Análisis y métodos de estabilidad de los

Controladores Difusos
Andrés D. Santander Ch.
sianwow@gmail.com
Escuela Superior Politécnica de Chimborazo. Facultad de Informática y Electrónica, Escuela de
Ingeniería Electrónica en Control y Redes Industriales

Abstract- Fuzzy control systems can be seen as non-linear control
systems. In the following work the forms for the study of speed are
established. The analysis, analysis and verification of data of the
security sector. In chapter 3, three methods of the speed of the
existing fuzzy controllers are studied, applied to traditional fuzzy
controllers.
Keywords- Fuzzy logic, nonlinear control system, stability
theory.
Resumen- Los sistemas de control difusos pueden
considerarse como sistemas de control no lineales. En el
siguiente trabajo se establecen inicialmente dos formas para
estudio de estabilidad. Luego se procede al capitulo del
análisis de estabilidad de controladores difusos, estructura del
sistema de bucle cerrado y la reestructuración de un primer
diagrama de bloques para el correspondiente análisis de
estabilidad. En el capitulo 3 se estudian tres de los métodos de
estabilidad de los controladores difusos existentes, aplicados a
controladores fuzzy tradicionales.
I. INTRODUCCIÓN
Los sistemas de control difusos son esencialmente
sistemas de control basados en el conocimiento que utilizan la
teoría de conjuntos difusos para la representación e inferencia
del conocimiento. Las primeras aplicaciones del control fuzzy
surgieron a mediados de los 70. (Mamdani, 1974).
Las técnicas de control difuso fueron atractivas porque
permitieron la posibilidad de definir un sistema de control
basado en reglas heurísticas, sin el requisito de ningún
conocimiento previo del modelo matemático del proceso a
controlar. Estas técnicas han obtenido buenos resultados en
varias aplicaciones (Sugeno, 1985; Takashima, 1991).
A pesar de algunos esfuerzos valiosos, el énfasis de la
mayoría de los trabajos sobre el tema radica en las
características particulares de cada aplicación más que en el
desarrollo de análisis generales y métodos de diseño que
podrían asegurar propiedades básicas de control tales como la
estabilidad y robustez del sistema de control de
realimentación.
La definición de las reglas de control difuso es
aparentemente simple. Sin embargo, la suposición de que las
reglas heurísticas son bien experimentadas y robustas, no son
del todo correctas en muchas aplicaciones. Este hecho ha
motivado la investigación sobre las técnicas de análisis desde
los años setenta (Tong, 1977). Los primeros trabajos sobre el
análisis de control difuso incluyen el uso del conocido
"método de función descriptiva" al considerar al controlador
difuso como un relé multinivel en el circuito de control
(Kickert, 1985).
Un sistema de control difuso se puede considerar como un
sistema de control no lineal. Por lo tanto, desde una
perspectiva general, se pueden seguir dos formas para los
estudios de estabilidad:
1. Teoría del sistema no lineal, al considerar el sistema de
control difuso como una clase particular de sistemas de control
no lineales.
2. En el marco de los sistemas dinámicos difusos.
La segunda línea surge del Principio de Extensión de
Zadeh, y es indudablemente de gran interés teórico. Los
trabajos de esta línea se muestran en DeGlass (1984). En
Gupta y col (1987) se introduce el concepto de "funciones
energéticas" como una medida de la estabilidad de los
sistemas difusos.(Ollero, 1992)
II. ANÁLISIS DE ESTABILIDAD DE CONTROLADORES DIFUSOS
El método geométrico para el análisis de estabilidad (J.
Aracil, Garcfa-Cerezo y Ollero, 1988) se basa en el estudio de
las contribuciones de los campos vectoriales del sistema y el
controlador. La tercera sección presenta algunos conceptos
básicos relacionados con esta técnica.
Además, estas ideas previas se formalizaron con la
definición de los índices de estabilidad y robustez (J. Aracil,
Garcfa-Cerezo y Ollero, 1989) en el marco de la teoría
cualitativa de los sistemas dinámicos.
El método geométrico para el análisis de estabilidad (J.
Aracil, Garcfa-Cerezo y Ollero, 1988) se basa en el estudio de
las contribuciones de los campos vectoriales del sistema y el
controlador. La tercera sección presenta algunos conceptos
básicos relacionados con esta técnica.
Además, estas ideas previas se formalizaron con la
definición de los índices de estabilidad y robustez (J. Aracil,
Garcfa-Cerezo y Ollero, 1989) en el marco de la teoría
cualitativa de los sistemas dinámicos.
Fig. 1 Análisis de estabilidad del sistema de control difuso
Controladores de Lógica Difusa
Aunque los controladores difusos son altamente
personalizables y varían en gran medida en varios aspectos, a
menudo es posible describir ciertos componentes básicos que
inevitablemente encuentran lugar en cualquier esquema de
control difuso. Los componentes básicos de un controlador de
lógica difusa generalizada para un convertidor de carga se
muestran en la Fig. 2.
Fig. 2 Componentes básicos del sistema de inferencia difusa
A. Estructura del sistema de bucle cerrado
El controlador no solo consiste en un componente difuso
genuino que incluye fuzzificación, base de reglas, mecanismo
de inferencia y defuzzificación. Proporcionar las cantidades de
entrada y salida a este componente también requiere algún
cálculo. Como ejemplo, la figura 3 muestra un controlador con
la cantidad de entrada e, la cantidad de salida uy la planta
lineal G (s). Una de las reglas difusas podría darse, por
ejemplo:
𝐼𝐹 𝑒 = . . . 𝐴𝑁𝐷 𝑒̇ =. . . 𝐴𝑁𝐷 ∫ 𝑒 =. . . 𝑇𝐻𝐸𝑁 𝑢̇ =. ..
El componente difuso, por lo tanto, requiere el error de
cantidades de entrada e, derivada del error 𝑒̇ y la integral del
error ∫ 𝑒. Además, devuelve solo la derivada 𝑢̇ de la variable
de actuación u, en lugar de la variable misma.
Además del componente fuzzy, el controlador contiene
una diferenciación (o una diferencia discreta) y dos
integraciones (o sumas discretas). Para facilitar el
nombramiento, a partir de ahora nos referimos al componente
difuso genuino (sin dinámica interna) por el término
controlador difuso, y al elemento de transferencia que contiene
este controlador difuso, las diferencias e integraciones por
controlador.
Fig. 3 Elements of a system with fuzzy controller
La estructura del sistema que se muestra en la figura 3 no
es realmente adecuada para el análisis de estabilidad. Por un
lado, la segmentación no corresponde a la segmentación
estándar en una parte lineal y no lineal, que algunos métodos
requieren, por otro lado, el diagrama de bloques contiene una
diferenciación. Los elementos diferenciadores generalmente
no deberían aparecer en los diagramas de bloques, ya que
intercambian causa y efecto. Por ejemplo: podemos describir
la relación entre la aceleración y la velocidad por un elemento
diferenciador con la velocidad como su cantidad de entrada, o
por un integrador con la aceleración como la cantidad de
entrada.
Ahora, la aceleración es proporcional a la fuerza
impulsora, y la fuerza obviamente causa el movimiento. A
diferencia del bloque diferencial, el integrador "usa la causa"
como cantidad de entrada y, por lo tanto, es sin duda la mejor
forma de representar esta relación.
Por esta razón, reestructuramos el diagrama de bloques de
acuerdo con la figura 4. El integrador en la salida del
controlador fuzzy permanece sin cambios. La planta lineal
𝐺(𝑠) se divide en un integrador y una función de transferencia
restante 𝐺’’(𝑠). Con esta segmentación obtenemos la derivada
de la cantidad de salida 𝑦̇ , en consecuencia, la derivada del
error 𝑒̇ , sin ningún elemento diferente.
Fig. 4 Diagrama de bloques, reestructurado para el análisis de
estabilidad.
En cambio, solo necesitamos una resta de 𝑦̇ la derivada del
valor de referencia 𝑤̇ . Y como el análisis de la estabilidad
generalmente se realiza en el punto de ajuste cero, obtenemos
𝑤̇ = 0 e incluso podemos omitir esta resta. Como otro
resultado de nuestra reestructuración, además de que hemos
(1) evitado la diferenciación, hemos dividido el circuito en una
parte lineal y no lineal, que es un requisito previo para algunos
métodos de análisis. Por supuesto, esta segmentación será más
difícil para las plantas que contienen partes no lineales. En
tales casos, solo podemos tratar de subsumir las partes no
lineales de la planta bajo el controlador difuso.
Sin embargo, si esto no es posible, aún podemos utilizar
uno de los otros métodos que no requieren esta segmentación.
III. MÉTODOS DE ESTABILIDAD DE CONTROLADORES DIFUSOS
A. Método directo de Lyapunov
Como requisito previo para este método, las ecuaciones de
estado de la planta deben conocerse, y las variables de entrada
del controlador difuso deben ser variables de estado. Sin
embargo, no requerimos que el sistema se pueda dividir en una
parte lineal y no lineal. Este método también se puede usar
para sistemas MIMO. (Melin & Castillo, 2005)
1) Aplicación a los controladores Fuzzy convencionales
En primer lugar, supongamos que estamos mirando un
controlador difuso que contiene un componente fuzzificador y
defuzzificador, así como una base de reglas. Por lo tanto, su
característica de transferencia ya está determinada, pero será
muy difícil evitar la posibilidad de expresar una forma
analítica. De lo contrario, supongamos que el valor de
referencia w del circuito cerrado es cero. Podemos lograr esto
redefiniendo el sistema de acuerdo con la figura 2.79.
Entonces podemos usar 𝑢 = 𝑟 (𝑥), una función
indeterminada, como una aproximación inicial del controlador
fuzzy, donde 𝑥 representa el vector de estado de la planta. En
contraste con esto, debemos conocer las ecuaciones
diferenciales que describen la planta: 𝑥̇ = 𝑓 (𝑥, 𝑢). La
ecuación de estado del ciclo cerrado está dada por:
𝑥̇ = 𝑓 (𝑥, 𝑟 (𝑥))
Luego, tenemos que encontrar una función Lyapunov
positiva definida (V) de tal manera que su derivada 𝑉̇ (𝑥) sea
definida negativa para todos los vectores x dentro de la región
del espacio de estado en el que estamos interesados. Si tal
función existe y una parte de la región, que está delimitada por
una línea de contorno cerrada de V, es su dominio de
atracción. El enfoque más simple consiste en fijar una matriz
definida positiva 𝑃 y definir la función Lyapunov por 𝑉 =
𝑥 𝑇 𝑃𝑥. Puesto que 𝑃 es definitivamente positiva, también se
puede garantizar que la función sea positiva por definición.
Usando (2), la derivada de esta función es:
𝑉̇(𝑥) = 𝑥̇ 𝑇 𝑃𝑥 + 𝑥 𝑇 𝑃𝑥̇ = 𝑓 𝑇 (𝑥, 𝑟(𝑥))𝑃𝑥 + 𝑥 𝑇 𝑃𝑓(𝑥, 𝑟(𝑥))
Por lo tanto, obtenemos la condición de estabilidad.
𝑓 𝑇 (𝑥, 𝑟(𝑥))𝑃𝑥 + 𝑥 𝑇 𝑃𝑓(𝑥, 𝑟(𝑥)) < 0
B. Método de Describir la Función
El método de función de descripción, que ya discutimos en
detalle en el capítulo 2.8.6, se basa en una idea completamente
diferente. Este método se puede aplicar para controlar bucles
con una variable de actuación y una variable de control,
aunque el controlador (fuzzy) puede tener varias cantidades de
entrada como, por ejemplo, el error de salida 𝑒, su derivada 𝑒̇
o su integral ∫ 𝑒. Como otro requisito previo, debe ser posible
dividir el sistema completo en una parte lineal con una
característica de paso bajo suficiente y una parte no lineal con
una característica de transferencia simétrica.
Nuestra primera tarea es dividir el sistema en una parte
lineal y no lineal, como se ilustra en la figura 3 y 4. De la figura
4 podemos ver que solo el controlador difuso pertenece a la
parte no lineal del sistema, mientras que todos los otros
elementos forman la parte lineal. Por supuesto, este es el caso
más simple. Normalmente, las no linealidades de la planta
junto con el controlador difuso forman la parte no lineal del
sistema.
A continuación, debemos definir una de las cantidades de
entrada de la parte no lineal para que sea su cantidad de entrada
principal o, como alternativa, para que sea la cantidad de
salida principal de la parte lineal. Esta debería ser siempre la
cantidad de salida del último integrador de la parte lineal, en
la figura 4, por ejemplo,𝑒 ′ = ∫ 𝑒. En consecuencia, obtenemos
𝑒′ 1 1
𝐺1 (𝑠) = = 3 𝐺 ′ (𝑠) = 2 𝐺(𝑠)
𝑢̇ 𝑠 𝑠
como la función de transferencia de la parte lineal del
sistema.
El siguiente paso es determinar la función de descripción
de la parte no lineal del sistema. La forma más fácil de calcular
es la solución numérica. Para esto, primero tenemos que
definir una oscilación sinusoidal con amplitud A y frecuencia
ω para la señal de salida principal 𝑒 ′ = ∫ 𝑒 de la parte lineal
del sistema.
Las derivadas resultantes 𝑒 y 𝑒̇ de esta señal son, por lo
tanto, también oscilaciones armónicas. Las señales de entrada
para la parte no lineal del sistema ahora están configuradas. Si
alimentamos estas señales a la parte no lineal, recibiremos una
(2) oscilación periódica en su salida, que puede aproximarse
mediante una función sinusoidal. Si comparamos esta función
con la oscilación sinusoidal 𝑒′, podemos determinar la
amplificación y el desplazamiento de fase de la parte no lineal
para el par de valores (𝐴, 𝜔), que da directamente el valor de
la función descriptiva 𝑁 (𝐴, 𝜔)) De esta forma, obtenemos
una representación puntual de la función descriptiva.
Los parámetros A y ω de una posible oscilación constante
resultan de la ecuación compleja:
1
𝐺1 (𝑗𝜔) = −
𝑁(𝐴, 𝜔)
La forma más fácil de determinarlos debe ser un enfoque
numérico.
(3)
C. Criterio de Popov
El criterio Popov representa una alternativa al método de
equilibrio armónico, aunque solo unos pocos sistemas que
contienen controladores difusos cumplen con sus requisitos
previos. En primer lugar, nuevamente tenemos que dividir el
sistema en una parte lineal y no lineal. La parte no lineal tiene
que estar sin dinámica interna. Si se desconoce la función de
transferencia de la parte lineal, podemos determinar la gráfica
de Nyquist midiendo. La curva característica de la parte no
lineal también es fácil de obtener, ya que la parte no lineal
asigna directamente un valor de salida a un valor de entrada.
Una forma analítica ni siquiera es necesaria, ya que solo los
límites k1 y k2 de un sector son relevantes para el criterio de
Popov. (Kienitz, 2003)
Puede ser necesaria una transformación sectorial y, como
resultado de ello, deberíamos redefinir la función de
transferencia lineal, pero luego podemos esbozar el locus
Popov de la parte lineal en el plano complejo. Dibujar el eje
de convergencia da el límite superior máximo del sector, y
todo lo que tenemos que hacer ahora es comparar este límite
superior con el límite real del sector de la curva característica
no lineal. Si no es más grande que el límite superior máximo,
entonces el sistema es absolutamente estable, da un ejemplo
concreto de esto.
En principio, también podemos pensar en aplicar el criterio
de Popov para sistemas MIMO a los sistemas que comprenden
controladores borrosos, aunque sería difícil para cumplir con
este requisito previo que el controlador difuso (o la parte no
lineal del sistema) tiene la el mismo número de cantidades de
entrada y salida y de que cada cantidad de salida 𝑢𝑖 es una
función de exactamente una sola cantidad de entrada: 𝑢𝑖 =
𝑓𝑖 (𝑒𝑖 ). Si no se cumple esta condición, podemos tratar de
eliminar la influencia que las cantidades de entrada distintas
de 𝑒𝑖 tienen sobre la función 𝑓𝑖 , por medio de una
transformación adecuada. Pero para el criterio MIMO Popov,
el problema es mucho más complejo, ya que tenemos que
encontrar una transformación que elimine todas las
dependencias en cantidades de entrada distintas de 𝑒𝑖 para
todas las cantidades de salida ui al mismo tiempo. Esto es casi
imposible. Por lo tanto, será más razonable usar otro criterio
en lugar de él.

IV. CONCLUSIONES
Tras concluir con el presente trabajo de investigación, se
llega a concluir que:
- Los sistemas de control difusos son sistemas de
control no lineales.
- Luego, bajo algunas suposiciones sobre la dinámica
del proceso, la teoría del sistema dinámico no lineal se
puede aplicar para estudiar la estabilidad de los
sistemas de control con componentes de lógica difusa
en el ciclo de control.
- La existencia de diferentes métodos de estabilidad de
controladores difusos sugiere la existencia de una
clara diferenciación de condiciones iniciales y
variables de entradas del sistema difuso, propio de
muchos años de investigación y segmentación de las
mismas.

REFERENCIAS
[1] Kienitz, K. H. (2003). Stability analysis of fuzzy controllers
using the modified popov criterion, 1(1), 331–340.
[2] Melin, P., & Castillo, O. (2005). Studies in Fuzziness and Soft
Computing , Volume 172. Soft Computing (Vol. 18).
https://doi.org/10.1007/3-540-32367-8_3
[3] Ollero, A. (1992). STABILITY OF FUZZY CONTROL
SYSTEMS BY USING NONLINEAR SYSTEM THEORY,
121–126. https://doi.org/10.1016/S1474-6670(17)50809-5