TPICOS DE CONTROL AVANZADO

La Lgica Difusa es esencialmente una lgica multivaluada que extiende a la Lgica Clsica, la cual
debe su nombre a que impone a sus enunciados, nicamente, valores de falso o verdadero. Si bien la
Lgica Clsica ha modelado satisfactoriamente a una gran parte del razonamiento natural, tambin
es cierto que el razonamiento humano utiliza valores de verdad que no necesariamente son
deterministas.

El trmino "difuso" procede de la palabra inglesa "fuzz". Este termino ingls significa "confuso, borroso,
indefinido o desenfocado

 La lgica difusa se basa en un conjunto de reglas del lenguaje humano suministradas por el usuario. Los
sistemas difusos convierten estas normas en sus equivalentes matemticos. Esto simplifica el trabajo del
diseador del sistema y se traduce en representaciones mucho ms precisas de la forma en los sistemas
se comportan en el mundo real.
Todo es cuestin de grado, lo cual permite
manejar informacin vaga o de difcil
especificacin si quisiramos hacer cambiar con
esta informacin el funcionamiento o el estado
de un sistema especfico. En cierto nivel, puede
ser vista como un lenguaje que permite trasladar
sentencias sofisticadas en lenguaje natural a un
lenguaje matemtico formal.

 Aunque la Lgica Difusa tom auge durante el siglo XX, sus orgenes se remontan hasta 2,500 aos. Al
respecto, Aristteles consideraba que existan ciertos grados de veracidad y falsedad. Platn por su
parte haba considerado la existencia de grados de pertenencia.
La Lgica Difusa o Borrosa, a pesar de su corta historia,
presenta un crecimiento muy rpido, ya que es capaz de resolver
problemas relacionados con la incertidumbre de la informacin o
del conocimiento, proporcionando un mtodo formal para la
expresin del conocimiento en forma entendible y comprensible
por los humanos.

 La primera lgica de vaguedades fue desarrollada en 1920 por el filsofo Jan Lukasiewicz, quien
visualiz los conjuntos con posibles grados de pertenencia con valores de 0 y 1; despus los extendi a
un nmero infinito de valores entre 0 y 1
A principios de los aos sesenta, Lotfi Zadeh
brillante ingeniero elctrico iran nacionalizado en
Estados Unidos, profesor de Ingeniera Elctrica en
la Universidad de California en Berkeley y en
otras prestigiosas universidades norteamericanas,
Doctor Honoris Causa de varias instituciones
acadmicas, enunci las bases tericas de la
Lgica Difusa.

 La Lgica Difusa trata de crear aproximaciones matemticas en la resolucin de ciertos tipos de

problemas. Pretende producir resultados exactos a partir de datos imprecisos, por lo cual es
particularmente til en aplicaciones electrnicas o computacionales. Est definida como un sistema
matemtico que modela funciones no lineales, que convierte unas entradas en salidas acordes con los
planteamientos lgicos que usa el razonamiento aproximado.
Zadeh introdujo la teora del Razonamiento Aproximado
y otros muchos autores han hecho contribuciones
importantes a este campo. En lenguaje natural se
describen objetos o situaciones en trminos imprecisos:
grande, joven, tmido. El razonamiento basado en estos
trminos no puede ser exacto, ya que normalmente
representan impresiones subjetivas, quizs probables
pero no exactas.

 Conjuntos difusos.
Variables lingsticas: son variables cuyos valores son descritos cualitativamente y cuantitativamente
por un conjunto difuso.
Distribuciones de posibilidad: restricciones impuestas en el valor de una variable lingstica al
asignarle un conjunto difuso.
Reglas difusas si-entonces: un esquema de representacin del conocimiento para describir una
proyeccin funcional o una frmula lgica.

 Lgica clsica: Hombres altos>1.80

Lgica difusa: conjunto de hombres altos es un conjunto que no tiene una frontera clara que indique
que perteneces a ese grupo o no.

 Condiciones: Altura y buen encestador

Solucin clsica: Altura>185cm
Buen encestador de 16 tiros al aro,
encestar al menos 13/16

 Hasta 1973, Zadeh nos presenta la teora bsica de los Controladores Difusos. A partir de sta
publicacin, otros investigadores comenzaron a aplicar la Lgica Difusa al control de diversos procesos,
por ejemplo, el britnico Ebrahim Mamdani, quien en 1974 desarrolla el primer sistema de control
Fuzzy prctico: la regulacin de un motor de vapor.
En 1980 el desarrollo del primer sistema de control
difuso comercial, al aplicar esta tcnica al control de
hornos rotativos en una cementera, desarrollada por
los ingenieros daneses Lauritz Peter Holmbland y
Jens-Jurgen Ostergaard.

 Sencillez para desarrollar controladores para los distintos comportamientos (sin utilizar complejos
modelos matemticos), gracias al formato de las reglas.
Posibilidad de utilizar los mismos controladores sobre diferentes plataformas sin realizar muchos
cambios, debido a su naturaleza cualitativa.
Posibilidad de evaluar mayor cantidad de variables, entre otras, variables lingsticas, no numricas,
simulando el conocimiento humano.
Relaciona entradas y salidas, sin tener que entender todas las variables, permitiendo que el sistema
pueda ser ms confiable y estable que uno con un sistema de control convencional.
Capacidad de simplificar la asignacin de soluciones previas a problemas sin resolver.
Posibilidad de obtener prototipos, rpidamente, ya que no requiere conocer todas las variables acerca
del sistema antes de empezar a trabajar, siendo su desarrollo ms econmico que el de sistemas
convencionales, porque son ms fciles de designar.
Simplifica tambin la adquisicin y representacin del conocimiento y unas pocas reglas abarcan gran
cantidad de complejidades.

 No hay actualmente un anlisis matemtico riguroso que garantice que el uso de un sistema experto
difuso, para controlar un sistema, d cmo resultado un sistema estable.
Dificultad de interpretacin de valores difusos
Mltiples definiciones de operadores y reglas de inferencia difusas
Se precisa de un tiempo de aprendizaje para obtener los mejores resultados en la salida
Si usamos la lgica difusa ante un problema que tiene solucin por medio de un modelo matemtico,
obtendremos peores resultados.

 La lgica se puede aplicar en procesos demasiado complejos, cuando no existe un modelo de solucin
simple o un modelo matemtico preciso.
Es til tambin cuando se utilizan conceptos ambiguos o imprecisos.
De la misma manera se puede aplicar cuando ciertas partes de un sistema a controlar son desconocidas
y no pueden medirse de forma confiable y cuando el ajuste de una variable puede producir el
desajuste de otras.
Sistemas complejos que son difciles o imposibles de modelar por mtodos convencionales.
En procesos no lineales.
Sistemas controlados por Expertos Humanos que se basan en conceptos imprecisos obtenidos de su
experiencia.
Cuando el ajuste de una variable puede producir el desajuste de otras.

 No es recomendable utilizar la lgica difusa cuando algn modelo matemtico ya soluciona

eficientemente el problema, cuando los problemas son lineales o cuando no tienen solucin.

 La Lgica Difusa ha cobrado fama por la variedad de sus aplicaciones. En general se aplica tanto a
sistemas de control de complejos procesos industriales como para modelar cualquier sistema continuo de
ingeniera, fsica, biologa o economa.

Problemas de clasificacin
Reconocimiento de patrones
Procesado de seal
Bases de datos
Sistemas basados en conocimiento (tambin denominados sistemas expertos)
Razonamiento temporal

Diagnsticos mdicos como el anlisis de los ritmos cardacos

Control de sistemas en tiempo real como pueden ser: control de trfico, control de compuertas en
plantas hidroelctricas, control de ascensores e incluso el control de un helicptero por rdenes de voz.
Fabricacin de electrodomsticos como lavadoras que evalan la carga y ajustan por s mismas, el
detergente necesario, la temperatura del agua y el tipo de ciclo de lavado; televisores, que
automticamente ajustan el contraste, el brillo y las tonalidades de color; tostadoras de pan; controles
para la calefaccin.

 Verificadores de ortografa, los cuales sugieren una lista de palabras probables para reemplazar una
palabra mal escrita.
Control de sistemas de trenes subterrneos (mantener los trenes rodando rpidamente a lo largo de la
ruta, frenando y acelerando suavemente, deslizndose entre las estaciones, parando con precisin sin
sacudir fuertemente a los pasajeros). Aplicado por Hitachi en el metro de Sendai (julio de 1987).
Control de mquinas de perforacin de tneles.
Reconocimiento de patrones y visin por ordenador (seguimiento de objetos con cmara, reconocimiento
de escritura manuscrita, reconocimiento de objetos).
Control de cierre de compuertas en presas (Chile).
Control de secaderos de hojas de tabaco (Cuba).
Control de balanceo en puentes gra.

 En el mbito domstico, gracias a estos sistemas, una lavadora con lgica difusa gasta menos jabn y
agua cuando la ropa pesa poco. Adems, un sistema de climatizacin es capaz de mantener una
temperatura agradable sin apagarlo y encenderlo de nuevo bruscamente cuando el termmetro marca
un valor determinado, en una transicin suave, sin saltos.

 Se observan clulas cancerosas en una muestra de tejido del tero? Hasta ahora, para responder a
esta pregunta, un patlogo deba pasarse muchas horas ante el microscopio y observar detenidamente
el tejido que los gineclogos extraen del tero en las citologas. La pequea muestra del tejido contiene
millones de clulas y una observacin continuada puede hacer que la vista se habite, el tcnico se
canse y se produzca un error.
A fin de minimizar este riesgo se desarroll un
proyecto de anlisis de imgenes provenientes
de las citologas. el sistema, basado en la
lgica difusa, localiza todas las clulas que
aparecen en la imagen y evala el grado de
normalidad

 Para conseguirlo, el sistema examina una imagen y localiza las regiones en que se encuentran las clulas
anormales, es decir, cancerosas, a partir del anlisis de las caractersticas de color y textura.
El resultado se muestra en una imagen en la que estn localizadas las clulas cancerosas. Este proceso
se ejecuta en tiempo real, ya que el patlogo dispone de un aparato en el que introduce la imagen
original y puede observar de inmediato el rea que debe analizarse con ms detenimiento.

En el Centro Europeo de Soft Computing, ubicado en el Campus Universitario de Mieres, se est llevando a
cabo estos das un curso de procesamiento de imgenes mdicas a travs de la lgica difusa, lo que
permite diagnosticar una enfermedad de manera ms fiable.
La imagen corresponde a una resonancia magntica de un paciente con un tumor cerebral. Con los mtodos
de diagnstico habituales el enfermo debera someterse a ms pruebas, pero gracias al sof computing se
puede localizar el problema al realizar el primer estudio mdico.

 La lgica difusa no usa valores exactos

Permite trabajar con informacin que es imprecisa y no est bien definida.
No clasifica el universo en dos categoras, es decir, no produce una distincin en dos clases
diferenciadas.
lgica difusa estudia las leyes, los modos y las formas del razonamiento aproximado
Grados de pertenencia
Se adapta mejor al mundo real
Sistema interpretativo

En los conjuntos difusos la funcin de pertenencia puede tomar valores del intervalo entre 0 y 1, y la
transicin del valor entre estos es gradual y no cambia de manera instantnea como pasa con los conjuntos
clsicos.
La necesidad de trabajar con conjuntos difusos surge de un hecho de que existen conceptos que no tienen
lmites claros.
Ej...:Yo leer El Quijote: En qu medida es cierto? Depende de quien lo diga y...
l es bueno en Fsica: Es bueno, muy bueno o un poco mejor que regular?
La temperatura 25C es alta?
Definimos, por ejemplo: Alta(30)=1, Alta(10)=0, Alta(25)=0.75...

 Es un conjunto sin un lmite definido. La transicin entre pertenecer a un conjunto y no pertenecer a un

conjunto es gradual y esta transicin suave es caracterizada por una funcin de pertenencia. Los
conjuntos definidos de forma imprecisa desempean un papel importante en el pensamiento humano,
particularmente en los dominios del reconocimiento de patrones, de la comunicacin de la informacin y
de la abstraccin.

A continuacin se definen algunas de las operaciones ms comunes que se pueden aplicar a los conjuntos
difusos considerando dos subconjuntos A y B del universo X.

Unin
Interseccin
Complemento
Normalizacin
Dilatacin
Concentracin
Intensificacin

UNION:
Si A y B son conjuntos difusos del universo U, la unin de A y B, se define como:
A B = {x | x A x B}

 INTERSECCIN:
La interseccin de dos conjuntos clsicos A y B se denota por A B.
Con esta operacin se representa todos los elementos del universo que estn simultneamente en los dos
conjuntos.
La forma de representacin de la interseccin de dos conjuntos A y B es,
A B = {x | x A y x B}

COMPLEMENTO:
El complemento de un conjunto clsico A se denota por A.
Con l obtenemos todos los elementos del universo que no pertenecen al conjunto A.
La forma de representacin del complemento de A es,
A = {x | x / A}

 Se definen en base a las funciones de pertenencia: unin; interseccin, Max = el mayor de; min =
el menor de.
Entonces
1.Max{ ,()}
2.{ ,()}

En los conjuntos difusos son aplicables las tres operaciones bsicas de los conjuntos clsicos (unin,
interseccin y complemento), adems de realizar operaciones entre ellos tambin es posible aplicar
operadores sobre un conjunto difuso, este es el caso de la concentracin y la dilatacin.

 Un conjunto difuso puede representarse tambin grficamente como una funcin, especialmente cuando
el universo en discurso X (eje x) es continuo.
la funcin caracterstica puede tener infinitos valores y es llamada funcin de pertenencia, designada
por . Esta nos indica el grado en que cada elemento de un universo dado pertenece a dicho conjunto.

Un conjunto difuso en un universo en discurso puede definirse como lo muestra la ecuacin

Donde uA(x) es la funcin de pertenencia de la variable x, y X es el universo en discurso
Cuando mas cerca este la pertenencia del conjunto A al valor de 1. mayor ser la pertenencia de la
variable x al conjunto A.

FUNCIN TRANGULAR
Definida mediante el lmite inferior a, el superior b y el valor modal m, tal que a<m<b. La funcin no tiene
porqu ser simtrica.

FUNCIN GAMMA
Definida por su limite inferior a y el valor k>0.

FUNCIN S
Definida por sus limites inferior a y superior b, y el valor m, o punto de inflexin tal que a<m<b.
Un valor tpico es: m=(a+b)/2
El crecimiento es mas lento cuanto mayor sea la distancia a-b

 FUNCIN GAUSSIANA
Definida por su valor medio m y el valor k>0.
Es la tpica campana de Gauss.
Cuanto mayor es k, mas estrecha es la campana.

FUNCIN TRAPEZOIDAL

Definida por sus lmites inferior a, superior d, y los lmites de soporte inferior b y
superior c, tal que a<b<c<d.
En este caso, si los valores de b y c son iguales, se obtiene una funcin triangular.

 Altura de un Conjunto Difuso (height): El valor ms grande de su funcin de

pertenencia: supxeX A(x).
Conjunto Difuso Normalizado (normal): Si existe algn elemento xeX, tal que
pertenece al conjunto difuso totalmente, es decir, con grado 1. O tambin, que:
Altura(A) = 1.
Soporte de un Conjunto Difuso (support): Elementos de X que pertenecen a A con
grado mayor a 0: Soporte(A) = {xeX | A(x) > 0}.
Ncleo de un Conjunto Difuso (Core): Elementos de X que pertenecen al conjunto con
grado 1: Ncleo(A) = {xeX | A(x) = 1}.

Es conceptualmente fcil de entender.

Es flexible.
Es tolerante a los datos imprecisos.
Se basa en el lenguaje humano.
Se basa en la experiencias de expertos conocedores del problema en
cuestin.
Puede modelar funciones no lineales de alguna complejidad.
Combina de forma unificada expresiones lingsticas con datos numricos.

 La Teora de los Conjuntos Difusos ha sido ampliamente

estudiada durante los ltimos 30 aos. La mayor parte del
inters inicial de la Teora de los Conjuntos Difusos trataba de
representar la incertidumbre en los procesos cognitivos
humanos (Zadeh, 1965).
Park (1987) estudia el modelo del Lote Econmico de Pedido
o EOQ (Economic Order Quantity) desde la perspectiva de la
Teora de los Conjuntos Difusos. Para modelar los costes del
pedido y mantenimiento de inventarios se utilizan nmeros
fuzzy de forma trapezoidal. El autor sugiere reglas para
transformar la informacin fuzzy de los costes en entradas
precisas para el modelo EOQ.

Modelo: Esquema terico de un sistema que se elabora para facilitar su comprensin y el

estudio de su comportamiento.
Precisin: Representar con fidelidad la realidad que se est modelando.
Comprensibilidad: Describir el sistema de forma legible.

El modelado se puede realizar con Sistemas Basados en Reglas Difusas, que contienen
reglas del tipo:
Si presin _ atmosfrica es Baja ENTONCES probabilidad _ lluvia es Alta

Para poder modelar partimos de que existen dos tipos de conjuntos.

Conjunto Clsico.
Conjunto Borroso.

Conjuntos Clsicos.

En los conjuntos clsicos algo est incluido completamente en l o no lo est en absoluto,

esta situacin puede describirse asignando un 1 a todos los elementos incluidos en el
conjunto y un 0 a los no incluidos.
Conjuntos Borrosos.
Permite describir el grado de pertenencia de un objeto, al concepto dado por la
etiqueta que le da nombre, asignando un nmero real entre 0 y 1.

Tpicamente un sistema difuso tiene que replicar o mejorar el accionamiento de un

sistema de control existente.
El sistema difuso o borroso se convierte en un sistema experto en el cual las reglas que
utiliza son dictadas por la lgica que utiliza el experto original.
Pasos Iniciales.
Seleccionar variables relevantes de input y output.
Elegir un tipo especfico de sistema de inferencia.
Determinar el nmero de trminos lingsticos (basados en variables).
Disear una coleccin de reglas if- then difusas.

Se usan variables lingsticas para analizar y modelar un sistema.

Supongamos que X= Edad se pueden definir etiquetas joven, adulto, anciano.

Se denomina variable lingstica a aqullas que puede tomar por valor trminos del
lenguaje natural, como mucho, poco, positivo, negativo, etc. Que son las palabras que
desempean el papel de etiquetas en un conjunto borroso, no obstante a una variable
lingstica podrn asignarse tambin valores numricos.

As en una expresin como la temperatura es fra, la variable temperatura debe ser

entendida como una variable lingstica, pues se le asigna como valor el conjunto
borroso fra, pero adems esta variable puede tambin tomar valores numricos como
la temperatura es de 4C.

El grado de pertenencia de un elemento a un conjunto difuso se representa a travs

de un nmero en el intervalo real [0,1].
Funcin de Pertenencia.
Hemos visto que todo conjunto tiene asociado una funcin de pertenencia, la idea es
que a partir de un cierto elemento se pueda determinar si ste pertenece o no al
conjunto en cuestin.

Objetivo
Es resolver problemas complejos de control a partir de soluciones simples o ms simples
que otras, a partir de la experiencia de trabajar con el proceso, convirtindose esta en
la base de conocimiento requerida.

Este tipo de controlador en ningn caso intenta desplazar a las tcnicas tradicionales de
control, por ejemplo PID, se debe emplear control difuso cuando sea necesario, es decir
cuando otras herramientas ms simples no solucionen el problema de control de manera
satisfactoria.

Fusificacin o Fuzzyficador
Tiene como objetivo convertir valores reales en valores difusos.
Se asignan grados de pertenencia a cada una de las variables de entrada
De un Sensor; para que el valor pueda ser procesado por el sistema difuso se hace
necesario convertirlo a un lenguaje que el mecanismos de inferencia pueda procesar.

Base de Conocimiento o Base de Reglas Difusa

Contiene el conocimiento asociado con el dominio de la aplicacin y los objetivos
del control.
Se define las reglas lingsticas de control que realizarn la toma de decisiones.
Una regla de la base de reglas tiene dos partes, el antecedente y la conclusin.

Inferencia o Mecanismo de Inferencia Difusa

Es el proceso mediante el cual se genera un mapeo para asignar a una entrada
una
salida.
Realiza los planteamientos lgicos necesarios para la toma de decisiones.

Mtodos de inferencia
Mamdani
Takagi-Sugeno-Kang

Desfusificacin o Desfuzzificador
La salida que genera el mecanismo de inferencia es una salida difusa, lo cual significa
que no puede ser
interpretada por un elemento externo que solo manipule
informacin numrica.
Se utilizan mtodos matemticos simple como:
Mtodo de Centroide
Mtodo promedio mximo
Mtodo del promedio ponderado
Mtodo de membresa del medio del mximo

Modelar un sistema lingsticamente requiere

Identificar variables entrada/salida. (temp, vel, etc)
Definir subconjuntos fuzzy que describen el universo del discurso de cada variable y
asignar un nombre lingstico a c/u. ej.
Vel {lenta, media, rpida}.
Formar la base de Reglas que asocian entradas/salidas.
Determinar mtodos de: fuzificacin / defuzificacin

Para una misma entrada, pueden actuar varias reglas if then simultneamente.
Pero cada regla tiene asociado un peso, as una misma entrada puede pertenecer a
diferentes conjuntos fuzzy con diferentes valores de pertenencia.
Ej. Un valor de temperatura: Temp=80oc, puede pertenecer al subconjunto muy alta
con =0.8 o pertenecer al subconjunto media

 Este valor dice que tan buena

es la salida.
La defuzificacin se aplica

en F para determinar la
mejor salida.

Tipos de Controladores Borrosos

La arquitectura del controlador a utilizar depende de la aplicacin concreta a llevar a
cabo. No resulta fcil realizar una clasificacin genrica de todas las arquitecturas
posibles de controladores basados en lgica borrosa, no obstante, se consideran los
siguientes tres grupos de controladores:
1. Controladores borrosos directos sin optimizacin.
2. Controladores borrosos directos con optimizacin.
3. Controladores borrosos hbridos.

Controlador Borroso directo sin optimizacin

Los controladores directos permiten realizar control de sistemas utilizando una
descripcin lingstica de las reglas, que han de obtenerse del conocimiento que se
dispone de ella o de procedimientos heursticos, un primer bloque realiza el pre
procesado de las variables de entrada para generar las entradas al controlador
borroso.

Controlador Borroso directo con optimizacin

Cuando se precisa una solucin ms eficiente, o no se dispone de conocimiento previo
se utilizan controladores borrosos directos con optimizacin.
Un primer bloque realiza la evaluacin del funcionamiento del controlador, para
generar posibles modificaciones en un segundo bloque, denominado de evaluacin o
de ajuste que permite el clculo de la sobreoscilacin del sistema en torno al punto de
trabajoo el tiempo que tarda en estabilizarse tras una variacin.

Controlador Borroso directo con optimizacin

Auto organizados

Son
capaces
de
modificar
automticamente y sin intervencin
humana su base de conocimiento.

Con Autoaprendizaje

Precisan una serie de simplificaciones

sobre los parmetros relativos
antecedentes y consecuentes.

Basados en modelado borroso

precisan una serie de simplificaciones

sobre los parmetros relativos a
antecedentes y consecuentes

Controlador Borroso Hbridos

Estos sistemas estn formados por dos controladores interconectados
Uno convencional que se encarga bsicamente del control garantizando un
comportamiento estable.
Otro borroso que acta en paralelo introduciendo el componente heurstico en el
proceso.

 Posibles entradas: peso / tipo de tejido / cantidad de mugre.

Posibles salidas: Cantidad de detergente / tiempo de lavado / vel. de agitacin / nivel
de agua / temperatura del agua.
El objetivo: Ahorro de agua / Detergente / Energa / Tiempo / Dinero.

 Solo consideramos por facilidad:

Dos entradas:
Cantidad de mugre: (medido con sensor ptico), rango [0,100], subconjunto fuzzy
{casi-limpia, sucia, manchada, mugrienta}.
peso: (medida con sensor de presin), rango [0,100], subconjunto fuzzy {muy-liviana,
liviana, pesada, muy-pesada}
Una salida: Cantidad de detergente, por simplicidad definida con subconjunto fuzzy
singleton.

Tabla: Reglas de control fuzzy

El objetivo del control es influir en el comportamiento de un sistema por el cambio de una

entrada o entradas a ese sistema de acuerdo con una regla o un conjunto de reglas que
modelo de cmo opera el sistema. El sistema que se controla puede ser mecnica,
elctrica, qumica o cualquier combinacin de estos.

Caractersticas
Tolerancia al Ruido: En general, como una salida
depende de varias reglas no se ver muy afectada si se
produce una perturbacin (ruido).
Estabilidad:
Son sistemas robustos. En caso de cada del sistema
sta se produce lentamente, dando tiempo a tomar
medidas.
No necesita un modelo matemtico preciso del
sistema a controlar.

Permiten controlar sistemas que son imposibles de

controlar con los sistemas de control clsicos.

LP: x es Largo Positivo

MP: x es Medio Positivo
S: x es Pequeo
MN: x es Medio Negativo
LN: x es Largo Negativo

Los mtodos de inferencia para la base de reglas deben ser sencillos, verstiles y eficientes. Los
resultados de dichos mtodos son un rea final, fruto de un conjunto de reas solapadas entre s
(cada rea es resultado de una regla de inferencia). Para escoger una salida concreta a partir de
tanta premisa difusa, el mtodo ms usado es el del centroide, en el que la salida final ser el
centro de gravedad del rea total resultante.

Dos intervalos

Primera funcin

Segunda funcin

Se desarrolla funcin 1

Tenemos para el primer intervalo

Se resuelve f12 y tenemos

Tenemos para el segundo intervalo

rea bajo la curva primera funcin

Sacar rea bajo la curva segunda funcin

Sustituyendo resultados

 Anlisis de Sistemas:
Estabilidad crecimiento

acotado / oscilacin
amortiguada.
Respuesta Transciente.
Respuesta de Estado

Estacionario.

Aunque los controladores PID son capaces de proporcionar un control adecuado para
sistemas simples, no son capaces de compensar las perturbaciones. Vamos a utilizar los
controladores de lgica difusa para mejorar la capacidad de los controladores PID
para manejar disturbios.

e=error
de=incremento del error
m=mando
dm=incremento del mando

Tipos de controles ms empleados:

Fuzzy P: R(e,m)
Fuzzy PD R(e,de,m)
Fuzzy PI R(e,de,dm)
Variables de entrada

Variables de salida

Control tipo P (Proporcional):FuzP

Entrada: error
Salida: mando absoluto
Regla 1: SI {error LN} ENTONCES {control LN}
Regla 2: SI {error MN} ENTONCES {control MN}
Regla 3: SI {error S} ENTONCES {control S}
Regla 4: SI {error MP} ENTONCES {control MP}
Regla 5: SI {error LP} ENTONCES {control LP}

De hecho este conjunto de reglas produce exactamente la

misma accin de control lineal como un controlador
proporcional con una ganancia uno, operando sobre la
seal de error. Esto no representa ninguna ventaja. Sin
embargo, la ganancia del controlador puede ser no lineal
cambiando las reglas difusas, lo cual puede ser muy til
en aplicaciones especiales.

Control tipo P (Proporcional):FuzP

Control tipo PD (Proporcional Diferencial):FuzPD

Entradas: error y cambio de error
Salida: mando absoluto

En este caso el controlador difuso opera sobre la seal de error e(t) y la derivada de la seal de salida dy(t)/dt y
produce una salida del defuzzificador que es la seal de control u(t). Esto reduce la posibilidad de que la salida
sobrepase el valor de referencia deseado r(t). Usando este principio, las reglas difusas pueden ser escritas para evitar
estos eventos.
Ley de control proporcional derivativa
Regla 6: SI {error S} AND {rango de salida LP } ENTONCES {control LN}
Regla 7:SI {error S} AND {rango de salida LN } ENTONCES {control LP}

Control tipo PIdm (Proporcional Integral con mando dm):FuzPIdm

Entradas: error y cambio de error
Salida: cambio de mando

Control con dos entradas

Control tipo PID (Proporcional Integral Derivativo):FuzPID

Entradas: error, cambio de error y error acumulado.
Salida: mando absoluto

Respuestas

 Amortiguamiento (Sobrepaso Mp)

Rapidez (ta, tp y ts).
Precisin (erp seguimiento y perturbacin ).

 Fuzzificacin
Estas son las funciones de pertenencia. Pueden ser utilizados para medir el valor de
verdad de los tres estados:
La habitacin es muy fra.
La temperatura de la habitacin est bien.
La habitacin es muy caliente.

 Inferencia
Si la habitacin es muy fro, entonces el esfuerzo de control es alto.
Si la temperatura de la habitacin est bien, entonces el esfuerzo de control es medio.
Si la habitacin es muy caliente, entonces el esfuerzo de control es bajo.

Nota:
Dos funciones de pertenencia diferentes pueden tener
tanto valores de verdad distintos de cero.
Suponiendo una medida de 80 grados, el valor de
verdad de la declaracin
"La temperatura de la habitacin est bien." es 0,67.
(La funcin de negro)
Si bien, el valor de verdad de la declaracin
"La temperatura de la habitacin es muy caliente." es
0,33. (La funcin de rojo)

Defuzzification:

A partir del valor medido, determinar el valor de verdad de

todos los antecedentes en la base de reglas.
NOTA: Estos valores de verdad se refieren generalmente
como los niveles de disparo de las reglas en la base de
reglas.
Supongamos que se mide la temperatura de la raz, y se
obtiene 60 grados. Determinar el nivel de disparo.
"Si la temperatura de la habitacin est bien, entonces el
esfuerzo de control es medio.
R=0.70

PROFESOR:
M.C. OMAR CERVANTES
ESTUDIANTES 2014:
CAMACHO LEDESMA RODOLFO OMAR
GONZLEZ GONZLEZ JOS ANTONIO
RANGEL URIBE CARLOS
BARAJAS MARTNEZ SAMUEL ALBERTO
RODRIGO ALEJANDRO TAMAYO VIVANCO

TPICOS DE CONTROL AVANZADO