Logica Difusa-Merged PDF

LOGICA DIFUSA
• Lógica bivaluada: cada proposición debe ser verdadera o falsa.
• Lógica multivaluada: infinitos valores.
• En 1965 Lotfi A. Zadeh publicó su trabajó acerca de los

conjuntos difusos, la cual propone que los valores falso o
verdadero operen sobre el rango de números reales.
• Las matemáticas generadas por estas teorías son consistentes

y la lógica difusa puede ser una generalización de la lógica
clásica.
• La estadística mide la probabilidad que un evento futuro ocurra,

cuando la lógica difusa mide la ambigüedad de eventos que ya
han ocurrido.
CONJUNTOS DIFUSOS
• Un conjunto no tiene límites claramente definidos o precisos.
• La transición de la pertenencia o no-pertenencia de un

elemento, es gradual, y esta transición está caracterizada por
funciones de membresía.
• A = { ( x, µA (x) ) | x  X }
• donde µA (x) se conoce como la función de membresía
• X es llamado el universo de discurso
• x son los elementos de ese universo

EJEMPLO
• El universo puede tener elementos discretos (ordenados o no
ordenados) o ser un espacio continuo.
• El conjunto difuso A = “números inferiores a 3” se puede

expresar de la siguiente manera:
• A = { (x, µA (x) | x  X } , donde µA (x) se puede definir como:

1,2
• µA (x) = 1 – (x / 3) 1
Grados de membresía
0,8
0,6
0,4
0,2
0
0 0,5 1 1,5 2 2,5 3 3,5
Números inferiores a 3
INTERSECCIÓN (AND)
• µC (x) = min( µA (x), µB (x) ) = µA (x)  µB (x)
1,2 1,2
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
1,2 1,2
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
UNION (OR)
• µC (x) = max( µA (x), µB (x) ) = µA (x)  µB (x)
1,2 1,2
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
1,2 1,2
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
COMPLEMENTO (NOT)
• µÃ (x) = 1 - µA (x)
1,2 1,2
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
1,2 1,2
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
F. M. TRIANGULAR
• Una FM triangular se especifica mediante tres parámetros { a, b,
c }, de la siguiente forma:
 0, xa
x a
 , a xb
triángulo( x; a, b, c)   b  a
cx
 , b xc
c b
 0, cx
• Utilizando operadores min y max, la expresión anterior se

puede expresar como sigue:
  x a c  x 
triángulo( x; a, b, c)  max min , ,0 
 ba cb 
F. M. TRAPEZOIDAL
• Una FM trapezoidal se especifica mediante cuatro parámetros {
a, b, c, d }, de la siguiente forma:
 0, xa
x a
 , a xb
b  a
trapecio( x; a, b, c, d )   1, b xc
d  x
d  c , c  x  d
 0, dx

• Utilizando operadores min y max, la expresión anterior se
puede expresar como sigue:
  x a d  x 
trapecio( x; a, b, c, d )  max min ,1, ,0 
 ba d c 
F. M. GAUSIANA Y TIPO CAMPANA
• Una FM gausiana se especifica con dos parámetros { c,  }; c
representa el centro de la FM y  determina su anchura.
2
1  x  c 
  
2   

gauss( x; c, )  e
• Una FM del tipo campana generalizada (o FM tipo campana) se
caracteriza mediante tres parámetros { a, b, c }; donde c y a
definen el centro y el ancho de la FM, respectivamente,
mientras que el parámetro b controla las pendientes en los
puntos de cruce.
1
campana( x; a, b, c) 
2b
xc
1
a
FORMAS DE ONDA
• Las FM que se muestran en la figura corresponden a las
definidas por los siguientes valores: triángulo(x; 6, 7, 9),
trapecio(x; 5, 6, 8, 10), gauss(x; 0.7, 3) y campana(x; 1.5, 5, 3).
SINGLETON
• Un conjunto difuso que contiene un único elemento, x0, es denominado
una singularidad difusa o fuzzy singleton.
• El uso de singletons simplifica considerablemente el proceso de

inferencia y posibilita la implementación electrónica eficiente de los
sistemas de inferencia difusos.
• µs(x) = 0 si x  x0 µs(x) = 1 si x = x0
µs(x)
x0
REGLAS DIFUSAS IF....THEN
• Los conjuntos y los operadores difusos son los sujetos y
predicados de la lógica difusa. Las reglas if-then son usadas
para formular las expresiones condicionales que abarca la
lógica difusa
• if x is A then y is B
• Donde A y B son los valores lingüísticos definidos por los

conjuntos definidos en los rangos de los universos de discurso
llamados X e Y, respectivamente.
• La parte if de la regla ´x es A´ es llamada el antecedente o

premisa, mientras la parte then de la regla ´y es B´ es llamada
la consecuencia o conclusión
ESTRUCTURA DEL SISTEMA
•La fusificación de las variables de entrada.
•Aplicación del operador difuso (AND ó OR) en el antecedente.
•Implicación del antecedente con el consequente.
•Agregación de los consecuentes a través de las reglas.
•La defusificación.
ESTRUCTURA DEL SISTEMA
Regla 1
Entrada 1
Regla 2
Regla 3
 Salida
Entrada 2
Regla 4
Las entradas Las reglas son Los resultados El resultado es

son números evaluadas en de las reglas un valor
limitados a un paralelo son numérico no
rango usando un combinadas y difuso.
especifico. razonamiento defusificadas.
Entradas no difuso.
difusas.
FUSIFICACIÓN DE LAS ENTRADAS
•Para cada entrada existen diferentes conjuntos con variables

lingüísticas, en nuestro caso hay dos subconjuntos para cada
variable de entrada.
X = {BAJO, ALTO}
Y = {BAJO, ALTO}
•Las variables de entrada X e Y, al igual que la variable de salida Z
pertenecen al mismo universo de discurso comprendido en el rango
entre 0 y 10.
•Las funciones de membresía son:
BAJO(T) = 1 - ( T / 10 )
ALTO(T) = T / 10
FUSIFICACIÓN DE LAS ENTRADAS
Salida difusa = 0,5
10
Entrada no difusa = 5
REGLAS DEL SISTEMA
Regla 1: if X es BAJO and Y es BAJO then Z es ALTO
Regla 2: if X es BAJO and Y es ALTO then Z es BAJO
Regla 3: if X es ALTO and Y es BAJO then Z es BAJO
Regla 4: if X es ALTO and Y es ALTO then Z es ALTO
Otra manera de analizar las reglas es mediante una tabla:
BAJO ALTO
BAJO ALTO BAJO

Y
ALTO BAJO ALTO
APLICAR EL OPERADOR DIFUSO
•Una vez que las entradas han sido fusificadas, conocemos el
grado en el cual cada parte del antecedente ha sido satisfecho
para cada regla.
•Sí el antecedente de una regla dada tiene más de una parte, el
operador difuso es aplicado para obtener un número que
represente el resultado del antecedente para esa regla.
•Para la operación AND existen dos formas conocidas como min
(mínimo) y prod (producto algebraico).
• Para la operación OR existen dos formas conocidas como max
(máximo) y sum (suma algebraica).
• Además de estos métodos de construcción, uno puede crear
su propio método para AND y OR escribiendo cualquier función.
APLICAR EL OPERADOR DIFUSO
•El grado de verdad para la premisa de una regla es referida
como el nivel de disparo y es denotada como  (alfa).
X Y BAJO(X ALTO(X) BAJO(Y) ALTO(Y) 1 2 3 4

)
0 0.32 1 0 0.68 0.32 0.68 0.32 0 0
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 ALTO 0,6 ALTO
u(X)
u(Y)
0,5 BAJO 0,5 BAJO
0,4 0,4
S S
0,3 0,3
0,2 0,2
0,1 0,1
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
X Y
METODO DE IMPLICACION
•Un consecuente es un conjunto difuso representado por una
función de membresía, en nuestro caso tiene asignada dos, las
cuales son:
Z = { BAJO, ALTO }
•Hay dos métodos conocidos que son las mismas funciones
usadas por el método AND: min (mínimo), que trunca el
conjunto difuso de salida, y el PROD (producto), el cual escala
al conjunto difuso de salida.
•El grado de verdad de la premisa de cada regla es computada
y aplicada al consecuente de cada regla. Este resultado es un
subconjunto difuso que será asignado a cada variable de salida
correspondiente. Nosotros aplicamos en este ejemplo el método
de Mamdani ó método de inferencia MIN-MAX. Para cada regla
hacemos el MIN entre el nivel de disparo y la función de
membresía de la variable de salida indicada en el consecuente.
METODO DE IMPLICACION
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
R1 R2
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
R3 R4
METODO DE AGREGACION
•Agregación o composición es el proceso por el cual los conjuntos
difusos que representan las salidas de cada regla son combinadas
en un único conjunto difuso.
•La salida del proceso de agregación es un conjunto difuso para
cada salida variable.
•Los dos métodos más conocidos son: max (máximo) y sum
(suma).
•Lo más común cuando usamos la función 'min' en el método de
implicación es corresponder con la función 'max' en el método de
agregación.
•De igual manera si elegimos la función 'prod' para el método de
implicación, es usual hacerlo corresponder con la función 'sum'
para el método de agregación.
METODO DE AGREGACION
•En el proceso de composición o agregación, todos los
subconjuntos difusos son combinados para dar un único conjunto
de salida, esto se logra haciendo el MAX de las funciones
mostradas en los gráficos anteriores, obteniéndose la siguiente
figura:
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9 10
Composición
DEFUSIFICACION
•La entrada para el proceso de defusificación es un conjunto difuso
(la salida de la etapa de agregación) y la salida es un simple
número concreto. Los sistemas del mundo real requieren un
resultado numérico.
•El método más popular de defusificación es el cálculo del centro

de gravedad ó centroide, el cual retorna el centro del área bajo la
curva. Al igual que en los pasos anteriores existen más métodos de
cálculo.
Centro de gravedad
DEFUSIFICACION
Forma continua
•Para calcular el algoritmo del centro de gravedad (cog, siglas en
ingles) dividimos al Momento de la función por el Area de la función:
Forma discreta
•Se divide la función en partes iguales y se calcula haciendo la
sumatoria de todos los puntos de la siguiente manera:
•Hay que tener en cuenta que al dividir en partes iguales al

conjunto de salida se simplifican los z, si las particiones fueran
diferentes habría que tener en cuenta el z porque sino se pierde el
sentido de Momento y Area de la función.
DEFUSIFICACION
Forma continua:
Forma discreta para 10 muestras:

PRODUCTO CARTESIANO
El producto cartesiano es usado para definir una relación entre dos
o más conjuntos (sean ordinarios o difusos).
El producto cartesiano es denotado como AxB y es definido como:
Una relación difusa R de A y B es un subconjunto difuso de AxB,

donde R(a, b) es la función de membresía de R.
R también puede ser representado como una matriz, depositando

cada elemento de R(a, b):
IMPLICACION
•La regla 'si el nivel es bajo, entonces abro V1' es llamada una
implicación, porque el valor de 'nivel' implica el valor de 'V1' en el
controlador.
•Hay muchas maneras de definir la implicación, se puede elegir una
función matemática distinta en cada caso para representar a la
implicación.
•Cada regla puede ser interpretada como una relación difusa como
Ri: ( X  Y )  [ 0, 1 ].
•Cuando usamos una conjunción A  B, la interpretación de las
reglas if-then sería "es verdadero que A y B cumplen
simultáneamente".
•Esta relación es simétrica y puede ser invertida. La relación R es
computada por el método de Mamdani utilizando el operador Min.
•La representación de la relación difusa R del modelo entero es
dado por la disjunción (unión) de las K relaciones de cada regla
individual Ri.
IMPLICACION
MODUS PONENS GENERALIZADO
Premisa 1: x es A’
Premisa 2: Si x es A entonces y es B
Consecuente: entonces y es B’
El principio anterior establece que en la medida que A’ sea similar a A,
entonces se puede deducir un B’ que es similar a B. Obsérvese que el
MP es un caso especial del MPG cuando A’ es completamente igual A
entonces B’ es B. Por otra parte, regla composicional se basa en el
siguiente principio intuitivo:
•dados dos conjuntos difusos A y B definidos en los conjuntos universos
X e Y respectivamente,
•si existe una relación R entre A y B definida en X x Y,
•entonces a partir del conjunto A se puede deducir B a través de la
composición entre A y la relación R de la siguiente forma:
B =AR
INFERENCIA
Si x es A entonces y es B
x  A’ y  B’
µAB
µA’ µB’
R
INFERENCIA
El grado de cumplimiento del i antecedente de cada regla sería:
Para un conjunto difuso singleton la ecuación anterior se

simplifica:
El conjunto difuso de salida del modelo lingüístico es:

EJEMPLO
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
0,4 0,4
0,3 0,3
0,2
0,1
0,2
0,1 B’
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
A’
Elementos del dominio X
3 4 5 6 7
A 0 0,5 1 0,5 0
Elementos del dominio Y

3 4 5 6 7
B 0 0,5 1 0,5 0
EJEMPLO
R 3 4 5 6 7 R : si x es A entonces y es B
3 0 0 0 0 0
4 0 0,5 0,5 0,5 0 µAB
5 0 0,5 1 0,5 0
6 0 0,5 0,5 0,5 0
7 0 0 0 0 0
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
7
0,1
0 5
3 4 5 3
6 7
EJEMPLO
 = max [ A’(x)  A(x) ] = max ( [0; 0.5; 0; 0; 0]  [0; 0.5; 1; 0.5; 0] )

 = max [0; 0.5; 0; 0; 0] = 0.5
B’ =   B = 0.5  [0; 0.5; 1; 0.5; 0]

B’ = 0.5  [0; 0.5; 0.5; 0.5; 0]
Cap. 4 Aplicaciones de Fuzzy
Embebida
Harold Romo
Introducción
 Un modelo lingüístico puede tomar ventajas

sobre un modelo matemático complejo.
 La lógica difusa simplifica el modelo.
 Existen muchas aplicaciones embebidas de LD
- Control Fuzzy
- Procesamiento de señales Fuzzy.
- Procesamiento de imágenes Fuzzy. Etc.
4.2 Control convencional Vrs. Fuzzy
 Las funciones puedes verse en los dominios:

– Tiempo – el operador diferencial d/dt típico.
– Frecuencia – Laplace. s = +j. G(s) F.d.T
– G(s) puede ser:

 Ganancia G(s) = K
 Derivador 1er orden: G(s) = s
 Integrador 1er orden: G(s) = (s)-1
 Segundo orden G(s) = (s2+ 2  s+ 2)-1
 Representaciones de G(s):
– Polos-ceros:
– Constantes de tiempo:
 Análisis de Sistemas:
– Estabilidad –
crecimiento acotado /
oscilación amortiguada.
– Respuesta Transciente.
– Respuesta de Estado
Estacionario.
 Análisis de Control Realimentado. – requiere
– Modelo matemático de c/bloque (F.d.T).

– Representación Diagrama de Bloques y F.d.T
equivalente.
– Estudiar: Respuesta al escalón / mapa de polos y
ceros / lugar geométrico de raices / Diagramas de
Bode, Nyquist / carta de Nicols.
– Ej. Un sistema es estable sii su polos están en el
SemiPlano Izquierdo del plano s.
 Diseño. – objetivo
– Lograr las especificaciones de desempeño

deseadas ( temporales o frecuenciales).
– Ejemplo
 Temporales de estado transciente: % de sobreimpulso /
tiempo de subida / tiempo de establecimiento / constante
de tiempo / etc.
 Temporales de estado estacionario: error de SS.
 Frecuenciales: Márgenes de ganancia / fase / tasa de
caída / pico a frecuencia de resonancia / etc
 Control PID. – (Proportional Integral Derivative)
– Si Kp aumenta, la velocidad de
respuesta del sistema aumenta,
el error de SS disminuye pero no
se elimina.
– Si Kd aumenta, el factor de
amortiguamiento aumenta,
reduce el sobreimpulso, pero es
sensible al ruido (nunca usar
derivador solo).
– Si Ki aumenta, el error de SS
disminuye, pero el sistema tiende
a ser inestable (nunca usar solo).
4.3 Controlador Lógico Difuso FLC
 Fuzificación:
– Las entradas “crisp” en U, son convertidas en

conjuntos difusos U*.
– El operador de fuzificación es tal que  : E  E*

 Defuzificación:
– Convierte acciones de control fuzzy inferidas en

acciones “crisp”.
– La condición E implica la condición U, if E then U
– El control fuzzy está basado en un modelo
liguístico.
– Definición de: reglas base y funciones de
pertenencia.
 Diseño. - se asume que:
– Siempre existe una solución.

– Las variables entrada/salida pueden ser medidas.
– La solución es adecuadamente aceptable (no la
más óptima).
– El modelo lingüístico puede crearse con la
experticia humana.
 Modelar un sistema linguísticamente requiere:
– Identificar variables entrada/salida. (temp, vel, etc)

– Definir subconjuntos fuzzy que describen el
universo del discurso de cada variable y asignar un
nombre lingüístico a c/u. ej.
Vel {lenta, media, rápida}.
– Formar la base de Reglas que asocian
entradas/salidas.
– Determinar métodos de: fuzificación / defuzificación
– Para una misma entrada, pueden actuar varias
reglas if – then simultáneamente.
– Pero cada regla tiene asociado un peso, así una
misma entrada puede pertenecer a diferentes
conjuntos fuzzy con diferentes valores de
pertenencia.
 Ej. Un valor de temperatura: Temp=80oc, puede
pertenecer al subconjunto muy alta con =0.8 o
pertenecer al subconjunto media con =0.3
– Ej. cont….
If very high then acción 1.
If medium then acción 2.
La acción 1 es definida por el conjunto Fuzzy 1, y
La acción 2 es definida por el conjunto Fuzzy 2.
Y la agregación de los dos conjuntos forman un tercer
conjunto Fuzzy F.
– Así, la salida del modulo de razonamiento fuzzy
puede involucrar más de dos conjuntos fuzzy.
F = U Fi , i=1,2,…,k
– Asumiendo que el
soporte de F es
X={ x1, x2,…},   xi  X,
F(xi)=wi.
– Este valor dice que tan
buena es la salida.
– La defuzificación se
aplica en F para
determinar la mejor
salida.
– Existen muchos métodos. Incluso identificadas
con diferentes nombres, técnicas similares.
– El seleccionado queda a juicio del diseñador.
– Factores a tener en cuenta: Costo computacional
/ aplicación específica / etc..
– Veamos ahora algunos métodos de defuzificación
 Defuzificación – Método del Centroide:

 Defuzificación – Centro de Area más Grande

– La salida consiste en dos subconjuntos convexos
fuzzy no traslapados.
 Defuzificación – Primer Máximo
– El menor valor x con máxima función de
pertenencia.
 Defuzificación – Máxima pertenencia
– El valor de x con más alto F(x*)
 Defuzificación – Media de centros

 Defuzificación – Pertenencia Media –Maxima

– En el ejemplo: x*=(a+b)/2
 Defuzificación – Centro de sumas
– suma algebraica de los subconjuntos fuzzy en
lugar de su unión – las intersecciones se
consideran dos veces.
 Otros ……
 Análisis Fuzzy:
– El análisis convencional se basa en modelos
matemáticos.
 En análisis fuzzy considerar:
1.- Consistencia de las Reglas If – Then.
2.- Suficiencia de Reglas – asegurar control
suave, tampoco demasiadas.
 Consideraciones ….
3.- Inferir una acción de control apropiada para
cualquier estado del proceso.
4.- Asignación apropiada de conjuntos fuzzy en el
universo del discurso. El traslape de funciones de
pertenencia asegura robustez y completitud pero
podría introducir distorsión en la salida.
5.- selección adecuada de defuzificación – acción
de control suave y apropiada.
 Criterios de Estabilidad.
– Habilidad del sistema para converger o
permanecer cerca de un valor de equilibrio.
– Los sistemas difusos son por lo general de
carácter no lineal, lo que hace complejo el
concepto de estabilidad.
– Un sistema No lineal es asintóticamente estable
si parte de un punto de equilibrio y vuelve a él, o
si solo se mantiene cerca de él es estable en
sentido de lyapunov.
 Criterio de Estabilidad Energética.

– Ley física. Un sistema dinámico es estable si su
energía total decrece con el tiempo hasta un valor
estacionario. Algoritmo Kiszka et al.
– Ecuación básica de un sistema dinámico:
Xk+1 = Xk o U o R , k=1,2, …
Xk+1 y Xk conjuntos fuzzy en los instantes Kth y
(K+1)th respectivamente.
R; relación fuzzy de descripción del sistema de
control fuzzy.
 Criterio de Estabilidad
Energética.
– Si no hay entrada, se dice el

sistema está no forzado, esto es
Uk = zero (conjunto singleton).
 Energía de una Relación P fuzzy:

– Haciendo P = Uk o R, se tiene: Xk+1 = Xk o P
– Un estado está en equilibrio si: Xk+1 = Xk = Xs ; k
finalmente: Xs = Xs o P
– La energía E(P) se define según Kiszca et al.
 X e Y conjuntos fuzzy, en los universos del discurso Wx

y Wy.
 Mp matriz de la relación fuzzy P
 Energía de una Relación P fuzzy:

– Ejemplo:
 Energía de un sistema dinámico fuzzy
xo estado inicial del sistema
Finalmente:
1.- La diferencia de energía entre

dos estados consecutivos es:
2.- si E(Xo) es constante, E no
dependerá de la cond. Inicial.
3.- la función característica de
energía Ec(P,k) se expresa:
4.- De aquí se determina la
estabilidad:
 Ejemplo: determinar la
estabilidad de un
sistema fuzzy
– Universos del discurso:
X=Y =[1,2]
– Regla de composición
max-min.
C(i,j)=max[min{(ai,:,b:,j)}]
Conclusión: Es oscilatorio periodo T=1

 Ejemplo: determinar la
estabilidad de un
sistema fuzzy
– Universos del discurso:
X=Y =[1,2]
– Regla de composición
max-min.
C(i,j)=max[min{(ai,:,b:,j)}]
Conclusión: Es Estable
4.4 Ejemplos de aplicaciones simplificados
 Elementos del diseño de un sistema práctico

con lógica difusa:
– Definición de entradas / salidas / reglas de control
fuzzy.
– El análisis y diseño son asistidos por
herramientas sw.
– La base de reglas se determina por experticia
humana o mediante redes neuronales.
– Se espera la solución adecuada, mas no la
óptima de la cual se encargan los algoritmos
genéticos.
4.4 Ejemplo 1. Maquina lavadora
 Posibles entradas: peso / tipo de tejido /

cantidad de mugre.
 Posibles salidas: Cantidad de detergente /
tiempo de lavado / vel. de agitación / nivel de
agua / temperatura del agua.
 El objetivo: Ahorro de agua / Detergente /
Energía / Tiempo / Dinero.
 Solo consideramos por facilidad:

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

Tabla: Reglas de control fuzzy

Resultados de salida:
Observaciones:
1. Estas curvas pueden ajustarse en el proceso de pruebas y verificación
de resultados según el análisis del mismo.
2. Estas curvas pueden cambiar con cada diseñador y su criterio o juicio.
4.4 Ejemplo 2. Maquina aspiradora
Cap. 5 Crítica a la Lógica Difusa
Harold Romo
5.1 Introducción
 Practicidad en Ingeniería.
 Soporte matemático formal.
 Limitaciones en aplicaciones.
 Posiciones a favor y en contra.

5.2 Objetivos de la lógica difusa
 Opositores que afirman “cualquier tipo de

incertidumbre puede manejarse con teoría
de la probabilidad”.
 William Kahan: “la lógica difusa es la cocaina

de la ciencia” - “no se concibe la fuzificación
como alternativa del método científico”.
 Defensores que afirman “la teoría de

conjuntos fuzzy y lógica difusa está
cambiando el mundo”.
 La crítica más razonable es la que hace su

propio fundador -Lotfi Zadeh- “se ha logrado
el objetivo?”.
 Cual es el objetivo?
 Hacer pensar a los computadores como

piensan las personas y hacer computación
con palabras.
 Desde un punto de vista de la ingeniería la

Lógica difusa es muy útil, pero como
cualquier otra metodología tiene sus
limitaciones.
5.3 Que hay con el nombre “Fuzzy”
 No hay nada difuso en la lógica difusa, ni es

difusa la teoría en si misma, de hecho en
análisis y diseño se recurre al conocimiento
experto.
 Rene Descartes – paralelo con los números 

5.4 Fuzziness Vrs. Probabilidad
 Probabilidad : medida de la incertidumbre

individual sobre un evento u objeto.
 La controversia nace de la afirmación “No se
ha demostrado que esta metodología ha
resuelto problemas que no puedan resolverse
con probabilidad”.
 La LD y probabilidad pueden complementarse
 Definitivamente no son lo mismo.
– Ej./ En T. de Probabilidad se cumplen dos

propiedades: AA’=I y AA’=.
– En LD la ley del medio excluido y ley de

contradicción respectivamente.
 Tienen parecidos como:

– Valores de pertenencia y de probabilidad en [0,1]
– Pero la suma de estos para el conjunto fuzzy
definido no necesariamente suma 1.
– Las dos manejan conjuntos y conectores lógicos.
– Hay ya! Literatura que combina los términos
Fuzzy-probabilidad – para describir dos teorías
conceptualmente distintas en una hibrida.
5.5 Filosofía de la lógica difusa
 “El hecho de que una teoría no aplique bajo

ciertas condiciones no implica que no sea
válida, ni tampoco que no sea correcta la
teoría”
 Si una teoría puede conducir a una solución

válida, puede ser usada para propósitos de
ingeniería.
5.5 Filosofía de la lógica difusa
 “La sabiduría del pobre se desprecia y sus

palabras no se escuchan. Más vale la
sabiduría que la fuerza” Ecleciastés cap.9.
 O como diríamos los mortales “Todo lo del

pobre es robado”.
5.6 Revisión de aplicaciones ingenieriles
 La LD tiene sus campos de aplicación como

limitaciones.
 Las solución que provee no es la óptima
pero es aceptablemente adecuada.
 Solo adoptarse en aplicaciones que saquen
ventaja de su utilización.
 Limitaciones:
– No resuelve problemas que no tengan soluciones
conocidas.- no hay modelo matemático.
– No tiene la habilidad para aprender funciones de
pertenencia o reglas nuevas durante o después
de resuelto el problema.
– Requiere exhaustiva validación y verificación de
resultados después de implementada la solución.
– El asunto de la estabilidad es muy delicado.
 Control fuzzy vrs. Control PID

– Se propone comparar desempeño de estas dos
técnicas para confirmar la aplicabilidad de FLC.
– Encontrar aplicaciones donde PID no se pueda
implementar por complejidad y si se pueda FLC.
 Complejidad matemática
– La idea es hacer pensar a un PC como piensa la
gente experta y diseñar un sistema con palabras.
– Aún así en si misma encierra complejidad
matemática y es complejo su entendimiento.
Conclusiones
 A pesar de las críticas desde su aparición, la

LD ha tenido buena aceptación y su
implementación hoy en día es muy
numerosa e ilimitada.
 Afirmación como esta: “Los algoritmos
matemáticos complejos trabajan en teoría
pero no en la práctica” y “La Lógica difusa
trabaja en la práctica pero no en teoría”
 Personal “si le sirve, úsela”
Buses de campo y
redes industriales
Ing. José Arturo Marín Thames

Temario
1. Tendencias en la arquitectura de control 3.2 INTERBUS
1.1 Velocidad de adaptación de las 3.3 DEVICENET
tecnologías
3.4 FOUNDATION FIELDBUS
1.2 Alternativas de implementación en los
sistemas control 3.5 FIP- WorldFIP
1.3 Características generales de los buses de 3.6 LONWORKS
campo 3.7 SDS
1.4 Ventajas de los buses de campo 3.8 CAN Open
2. Clasificación de los buses de campo 3.9 MODBUS
2.1 Buses de alta velocidad y baja 3.10 INDUSTRIAL ETHERNET
funcionalidad 3.11 AS-I
2.2 Buses de alta velocidad y funcionalidad 3.12 BITBUS
media 3.13 CONTROLNET
2.3 Buses de altas prestaciones 3.14 HART
2.4 Buses para áreas de seguridad intrínseca 4. Estudio de un caso real de
3. Buses estandarizados implementación de redes industriales
3.1 PROFIBUS
3.1.1 PROFIBUS DP
3.1.2 PROFIBUS PA
3.1.3 PROFIBUS FMS
Velocidad de adaptación de nuevas
tecnologías y sistemas de control
• Las necesidades productivas de cada industria marcan
las características de su sistema de control
• Las tecnologías en las que se basan (microprocesadores,
electrónica, software, sensores, actuadores), cambian en
forma permanente.
Pico de euforia
Percepción Adopción
gradual
Aparición de la
tecnología
Escepticismo
Tiempo
TENDENCIAS EN LAS ARQUITECTURAS
DE CONTROL
¿Porque son necesarias las redes industriales?
Un sistema o arquitectura de control tendrá éxito en función de lo capaz

que sea de adaptarse a las necesidades de fabricación.
NECESIDADES DEL CLIENTE
Productos Precio Producción Diseño Tiempo mínimo

de calidad competitivo masiva personalizado de suministro
Sistemas de control automático
¿Qué es un sistema de control automático?
Es un sistema capaz de realizar el control y ejecución de
un proceso para el que fue diseñado sin intervención
humana, logrando que los ciclos de trabajo mantengan
el mismo nivel de repetibilidad, seguridad y precisión.
¿Por qué se automatizan los procesos?
1. Evitar tareas tediosas al operador humano.
2. Abaratar costos de producción.
3. Incrementar y mantener la calidad de los productos.
4. Realizar tareas que son muy complicadas o peligrosas
para un operador.
5. Reducir los tiempos de introducción de un producto al
mercado.
Componentes típico de un sistema de control
SUPERVISIÓN
SALIDA
CONSIGNAS Y ORDENES PROCESO

CONTROLADOR ACTUADOR
ENTRADAS SENSOR
ARQUITECTURAS DE CONTROL
Controlador
Centralizada
Sensor Actuador
Controlador
Descentralizada
Sensor Actuador Sensor Actuador

ARQUITECTURAS DE CONTROL
Distribuida
Controlador 1 Controlador 2 Controlador n
Sensor Actuador Sensor Actuador Sensor Actuador

Buses de campo y redes industriales
Características generales:
• Sistema de transmisión de información (datos).
• Sustituye las conexiones punto a punto entre dispositivos de campo y

equipo de control.
• Redes digitales bidireccionales, multipunto montadas sobre un bus serial.
• Cada dispositivo de campo en una red industrial cumple funciones de:
1. Control
2. Mantenimiento
3. Diagnóstico
• La red industrial aumenta la eficiencia del sistema gracias al monitoreo

de las variables y reduce las horas de mantenimiento.
TIPOS DE VARIABLES
CARACTERISTICAS EN FUNCIÓN
VARIABLE OBSERVACIONES
DEL TIEMPO
Se ordenan o muestrean en orden de Las demoras pueden
CONTROL decenas o centenas de milisegundos provocar perdida de
Ej.: Valor leído por control.
sensor
Se producen solo una vez o Las demoras pueden

COMANDO continuamente durante un breve provocar perdida de
Ej.: Orden de marcha de periodo. control.
un motor
Se presentan en forma asíncrona o Las demoras pueden

SUPERVISIÓN síncrona. afectar el monitoreo y
Ej.: Monitoreo de funcionamiento del
proceso
velocidad de motor
Se producen por ráfagas hasta que se Si se desordenan puede
ALARMA reconocen. haber una interpretación
Ej.: Detecta límite de errónea de la causa de la
falla y por tanto acción
presión alto
correctiva equivocada.
REQUISITOS DE UNA RED INDUSTRIAL
Transportar pequeños paquetes de información en un tiempo acotado.

Muestrear en forma simultanea y periódica cierta cantidad de entradas.
Indicar si los valores adquiridos están dentro del error aceptable para el
intervalo de muestreo ( consistencia temporal ).
Proveer medios para conocer el orden en que se produjeron eventos
esporádicos.
Permitir transmisiones punto a punto y multipunto
Resistir interferencia , vibraciones, etc.
Bajo costo en todo el ciclo de vida de la aplicación
Modelo de información en una red
industrial
COMPUTER INTEGRATED MANUFACTURING
Tiempo real: Dato no disponible a tiempo constituye un error para el sistema.

Niveles de integración en un modelo CIM
Nivel empresa:
Con los datos obtenidos en el nivel inferior se realizan los procesos de:
1. Planificación.
2. Seguimiento del mercado.
3. Coordinación corporativa.
4. Control de gastos, inversiones e ingresos.
Nivel Planta:
Control operativo de la planta:
1. Niveles de productividad y calidad de los productos.

2. Análisis y proyección de producción.
3. Programación de mantenimiento preventivo, correctivo y predictivo.
Nivel Área de producción:
Coordinación entre elementos de campo y celda de producción:
1. Suministro de información a celdas de producción.

2. Se almacenan variables de proceso (recetas, tablas de datos, etc.).
3. Coordinación de transporte de insumos y productos.
(continuación)
Nivel celda:
Coordinación de elementos inferiores de proceso, transferencia de información a
niveles superiores mediante buses de campo:
1. Sistemas de control numérico.

2. Sistemas de robots.
3. Interfaces Hombre Máquina.
Nivel campo:
Elementos de mando y control que intervienen en proceso:
1. Controladores lógicos programables PLC.

2. Reguladores PID.
3. Equipos de instrumentación y adquisición de datos.
Nivel sensor/actuador:
Máquinas y elementos básicos de control que intervienen en proceso:
• Transformación de insumos y materiales en productos.

• La información se transfiere a niveles superiores mediante buses de campo o
lazos de corriente 4 – 20 mA.
Ventajas:
– Posibilidad de implementar, con medios automatizados, las tareas de
planificación, control y dirección de una empresa industrial.
– Posibilidad de interactuar con todos los agentes que intervienen en las cadenas
de suministro de los productos de la empresa.
– Posibilidad de intercambio de información entre automatismos que controlan
fases sucesivas en el proceso de producción.
– Facilidad de comunicación hombre-máquina que permite programar u observar
el proceso y también intervenir a través de terminales computacionales.
– Facilidad de cambios para adaptarse a la evolución tecnológica y a la
diversificación de la oferta de productos.
– Posibilidad de utilizar lenguajes de alto nivel que permitan tratar, bajo un mismo
entorno, todas y cada una de las islas automatizadas, desde la fase de diseño
hasta la fase de explotación y gestión.
Conexión punto a punto Red industrial
Lazo de corriente 4 – 20 mA Red serial ASI

Reducción de costos
• Ahorro en costo de instalación
• Ahorro en el costo de mantenimiento
• Ahorro en la mejora del funcionamiento del sistema
• Reducción en los costos de cableado en proporción de 5 a 1 (promedio)
Cableado tradicional Cableado de red industrial

Desventajas:
– La comunicación supone una mayor complejidad técnica.
– Esta complejidad debe ser transparente al usuario, cuyo interés no se centra en
los aspectos tecnológicos sino en los de la aplicación.
– Esto requiere potenciar enormemente el software de soporte al usuario, para
que éste pueda dialogar con el sistema sin ser un experto en comunicaciones.
– Resulta difícil unificar un sistema que integre productos muy diversos de varios
fabricantes, con distintas funciones, lenguajes y prestaciones.
– En un futuro próximo se tendrá que convivir con sistemas de distintos lenguajes
y protocolos y como solución sólo se pueden proponer interfaces de
comunicación.
Clasificación de los buses de campo
Buses de alta velocidad y baja funcionalidad
• Diseñados para integrar
dispositivos simples como fines
de carrera, fotocélulas, relés y
actuadores simples, funcionando
en aplicaciones de tiempo real, y
agrupados en una pequeña zona
de la planta, típicamente una
máquina o proceso industrial.
• Ejemplos de buses:
CAN: Aplicado a la industria

automotriz
DeviceNet, SDS: Integración de
sensores y actuadores.
AS-I: Integración de sensores y
actuadores diseñado inicialmente
por Siemens. RED AS-I
Buses de alta velocidad y funcionalidad media
• Su diseño permite que el
dispositivo de campo tenga mayor
funcionalidad, de modo que
permite incluir aspectos como
configuración, calibración o
programación del dispositivo.
• Son buses capaces de controlar
dispositivos de campo complejos,
de forma eficiente y a bajo costo.
Ejemplos de buses:
DeviceNet: Desarrollado por Allen
Bradley.
LONWorks: Red desarrollada por
Echelon RED DEVICE NET
BitBus: Red desarrollada por
INTEL.
Buses de altas prestaciones
• Son buses capaces de soportar
comunicaciones en todos los niveles del
modelo CIM
•Capacidad de direccionamiento a dispositivos
individuales o a múltiples dispositivos a través
de mensajes de difusión amplia y mensajes de
multi-difusión.
• Comunicación de variables y bloques de
datos orientada a objetos.
• Capacidad de direccionar el tráfico de datos
de tiempo crítico en forma separada de los
datos de tiempo no crítico.
• Descarga y ejecución remota de programas.
• Altos niveles de seguridad de la red, RED PROFIBUS
opcionalmente con procedimientos de
encriptación y autentificación de datos.
•Ejemplos de buses:
Profibus: Estándar europeo
Fieldbus Foundation: Estándar norteamericano
Buses para áreas de seguridad intrínseca
• Incluyen modificaciones en la capa física
para cumplir con los requisitos específicos
de seguridad intrínseca en ambientes con
atmósferas explosivas. La seguridad
intrínseca es un tipo de protección por la
que el componente en cuestión no tiene
posibilidad de provocar una explosión en la
atmósfera circundante.
• Un circuito eléctrico o una parte de un
circuito tiene seguridad intrínseca cuando
alguna chispa o efecto térmico en este RED HART
circuito, producidos en las condiciones de
prueba establecidas por un estándar (dentro
del cual figuran las condiciones de
operación normal y de falla específicas) no
puede ocasionar una ignición.
• Ejemplos de redes:
HART
Profibus PA
WorldFIP
Breve historia de los buses de campo
Breve historia de los buses de campo
NORMALIZACIÓN
NORMAS IEC PARA LA ESTANDARIZACIÓN
DE BUSES
ORGANIZACIONES Y CONSORCIOS DESTINADOS A LA
NORMALIZACIÓN DE BUSES DE CAMPO
PROFIBUS
PROFIBUS
En el año 1987, las firmas alemanas Bosch, Möeller y Siemens
iniciaron un proyecto de desarrollo de una arquitectura de comunicaciones
industriales que permitiera la interconexión de equipos de distintos fabricantes.
Existen tres tipos de perfiles:

Profibus DP (Decentralized Periphery).- Orientado a la comunicación de
sensores y actuadores enlazados a controladores lógicos programables (PLCs) o
terminales tontas.
Profibus PA (Process Automation).- Orientado al control de procesos,
cumpliendo normas especiales de seguridad para la industria química (IEC 1 15
8-2, de seguridad intrínseca).
Profibus FMS (Fieldbus Message Specification).- Para la comunicación entre
celdas de procesos o equipos de automatización. La evolución de Profibus hacia
la utilización de protocolos TCP/IP, para enlace al nivel de proceso, hace que este
perfil esté perdiendo importancia.
PROFIBUS
EN 50170
dispositivo
Perfiles de
Automatización Automatización Automatización
Propósito general En empresas de procesos
PROFIBUS FMS PROFIBUS DP PROFIBUS PA

RS485 - FO RS485 - FO IEC 1158-2
Orientado a
Universal Rápido
aplicaciones
PROFIBUS
SITUACIÓN ACTUAL:
• PROFIBUS líder de los sistemas basados en buses de campo

en Europa y goza de una aceptación mundial.
• Sus áreas de aplicación incluyen manufacturación, automatización y generación
de procesos.
• PROFIBUS es un bus de campo normalizado internacional que fue estandarizado
bajo la norma EN 50 170.
• Asegura una protección óptima tanto a los clientes como a los vendedores y
asegura la independencia de estos últimos.
•La variedad de productos existentes incluye más de 1500 elementos y servicios,
de los cuales 400 están certificados, asegurando un funcionamiento sencillo y
correcto incluso en redes de diferentes fabricantes.
PROFIBUS
Tecnología de transmisión: RS 485 (H2)
Cable: Trenzado, apantallado para lograr alta inmunidad a las emisiones
electromagnéticas. Puede implementarse con fibra óptica y enlaces con
estaciones remotas vía módem o vía radio.
PROFIBUS
Elementos de bus y estructura lógica
ANILLO LÓGICO
Activos: Maestro del bus, tomando enteramente el control del bus. Recaban
datos de los esclavos.
Pasivos: Esclavos del bus, no controlan el bus. Comunican con los nodos
activos mediante un simple
MAESTRO 32 mecanismo
MAESTRO 31 de pregunta-respuesta,
MAESTRO n pero1 no pueden
MAESTRO
dialogar directamente entre sí.

Expansiones
BUS E/S: Interfaz con las señales de proceso. Pueden estar
integrados tanto en un nodo activo como en un nodo pasivo.
Repetidores: Transceptores bidireccionables para regenerar la señal.
ESCLAVO ESCLAVO ESCLAVO
15 14 13
PROFIBUS
PROFIBUS DP
• Comunicación de datos a alta velocidad a nivel de dispositivo.
• Comunicación de controladores centrales (PLCs /PCs) con dispositivos de
campo distribuidos por medio de un enlace serie de alta velocidad.
Tecnología de transmisión
1) RS-485, par trenzado, dos líneas de cable o fibra óptica.
2) Velocidad en baudios: de 9.6 Kbit/seg. a 12 Mbit/seg.
Acceso al bus
1) El procedimiento entre maestros se realiza mediante el paso del testigo y entre
esclavos mediante la jerarquía maestro-esclavo.
2) Posibilidad de sistemas mono maestro y multi maestro.
3)Máximo de 126 estaciones en un bus (entre maestros y esclavos).
Comunicación
1) Par a par (transmisión de datos de usuario) o Multicast (comandos de control).
2) Transmisión cíclica de datos entre maestro-esclavo y transmisión acíclica entre
maestros.
PROFIBUS
PROFIBUS DP
Modos de operación
• Operate: Transmisión cíclica de datos de entrada y salida.
• Clear: Se leen las entradas manteniendo las salidas en estado de seguridad.
• Stop: Sólo se permite la transmisión de datos entre maestros.
Velocidad
• Se necesita sólo 1 mseg. para transmitir 512 bits de datos de entrada y 512 bits de
• datos de salida distribuidos en 32 estaciones a una velocidad de 12 Mbit/seg.
Sincronización
• Los comandos de control permiten la sincronización de entradas y salidas.
• Modo Sync: Sincroniza salidas.
• Modo Freeze: Sincroniza entradas.
Funcionalidad
• Transmisión de datos de usuario cíclica entre el maestro y el(los) esclavo(s).
• Activación o desactivación dinámica de DP esclavos de forma individual.
PROFIBUS
PROFIBUS PA
PROFIBUS-PA Conecta sistemas de automatización/sistemas de control de procesos con los
dispositivos de campo, como son los transmisores de presión, temperatura y nivel.
PROFIBUS-PA puede ser usado como sustituto para la tecnología analógica de 4 a 20 mA
PROFIBUS-PA produce un ahorro del 40% en proyecto, cableado y mantenimiento, y ofrece

un incremento significativo en funcionalidad y seguridad.
PROFIBUS-PA Uso en áreas potenciales de explosión con protección a explosión tipo

“intrínseca de seguridad” o “no intrínseca de seguridad”.
PROFIBUS
PROFIBUS PA
ELEMENTOS DE BUS
Maestro clase 1: Unidad de control central (PLC) intercambia datos con un
dispositivo de campo dentro de un ciclo de mensajes especificado.
Todas las variables medidas y valores de consigna requeridas para el control
así como las señales de estado son transmitidas
La comunicación es cíclica en estos maestros. Utiliza norma IEC 11158-2
(comunicación síncrona entre sensores de campo) modulación sobre la misma
línea de alimentación de los dispositivos.
Maestro clase 2: Utilizado para propósitos de monitoreo y operación durante el
arranque. Los servicios de comunicación que requiere son asíncronos.
Esclavo: Es un dispositivo de campo o periférico (sensores o actuadores) que se

comunica solo cuando lo solicita un maestro.
AS-i
Auto actor Sensor Interface
AS-i (Actuator Sensor interface)
Conecta sensores y actuadores discretos con controladores
Ahorro de cableado
Características
Conexión de sensores y actuadores
Conexión de esclavos integrados AS-i
CAN
Controller Area Network
Controller Area Network
ESTUDIO DE UN CASO REAL DE
IMPLEMENTACIÓN DE REDES
INDUSTRIALES Y BUSES DE CAMPO
BUSES DE CAMPO EN PLANTAS BIOFARMACEÚTICAS
CLIENTE: Genzime Corporation

UBICACIÓN: Allston Masachussets USA
FABRICA: Enzimas para tratamientos de
Reemplazo para desordenes de
lisosomas
Cultivo de células
Purificación
ÁREAS DE PROCESO:
CIP (Clean In Place)
SIP (Steam In Place)

BUSES DE CAMPO EN PLANTAS
BIOFARMACEÚTICAS
Temperatura Flujo
pH
Variables a
controlar, Conductividad
Presión
sensar y
4000 ENTRADAS
supervisar
/ SALIDAS
Control proporcional de válvulas Control modulante de bombas

Entradas / Salidas
Foundation Fieldbus analógicas
Entradas / Salidas
Profibus DP analógicas (áreas
clasificadas)
Tecnologías de buses
seleccionados AS-i Entradas / Salidas discretas
Control y diagnóstico de
DeviceNet
variadores de
frecuencia, motores, etc.
Sistema de control principal DeltaV (Emerson Process Management)

FF
GABINETE – B4
AS-i
FF
GABINETE – B3
AS-i
FF
GABINETE – B2
AS-i
FF
GABINETE Cableado convencional: 238 cables
AS-i
BIOREACTOR
GABINETE Cableado bus de campo: 14 cables
CONTROLADOR Profibus DP
DeviceNet CENTRO DE CONTROL DE MOTORES

MCC
1 cable
Conexionado tablero / dispositivos de campo
Conclusiones: Los buses seleccionados se clasifican dos categorías
Buses energizados Tableros

Foundation y áreas comunes
Fieldbus AS-i
Buses no energizados Profibus DP Áreas clasificadas

DeviceNet
Topología
FIN
Gracias por su tiempo

Logica Difusa-Merged PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Logica Difusa-Merged PDF

Cargado por

Copyright:

Formatos disponibles

LOGICA DIFUSA

• Lógica bivaluada: cada proposición debe ser verdadera o falsa.

• Lógica multivaluada: infinitos valores.

• En 1965 Lotfi A. Zadeh publicó su trabajó acerca de los

• Las matemáticas generadas por estas teorías son consistentes

• La estadística mide la probabilidad que un evento futuro ocurra,

• La transición de la pertenencia o no-pertenencia de un

• donde µA (x) se conoce como la función de membresía

• X es llamado el universo de discurso

• x son los elementos de ese universo

• El conjunto difuso A = “números inferiores a 3” se puede

• A = { (x, µA (x) | x  X } , donde µA (x) se puede definir como:

• Utilizando operadores min y max, la expresión anterior se

• El uso de singletons simplifica considerablemente el proceso de

• Donde A y B son los valores lingüísticos definidos por los

• La parte if de la regla ´x es A´ es llamada el antecedente o

•La fusificación de las variables de entrada.

•Aplicación del operador difuso (AND ó OR) en el antecedente.

•Implicación del antecedente con el consequente.

•Agregación de los consecuentes a través de las reglas.

Las entradas Las reglas son Los resultados El resultado es

•Para cada entrada existen diferentes conjuntos con variables

Salida difusa = 0,5

Otra manera de analizar las reglas es mediante una tabla:

BAJO ALTO BAJO

X Y BAJO(X ALTO(X) BAJO(Y) ALTO(Y) 1 2 3 4

•El método más popular de defusificación es el cálculo del centro

•Hay que tener en cuenta que al dividir en partes iguales al

Forma discreta para 10 muestras:

Una relación difusa R de A y B es un subconjunto difuso de AxB,

R también puede ser representado como una matriz, depositando

Para un conjunto difuso singleton la ecuación anterior se

El conjunto difuso de salida del modelo lingüístico es:

Elementos del dominio Y

 = max [ A’(x)  A(x) ] = max ( [0; 0.5; 0; 0; 0]  [0; 0.5; 1; 0.5; 0] )

B’ =   B = 0.5  [0; 0.5; 1; 0.5; 0]

 Un modelo lingüístico puede tomar ventajas

 Las funciones puedes verse en los dominios:

– G(s) puede ser:

 Análisis de Control Realimentado. – requiere

– Modelo matemático de c/bloque (F.d.T).

– Lograr las especificaciones de desempeño

 Control PID. – (Proportional Integral Derivative)

– Las entradas “crisp” en U, son convertidas en

– El operador de fuzificación es tal que  : E  E*

– Convierte acciones de control fuzzy inferidas en

 Diseño. - se asume que:

– Siempre existe una solución.

 Modelar un sistema linguísticamente requiere:

– Identificar variables entrada/salida. (temp, vel, etc)

 Defuzificación – Método del Centroide:

 Defuzificación – Centro de Area más Grande

 Defuzificación – Media de centros

 Defuzificación – Pertenencia Media –Maxima

 Criterio de Estabilidad Energética.

– Si no hay entrada, se dice el

 Energía de una Relación P fuzzy:

 X e Y conjuntos fuzzy, en los universos del discurso Wx

 Energía de una Relación P fuzzy:

 Energía de un sistema dinámico fuzzy

xo estado inicial del sistema

1.- La diferencia de energía entre

Conclusión: Es oscilatorio periodo T=1