Está en la página 1de 7

Lgica Difusa

Urrutia Vsquez Miguel, Sernaque Cespedes Benjamn


Escuela de Ingeniera de Sistemas
Universidad Seor de Sipan
Chiclayo, Per
uvasquezm@crece.uss.edu.pe
sernaqueces@crece.uss.edu.pe

Abstract La lgica difusa es una herramienta


matemtica que imita la forma en que los seres
humanos gestionan y procesa la informacin. Es
un mtodo de gran simplicidad para el
procesamiento de la informacin, toma de
decisiones y el control de procesos.
I.

INTRODUCCIN

El concepto de lgica difusa fue concebido a


mediados de los aos sesentas por Lofti Zadeh,
ingeniero elctrico iran y profesor de la Universidad
de California, en Berkeley, quien en 1965 publica el
primer artculo de lgica difusa llamado Fuzzy
Berkeley, quien en 1965 publica el primer artculo
de lgica difusa llamado Fuzzy Sets, donde se dan
a conocer por primera vez los conceptos de esta
tcnica.
En la lgica difusa se utilizan conceptos relativos de
la realidad, definiendo grados, variables de
pertenencia y siguiendo patrones de razonamiento
similares a los del pensamiento humano.
Los sistemas de control basados en lgica difusa
combinan variables de entrada, definida en trminos
de conjuntos difusos, por medio de grupos de reglas
que producen uno o varios valores de salida.
II.

HISTORIA

La teora difusa fue introducida por Lofti A. Zadeh en


su trabajo de tesis Conjuntos Difusos, antes de
trabajar la teora difusa Zadeh se d la teora del
Control, A principios de los 60s Zadeh pens que la
teora de control clsico puso demasiado nfasis en la
precisin y por tanto no poda manejar los sistemas
complejos.
Al principio las ideas publicadas por Zadeh no fueron
seguidas por la comunidad cientfica del momento,
pero con el tiempo comenz a tener seguidores lo que
produjo que sus teoras fuesen ampliadas y se
asentaran sus conocimientos.

La intencin de Zadeh era la creacin de un


formalismo para manejar de forma ms eficiente la
imprecisin del razonamiento humano. Es en 1971,
cuando realiza
la publicacin de Quantitative
Fuzzy Semantics donde aparecen los elementos
formales que dan lugar a la metodologa de la Lgica
Difusa y de sus aplicaciones tal y como se conocen en
la actualidad.

III.

DEFINICION DE LOGICA FUZZY

El concepto de lgica difusa es muy comn, est


asociado con la manera en que las personas perciben
el medio, por ejemplo ideas relacionadas con la altura
de una persona, velocidad con la que se mueve un
objeto, la temperatura dominante en una habitacin,
cotidianamente se formulan de manera ambigua y
depende de quin percibe el efecto fsico o qumico,
ser su enunciado acerca de tal fenmeno. Una
persona puede ser alta o baja, algo puede moverse
rpido o lento, una temperatura puede ser baja o
moderada o alta, se dice que estas afirmaciones
acerca de una variable son ambiguas porque rpido,
bajo, alto son afirmaciones del observador, y estas
pueden variar de un observador a otro. Uno se puede
preguntar cundo algo es fro o caliente, que tan baja
es la temperatura cuando decimos fro, o que tan alta
es cuando decimos caliente.
Los conjuntos difusos definen justamente estas
ambigedades, y son una extensin de la teora
clsica de conjuntos, donde un elemento pertenece o

no a un conjunto, tal elemento tiene solo 2


posibilidades, pertenecer o no, un elemento es bivaluado y no se definen ambigedades. Con
conjuntos difusos se intenta modelar la ambigedad
con la que se percibe una variable. Los conjuntos
difusos son la base para la lgica difusa, del mismo
modo que la teora clsica de conjuntos es la base
para la lgica Booleana. Con los conjuntos difusos
se realizan afirmaciones lgicas del tipo si-entonces,
definindose estas con Lgica Difusa. Este tema es
propio de inteligencia artificial, donde se intenta
emular en pensamiento humano. Nuestro campo de
estudio es el control industrial, debemos tener en
cuenta la experiencia o base de conocimiento del
operario, esto ser til para emular el
comportamiento humano con una mquina, a pesar
de ser esta muy limitada.
Desde que Lotfy A. Zadeh (1965) desarroll este
concepto de lgica difusa, se ha trabajado en este
tema, el principal centro de desarrollo es Japn,
donde sus investigadores la han aplicado a muy
diversos sistemas, principalmente electrodomsticos,
sistemas ms recientes estn vinculados con la
industria, la medicina y la actividad espacial. Muchas
publicaciones y libros se han escrito de este tema,
pero an queda mucho por explorar.

Conjuntos borrosos
Los conjuntos clsicos, tienen limitaciones, se define
un universo de discurso que contiene a conjuntos
cuyos bordes estn bien definidos, un elemento puede
o no pertenecer a cierto conjunto, algo es verdadero o
falso, no se definen situaciones intermedias. Los
conjuntos borrosos son una extensin de los clsicos,
donde se aade una funcin de pertenencia, definida
esta como un nmero real entre 0 y 1. As se introduce
el concepto de conjunto o subconjunto borroso y se lo
asocia a un determinado valor lingstico, definido
por una palabra o etiqueta lingstica, donde esta es
el nombre del conjunto o subconjunto. Por cada
conjunto se define una funcin de pertenencia o
membresa denominada A(x), indica el grado en que
la variable x est incluida en el concepto representado
por la etiqueta A (0A(x)1), si esta funcin toma el
valor 0 significa que tal valor de x no est incluido en
A y si toma el valor 1 el correspondiente valor de x
est absolutamente incluido en A. En la Figura I-1 se
puede apreciar un ejemplo donde el conjunto
velocidad (con variable x) est subdividido en 3
subconjuntos {Baja, Meda, Alta}, con sus respectivas
funciones de
Membresa {Baja(x) Media(x) Alta(x)}

Figura 3.1. Ejemplo de subconjuntos borrosos


para el conjunto velocidad.

Definicin. Sea X una coleccin de objetos,


expresados en forma genrica por x. Entonces, un
conjunto difuso A en X, se define como un conjunto
de pares ordenados
A = {(x, A(x))/xX}

Funciones de membresa
Donde A(x) es una funcin de pertenencia cuya
etiqueta es A y su dominio es x.
Las funciones de membresa representan el grado de
pertenencia de un elemento a un subconjunto definido
por una etiqueta.
Existe una gran variedad de formas para las
funciones de membresa, las ms comunes son del
tipo trapezoidal, triangular, singleton, Forma de S.

Operaciones borrosas
A los subconjuntos se les puede aplicar determinados
operadores o bien se puede realizar operaciones entre
ellos. Al aplicar un operador sobre un solo conjunto
se obtendr otro conjunto, lo mismo sucede cuando
se realiza una operacin entre conjuntos.
Las operaciones lgicas se utilizan en controladores y
modelos difusos, son necesarias en la evaluacin del
antecedente de reglas (y otras etapas) que ms
adelante veremos.
Se definen a continuacin 3 operaciones bsicas a
realizar sobre conjuntos, estas operaciones son
complemento, unin e interseccin. Sean las
etiquetas A y B las que identifican a dos conjuntos
borrosos asociados a una variable lingstica x, las
operaciones se definen como:

Complemento A (x) =1A (x)


Unin. Operador lgico OR de Zadeh (max)
AB (x) = max[A (x),B (x)]
Interseccin. Operador lgico AND de
Zadeh (min) AB (x) = min[A (x),B (x)]

Hay muchas definiciones para las operaciones


lgicas, algunas otras definiciones que normalmente
tambin se utilizan son:

Operador lgico AND del producto


AB(x) =A(x)B(x)
Operador lgico OR de Lukasiewicz
AB(x) = max[A(x) +B(x),1]

Fuzzificacin
El control difuso siempre involucra este proceso de
Fuzzificacin, esta operacin se realiza en todo
instante de tiempo, es la puerta de entrada al sistema
de inferencia difusa. Es un procedimiento matemtico
en el que se convierte un elemento del universo de
discurso (variable medida del proceso) en un valor en
cada funcin de membresa a las cuales pertenece.

tales datos les llamaremos en sentido genrico para


diferenciarlos de otras funciones de membresa. A(x)
= .
Reglas borrosas
Los controladores difusos usan reglas, estas
combinan uno o ms conjuntos borrosos de entrada
llamados antecedentes o premisas y le asocian un
conjunto borroso de salida llamado consecuente o
consecuencia. Involucran a conjuntos difusos, lgica
difusa e inferencia difusa. A estas reglas se les llama
reglas borrosas o difusas o fuzzy rules. Son
afirmaciones del tipo SI-ENTONCES. Los conjuntos
borrosos del antecedente se asocian mediante
operaciones lgicas borrosas AND, OR, etc.
Las reglas borrosas son proposiciones que permiten
expresar el conocimiento que se dispone sobre la
relacin entre antecedentes y consecuentes. Para
expresar este conocimiento de manera completa
normalmente se precisan varias reglas, que se
agrupan formando lo que se conoce como basa de
reglas, es decir, la edicin de esta base determina cual
ser el comportamiento del controlador difuso y es
aqu donde se emula el conocimiento o experiencia
del operario y la correspondiente estrategia de
control.
La base de reglas suele representarse por tablas. Esta
es clara en el caso de 2 variables de entrada y una de
salida. En la medida que la cantidad de variables
lingsticas crece, tambin lo har la tabla, y ms
difcil se har su edicin.
Junto a cada regla puede estar asociado un valor entre
cero y uno que pesa a tal regla, esto puede ser
importante cuando una regla tiene menor fuerza que
otras de la base de reglas.
Existe una gran variedad de tipos de reglas, dos
grandes grupos son los que en general se emplean, las
reglas difusas de Mamdani y las reglas difusas de
Takagi-Sugeno (TS, para abreviar).

Figura 3.2. Ejemplo de Fuzzificacin de una


variable.
El valor de velocidad igual a 77 pertenece a dos
conjuntos con distintos grados en cada uno.

La estructura de las reglas es la misma tanto para


controladores como para modelos, simplemente
cambiarn las variables implementadas.
Reglas difusas de Mamdani

A partir de ahora y durante el resto de las operaciones


en el interior del corazn fuzzy estos datos (0.45, 0.20
y 0.00, son valores de las funciones de membresa)
representarn a las variables sensados del proceso. A

IF x1 is A AND x2 is B AND x3 is C THEN u1 is D,


u2 is E

Donde x1, x2 y x3 son las variables de entrada (por


ejemplo, error, derivada del error y derivada segunda
del error), A, B y C son funciones de membresa de
entrada (p.ej., alto, medio, bajo), u1 y u2 son las
acciones de control (p.ej., apretura de vlvulas) en
sentido genrico son todava variables lingsticas
(todava no toman valores numricos), D y E son las
funciones de membresa de la salida, en general se
emplean singleton por su facilidad computacional, y
AND es un operador lgico difuso, podra ser otro. La
primera parte de la sentencia IF x1 is A AND x2 is B
AND x3 is C es el antecedente y la restante es el
consecuente.
Un ejemplo es
IF error is Positivo Grande AND derivada del error is
Positiva Baja THEN u is Positiva Chica.

Ventajas
Es intuitivo.
Tiene una amplia aceptacin.
Est bien adaptado a la incorporacin de
conocimiento y experiencia.
Reglas difusas de Takagi-Sugeno
IF x1 is A AND x2 is B AND x3 is C THEN
u1=f(x1,x2,x3), u2=g(x1,x2,x3)
En principio es posible emplear f() y g() como
funciones no lineales, pero la eleccin de tal funcin
puede ser muy compleja, por lo tanto en general se
emplean funciones lineales.
Ventajas
Es computacionalmente eficiente.
Trabaja bien con tcnicas lineales (por
ejemplo como lo disponible para
controladores PID).

el antecedente, la inferencia difusa es necesaria para


calcular el resultado de las variables de salida del
consecuente, este resultado es en trminos difusos, es
decir que se obtiene un conjunto difuso de salida de
cada regla, que posteriormente junto con las dems
salidas de reglas se obtendr la salida del sistema.
Agregado
Cuando se evalan las reglas se obtienen tantos
conjuntos difusos como reglas existan, para
defusificar es necesario agrupar estos conjuntos, a
esta etapa se le llama agregado y existen varios
criterios para realizar este paso. Un criterio muy
empleado es el de agrupar los conjuntos inferidos
mediante la operacin max.
Defusificacin
La defusificacin (defuzzyfication) es un proceso
matemtico usado para convertir un conjunto difuso
en un nmero real. El sistema de inferencia difusa
obtiene una conclusin a partir de la informacin de
la entrada, pero es en trminos difusos. Esta
conclusin o salida difusa es obtenida por la etapa de
inferencia borrosa, esta genera un conjunto borroso
pero el dato de salida del sistema debe ser un nmero
real y debe ser representativo de todo el conjunto
obtenido en la etapa de agregado, es por eso que
existen diferentes mtodos de defusificacin y
arrojan resultados distintos, el ms comn y
ampliamente usado es el centroide. Con el mtodo
de defusificacin del centroide se transforma la salida
difusa en un nmero real el cual es la coordenada
equis (x) del centro de gravedad de tal conjunto difuso
de salida.
Ecuacin 1: Defusificacin por centro de
gravedad.

Trabaja bien con tcnicas de optimizacin

y control adaptable.
Tiene garantizada una superficie de control
continua.
Est bien adaptado al anlisis matemtico.

Inferencia borrosa
Las reglas difusas representan el conocimiento y la
estrategia de control, pero cuando se asigna
informacin especfica a las variables de entrada en

Donde Y es la funcin de pertenencia del conjunto de


salida Y, cuya variable de salida es y. S es el dominio
o rango de integracin.
Este mtodo en realidad trae una carga computacional
importante, por lo que se emplean en general otros
esquemas con menor carga.

Uno de los defusificadores ms usados es el centro de


rea (COA, center of area) tambin llamado de altura,
el centro de gravedad es aproximado por el centro de
gravedad de un arreglo de masas puntuales, las
cuales son el centro de gravedad de cada conjunto de
salida correspondiente a cada regla, con masa igual
al grado de pertenencia en ese punto de su centro de
gravedad. Si se le llama l al centro de gravedad del
conjunto difuso de salida Bl de la l-sima regla, el
centro de gravedad queda determinado por

Ventajas e inconvenientes de dicha lgica.


VENTAJAS

Toma de decisin

Una importante ventaja de los sistemas borrosos, es


que gracias a la simplicidad de los clculos requeridos
(sumas y comparaciones fundamentalmente),
normalmente pueden realizarse en sistemas baratos y
rpidos, con lo que pueden implementarse en
sistemas especficos (por ejemplo, para el control
inteligente de un horno microondas o de un sistema
de frenado ABS).

En la seccin anterior se presentaron los conceptos


bsicos de un sistema de inferencia o de toma de
decisin. Se ver ahora de manera resumida y en
forma grfica los pasos que son llevados a cabo para
la toma de decisin en este sistema de inferencia.

Este es uno de los motivos fundamentales del hecho


constatado de la existencia en la actualidad de muchas
ms aplicaciones prcticas funcionando basadas en
lgica borrosa que en redes neuronales.

En forma genrica el esquema de toma de decisin es


el siguiente.

Figura 3.3 Sistema de inferencia difusa.


IV.

APLICACIN

La lgica difusa se puede aplicar en procesos


demasiados complejos, cuando existe un modelo de
solucin simple o un modelo matemtico preciso. Es
til tambin cuando se necesita el conocimiento de un
experto que utiliza 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. No es recomendable utilizar la lgica difusa
cuando algn modelo matemtico ya soluciona
eficientemente el problema, cuando los problema son
lneas o cuando n o tiene solucin.

No obstante, las ventajas e inconvenientes que cada


enfoque puede presentar, el futuro apunta en la
direccin de combinar distintas tcnicas para resolver
problemas complejos.
Otra de las grandes ventajas que cabe destacar los
excelentes resultados que brinda un sistema de
control basado en lgica difusa: ofrece salidas de una
forma veloz y precisa, disminuyendo as las
transiciones de estados fundamentales en el entorno
fsico que controle. Por ejemplo, si el aire
acondicionado se encendiese al llegar a la
temperatura de 30, y la temperatura actual oscilase
entre los 29-30, nuestro sistema de aire
acondicionado estara encendindose y apagndose
continuamente, con el gasto energtico que ello
conllevara. Si estuviese regulado por lgica difusa,
esos 30 no seran ningn umbral, y el sistema de
control aprendera a mantener una temperatura
estable sin continuos apagados y encendidos.
DESVENTAJAS
El control no difuso es en esencia no lineal y no
cuenta con herramientas de anlisis y diseo muy
sofisticadas, principalmente debido a la complejidad
matemtica, esta es mayor si los conjuntos y dems
partes de controlador son ms complejas. Las
herramientas disponibles en sistemas no lineales son
un punto de partida para el desarrollo matemtico de
los sistemas difusos.
Ningn software matemtico genera la estructura del
controlador, de ah que el anlisis de estabilidad (o de
cualquier otra propiedad) es muy complejo y solo est
basado en que la implementacin del conocimiento

genere un sistema estable. La estabilidad no es


garantizada desde el punto de vista matemtico, si
puede serlo desde el punto de vista experimental.
El ajuste de los parmetros del controlador (factores
de escalamiento) no cuenta con tcnicas tan
difundidas como es el caso de los controladores PID.
La construccin de un controlador difuso es ms
parecido a un arte que a una ciencia. La cantidad de
parmetros en un controlador difuso es mucho mayor
que en un PID, hay una gran variedad de definicin
de operadores, formas de conjuntos, etc., peor an, no
hay una clara relacin entre ellos.
El procedimiento de diseo y ajuste del controlador
puede requerir de mucho trabajo, la herramienta de
simulacin de prueba y error es frecuentemente
utilizada.
V.

CONCLUSIONES

El beneficio de la lgica Fuzzy es el de permitir


describir el comportamiento de un sistema con
simples reglas o sentencias de programa if-then (SiEntonces) que reflejan experiencia de operador
humano sobre el sistema. Sim embargo un sistema
fuzzy no aprende como en el caso de las redes
neuronales, es decir, solo responde aquella entrar para
las cuales las reglas han sido programadas.
REFERENCIAS
[1]

[2]

[3]

[4]

Bonifacio Martn del Brio, Alfredo Sanz


Molina. Redes neuronales y sistemas difusos.
2 Edicin. RA-MA Editorial. 2002.
Hao Ying. Fuzzy Control and modeling:
Analytical foundations and applications. IEEE
Press Series on Biological Engineering. 2000.
Hao Ying. The simplest fuzzy controllers using
different inference methods are different
nonlinear proportional-integral controllers with
variable gains. Automtica, vol 29 N 6, pp.
1579-1589. 1993.
Ambalal V. Patel, Transformation Functions
for Trapezoidal Membership Functions,
International Journal of Computational
Cognition
http://www.YangSky.com/yangijcc.htm
Volume 2, Number 3, Pages 115135,
September 2004.

[5]

Mourad Ousslaah, Hung T. Nguyen, Vladik


Kreinovich. A new derivation of centroide
defuzzification.
[6] Maria Alice P. Jacques, Matti Pursula, Jarkko
Niittymki, and Iisakki Kosonen. The impact
of different approximate reasoning methods on
fuzzy signal controllers.
[7] J. Jantzen, H. Verbruggen, J.-J. Ostergaard.
Fuzzy control in the process industry: common
practice and challenging perspectives.
[8] William L. Luyben, Michael L. Luyben.
Essential of process control. Ed. McGrawHill. 1997.
[9] http://www.fuzzytech.com
[10] IEC 1131 Programable controllers. Part 7
Fuzzy control programming. Rel. 19 Jan 97.
[11] Hao Ying. The simplest fuzzy controllers using
different inference methods are different
nonlinear proportional-integral controllers with
variable gains. Automtica, vol 29 N 6, pp.
1579-1589. 1993.