SISTEMAS DE CONTROL

AUTOMÁTICO FUZZY
Preparado por: Ing.-Mg. Herman Aroca
FUNDAMENTOS DE LÓGICA DIFUSA

Lofti Zadeh padre

De la lógica fuzzy

V V

F F
EJEMPLOS

Defina los siguientes conceptos:

 Algunas mujeres jóvenes son inteligentes

 Algunos hombres maduros son responsables.

 Sígueme de cerca.

 El automóvil está limpio.

 Otros ejemplos . . . . . . .
¿CUÁNDO USAR LÓGICA DIFUSA?

(Sur, Omron, 1997)

 En procesos complejos, si no existe un modelo de solución sencillo.
 En procesos no lineales.
 Cuando haya que introducir la experiencia de un operador “experto” que se
base en conceptos imprecisos obtenidos de su experiencia.
 Cuando ciertas partes del sistema a controlar son desconocidas y no pueden
medirse de forma fiable (con errores posibles).
 Cuando el ajuste de una variable puede producir el desajuste de otras.
 En general, cuando se quieran representar y operar con conceptos que tengan
imprecisión o incertidumbre (como en las Bases de Datos Difusas).
¿CUÁNDO NO USAR LÓGICA DIFUSA?

 Si puedes resolver el problema con otra técnica más sencilla.

APLICACIONES

(Sur, Omron, 1997; Zimmermann, 1993):

 Control de sistemas: Control de tráfico, control de vehículos
(helicópteros...), control de compuertas en plantas hidroeléctricas, centrales
térmicas, control en máquinas lavadoras, control de metros (mejora de su
conducción, precisión en las paradas y ahorro de energía), ascensores...
 Predicción y optimización: Predicción de terremotos, optimizar horarios...
 Reconocimiento de patrones y Visión por ordenador: Seguimiento de
objetos con cámara, reconocimiento de escritura manuscrita, reconocimiento
de objetos, compensación de vibraciones en la cámara
 Sistemas de información o conocimiento: Bases de datos, sistemas expertos
CONCEPTO DE FUNCIONES DE MEMBRESÍA

 Grafique el conjunto difuso de aquellas personas con edades cercanas a los 50

años.

30 50 70 30 50 70
OTRAS FUNCIONES DE MEMBRESÍA

 TRIANGULAR

1.0

0.5

0.0
0 50 100
FUNCIONES DE MEMBRESÍA

 TRAPEZOIDAL

1.0

0.5

0.0
0 50 100
FUNCIONES DE MEMBRESÍA

 GAUSSIANA

1.0

0.5

0.0
0 50 100
FUNCIONES DE MEMBRESÍA

 SIGMOIDE

1.0

0.5

0.0
0 50 100
EJEMPLO: ESTATURA DE LAS PERSONAS

 CONTRASTE ENTRE LÓGICA BINARIA Y LÓGICA DIFUSA

VARIABLES LINGÜÍSTICAS

 EJEMPLO: VARIABLES LINGÜÍSTICAS PARA LA VELOCIDAD DE UN VEHÍCULO

 Se pueden extraer otras variables lingüísticas: DP, D, DG, MP, M, MG, RP, R, RG
SISTEMA DE CONTROL AUTOMÁTICO
FUZZY
FUNCIONAMIENTO

 La fusificación tiene como objetivo convertir valores reales en valores

difusos.
 La base de conocimiento contiene el conocimiento asociado con el dominio de
la aplicación y los objetivos del control.
 La inferencia relaciona los conjuntos difusos de entrada y salida para
representar las reglas que definirán el sistema mediante el uso de
condiciones.
 La defusificación realiza el proceso de adecuar los valores difusos generados
en la inferencia en valores reales, que posteriormente se utilizarán en el
proceso de control.
FUZZIFICACIÓN

 Dicha transformación de las señales de entrada, se realiza mediante las

funciones de membresía
BASE DE CONOCIMIENTO O MEMORIA
ASOCIATIVA FUZZY (F.A.M)
 Allí se encuentran redactadas las reglas de funcionamiento del “cerebro”
fuzzy, a través de sentencias If… then…
 El tamaño de la FAM dependerá del número de combinaciones posibles de las
entradas (dependiendo del número de variables lingüísticas definidas)
 Si el tamaño de la FAM es grande, teóricamente el controlador se
transformará en un pequeño cerebro humano, capaz de razonar, pero a costa
de un mayor esfuerzo computacional.
 Ejemplo:
INFERENCIA

 La inferencia relaciona matemáticamente las diferentes reglas que son

activadas por alguna señal de entrada, normalmente mediante la operación
MÍNIMO ().
DEFUZZIFICACIÓN: MÉTODO DEL
CENTROIDE
 Aplica para la señal de salida del controlador difuso.
Control Fuzzy tipo Mandami versus
Takagi-Sugeno
CONTROLADOR BS-2300

 CONTROLADOR PID CON SINTONIZADOR FUZZY

TIPOS DE CONTROL FUZZY

CONTROL
FUZZY

FUZZY FUZZY P, PI, PD

CONVENCIONAL Y PID
CONTROLADOR FUZZY TIPO P Y PD

 TIPO P:
 TIPO P
 TIPO PD
 TIPO PD
 Otra variante (T. Brehm; S. Rattan, IEEE)
CONTROLADOR FUZZY PI

 Aplicar una integral a la entrada del controlador fuzzy:

 TIPO PI (T. Brehm; S. Rattan, IEEE): considerando como entrada al FLC la
integral del error.
CONTROLADOR PID FUZZY
PID FUZZY CON 5 VARIABLES LINGUÍSTICAS
EJEMPLO 1:

 Controlar un proceso, cuya función de transferencia está dado por:

 Compare con un controlador PI convencional.

EJERCICIO 2: CONTROL FUZZY PARA UN
INVERNADERO (ejercicio hecho a la medida)
DECLARANDO VARIABLES DE ENTRADA
DEFINIENDO FUNCIONES DE MEMBRESÍA
VARIABLE DE CONTROL: SALIDA
BASE DE CONOCIMIENTO O F.A.M
SOMETIENDO A PRUEBA EL
CONTROLADOR CON MATLAB
 FUZZYFICACIÓN
 REGLAS ACTIVADAS
 DEFUZZYFICACIÓN POR MÉTODO DEL CENTROIDE

SALIDA: bajar la calefacción en 1,2 °C

EJERCICIO 3.

 Realizar lo mismo que lo anterior, pero ahora considere que la señal del
controlador va dirigida hacia una válvula que va de 0% hasta 100% de
apertura.
EJERCICIO 4: ejercicio práctico con
modelo real de una planta
 Se tiene un sistema de control de nivel para un estanque, cuya función de
transferencia fue obtenida en terreno:

1
𝐺 𝑠 =
30𝑠 + 1

 Diseñe un controlador: PD y PI fuzzy que permita controlar el proceso de

nivel.
EJERCICIO 5: IDENTIFICACIÓN DE
SISTEMAS Y POSTERIOR DISEÑO FUZZY
 Se tiene un proceso industrial que se requiere controlar mediante un control
fuzzy. Este proceso consiste en un sistema de bombeo, en donde se requiere
controlar la presión y mantenerlo a un valor seguro de funcionamiento de 18
[psi]. Para ello, el ingeniero dispone de las siguientes mediciones realizadas
en terreno:
HZ Psi
5 0
10 3,2
15 6,6
20 9,3
25 12,1
30 15
35 17,9
40 22
45 24
50 26
Uso de System Identification Tools de
Matlab…
 Una vez obtenida la función de transferencia del sistema mediante MATLAB,
se procede a diseñar el control fuzzy.