 Grado de membresa 1 0.8 0.6 0.4 0.2 0 -1 E F Grado de membresa 1.2 1 0.8 0.6 0.4 0.2 0 -1.5
-0.5
0 x
0.5
-1
-0.5
0 x
0.5
1.5
Grado de membresa
0.25
-1
-0.5
0 x
0.5
1.5
Figura 4.26: Tipos de funciones de membresa para el sistema barra esfera.(a) Membresas de entrada para la variable (b) Membresas de entrada para la variable (c) Producto algebraico C = E F y (c) Producto algebraico D = G H.
73
Figura 4.27: El sistema riel-esfera. para el mdulo Fu : Regla 1 : Regla 2 : Regla 3 : Regla 4 : Si ur es A y u es C , entonces u1 = a1 ur + b1 u + c1 Si ur es A y u es D , entonces u2 = a2 ur + b2 u + c2 Si ur es B y u es C , entonces u3 = a3 ur + b3 u + c3 Si ur es B y u es D , entonces u4 = a4 ur + b4 u + c4 (4.37)
Las reglas descritas por 4.35, 4.36 y 4.37 son lo que desebamos para Fr , F , y Fu respectivamente. A continuacin para validar el desempeo de este sistemas difuso jerrquico en el sistema riel esfera se presentan los resultados experimentales.
4.4.3.
De acuerdo a Ortiz [22], para controlar el sistema riel-esfera, gura 4.27, en tiempo real es necesario crear el sistema de control correspondiente a travs de los programas RTWT10 y RTW11 , en donde Matlab es usado como interfaz entre la lnea de comando y el RTWT. Por otra parte el RTW traduce los bloques de simulink, gura 4.28, a cdigo C para generar el ejecutable que permita la ejecucin del sistema en tiempo real.
10
El Real Time Windows Target es utilizado para crear sistemas de control en tiempo real, para mayor
referencia de este vase Ortiz [22], 11 Real Time Workshop, para mayor referencia vase Ortiz [22],
74
Esfera
Seal de control
Motor
1 s+1 Filtro 1
Sistema Ball-Beam
phi Par r
Saturacin
Referencia
Controlador
start
Seal de error
stop
remove
Figura 4.28: Diagrama a bloques en simulink para el controlador en tiempo real del sistema riel-esfera usado por Ortiz [22]. Una vez que ha programado adecuadamente la computadora del sistema riel-esfera, el primer experimento consisti en inserta el mdulo de control difuso jerrquico, gura 4.29, en el bloque de simulink utilizado en [22], gura 4.28. De manera similar, el controlador difuso convencional, gura 4.30, fue insertado en el mdulo de control utilizado por Ortiz. Note que el controlador difuso convencional utiliza la base de reglas descritas por (4.29), (4.30), (4.31) y (4.32) respectivamente y controlador difuso jerrquico utiliza la siguientes bases de reglas correspondientes a cada mdulo jerrquico.
1. Mdulo Fr : Regla 1 : Regla 2 : Regla 3 : Regla 4 : en donde A = Si r es A y r es C, entonces ur1 = r + 2,1r Si r es A y r es D, entonces ur2 = 0,005r + 1,2r Si r es B y r es D, entonces ur3 = 0,9r + 0,9r 0,2315 Si r es B y r es D, entonces ur4 = 3,2r + 0,5r 0,2315 B=
1 4, 1+| x1,5 | 1,5
C=
yD=
75
Figura 4.29: Diagrama de bloques en simulink para el controlador en tiempo real del sistema riel-esfera jerrquico. 2. Mdulo F Regla 1 : Regla 2 : Regla 3 : Regla 4 : en donde E = 3. Mdulo Fu Regla 1 : Regla 2 : Regla 3 : Regla 4 : en donde A = Si ur es A y u es C , entonces u1 = 0,1ur + 0,001u + 0,025 Si ur es B y u es C , entonces u3 = 0,1ur + 0,001u + 1,426 Si es E y es G, entonces u1 = 0,475 0,001 + 0,009 Si es F y es G, entonces u3 = 0,8 0,25 + 0,009
1 4, 1+| x0,2 | 0,2 1 4 1+| x+0,4 | 0,4 1 4. 1+| x0,4 | 0,4
B =
C =
y D =
Al emplear el mtodo L-HFS en el sistema riel-esfera, el nmero total de reglas difusas empleadas es de 12 reglas, esto signica que existen 4 reglas difusas por cada bloque jerrquico. Por otra parte, es fcil ver que el nmero de reglas difusas se han reducido cuando el sistema
76
2 r
Figura 4.30: Diagrama de bloques en simulink para el controlador en tiempo real del sistema riel-esfera de lgica convencional.
jerrquico, gura 4.29, es comparado con el sistema difuso convencional, gura 4.30, el cual contiene 16 reglas difusas. Las guras 4.31 y 4.32, muestran los resultados de la simulacin en tiempo real del sistema barra-esfera para el mtodo difuso jerrquico (L-HFS) y el mtodo convencional de una sola capa. Como puede observarse en la gura 4.31, el desempeo logrado con el controlador difuso jerrquico de 12 reglas difusas es cualitativamente similar a los obtenidos con el controlador difuso jerrquico de 16 reglas difusas, el controlador PD-difuso y el controlador PD, gura 4.31(b), 4.33 y 4.34 respectivamente. Cuantitativamente los resultados experimentales deseados en este trabajo son diferentes a los esperados, debido a que el diseo de las reglas del controlador difuso convencional fueron construidas a travs de un modelo representativo de Matlab12 y en el cual no fueron modelados los efectos de la friccin no lineal, saturacin y zona muerta del sistema riel-esfera real. La gura 4.32 muestra los efectos causados por la zona muerta y el cascabeleo mecnico en la unin de los engranes. Para disminuir los efectos causados este tipo de perturbaciones mecnicas y dinmicas no consideradas en el sistema riel-esfera, surgi la necesidad de realizar algunas modicaciones al sistema de control propuesto por Ortiz y a la ganancia de salida del controlador difuso jerrquico.
12
Sistema ball-beam.
77
20
40
60
80
140
160
180
200
(b ) S is te m a d ifu s o c o n v e n c io n a l d e u n a s o la c a p a
6 4 2 0 -2 -4 -6 S e a l d e s a lid a R e fe re n c ia
P osicin de la esfera
20
40
60
80
140
160
180
200
Figura 4.31: Resultados de la aplicacin en tiempo real del sistema barra-esfera. (a) Sistema difuso jerrquico de 12 reglas y (b) sistema difuso convencional de una sola capa de 16 reglas.
(a ) S is te m a d ifu s o je r rq u ic o
5 Seal de control
-5
20
40
60
80
140
160
180
200
(b ) S is te m a d ifu s o c o n v e n c io n a l d e u n a s o la c a p a
5 S eal de control
-5
20
40
60
80
140
160
180
200
Figura 4.32: Seal de control (a) para el sistema difuso jerrquico y (b) para el sistema convencional de la lgica difusa.
78
1 Posicin de la esfera
-1
-2
-3
10
20
30
40 50 tie m p o (s e g und o s )
60
70
80
90
P o s ic i n d e la e s fe ra 3 S e a l d e s a lid a R e fe re n c ia 2
1 Posicin
-1
-2
-3
1000
2000
3000 T ie m p o (6 0 s )
4000
5000
6000
79
4.5.
Las limitaciones causadas por la maldicin de la dimensionalidad, sugirieron una nueva metodologa para el diseo de sistema difusos a travs del uso de una estructura jerrquica. Mediante la aplicacin de esta estructura jerrquica al sistema difuso convencional del sistema riel-esfera, el presente captulo, ha validado el funcionamiento de las estructuras jerrquicas a travs del mtodo L-HFS. El cual, fue presentado, de tal forma que uno puede fcilmente disear las reglas difusas del sistema en forma jerrquica mediante el uso del mtodo de mapeo de variables y el ndice de aproximacin . En contraste con el mtodo convencional de una sola capa, este nuevo mtodo de estructuras jerrquicas elimina el fenmeno causado por la maldicin de la dimensionalidad y por supuesto valida la ventaja de usar estos sistemas en el diseo del control difuso.
80
82
Conclusiones y trabajos futuros Crear nuevos enfoques para la construccin de controladores difusos y
El diseo, implementacin y anlisis de estos a ciertos sistemas con el n de comprobar su abilidad y efectividad.
En la primera fase de este proyecto, se mostr que el algoritmo jerrquico de aprendizaje tipo backpropagation ofrece buenos resultados al identicar sistemas no lineales. A partir de estos experimentos se concluye que el uso de este algoritmo simple de aprendizaje evita en gran medida el tratar con los algoritmos convencionales de aprendizaje y consecuentemente con estructuras complejas y deciencias en las velocidades de convergencia de dichos algoritmos. Para la segunda fase de este trabajo, un sistema difuso jerrquico fue desarrollado para el sistema barra-esfera a travs del mapeo de variables intermedias. Aunque, los ejemplos presentados en este trabajo fueron para sistemas de pocas variables, las ideas pueden ser extendidas para sistemas difusos jerrquicos de mayor orden, como se ejemplica en los dos algoritmos propuestos para la construccin de sistemas jerrquicos. Al implementar el controlador difuso jerrquico en tiempo real, se compar su respuesta con la entregada por el sistema convencional de la lgica difusa y a su vez con las seales obtenidas por los controladores propuestos en [22], observando que las seales de control correspondientes a cada controlador, presentan un mnimo de error en el objetivo del control y logran la estabilidad de la esfera en la posicin deseada. Por tanto, de esta forma se concluye que los sistemas difusos jerrquicos eliminan la maldicin de la dimensionalidad y sugieren ser empleados en cualquier dominio de aplicacin donde el objetivo principal del ingeniero de diseo sea el de resolver problemas de control sin la necesidad de emplear algoritmos complejos y por supuesto con un mnimo de recursos computacionales para su implementacin.
83
5.1.
Trabajos futuros
Considerando lo presentado en este trabajo, adicionalmente se pueden realizar algunas observaciones importantes y realizar a corto y mediano plazo lo siguiente: Anlisis de estabilidad del sistema, en particular para la planta riel-esfera, con el mtodo de Lyapunov. Anlisis de estabilidad para el algoritmo de aprendizaje tipo backpropagation Modelado de las dinmicas no lineales del sistema barra-esfera, esto a n de evitar algunas perturbaciones no deseadas. Identicacin del sistema riel-esfera a partir del mtodo propuesto. Realizacin un control difuso de orden superior al propuesto que logre estabilizar al sistema riel-esfera en lazo Investigar el efecto que tienen las variables de entradas a la salida de un sistema difuso jerrquico. Investigar el efecto en el orden de relacin que tienen las variables de entradas en cada bloque difuso.
84
Bibliografa
[1] D. Abramovitch, Some Crisp Thoughts on Fuzzy Logic, In the Proceedings of the 1994 American Controls Conference in Baltimore, MD, June 1994. [2] M. Brown, C.J Harris, Neurofuzzy Adaptive Modelling and Control, Prentice Hall: New York, 1994. [3] M. Brown, K.M Bossley, D.J. Mills and C.J. Harris, High Dimensional Neurofuzzy Systems: overcoming the curse of the dimensionality, Proc. IEEE International Conference, 1995, pp. 2139-2146. [4] M.Y. Chen and D.A. Linkensm, A systematic neuro-fuzzy modeling framework with aplication to material property prediction, IEEE Trans. Syst. Man, Cybern. B, Vol 13, 781-790, 2001. [5] D.S. Chen and R.C Jain, A robust back propagation learning algorithm for function approximation, IEEE Trans. Neural Networks, Vol.5, No.3, 1994. [6] Fu-Lau Chung and Ji-Cheng Duan, On Multistage Fuzzy Neural Network Modeling, IEEE Transactions on Fuzzy Systems, Vol. 8. No.2, 125-142, Abril 2000. [7] J.H. Friedman, Multivariable adaptive regression splines, Ann. Statistics, Vol. 19, No.1, pp. 1-141, 1991.
86
BIBLIOGRAFA
[8] S. Ferrari, M. Maggioni and N.A. Borghese, Multiscale Approximation with Hierarchical Radial Basis Function Network, IEEE Transactions on Neural Networks, Vol. 15. No.1, 178-188, January 2004. [9] Jang, J.-S. R. and N. Gulley, "Gain scheduling based fuzzy controller design,"Proc. of the International Joint Conference of the North American Fuzzy Information Processing Society Biannual Conference, the Industrial Fuzzy Control and Intelligent Systems Conference, and the NASA Joint Technology Workshop on Neural Networks and Fuzzy Logic, San Antonio, Texas, Dec. 1994. [10] J.S. Roger Jang, ANFIS: Adaptive-network-based fuzzy inference system, IEEE Transactions on Systems, Man and Cybernetics, Vol. 23, 665-685, 1993. [11] Jyh-Shing R. J., Chuen-Tsai S. y Eiji M., Neuro-Fuzzy and Soft Computing: a computational approach to learning and machine intelligence ,Prentice-Hall, Inc, Upper Saddle River: NJ, 1997 [12] M.G. Joo, J.S. Lee, Hierarchical fuzzy control scheme using Takagi-Sugeno type inference, Proc. IEEE Internat. Conf. on Fuzzy Systems,1999, pp. 78-83. [13] Kaufman Arnold , Introduction to the Theory of fuzzy Subsets Vol.1,Academic Press 1975 [14] Kaufman Arnold , Madan M. Gupta, Fuzzy Mathematical models in engineering and management science , North-Holland 1988. [15] Gorge J. Klir, Bo Yuan, Fuzzy sets and fuzzy logic Theory and applications, Prentice Hall Upper Saddle River, New Jersey, 1995 [16] C.T. Lin and G. Lee, Neural fuzzy systems: A neural-fuzzy synergism to intelligent systems, Prentice Hall Inc, NJ, 1996. [17] C.T. Lin, A neural fuzzy control system with structure and parameter learning, Fuzzy Sets and Systems, Vol.70, 183-212, 1995.
BIBLIOGRAFA
87
[18] J. Lin, Hierarchical fuzzy logic controller for a exible link robot arm performing constrained motion task, IEEE Proc.-Control Theory Appl, Vol. 150, No. 4 pp. 355-364, July 2003. [19] M.L. Lee, H.Y. Chung and F.M. Yu, Modeling of hierarchical fuzzy systems, Fuzzy sets and systems, 138, 343-361, 2003. [20] M.C. Mackey and L. Glass, Oscillation and chaos in physiological control systems, Sci., Vol. 197, pp. 287-289, Julio 1997. [21] K. Ogata, Ingenera de control moderna, Prentice Hall Hispanoamericana, 1998. [22] F.Ortiz, Modelado y control PD-difuso en tiempo real para el sistema barra-esfera. Msc. thesis, Cinvestav-IPN, 2004. [23] Kevin M. Passino, S. Yurkovich, Fuzzy Control , Addison Wesley Longman Inc. 1998. [24] Marek J. Patyra, Janos L. Grantn and Kirby K. , Digital Fuzzy logic Controller: Design and Implementation , IEEE Transactions on Fuzzy Systems, Vol.4, No.4, 439-459, Nov 1996. [25] G.V.S. Raju, J. Zhou, Adaptive Hierarchical fuzzy control, IEEE Transactions on Systems, Man and Cybernetics, vol 23, No.4, pp 973-980, July/August 1993. [26] W. Rattasiri and S.K. Halgamuge, Computationally Advantageous and Stable Hierarchical Fuzzy Systems for Active Suspension, IEEE Trans. on Industrial Electronics, Vol 50, 306-319, 1994. [27] Shuwei G. and Liliane P., Design and Applications of an Analog Fuzzy Logic Controller, IEEE Transactions on Fuzzy Systems, Vol.4, No.4, 429-438, Nov 1996. [28] L.X. Wang, A course in fuzzy systems and control, Prentice Hall Inc., 1997. [29] L.X. Wang, Analysis and Design of Hierarchical Fuzzy Systems, IEEE Transactions on Fuzzy Systems, Vol. 7, No. 3, 671-624, 1999.
88
BIBLIOGRAFA
[30] C. Wei and L.X. Wang, A Note on Universal Approximation by Hierarchical Fuzzy Systems, Information Sciences, Vol. 123, 241-248, 2000. [31] Wen Yu and Xiaoou Li, Fuzzy identication using fuzzy neural networks with stable learning algoritms, IEEE Transactions on Fuzzy Systems, Vol. 12, No.3, 411-420, 2004. [32] Waratt Rattasiri and Saman K. Halgamuge, Computationally Advantageous and Stable Hierarchical Fuzzy Systems for Active Suspension, IEEE Transactions on Industrial Electronics, Vol. 50, No.1, 48-61, February 2003. [33] S.Wu and M.J.Er, Dynamic fuzzy neural networks- a novel approach to function approximation, IEEE Trans. Syst., Man, Cybern. B, Vol.30, 358-364, 2000. [34] R.R. Yager, On the construction of Hierarchical Fuzzy Systems Models, IEEE Trans. Syst., Man, Cybern. C, Vol.28, 55-66, 1998. [35] H. Ying and G. Chen, Necessary conditions for some typical fuzzy systems as universal approximators, Automatica, vol. 33, no. 7, pp. 1333-1338, 1997. [36] X.J. Zeng and M. G. Singh, Approximation theory of fuzzy systems-MIMO case, IEEE Trans. Fuzzy Syst., vol.3, pp. 219-235, Nov. 1995. [37] J. Zhou, G. V. S. Raju, and R.A Kisner, Hierarchical Fuzzy Systems, Int. J. Control, Vol.54, No.5, pp. 1201-1216, 1991.