LOGICA DIFUSA EN LA VIDA DIARIA.

Empecemos por plantearnos las siguientes preguntas: ¿qué significa la teoría

difusa?, ¿Porqué utilizar el término difuso? :

El término fuzziness que en español entenderemos como difusificar, se encuentra

en nuestras decisiones, en nuestro pensamiento, esto es, en la forma de cómo
procesamos la información, pero particularmente en nuestro lenguaje, ya que en
muchas ocasiones no expresamos con claridad lo que queremos comunicar.

Frases como: "Nos vemos luego", "un poco más", "no me siento muy bien", son
expresiones difusas, decimos que son difusas porque la difusificación surge de las
diferentes interpretaciones que damos a "luego", "un poco más", "muy bien". Por
ejemplo "luego", para el análisis de fenómenos rápidos en ingeniería puede ser del
orden de nanosegundos, pero para paleontólogos del orden de miles de años. Como
se puede observar la magnitud del orden es relativa, por lo tanto si se emplea una
unidad difusa (fuzzy), hay que tener bien claro el contexto donde se esta utilizando
para así encontrar un punto de referencia y una unidad de medida.

En ocasiones, enunciados difusos indican unidades relativas y subunidades más

no unidades absolutas. Consideremos el siguiente ejemplo:

"El corredor A es rápido."

"El corredor B es más rápido que el corredor A." y

"El corredor C es más lento comparado con B."

Con base a lo anterior podemos hacer dos observaciones: la oración difusa

puede establecer:

B es más rápido que A y C es lento comparado con B.

de la misma manera podemos caer en una ambigüedad de modo que no nos quede
claro si A es más rápido que C o si C es más rápido que A; por tanto no se tiene
una medida de la velocidad de A, B ó C.
 Figura 1. Ejemplo de enunciados difusos.

Otro ejemplo donde no se hace referencia a medida alguna sería el enunciado

"Francisco es muy alto".

LOGICA CLASICA VS. LOGICA DIFUSA.

Probablemente estés familiarizado con algún tipo de lógica clásica (binaria,

trivalente, etc.), las cuales tienen bien definidos sus valores de umbral. Por ejemplo
en la lógica binaria o booleana, existen dos valores de verdad (o de umbral):
verdadero ó falso, 1 ó 0, sí ó no.

Figura 2. Valores de la Lógica binaria

La lógica trivalente es una lógica de tres respuestas definitivas:

Figura 3. Valores de la Lógica Trivalente

A diferencia de la lógica clásica, la lógica difusa no tiene bien definidos sus

umbrales de decisión. Por ejemplo, si tomamos la lógica trivalente y la
difusificamos (cambiamos los niveles de decisión), entonces podemos expresar los
valores de umbral como un rango de valores, esto es, 0, .5, 1 serán reemplazados
por intervalos de: "0 a .4", "0.2 a 0.8", "0.6 a 1", respectivamente.

Recordemos que "lógica es la ciencia que estudia las leyes, los modos y las
formas del razonamiento". De esta forma la "lógica difusa estudia las leyes, los
modos y las formas del razonamiento aproximado".

Lógica difusa proporciona un medio para enfrentar situaciones del mundo real,
situaciones complejas y dinámicas, que son más fácilmente caracterizadas por
palabras que por matemáticas.

Por ejemplo, la estatura:

SISTEMAS DIFUSOS.

La vida real está llena de situaciones que requieren del razonamiento

aproximado para manipular información cualitativa más que cuantitativa.

Un sistema difuso puede resolver problemas tal como lo haría un experto

humano, problemas tales como controlar la presión y temperatura de una caldera
en la industria, procesar y reconocer imágenes o controlar una lavadora de ropa
son situaciones que tienen en común el ser complejas y dinámicas y también que
son más fácilmente caracterizadas por palabras que por expresiones matemáticas.

Mientras que los sistemas de lógica clásica no pueden actuar en problemas de

este tipo:

 No hay ningún sistema para representar proposiciones en lenguaje natural

cuando el significado es impreciso.

 Sí el significado puede representarse, no hay un mecanismo para poder

evaluarlo y obtener una respuesta.

Hasta este momento ya tenemos una idea de lo que es la lógica difusa, pero ¿de
donde surge el término fuzzy?, ¿Quién lo introdujo?, veamos:

En la década de los años veinte del siglo pasado, J. Lukasiewicz desarrolló los
principios de la lógica multivaluada, cuyos enunciados pueden tener valores de
verdad comprendidos entre el 0 (falso) y el 1 (cierto) de la lógica binaria clásica. En
1965 Lofti A. Zadeh, aplicó la lógica multivaluada a la teoría de conjuntos,
estableciendo la posibilidad de que los elementos pudieran tener diferentes grados
de pertenencia a un conjunto. Zadeh introdujo el término fuzzy (difuso) y
desarrollo un álgebra completa para los conjuntos difusos.

Desde sus inicios la teoría de conjuntos difusos causó controversisas y debates,

por lo que sus primeras aplicaciones prácticas surgieron hasta mediados de los
años setenta.
 APLICACIONES DE LA LOGICA DIFUSA.

Gracias a que la lógica difusa se enfrenta con éxito a situaciones del mundo real,
ha encontrado aplicaciones en una gran variedad de campos, de las cuales las más
trascendentales se han dado en el área de control con el diseño e implementación
de controladores difusos (Fuzzy Logic Control), iniciado por los trabajos de
Mamdami y Assilian en los años setenta.

Ejemplos de sistemas de control y productos comerciales cuyo funcionamiento se

basa en un razonamiento aproximado (difuso), son:

 Control de un horno de cemento.

 Estabilización de imágenes en cámaras de video.
 Lavatrastes y lavadoras de ropa.
 Conducción automática de trenes metropolitanos.
 Control de aire acondicionado.

Pero ¿Cuándo utilizar lógica difusa?. Lógica difusa tiene la habilidad de

proporcionar un control inteligente en aplicaciones difíciles, especialmente aquellas
que requieren de la optimización de muchas variables o el control de sistemas no
lineales difíciles de modelar.

CONCEPTOS BASICOS.

Comenzaremos a hablar de conjuntos tratando de ponernos de acuerdo acerca

de lo que vamos a entender por conjunto. Esto no es nada simple ya que conjunto
es un concepto bastante primitivo, análogo al concepto de punto o de recta. De
ahora en adelante, para nosotros un conjunto será algo que puede o no tener
elementos, pero con la propiedad de que se puede decir si un objeto dado
cualquiera es o no elemento del conjunto en cuestión.

A los objetos (si los hay) que forman un conjunto, les llamamos "elementos" de
dicho conjunto. En la teoría de conjuntos que estamos recordando, trabajaremos a
veces con varios conjuntos cuyos elementos son todos del mismo tipo, es decir,
pertenecen todos a un mismo conglomerado de cosas al que podremos llamar
conjunto universal.

Ahora bien, Sí A es un conjunto la proposición "x es un elemento de A" se

denotará por x A. La negación de esta proposición es decir "x no es un elemento
de A" se denotará por x A.

Por ejemplo, sí A es el conjunto de los primeros tres números naturales pares,

entonces 2 A, 4 A, 6 A, 24 A, 9 A, son proposiciones verdaderas. Note que
"pertenencia" es una relación que vincula cada elemento con un conjunto, no es
una relación entre elementos de un conjunto.
 Sí enumeramos todos los elementos de un conjunto, decimos que los hemos
representado por extensión mientras que si enunciamos una propiedad definitoria
de los elementos del conjunto, se dice que está representado por comprensión.

Por ejemplo sí B es el conjunto cuyos elementos son: Oaxaca, Tlaxcala, Morelos,

Hidalgo, Estado de México, Guerrero y Veracruz, se puede escribir:

B={Oaxaca, Tlaxcala, Morelos, Hidalgo, Estado de México, Guerrero, Veracruz}

B={x | x es un estado que colinda con el estado de Puebla}

Función de membresía.
Como ya se mencionó la pertenencia o membresía es una relación que vincula a
cada elemento con un conjunto. En otra palabras, en un conjunto bien definido
(lógica clásica), la pertenencia o no pertenencia de un elemento x a un conjunto A
se describe mediante la función característica  A (x) donde:

Dicha función es llamada función de membresía ó función característica de A y

esta definida para todos los elementos del universo. La función de membresía hace
un mapeo de todo el universo U a su conjunto de evaluación de dos elementos {0,1},
esto se escribe:
 A (x) : U  0, 1

Con una identificación de {0,1} y {verdadero, falso}, esta función característica

puede jugar un papel importante en la asignación de valores de verdad a
proposiciones referentes al conjunto A.

Operaciones con conjuntos.

Podemos construir conjuntos apartir de dos ó más conjuntos dados, aplicando
para ello las operaciones básicas que ya conocemos: complemento, unión e
intersección de conjuntos. Es común usar diagramas de Venn para representar al
conjunto universal U y a los conjuntos formados con elementos de U. Las siguiente
figura ilustra las operaciones mencionadas anteriormente utilizando diagramas de
Venn.
 Figura 5. Operaciones con conjuntos.
CONJUNTOS DIFUSOS.

La lógica difusa trabaja con conjuntos a los cuales llamamos conjuntos difusos,
estos conjuntos están definidos por sus funciones de pertenencia, la cual expresa la
distribución de verdad de una variable.

Teóricamente un conjunto difuso A de un universo de discurso X={x} se define

como un mapeo  A (x) : X [0,  ] donde cada x es asignada a un número en el
rango comprendido entre [0,  ] el cual indica que tanto del atributo A tiene x.

Cuando se normaliza la función de membresía ( =1), se tiene  A (x) : X [0,

1]. De aquí en adelante consideraremos valores normalizados. Para los casos
extremos, donde la distribución de verdad es "cero", la función de membresía se
reduce a singularidades, en otras palabras, la lógica difusa pasa a ser lógica clásica.
Por ejemplo, si las singularidades tienen dos posibilidades, entonces hablamos de
lógica binaria.

La normalización del conjunto difuso A se expresa:

Por ejemplo, obtengamos los valores normalizados de un conjunto de números,

para ello lo que hay que hacer es dividir cada número entre el número de mayor
valor, así la división del número más grande entre el mismo nos dará un valor de 1,
que es lo que se expresa en la relación anterior. Sea el conjunto (30, 50, 80, 100, 70,
40), del cual normalizando obtenemos (.3, .5, .8, 1, .7, .4).

Para un conjunto difuso el conjunto de evaluación es un intervalo real:

  A (x) : U  [0, 1]

La función característica de un conjunto difuso permite una continuidad de

opciones posibles. El grado de membresía no es probabilidad. Básicamente es una
medida de la compatibilidad de un objeto con el concepto representado por un
conjunto difuso.

Un conjunto difuso D en un universo U puede ser definido como un conjunto de

pares ordenados; cada par formado por un elemento y su grado de membresía al
conjunto D:

D = {(x  D (x) ) | x  U}

Para el caso de universos discretos U = {x1, x 2, …, x n}, una notación más

conveniente es:

La sumatoria anterior se transforma en una integral para un universo

U continuo:

Operaciones con conjuntos difusos.

En lógica booleana la función de los operadores booleanos (o compuertas) es

bien conocida, por ejemplo si aplicamos una operación AND:

1 and 1 1
1 and 0 0
0 and 1 0
0 and 0 0

En lógica difusa los valores no están definidos y su difusificación exhibe una

distribución descrita por su función de membresía. Si tratamos de aplicar las
reglas de la lógica binaria a dos variables difusas ¿cuál crees que sería el
resultado?. Para poder contestar esta pregunta, consideraremos una lógica de
valores máximos y mínimos, en otras palabras emplearemos operaciones definidas
en lógica difusa.

Como ya se dijo, en lógica difusa se emplean conjuntos así que aquí también
contamos con operaciones de complemento, unión e intersección. Cuando a dos
variables difusas se les aplica una operación de "unión" (que en lógica binaria es
equivalente a una operación OR), el resultado se obtiene tomando el valor más
grande de entre las variables de entrada, max(x1, x2, …, xn). Por ejemplo, sí A=0.5,
B=0.7 y C=A OR B, entonces C = max(0.5, 0.7) = 0.7.

Para el caso de la "intersección" (que equivale a la operación AND) el valor

resultante de la operación corresponde al mínimo valor de alguna de las entradas:
min(x1, x2, …, xn). En este caso, sí C=A AND B, entonces C= min(0.5, 0.7) = 0.5.

En la operación "complemento" (equivale a una operación NOT), se toma el

valor que complemente a 1, de esta forma:

x’= 1-x

para nuestro ejemplo: sí C= B’, entonces C=1-0.7 =0.3.

Ejemplo: Sean las expresiones difusas  A (x1) AND  B (x2), evaluadas en x1= 2
y x2= 2 con funciones de pertenencia:  A (x1= 2)=.72 y  B (x2= 4)=.45. Así:
 A (x1) AND  B (x2) = min(.72,.45) =.45

 A (x1) OR  B (x2) = max(.72,.45) =.72

para el complemento:
 A (x1=2) = 1-.72 = .72
Ahora, asumamos que A y B son dos conjuntos difusos cuyas funciones de
membresía son  A y  B respectivamente, así, definimos las siguientes operaciones:

Complemento de un conjunto difuso.

Sea A un conjunto difuso en el universo U con una función de membresía  A(x),

el complemento del conjunto A es el conjunto A definido por:

A = {(1 -  A (x)) /x | x esta en U}

La función de membresía del conjunto A es:

 A (x) = 1 -  A (x)
 La figura 6 muestra las gráficas de la función de membresía de dos conjuntos
difusos y sus conjuntos complementos.

Figura 6. Función de membresía y complemento de los conjuntos difusos A y

B.
Intersección de dos conjuntos difusos.
Sean A y B dos conjuntos difusos en el universo U con funciones de membresía 
A(x) y  B(x) respectivamente, la intersección de los conjuntos A y B se define por:

A  B = {min ( A(x),  B(x)) /x | x esta en U}

La función de membresía del conjunto intersección de A y B es:

 A B(x) = min { A(x),  B(x)}

donde la función min{} selecciona el valor mínimo de los grados de membresía que
tiene el mismo elemento x en los conjuntos A y B. En la figura 8 se muestra la
gráfica de la función de membresía de la intersección de dos conjuntos difusos.
 Figura 8. Función de membresía y operación de intersección de los
conjuntos difusos A y B.

Variables lingüísticas.

Una variable lingüística, como su nombre lo sugiere, es una variable cuyos

valores son palabras o sentencias en un lenguaje natural o sintético. Por ejemplo,
la velocidad de un coche, "Velocidad" es una variable lingüística si sus valores son
"alta", "no alta", "baja", "no baja", "muy baja", y así sucesivamente.

Figura 9. Valores lingüísticos de la variable difusa "Velocidad".

Cada valor de una variable lingüística representa un conjunto difuso en un

universo determinado como lo muestra la figura 10.
 Figura 10. Conjuntos difusos de la variable lingüística "Velocidad".

Estrictamente, una variable lingüística esto formada por cinco partes (x, T(x), U,
G, M) donde:

x: nombre de la variable.

T(x): conjunto de valores lingüísticos de x.

U: universo de discurso donde se define T(x).

G: regla sintáctica para generar los nombres de los valores de x.

M: regla semántica para asociar cada valor a su significado.

Por ejemplo, de la figura 10, "Velocidad" se puede considerar una variable

lingüística x. El conjunto de valores lingüísticos (partición difusa de su universo)
es:

T(Velocidad) = {muy veloz, veloz, no veloz, lento, muy lento}

Cada termino en T(Velocidad) está caracterizado por un conjunto difuso en el

universo de discurso U=[0,200] km/hr. La regla sintáctica G determina el orden de
las palabras de los valores lingüísticos de Velocidad: como en alta, no alta y
muyalta, donde no y muy son modificadores que preceden al término primario
alta. La regla semántico M asocia cada valor lingüístico con su significado: {alta es
mayor alrededor de 180}, y {baja es menor alrededor de 30}, etc.
 CONCEPTOS BASICOS.
A la fecha se han desarrollado diferentes métodos para el diseño de
controladores que emplean lógica difusa, para tal fin, es muy importante que se
identifiquen bien los parámetros de control así como determinar con mucho
cuidado el conjunto de términos (variables lingüísticas) que describirán el
comportamiento correcto del sistema.

En el control lógico difuso se emplean funciones de membresía para el diseño, los

cuatro tipos más comunes son:

Figura 11. Funciones de membresía más utilizadas. (a).Monotonica,

(b).Triangular,(c).Trapezoidal, (d).Forma de Campana

La arquitectura básica de un control difuso se muestra a continuación:

 Figura 12. Arquitectura básica de un controlador difuso
CODIFICANDO LAS ENTRADAS:
DIFUSIFICACION.
Los valores de entrada provenientes de los sensores se codifican de tal forma que
quedan en términos de las etiquetas lingüísticas utilizadas en la generación de las
reglas.

Si desde el sensor se lee una señal sin ruido, entonces la etapa de difusificación
determina su correspondiente grado de pertenencia a una o varias de las entradas
lingüísticas, como se muestra en la figura 13(a). Pero si la señal de entrada contiene
ruido, esta debe modelarse utilizando una función de membresía triangular, en
donde el vértice del triángulo es la media obtenida del sensor, y la base su
desviación estándar. Así para estos casos, la difusificación consiste en encontrar la
intersección entre el grado de pertenencia y la distribución del dato sensado.

Figura 13. Función de membresía proveniente del sensor.

(a).Función de membresía de una señal sin ruido. (b). Función de membresía de
una señal con ruido
 El método más utilizado es aquel donde se analiza a una señal sin ruido.

CONSULTANDO LA BASE DE CONOCIMIENTOS.

Para el diseño de la base de conocimientos donde se encuentran las reglas de

control, hay que tomar en cuenta: primero,que el conjunto de variables lingüísticas
seleccionadas debe escogerse de forma tal que describan muy bien a los
parámetros de control del proceso. Tanto los parámetros de entrada como los de
salida deben definirse en esta etapa empleando terminología apropiada.

La selección del rango de valores para cada termino de las variables de

entrada/salida es muy importante para lograr la "suavidad" del control.

En segundo lugar la base de conocimientos se elabora tomando en cuenta la

descripción lingüística de los parámetros, para ello se sugieren cuatro métodos:

 Experiencia y conocimiento de un operador humano.

 Modelado de las acciones de control del operador.
 Modelado del proceso.
 Auto-sintonización

De los métodos anteriores, el primero es el más utilizado, cuando modelamos

el conocimiento del operador las reglas de control toman la forma:

IF [el error es pequeño y su cambio es pequeño] THEN [el esfuerzo es pequeño]

lo que es lo mismo:

SI [el error es pequeño y su cambio es pequeño] ENTONCES [el esfuerzo es

pequeño]

Donde la primera parte de la regla se conoce como antecedente y la segunda

consecuente. Por ejemplo en la regla anterior, el antecedente es: [el error es
pequeño y su cambio es pequeño], mientras que el consecuente esta formado por:
[el esfuerzo es pequeño].

La efectividad del método se basa en que el operador puede expresar los

conocimientos que utiliza en el control del procesos en términos de reglas que
tienen la forma descrita anteriormente.

El segundo método modela directamente la acción de control del operador.

El tercer método trata con el modelo difuso del proceso, aquí se configura el
modelo de una planta como una aproximación utilizando implicaciones que
describen los posibles estados del sistema. En este método se desarrolla un modelo
y se construye un controlador difuso para controlar el modelo difuso, lo descrito
anteriormente es similar a lo que se hace en teoría de control clásica. Aquí, por
ende, se necesita identificar la estructura y los parámetros del proceso. Por
ejemplo:

SI x1 es , x2 es , …, ENTONCES y =

Para i=1,…, n donde n es el número correspondiente a la implicación y la

consecuencia es una función lineal de m variables de entrada.

La idea principal del cuarto método es el desarrollo de reglas que pueden

ajustarse aun y cuando el controlador este en uso para lograr mejorar su
desempeño.

RESOLVIENDO EL CONFLICTO Y TOMANDO

DECISIONES.

Como ya se mencionó, debido a que las reglas diseñadas para los controladores
difusos tienen correspondencia parcial y por consecuencia los antecedentes pueden
traslaparse, usualmente más de una regla de control puede llevarse a cabo. La
metodología empleada para decidir cual regla de control va a aplicarse recibe el
nombre de proceso de solución del conflicto. En el siguiente ejemplo asumimos que
se tienen dos reglas para ilustrar el proceso:

REGLA #1: si x es A1 y y es B1 ENTONCES Z es C1

REGLA #2: si x es A2 y y es B2 ENTONCES Z es C2

Ahora consideraremos que x0 y y0 son los sensores de las variables difusas x e y, y

que sus valores de verdad se representan por (x0) y  B1(y0) para la regla 1,

respectivamente, donde (x0) representa la función de membresía para A1. De

igual forma para la regla 2, tenemos (x0) y (y0).

El valor para la regla 1 puede calcularse:

1= (x0)  (y0)

donde  es el operador de conjunción, que como ya se dijo es igual al valor del
operando mínimo. De igual forma para la regla 2:

2= (x0)  (y0)

El valor de control para la regla 1 se calcula utilizando el valor obtenido en el

paso anterior y el valor del consecuente de la regla:

para la regla 2:

donde w corresponde al cambio de valores que puede tener el consecuente de la

regla.

Lo anterior significa que como resultado del valor obtenido en los sensores x0 y
y0, la regla 1 recomienda una acción de control que corresponde al valor de la

función de membresía , del mismo modo para la regla 2.

El proceso de solución del conflicto produce:

 c (w) = (w)  (w) = [ ][ ]

donde  c (w) es el mejor punto de la función de membresía para las dos

conclusiones. El resultado de esta operación es una función de membresía la cual
va a tener que desdifusificarse.

DECODIFICANDO LA SALIDA:
DESDIFUSIFICACION.
En esta etapa se produce la acción de control no difusa, que es representada por
la función de membresía de la acción de control. Existen varios métodos para
llevar a cabo estrategias de desdifusificación, pero los más utilizados son:
  Método de desdifusificación de TSUKAMOTO.
Sí empleamos una función de membresía monotónica , entonces la acción de
control puede calcularse mediante:

donde n es el número de reglas cuyo valor de la función de membresía es mayor

que cero(Wi), y Xi es la suma de la acción de control recomendada por la regla i.

 Método del centro de área (COA).

Este método es sensible al resultado de todas las reglas al momento de hacer la
desdifusificación, lo que produce una salida de control más suave.

Asumimos que se produce una acción de control con una función de membresía
dada por  C. El método de centro del área calcula el centro de gravedad de la
distribución para la acción de control. Asumiendo un universo de discurso
discreto:

donde q es el número de niveles de cuantización de salida, Zj es la suma de las

salidas de control en el nivel de cuantización j y  c(Zj) representa los valores de la
función de membresía en c. En otras palabras, este método asigna el centro del
área de la salida difusa final al valor desdifusificado. El centro de área también es
llamado centro de gravedad o centroide.
 Figura 14. Método de desdifusificación de Centro de Area(COA).

Método de la media del máximo (MOM).

Aquí el valor para llevar a cabo la acción de control se obtiene tomando el

promedio de los valores de membresía máximos, es decir, este método genera como
valor desdifusificado la media de todos los valores que alcanzan el mismo máximo
en la salida difusa final.

Figura 15. Método de desdifusificación de Media del Máximo (MOM).

Para un universo discreto, se calcula:

donde l es el número de valores cuantizados z cuya función de membresía es máximo.

Método del criterio del máximo.

Este método considera únicamente la acción de control sugerida por la regla
cuya conclusión fue evaluada con el valor de verdad más alto. El punto de
desdifusificación encontrado por este método es el que se encuentra donde la salida
difusa final alcanza su valor máximo por primera vez, en el sentido de los valores
crecientes del eje horizontal.
 Figura 16. Método de desdifusificación de Criterio del Máximo.
Desdifusificación para cuando las salidas están en función de las
entradas.

Como ya se mencionó, las reglas de control difuso pueden escribirse en función

de sus entradas. Por ejemplo:

Regla 1: SI x es Ai y y es Bi ENTONCES z es f(x,y)

asumiendo que  i es el valor de la regla i:

donde n es el número de reglas empleadas.

EJEMPLO: Se tienen las siguientes dos reglas.

Regla 1: SI X es A1 y Y es B1 ENTONCES Z es C1
Regla 2: SI X es A2 y Y es B2 ENTONCES Z es C2

Supongamos que x0 y y0 son las lecturas obtenidas de los sensores para las
variables difusas X y Y, y las siguientes son sus funciones de membresía:
 Además supóngase que se los valores obtenidos de las mediciones son x0 = 4 y y0 =
8. En el presente ejemplo ilustraremos como calcular:

 La función de membresía para la acción de control recomendada por la

combinación de las dos reglas.

 El valor de la acción de control utilizando dos métodos: COA y MOM.

El primer paso es relacionar las lecturas de los sensores x0 y y0 con los

correspondientes valores de los antecedentes A1 y B1, lo cual produce:

de forma similar para la regla 2:

y
 El valor para la regla 1 se obtiene de:

 1 = Min ( (x0), (y0) = Min (2/3,1) = 2/3

 2 = Min ( (x0), (y0) = Min (1/3,2/3) = 1/3

Aplicando  1 a la conclusión de la regla 1 se obtiene el área trapezoidal

sombreada de la figura 17 para C1, de forma similar para C2.

Figura 17. Desdifusificación de la combinación de las conclusiones de

las reglas.

Aplicando el método de desdifusificación del Centro del Area (COA), se obtiene:

mientras que si se utiliza la estrategia de desdifusificación MOM (Método del
máximo de la media), tenemos 3 valores cuantizados cuyas funciones de membresía
corresponden con el máximo valor (ejemplo: 3,4,5 con 2/3). Así:

INTRODUCCION.

Los modelos difusos empleados en el control de procesos tienden a seguir la

misma metodología empleada en el diseño de sistemas de control clásico, esto es: en
primer lugar el diseño conceptual es hecho en papel una vez que se ha entendido
tanto la mecánica del comportamiento del sistema como su dinámica en términos
de entrada/salida; acto seguido se procede a un ciclo de modelado y simulación, y
así sucesivamente hasta obtener el resultado deseado. Cabe aclarar que el proceso
descrito anteriormente puede apoyarse en herramientas de cómputo
especializadas.

Para los sistemas difusos, el método de diseño se efectúa de acuerdo con el

siguiente ciclo:
 Figura 18. Ciclo de la metodología de diseño.

Ahora procederemos a explicar cada una de las etapas consideradas en el

diagrama anterior.

DEFINICION DE CARACTERISTICAS DEL MODELO.

En esta etapa se definen las características funcionales y operacionales del

modelo, aquí la tarea del diseñador consiste en definir (aunque se carezca de un
modelo matemático del sistema):

 Los datos de entrada al sistema.

 Las transformaciones básicas que se aplicarán a los datos.
 Los datos de salida del sistema.

También deben se debe definir donde exactamente embona el sistema difuso en

la arquitectura total del sistema, lo anterior con la finalidad de proporcionar una
clara visión de la forma en que los datos estarán fluyendo hacia y desde el sistema
difuso, además de que se proporciona una gran ayuda al diseñador para la
estimación de los números y rangos de las entradas y salidas difusas requeridas.

DEFINICION DE CONJUNTOS DIFUSOS.

Para el proceso de definición de los conjuntos difusos en sistemas de control,

primero se identifican y nombran las variables de entrada y de salida y se
establecen sus rangos, por ejemplo:

Entrada: Temperatura [110, 330]ºC, Presión [100,2300] Pa

 Salida: Acción de válvula [-600, +600] mm/s

Como segundo punto, cada variable es descompuesta en un grupo de términos

difusos. Cada término representa un conjunto difuso en el universo de discurso de
la variable.

Figura 19. Descomposición de una variable en sus términos difusos.

Citemos algunas recomendaciones para la definición de los conjuntos difusos:

* El número de términos difusos (conjuntos) asociados a cada variable debe ser,

generalmente un número impar entre 5 y 9.

* Para producir una acción de control suave, cada conjunto debe traslaparse un
poco sobre los conjuntos vecinos. El traslapamiento debe ser entre 10% y 50% del
espacio ocupado por el conjunto vecino. La suma de las membresías de los puntos
verticales del traslapamiento siempre debe ser igual o menor a 1:

Figura 20. Traslape de las particiones de los conjuntos difusos.(a). Partición difusa
traslapada correctamente. (b). Partición difusa traslapada incorrectamente.
 *La densidad de los conjuntos difusos debe ser mayor alrededor del punto
óptimo de control del sistema y menor conforme aumenta la distancia a ese
punto.

De acuerdo con las recomendaciones anteriores un ejemplo de conjuntos de

entrada y salida es:

Figura 21. Ejemplo de conjuntos para entrada y salida

DEFINICION DE LAS REGLAS.

Las reglas de control engloban el conocimiento del sistema y los objetivos de

control. Cada regla tiene un estado del sistema en su premisa y una acción de
control sugerida en su conclusión.

Las reglas de control difusas conectan los valores de entrada con las propiedades
de la salida del modelo. Están expresadas como proposiciones condicionales:

SI [ESTADO DEL PROCESO] ENTONCES [ACCION DE CONTROL]

 Donde "Estado del proceso" y "Acción de control" es una proposición (o un
grupo de proposiciones ligadas por un conectivo Y), de la forma:

v es T

con v una variable y T un término difuso. Como ejemplo de regla de control

tenemos:

SI Temperatura Es Fría Y Presión Es Alta ENTONCES Acción de válvula Es

Positiva Media.

Orden de las reglas.

Las reglas de control difusas son declarativas y no secuenciales, lo que significa

que el orden en que se expresan no es importante.

Como una medida preventiva para el mantenimiento del controlador es

recomendable agrupar las reglas de acuerdo a las variables de sus premisas:

SI Temperatura Es Fría Y Presión Es Alta ENTONCES Acción de válvula

Es Positiva pequeña.
SI Temperatura Es Fría Y Presión Es Media ENTONCES Acción de
válvula Es Positiva normal.

SI Temperatura Es Fría Y Presión Es Baja ENTONCES Acción de válvula

Es Positiva grande.

SI Temperatura Es Media Y Presión Es Alta ENTONCES Acción de válvula

Es No operar.

SI Temperatura Es Media Y Presión Es Media ENTONCES Acción de

válvula Es No operar.

SI Temperatura Es Media Y Presión Es Baja ENTONCES Acción de

válvula Es Positiva.

Número de reglas.

El número de reglas que requiere un controlador difuso se halla multiplicando el

número de términos difusos de las variables de entrada. De esta manera las reglas
cubrirán todas las posibles combinaciones provenientes de las distintas entrada.
 Como ejemplo, para un sistema con dos variables de entrada cada una con 5
términos difusos existen 5 * 5 = 25 combinaciones de entrada y por lo tanto 25
reglas de control.

Diseño de una base de reglas.

Para diseñar una base de reglas se utiliza una matriz que cubre todas las
posibles combinaciones de las entradas.

Para un sistema con dos entradas se asigna una entrada a cada eje de la matriz y
existirán tantas divisiones en caja eje como términos difusos tenga la variable que
le corresponde:

En cada celda de la matriz se escribe la acción de control que sugeriría la regla

que tendría esa combinación de entradas como premisa. De la matriz se pueden
derivar todas las reglas que formarían una base completa.

Sí el sistema cuenta con tres entradas se utiliza una matriz por cada término
lingüístico de la tercera variable.

Figura 22. Ejemplo de diseño de una base de reglas.

En algunos casos es posible utilizar menos reglas pero no es recomendable

hacerlo, puesto que las reglas representan conocimiento, si alguna es eliminada, se
remueve conocimiento del sistema, conocimiento que puede volverse importante si
el sistema es modificado después.
ELECCION DEL METODO DE
DESDIFUSIFICACION.
 Aquí se selecciona uno de los varios métodos para convertir un conjunto difuso
de salida en una variable solución no difusa.

SIMULACION Y AJUSTE DEL SISTEMA.

Cuando el modelo difuso ha sido construido, el proceso de simulación y

desarrollo del prototipo comienza. En lo que se refiere a la simulación, está puede
realizarse en varios paquetes computacionales disponibles en el mercado.
Generalmente estos paquetes incluyen herramientas para evaluar el modelo difuso
y aislar problemas en los conjuntos difusos o en la base de reglas.

Cuando los resultados de la simulación o las pruebas no son satisfactorios se

realizan ajustes en las descripciones de los conjuntos difusos o en las acciones de
control sugeridas por las reglas, hasta afinar el desempeño del control.

El modelo es comparado con casos similares conocidos para validar los

resultados y terminar el desarrollo del control.

INTRODUCCION

En este parte se presenta una aplicación de diseño de un controlador difuso,

aplicado al problema del péndulo invertido, el cual se tomo de una tesis de
licenciatura realizada en la Universidad de las Américas Puebla, por el alumno
Ignacio Alfonso Quijano Arellano siendo dirigida por el Dr. Rubén Alejos
Palomares en 1995.

Nos limitaremos a presentar sólo la parte del trabajo desarrollado que nos
interesa y que es el diseño del controlador difuso

El PROBLEMA DEL PENDULO INVERTIDO.

Modelos del operador humano han sido investigados por muchos años.
Existen muchas razones del porque encontrar estos modelos ya que pueden ser la
base para entrenar a otros sistemas o bien montar el conocimiento en una máquina
que pueda reemplazar al operador humano ya que existen operaciones dentro de la
industria que pueden ser muy peligrosas tales como exploraciones bajo el mar,
aplicaciones en el espacio, o dentro de una planta nuclear. Estamos interesados en
el desarrollo de modelos que capturen una respuesta muy parecida al operador
humano a la hora de balancear manualmente un sistema robótico es el caso del
péndulo invertido.

Dentro del estudio de los robots de piernas o extremidades, lo más importante

ha sido el balanceo de estos, pues es la parte esencial para que no caiga el cuerpo
del robot.
 Las primeras máquinas que se balanceaban activamente fueron
automáticamente controladas por péndulos invertidos. Es sabido por cada uno de
nosotros que un humano puede balancear una escoba en su mano o en un dedo con
relativa facilidad. ¿Por qué no utilizar control automático para construir una
escoba (péndulo invertido) que se balanceé por si misma? Claude Shannon fue
probablemente el primero en hacerlo. En 1951 usó las partes de un juego erector
para construir una máquina que balanceara un péndulo invertido que estaba
arriba de un pequeño carrito de poder. El manejador del carro iba en direcciones
atrás y adelante, en respuesta a los tipos de movimiento del péndulo, éste era
sensado por un par de interruptores en su base. Para lograr moverlo de un lugar a
otro, el carro primero tenía que manejarse fuera del destino para poder
desbalancear al péndulo, para proceder en dirección del destino. Para balancear
nuevamente hacia el destino, el carro se movía pasando el destino hasta que el
péndulo se encontrará otra vez completamente perpendicular a la horizontal sin
velocidad hacia delante, entonces se movía en sentido inverso del destino y así lo
lograba balancear.

La importancia del balance activo en extremidades para la locomoción no es

un problema nuevo, pero el progreso en la construcción de sistemas con
extremidades físicas que ocuparan estos principios fue retardado por la evidente
dificultad del trabajo. No fue sino a finales de los años setenta que los experimentos
en balance comenzaron a salir adelante.

Otra de las principales aplicaciones que podemos encontrar para el péndulo

invertido además de los robots, es el posicionamiento de un satélite con respecto a
la tierra, en este caso el satélite esta en movimiento y las antenas que se encuentran
en la tierra no pueden dejar que se mueva demasiado, ya que sino se saldría del
rango de comunicación entre ellos. Es así como podríamos decir que están sujetos
estos dos cuerpos (satélite y antena) por un vector virtual el cuál en la parte de la
tierra se encuentra fijo y la parte en movimiento en el espacio, haciendo así la
función del péndulo invertido.

Existen más aplicaciones para el péndulo invertido como lo es la estabilidad

en grúas, edificios, aplicaciones didácticas, etc.

LOGICA DIFUSA COMO ALTERNATIVA AL

PROBLEMA DEL PENDULO INVERTIDO.
COMPARACION CLASICA DIFUSA.

El control clásico proporcional integral derivativo (PID) es ampliamente

empleado para controlar sistemas dinámicos. La idea básica es que la señal de
control es calculada en base a la diferencia entre un valor deseado de salida y un
valor actual de salida como una función del tiempo. El controlador PID tiene
atributos de una respuesta muy rápida reduciendo oscilaciones etc. Sin embargo
controladores proporcionales y derivativos son muy sensibles a señales con ruido y
es necesario un ajuste muy preciso para hacerlos funcionar adecuadamente.
También, la acción proporcional tiene una posibilidad de introducir oscilaciones
cuando existe un compromiso con el tiempo y esto hace que se retrase la respuesta
en tiempo de la misma.

El PID es un controlador lineal, esto es, las ecuaciones del PID asumen valores
lineales. Sin embargo cuando la dinámica del proceso no es lineal, hay que tener
especial cuidado para compensar la no linealidad del sistema, y el controlador PID
por si mismo no es suficiente para logar esta compensación. Este "cuidado
especial" no puede ser siempre explícito ni describirse en forma de ecuaciones,
pero es frecuente tener un operador humano que lo controle de modo empírico,
como se dice "la regla del dedazo". La escencia del control difuso es explotada en
este tipo de hechos conocidos.

Los sistemas de control difuso usan las mismas entradas que un PID (ej. error
y su derivada), pero procesan la no linealidad del sistema. De aquí que el
controlador difuso puede ser usado como un controlador PID no lineal.

En un ejemplo se tiene un controlador de temperatura y aquí se presenta la

respuesta que tienen los sistemas tanto un controlador difuso como un PID y se
puede apreciar perfectamente que el controlador difuso es más rápido y se
estabiliza también más rápido que un PID.

Figura 23. Comparación entre un control clásico PID y un control difuso.

CONOCIENDO EL SISTEMA.
En la figura 24 podemos ver el sistema balanceando el péndulo el cuál es libre
en movimiento en una dimensión de dirección y podemos notar también sus
diferentes variables físicas.
 Figura 24. Sistema del péndulo invertido.

Las ecuaciones del movimiento del carro junto con el péndulo no son
conocidas para el controlador, el cual hace que el sistema se vea como una caja
negra. Lo que es conocido es un vector que describe el sistema paso a paso. Sí el
péndulo cae este recibe una señal de fracaso. Después de que una señal de fracaso
ha sido recibida, el sistema se inicializa a su estado inicial y un nuevo evento es
realizado. En la masa se evalúa la retroalimentación, el controlador puede realizar
su propio control y trata de poder balancear el péndulo lo mejor posible. Esto no es
pocible y no se logra balancear ya que el carro tiene únicamente dos acciones de
control y siempre se mueve a la misma velocidad así es que posiblemente sólo le
cambie de dirección al péndulo pero con suficiente fuerza para que este vuelva a
caer hacia el lado contrario haciendo así moverse al carro con una misma
velocidad pero en sentido contrario para dar por finalizado el evento.

GENERACION DEL MODELO DIFUSO.

Para la creación del modelo difuso es necesario primeramente conocer el
funcionamiento de la planta y es recomendable para un entendimiento mucho más
fácil "jugar" por unos cinco minutos con una escoba y tratar de balancearla y al
mismo tiempo tratar de formular y describir con palabras lo que esta pasando, es
decir, si se va despacio hacia la izquierda decir que se movió un poco la mano a la
izquierda; si cae fuertemente a la derecha decir que se movió la mano fuertemente
hacia la derecha; hay que tratar de hacer el sistema en 180º de libertad y
procurando que el movimiento sea únicamente con un grado de libertad. Esta
práctica ayudará bastante al entendimiento de la generación del modelo difuso de
la planta.

Aunque la tarea anterior pareciera un poco "tonta" es importante tratar de

realizarla ya que se está interesado en desarrollar un modelo el cual capture
decisiones de respuesta del operador humano por medio de un control manual a la
hora de balancear el sistema, es así como trabaja la lógica difusa basada en hechos
reales y semejándose mucho al pensamiento del ser humano. El primer estímulo
para el operador humano es la información visual que este pueda captar en una
simulación en tiempo real.
VARIABLES INVOLUCRADAS,ESPACIOS DE
CADA VARIBLE Y RELACION ENTRE ELLAS.

El primer paso a seguir, es escoger una forma de representación de la relación

entrada-salida a ser modelada, para ello necesitamos tres elementos: variables,
relación entre las variables y parámetros que las relacionan. Debemos procurar
seleccionar a las variables de forma que los valores relacionados con el fenómeno
puedan ser medidos.

Definamos la variable de entrada, la cual lógicamente es la entregada por la

posición del péndulo con respecto a la horizontal y la llamaremos error, debido a
que cuando el péndulo esta totalmente perpendicular el error es cero y así cuando
se ha desplazado con algún ángulo ya exite un error ya que nuestra finalidad es
que exista siempre un error igual a cero. Cabe aclarar que el nombre puede
cambiar no es obligatorio ya que únicamente es una variable lingüística y el
diseñador la puede definir como mejor le parezca. La variable de salida se ha
definido con el nombre de acción de control, o fuerza (que se le aplicará al carro).
Una vez definidas las variables de entrada y salida se define para cada variable su
"universo difuso", es decir, se crea para cada variable los conjuntos difusos que
esta representa y a continuación se relacionan entre ellos por medio de reglas.

VARIABLE DE ENTRADA.

* Variable de entrada llamada error. Describe el margen de error que hay en

el péndulo con respecto a la horizontal. Es importante saber cuales son los rangos
donde opera el péndulo ya que existen rangos en los cuales será imposible levantar
el péndulo tal y como sucedió a la hora de jugar con la escoba. Estos rangos fueron
caracterizados con un margen de error (en términos de la variable) de  30 [18].

Es necesario expresar esta variable con palabras (grande, pequeño, medio) en

nuestro universo difuso, se crearon 7 conjuntos difusos para esta variable, las
cuales van desde error grande negativo (EGN) pasando por error cero (EC), hasta
error grande positivo (EGP).

Figura 25. Partición del universo de la varible lingüística error.

 El universo de discurso será entronces un conjunto convencional que abarca
la gama completa de valores que en dado caso puede asumir el error, así tenemos:

U=[-90º error, +90º error]

interpretando como error grande negativo (EGN) por debajo de -25º de error y por
error grande positivo (EGP) por arriba de +25º de error.

En este punto conviene aclarar que el procesado de los datos se hizo mediante
un microcontrolador. La partición del universo de la variable error está dado en
ángulos pero como realmente lo que ve el microcontrolador son valores de voltaje
entonces se muestra la partición con valores de voltaje (digitales). En este caso se
cuenta con un convertidor analógico digital de 8 bits entonces codificamos con una
gama de valores de 0 a 255, lo cual para el error del ángulo se tiene: (0)2 -90º de
error, en (128)2 0º de error y en (255)2 +90º de error. Así la partición para el
espacio de la variable, en términos del voltaje analogo se muestra en la figura 26.

Figura 26. Variable lingüística error descrita en valores de voltaje.

El universo de discurso entonces:

U= [0 volts, 5 volts]

en términos de voltaje analógico, para los valores de voltaje digital:

U= [0, 255]

interpretando como error grande negativo (EGP) por debajo de 100 y por error
grande positivo (EGP) por arriba de 145.

Este conjunto forma la base de conocimientos del controlador lógico difuso,

también dentro de la base de conocimientos tenemos la partición para la variable
de salida.
 VARIABLE DE SALIDA.
* Variable de salida llamada acción de control. Esta variable es la acción de
control que se le entregará al carro para ver que tan fuerte se moverá este y por lo
tanto hará que logre levantar o equilibrar al péndulo, el rango de la señal es de 0 a
5 volts. De forma que podemos decir que la variable acción de control tiene un
universo U = [0, 5] y sus particiones en términos de valores de voltajes digitales se
muestran en la figura 27.

Figura 27. Partición del universo de la variable lingüística acción de control.

Se define para rangos menores de 0.7 volts acción de control grande negativa
(GN) y para acciones de control por arriba de 4.3 volts como acción de control
grande positiva (GP) junto con sus valores intermedios acción de control mediana
(MN o MP), pequeña y cero (CR).

DEFINICION DE LAS REGLAS.

A continuación se describen la relación entre las variables y las reglas de

inferencia para los conjuntos difusos creados.

Las variables tanto de entrada como de salida tienen que estar íntimamente
relacionadas ya que para un error (variable de entrada) tiene que existir una
acción de control (variable de salida), dicho en otras palabras, si el péndulo cae un
poco entonces el carro se moverá poco y si cae mucho entonces el carro se moverá
más fuerte.

Partiendo de estas propiedades se crea la relación entre las variables y por lo

tanto la manera de relacionarlas es por medio de las reglas de inferencia las cuales
son 7:

REGLA #1: Si error ES grande negativo ENTONCES fuerza ES grande negativa

REGLA #2: Si error ES mediano negativo ENTONCES fuerza ES mediana
negativa

REGLA #3: Si error ES pequeño negativo ENTONCES fuerza ES pequeña

negativa

REGLA #4: Si error ES cero ENTONCES fuerza ES cero

REGLA #5: Si error ES pequeño positivo ENTONCES fuerza ES pequeña positiva

REGLA #6: Si error ES mediano positivo ENTONCES fuerza ES mediana positiva

REGLA #7: Si error ES grande positivo ENTONCES fuerza ES grande positiva

De esta manera ya tenemos relacionadas las dos variables, y así para una
entrada tendremos una salida, a bloques tenemos:

Figura 28.Diagrama a bloques del lazo de control difuso.

El proceso de desdifusificación se lleva a cabo mediante el método de centro de

área (COA).

Para llevar a la práctica el diseño se empleo un microprocesador el cual puede

manipular información para sistemas difusos, de la marca Togai Infralogic FC110.
Para guardar la información de la base de conocimientos se utilizan memorias
EEPROM.

PRUEBAS Y RESULTADOS.

Las pruebas realizadas primeramente fueron a lazo abierto para apreciar con
que fuerza se movería el carro, para que fuera posible levanta el péndulo cuando
este callera, de esta manera se empezaron a involucrar las variables tanto de
entrada como de salida.
 Todas las pruebas que se realizaron constan de una variable de entrada
(error) y de una variable de salida (acción de control) cada una descrita por siete
conjuntos. De alguna manera se modificaron para dar un ajuste de sintonía cada
vez más preciso para un mejor funcionamiento del controlador.

Una vez realizadas varias pruebas se llegó a un ajuste de conjuntos "preciso",

los cuales son los que se muestran en las figuras 29 y 30.

Las reglas de inferencia no se modificaron en ningún momento para el ajuste

ya que es lógico que a cada conjunto de la variable de entrada le corresponda un
conjunto de la variable de salida.

Algunas herramientas importantes en el análisis de control difuso son las

gráficas en tercera dimensión donde se pueden apreciar las variables en cuestión.

La siguiente gráfica muestra claramente que para la variable de entrada

error, cuyo valor va de –90º a +90º su correspondiente acción de control esta
descrita en valores digitales de voltaje de 0 a 255.

Figura 29. Gráfica en tercera dimensión de las variables en estudio.

Otro análisis importante es la gráfica de profile o mejor conocido como perfil.

Esta gráfica (Figura 6.8) muestra el perfil de la gráfica en tercera dimensión de la
figura 6.7. Nótese que para errores cercanos a cero la acción de control es
aproximadamente en valor digital a 128, es decir, 2.5 volts que es cuando el motor
(que mueve al carro) estará parado ya que se ha cumplido el objetivo del proyecto.
Se tiene una linea de "subida" que es nuestro "rango controlable" y en la parte
que va de –30º a –90º que forma el miembro de error grande negativo la acción de
control es de 0v (grande negativo) y la parte que va de +30º a +90º es la parte que
conforma el error grande positivo que esta en el orden de 5v.
Figura 30. Gráfica del profile con las variables involucradas.

BIBLIOGRAFIA DE LOGICA
DIFUSA
LIBROS Y ARTICULOS

Cox Earl. “Fuzzy Fundamentals”, Spectrum IEEE,

October 1992. P.58-61 . Descripción de controles
difusos, metodología de diseño, cuando emplearlos y
ejemplos.

Da Ruan (editor). Fuzzy Set Theory and Advanced

Mathematical Applications. Kluwer Academic
Publishers. Libro que contiene una colección de
artículos referentes al estudio de los conjuntos difusos.

Dubois Didier y Prade Henri. Fuzzy Sets and Systems:

Theory and Applications, Academic Press. Teoría y
aplicaciones de lógica difusa.

Bart Kosko. Neural Networks and Fuzzy Systems. A

Dinamical Systems Approach to Machine Intelligence.
Prentice Hall.

Kaufman Arnold, Gupta Madan M., Introduction to

Fuzzy Artihmetic. Van Nostrand , New York, 1991.
Aritmética de números difusos y teoría sobre
conjuntos difusos.

Lee, Chuen Chien, “Fuzzy Logic in control systems:

fuzzy logic controller part I”. IEEE Transactions on
Systems, Man and Cybernetics, Vol 20, No.2, p.404-
418, March/April 1990. Bases teóricas sobre control
difuso, revisión de un método general de diseño de un
control difuso.

Lee, Chuen Chien, “Fuzzy Logic in control systems:

fuzzy logic controller part II”. IEEE Transactions on
Systems, Man and Cybernetics, Vol 20, No.2, p.419-
435, March/April 1990. Bases teóricas sobre control
difuso, revisión de un método general de diseño de un
control difuso.

Mamdani E.H. and Assilian. “An experiment in

linguistic synthesis with fuzzy logic controller”. Int.
Journal Man Machine Studies. Vol 7, no.1, 1-13. 1975.
Primer control difuso aplicado a una máquina de
vapor.

Mc Neill, Martin and Thro Ellen. Fuzzy Logic. A

practical aproach. AP Profesional, 1994. Introduccón
al la lógica y al control difuso.

Yager Ronald y Zadeh Lotfi. An Introduction to Fuzzy

Logic Applications in Intelligent Systems. Kluwer
Academic Publishers. Libro que contiene una
colección de artículos sobre lógica difusa y sus
aplicaciones a sistemas inteligentes.

Yen , Langary and Zadeh. Industrial Applications of

Fuzzy Logic and Intelligent Systems. En este libro se
hace énfasis de las aplicaciones de la teoría difusa en
sistemas reales y como esta se ha aplicado en la
industria de países como Japón, Estados Unidos de
Norte América y otros tantos en Europa.

Zadeh Lotfi. “Fuzzy Sets”. Information and Control,

vol 8, pags. 338 – 353,1965. Artículo original
describiendo la teoría de los conjuntos difusos.

Zadeh Lotfi. “Fuzzy Logic”. Computer, p.83 – 92, April

1988. Introducción a la lógica difusa, características y
modos de inferencia.

Zadeh Lotfi, Kacprzyk, Janusz (editores). Fuzzy Logic

for the Management of Uncertainty. John Wiley &
Sons. 1992. Aplicaciones de los sistemas difusos en el
manejo de incertidumbres.