09 Aplicaciones Microbotica

Introducción Control Difuso
Docente: Cristhian Ivan Riaño Jaimes

CONTENIDO
1. Introducción
2. Lógica Difusa
3. Breve Reseña Histórica
4. Conjuntos Difusos
5. Definición de Modelación.
6. Control Difuso
7. Aplicaciones
8. Ejemplo de Aplicación.
Introducción
Las bases que fundamentan esta teoría de lógica difusa están

mas cerca de la manera de razonar de los humanos y de su
forma de expresarse que los mismos sistemas lógicos
tradicionales por lo que la se han empleado como base de
sistemas de control. El medio en el que vivimos esta rodeado de
inexactitudes y no precisamente por que sea inexacto sino que
no siempre tenemos las herramientas de cuantificar y la forma
más fácil de dirigirnos a ellos es con adjetivos.
Calor insoportable. En términos más exactos > 37°C.

Frio Congelante. En términos más exactos <=0°C.
Lógica Difusa (Fuzzy Logic)
La palabra difusa esta bien asignada a esta lógica debido a que su

fundamento matemático trabaja con conjuntos que no tiene límites
bien definidos como la mayoría de los fenómenos naturales que
nos rodean y en lugar de eso asigna grados de pertenecía en
conjuntos difusos.
Es decir el cambio de si pertenece o no pertenece a un conjunto se

da en forma gradual y se caracteriza por las funciones de
pertenencia que dan flexibilidad a la modelación utilizando
expresiones lingüísticas tales como mucho, poco, leve, severo,
escaso, suficiente, caliente, frío, joven, viejo etc.
Lógica Convencional = Define la realidad en grados de

verdad absolutos (0’s ó 1’s). Es rígida.
Lógica Difusa = Define la realidad en diferentes grados de

verdad. Sigue patrones de razonamiento similar a los del
pensamiento humano. Es Flexible.
La lógica Convencional es solo un caso particular de la Lógica

Difusa.
Ejemplo: Según la lógica Convencional, un recinto está

solamente "Oscuro" (0) ó "Claro" (1).
Para la Lógica Difusa son posibles condiciones intermedias como
"muy Claro", "Algo Oscuro", "Ligeramente claro", etc.
La lógica Difusa nos permite ser relativamente "imprecisos" en la

representación de un problema y aún así llegar a una muy buena
solución.
Ejemplo: Sea un Florero A con 10 rosa rojas y un florero B

con 10 orquídeas.
Según la lógica convencional proposiciones como “A es un

Florero de orquídeas” y “B no es un florero de rosas”,
pueden negarse o afirmarse sin confusión.
Supongamos que en el florero A se cambian dos rosas por

dos orquídeas.
Ya no ser puede afirmar categóricamente que A es un

Florero de Rosas, pues posee 2 orquídeas.
Resulta mas preciso decir que “A es mayormente un florero

de rosas” o que “A es parcialmente un florero de orquídeas”.
Con este tipo de ambigüedades es con lo que trabaja la lógica

Difusa.
Breve Reseña Histórica
En 1964, La noción de Conjunto Difuso aparece por primera vez

en un memorándum de la universidad de Berkeley y es debida al
ucraniano nacionalizado americano, Lofti Zadeh.
En 1965, la revista "Information and Control" publica el
memorándum anterior, en donde aparece el artículo de Zadeh,
"Fuzzy Sets".
En 1974, el Británico Ebrahim Mandani, Desarrolla el primer

sistema de control Fuzzy práctico, la regulación de un motor de
vapor.
Breve Reseña Histórica
Los japoneses empiezan a explotar la lógica difusa de forma

masiva. Los occidentales asumieron una actitud reacia.
En 1986, Yamakawa, publica el articulo, "Fuzzy Controller
hardward system". Desarrolla controladores fuzzy en circuitos
integrados.
En 1987, se inaugura en Japón el subterraneo de Sendai.
En 1987, "FUZZY BOOM", se comercializan multitud de
productos basados en la lógica difusa (sobre todo en Japón).
Definiciones básicas
Sea U un conjunto clásico de objetos, cuyos elementos genéricos

se representan como x. La pertenencia a un sub-conjunto A de U
podría verse como una cierta función característica µA de U {0,1}
tal que
𝜇𝜇𝑎𝑎 𝑥𝑥 = 1 ⟺ 𝑥𝑥 ∈ 𝐴𝐴
𝜇𝜇𝑎𝑎 𝑥𝑥 = 0 ⟺ 𝑥𝑥 ∉ 𝐴𝐴
Esto lo que quiere decir que el objeto x pertenece o no pertenece

al sub-conjunto A.A {0,1} se le conoce como conjunto de
evaluación.
Definiciones Básicas
En la lógica difusa este conjunto se transforma en el intervalo real

[0,1] y a “A” se le denomina conjunto borroso, 𝜇𝜇𝑎𝑎 𝑥𝑥 es el grado de
pertenencia de x en “A”. Mientras más cercano a 1 sea el valor
de 𝜇𝜇𝑎𝑎 𝑥𝑥 mayor será esa pertenencia. Así “A” resulta ser un sub-
conjunto de U.
Entonces, A puede definirse como conjunto de pares ordenados:
𝐴𝐴 = 𝑥𝑥, 𝜇𝜇𝐴𝐴 𝑥𝑥 , 𝑥𝑥 ∈ 𝑈𝑈
Al igual que para los conjuntos convencionales, están definidas las

operaciones de unión e intersección. Recordemos estas operaciones
en conjuntos convencionales.
Unión
Si A y B son conjuntos entonces la unión de A y B, que

denotamos A ∪ B es el conjunto formado por los elementos que
pertenecen a “ A” o pertenecen a B. Es decir:
𝐴𝐴 ∪ 𝐵𝐵 = 𝑥𝑥: 𝑥𝑥 ∈ 𝐴𝐴 𝑜𝑜𝑜𝑜 ∈ 𝐵𝐵
A B AUB AUB
1 1 1 max(1,1)=1
1 0 1 max(1,0)=1
0 1 1 max(0,1)=1
0 0 0 max(0,0)=0
Supongamos los conjuntos:

A=[1,2,3,4 ]
B =[5,6,7,8]
𝐴𝐴 ∪ 𝐵𝐵 = [1,2,3,4,5,6,7,8]
Intersección
Si A y B son conjuntos entonces la intersección de A y B, que

denotamos A ∩ B, es el conjunto formado por los elementos que
pertenecen a A y simultáneamente pertenecen a B. Es decir:
𝐴𝐴 ∩ 𝐵𝐵 = 𝑥𝑥: 𝑥𝑥 ∈ 𝐴𝐴 𝑦𝑦 𝑥𝑥 ∈ 𝐵𝐵
A B A∩ B A∩ B
1 1 1 min(1,1)=1
1 0 0 min(1,0)=0
0 1 0 min(0,1)=0
0 0 0 min(0,0)=0

A=[1,2,3,4,5]
B =[4,5,6,7,8]
𝐴𝐴 ∩ 𝐵𝐵 = [4,5]
Complemento.
El complemento del conjunto A con respecto al conjunto

universal U es el conjunto de todos los elementos de U que no
están en A y se denota como A’ Es decir:
𝐴𝐴′ = 𝑥𝑥 ∈ 𝑈𝑈|𝑥𝑥 ∉ 𝐴𝐴
A Comp(A)
1 0
0 1

U=[0,1,2,3,4,5,6,7,8,9]
A=[1,2,3,4,5 ]
A’=[0,6,7,8,9]
Conjuntos Difusos
Conjunto Difuso: Es un conjunto que puede contener elementos

con grados parciales de pertenencia, a diferencia de los
Conjuntos Clásicos (Crisp Sets) en los que los elementos pueden
solamente "pertenecer" ó "No Pertenecer" a dichos conjuntos.
Frases como: "Nos vemos luego", "no me siento muy bien", son
expresiones difusas porque la difusificación surge de las
diferentes interpretaciones que damos a "luego", "muy bien".
Por ejemplo "luego", para el análisis de fenómenos rápidos en
ingeniería puede ser del orden de nanosegundos, pero en
procesos de criogenia del orden de años.
Conjuntos Difusos
Sea B = {conjunto de la gente joven}.
Un intento para construir este conjunto es definir un intervalo

en años (conjunto clásico) de la siguiente manera:
B = [ 0 , 20 ] = { x | 0≤ x ≤ 20 }
Conjuntos Difusos
Que problemas acarrearía la definición anterior ?
Que una persona sería joven hasta el día de su cumpleaños

número 20, pero al siguiente día ya no lo sería. Ahora, si se
cambiase el limite superior del intervalo el problema
persistiría.
Una forma más natural de construir el conjunto B, es

eliminando esa estricta separación entre ser joven y no
serlo, admitiendo grados de pertenencia intermedios entre
[0] y [1].
Conjuntos Difusos
La función de pertenencia que describe el conjunto B sería la

siguiente:
De esta manera una persona

de 25 años es todavía joven
pero con un grado del 50%.
Conjuntos Difusos
Función de Pertenencia o Membership Function (MF): Es

una curva que determina el grado de pertenencia de los
elementos de un conjunto. Se denota generalmente por m y
puede adoptar valores entre 0 y 1.
Universo de Discurso: Conjunto de valores que puede tomar

una variable.
Función Singlenton:
Sea a un punto del universo, la Función Singlenton (solitaria) es

aquella que toma valor 1 solo en a y 0 en cualquier otro punto.
1 𝑠𝑠𝑠𝑠 𝑥𝑥 = 𝑎𝑎
𝜇𝜇 𝑥𝑥 =
0 𝑠𝑠𝑠𝑠 𝑥𝑥 ≠ 𝑎𝑎
Función Triangular
Definido por sus límites (inferior a y superior b), y el valor modal

m, tal que a<m<b.
0 𝑠𝑠𝑠𝑠 𝑥𝑥 ≤ 𝑎𝑎
(𝑥𝑥 − 𝑎𝑎)/(𝑚𝑚 − 𝑎𝑎) 𝑠𝑠𝑠𝑠 𝑥𝑥 ∈ (𝑎𝑎, 𝑚𝑚]
𝜇𝜇 𝑥𝑥 =
(𝑏𝑏 − 𝑥𝑥)/(𝑏𝑏 − 𝑚𝑚) 𝑠𝑠𝑠𝑠 𝑥𝑥 ∈ (𝑚𝑚, 𝑏𝑏]
0 𝑠𝑠𝑠𝑠 𝑥𝑥 ≥ 𝑏𝑏
Función G (gamma):
Esta función se caracteriza por un rápido crecimiento a partir de a.

Cuanto mayor es el valor de k, el crecimiento es más rápido aún.
Nunca toman el valor 1, aunque tienen una asíntota horizontal en 1.
Definida por su límite inferior a y el valor k>0.
𝜇𝜇 𝑥𝑥 = −𝑘𝑘(𝑥𝑥−𝑎𝑎) 2
1− 𝑒𝑒 𝑠𝑠𝑠𝑠 𝑥𝑥 > 𝑎𝑎
Se aproximan linealmente:
𝜇𝜇 𝑥𝑥 = (𝑥𝑥 − 𝑎𝑎)/(𝑚𝑚 − 𝑎𝑎) 𝑠𝑠𝑠𝑠 𝑥𝑥 ∈ (𝑎𝑎, 𝑚𝑚)
1 𝑠𝑠𝑠𝑠 𝑥𝑥 ≥ 𝑎𝑎
Función Gaussiana:
Definida por su valor medio m y el valor k>0. Es la típica

campana de Gauss. Cuanto mayor es k, más estrecha es la
campana.
−𝑘𝑘(𝑥𝑥−𝑚𝑚) 2
𝜇𝜇 𝑥𝑥 = 𝑒𝑒
Función Trapezoidal:
Definida por sus límites inferior a y superior d, y los límites de

su soporte, b y c, inferior y superior respectivamente.
La función Trapezoidal se adapta bastante bien a la definición de
cualquier concepto, con la ventaja de su fácil definición,
representación y simplicidad de cálculos.
0 𝑠𝑠𝑠𝑠 𝑥𝑥 ≤ 𝑎𝑎 𝑜𝑜 𝑥𝑥 ≥ 𝑑𝑑
(𝑥𝑥 − 𝑎𝑎)/(𝑏𝑏 − 𝑎𝑎) 𝑠𝑠𝑠𝑠 𝑥𝑥 ∈ (𝑎𝑎, 𝑏𝑏]
𝜇𝜇 𝑥𝑥 =
1 𝑠𝑠𝑠𝑠 𝑥𝑥 ∈ (𝑏𝑏, 𝑐𝑐]
(𝑑𝑑 − 𝑥𝑥)/(𝑑𝑑 − 𝑐𝑐) 𝑠𝑠𝑠𝑠 𝑥𝑥 ∈ (𝑏𝑏, 𝑑𝑑)
Función Trapecio Extendido:
Definida por los cuatro valores de un trapecio [a, b, c, d], y una

lista de puntos entre a y b, o entre c y d, con su valor de
pertenencia asociado a cada uno de esos puntos.
En casos particulares, el Trapecio Extendido puede ser de gran

utilidad. Éste permite gran expresividad aumentando su
complejidad.
Operaciones entre conjuntos difusos
Sean los conjuntos difusos A y B que se muestran en la

siguiente figura:
Intersección entre conjuntos difusos
La intersección entre A y B se define de la siguiente

manera:
µ A∩ B = min{µ A ( x), µ B ( x)}
Unión entre conjuntos difusos
La unión entre A y B se define de la siguiente manera:
µ A∪ B = max{µ A ( x), µ B ( x)}

Complemento de un conjunto difuso
El complemento de un conjunto se define como sigue :
µ =1− µ
A A
Ejercicio
Variable Lingüística
Por último introduciremos la definición de variable lingüística.

Como su nombre lo indica, 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.
Estructura Variable Linguistica
Una variable lingüística está caracterizada de la siguiente forma

(x,T(x),U,G,M), en el que
x: Nombre de variable(Ej: Edad),
T(x): Conjunto de valores lingüísticos (atributos, adjetivos) de x
(Partición Universo de Discurso Ej: Joven Adulto Viejo).
U: Universo de discurso. (Rango de Valores Ej:0-100 años)
G: Regla sintáctica para generar los nombres de x. (Conjunto de
condiciones ej: por debajo de 20)
M: Regla semántica para asociar cada valor a su significado. (x
alrededor de 20 es joven)
Ejemplo Variable Lingüística
Por ejemplo si la temperatura es interpretada como una variable

lingüística x, entonces su conjunto de valores lingüísticos, es
decir la partición de su universo, se elegirá entre: baja, moderada,
media, alta, muy alta, etc. Una opción seria:
µ(θ)
BAJA MEDIA ALTA
1
0.5
0
100 200 300 400 500 θ [ oC]
Ejemplo Variable Lingüística
T(temperatura)= T(x)= {baja, media, alta}
U= [ 100°C, 500°C ]
G={ Por debajo de, . . . .}

Interpretaríamos como "baja" una "temperatura por debajo de
alrededor de 250°C" y "alta" "por encima de alrededor de
350°C".
M= {Alrededor de 250°C, . . . . .}
Introducción Control Difuso.
El diseño de un regulador se basa en un análisis del proceso para

determinar un modelo matemático de éste, todas las decisiones se
calculan usando algoritmos estrictamente numéricos. Es natural
pensar que obtener un modelo matemático es una tarea difícil y
depende directamente de la complejidad del proceso.
Existe un número de procesos difíciles de controlar
automáticamente que nos dificultan obtener el modelo matemático
pero para lo cual operadores humanos realizan excelente control.
Saber que existe un buen conocimiento estrictamente proveniente
de la experticia y junto con las herramientas que nos ofrece la teoría
de conjuntos borrosos unidos con medios de cómputo han
promovió la investigación sobre estrategias de control para estos
procesos empleando las mismas reglas de control que aplican estos
operadores para convertirla en técnicas de control automático.
Control Difuso
En muchos procesos complejos, el control que ejerce un

operador humano es más efectivo que el que proporciona un
controlador automático convencional. Para esto el operador se
basa en la experiencia (heurística) que tiene sobre el proceso.
(Ej: Aparcar un Coche).
El operador expresa sus estrategias de control

Lingüísticamente como un conjunto de reglas de toma de
decisiones ( Si .... Entonces ...).
ESTRUCTURA DEL SISTEMA
Regla 1
Entrada 1
Regla 2
Regla 3 ∑ Salida
Entrada 2
Regla 4
Las entradas Las reglas son Los El resultado

son números evaluadas en resultados de es un valor
limitados a un paralelo las reglas son numérico no
rango usando un combinadas y difuso.
especifico. razonamiento defusificadas.
Entradas no difuso.
difusas.
Control Difuso
Del conocimiento del operador sale un conjunto de reglas y la teoría

de conjuntos difusos provee la matemática necesaria como para
convertirlas en algoritmo.
La regla comúnmente tiene la siguiente forma:
SI [precedencia] ENTONCES [consecuencia]
SI [Temperatura en Baja] ENTONCES [Subida pequeña]
La precedencia refleja el estado (la salida) del proceso, mediante

variables lingüísticas. La consecuencia representa las acciones de
control (variables manipuladas, entradas) también lingüísticas que se
les hacen corresponder por el experto. Ejemplo:
SI [presión] ES [alta] Y [temperatura] ES [muy alta] ENTONCES

[flujo de petróleo] ES [disminuir]
Estructura de un Controlador Difuso.
Control Difuso
Si una variable puede tomar palabras en lenguaje natural (por

ejemplo pequeño, rápido, etc..) como sus valores, esta variable se
puede definir como una variable lingüística. El nivel y la apertura
de la válvula son variables lingüísticas.
En síntesis y desde una perspectiva amplia, un controlador Difuso

proporciona un algoritmo que puede convertir una estrategia de
control lingüística, generalmente basada en la experiencia de un
operador humano, en una estrategia de control automático.
Método de Implicación
Un resultado es difuso representado por una función de membresía,

como:
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
aplicaremos 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.
Fuzzificación de las entradas
Salida difusa = 0,5
10
Entrada no difusa = 5
Método de Implicación
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
Método de Desfuszificación
Desfuszificación 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 Desfuszificación 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.
Método de agregación
En el proceso de Desfuszificación, 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
Defuzzificación
La entrada para el proceso de defuzzificación es un conjunto difuso y la

salida es un simple número concreto. Los sistemas del mundo real
requieren un resultado numérico.
El método más popular de defuzzificación 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.
Defuzzificación
Forma continua
Para calcular el algoritmo del centro de gravedad (cog, siglas en ingles)
dividimos al Momento de la función por el Área de la función
Defuzzificación
Forma discreta
Se divide la función en partes iguales y se calcula haciendo la
sumatoria de todos los puntos de la siguiente manera:
Forma discreta para 10 muestras:
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
Cuando es conveniente aplicar un controlador
difuso?
• Sistemas complejos que son difíciles o imposibles de modelar

por métodos convencionales.
• Sistemas controlados por expertos Humanos.
• Sistemas que utilizan la observación humana como entrada o

como base de las reglas.
• Sistemas que son confusos por naturaleza, como los

encontrados en las ciencias sociales y del comportamiento.
Tareas típicas en el diseño de sistemas basados en lógica
difusa:
1. Identificar las variables del dominio:

• Variables "de estado": describen las entradas del sistema.
• Variables "de control": describen las salidas del sistema.
2. Identificar los términos lingüísticos vinculados a cada variable y
sus respectiva definición.
• Definir las "particiones difusas" de cada variable (etiquetas
lingüísticas).
• Definir las funciones grado de verdad asociadas a cada etiquetas
lingüísticas.
• Habitualmente se pretenderá que las particiones denifidas
"cubran" la totalidad del espacio de valores de las distintas
variables
• Es recomendable que exista solapamiento.
Tareas típicas en el diseño de sistemas basados en lógica difusa:
3. Construir las reglas difusas que correspondan. (crear la

representación simbólica) Habitualmente se hace uso de las FAM
(Fuzzy Association Matrix).
Se crea una FAM para cada variable "de control", vinculando las
posibles combinaciones de las variables "de estado" (antecedente)
con una de sus etiquetas lingüísticas (consecuente).
4. Seleccionar la implementación y los parámetros de los

operadores difusos a utilizar. (parame trizar el "funcionamiento
numérico") y generar su correspondiente salida.
Ejemplo 1.
Consideremos un proceso cuya operación esta dada por las

variables lingüísticas presión y temperatura y una variable de
acción representada por la apertura de una válvula de control y un
punto normal de operación de 160°C y 7.5hPa. Como primer paso
fijaremos la base de conocimiento del CLB. La variable presión
tiene un universo de [0,10] HPa y 3 particiones según lo
representado en la Ilustración.
Fuzzificación de las entrada 7.5Hpa

Media 0.22 y Alta 0.48
2. Identificar los términos lingüísticos vinculados a cada variable y sus
respectiva definición.
De modo similar, las temperaturas pueden moverse en una gama

de 50-200°C, con particiones según la figura 8. Para la válvula de
control, la apertura y cierre en porciento 100-0-100, respecto a la
posición dada (valor incremental) se representa como variable
lingüística según la Ilustración.
Fuzzificación de las entrada 160°

Media 0.3 y Alta 0.42
consideramos un estado del proceso representado por:
p= 7,5 HPa ; Ɵ = 160°C
2. Identificar los términos lingüísticos vinculados a cada variable y sus
respectiva definición.
Para la válvula de control, la apertura y cierre en porciento 100-0-

100, respecto a la posición dada (valor incremental) se representa
como variable lingüística según la Ilustración.
3. Construir las reglas difusas que correspondan.
Se considera la siguiente FAM (Fuzzy Association Matrix)

para la variable de control Variación de temperatura
Regla Base de Reglas
1 SI p es baja Y Ɵ es baja ENTONCES u es abrir
2 SI p es media Y Ɵ es baja ENTONCES u es abrir
3 SI p es alta Y Ɵ es baja ENTONCES u es no operar
4 SI p es baja Y Ɵ es media ENTONCES u es abrir
5 SI p es media Y Ɵ es media ENTONCES u es no operar
6 SI p es alta Y Ɵ es media ENTONCES u es cerrar
7 SI p es baja Y Ɵ es alta ENTONCES u es no operar
8 SI p es media Y Ɵ es alta ENTONCES u es cerrar
9 SI p es alta Y Ɵ es alta ENTONCES u es cerrar
4. Seleccionar la implementación y los parámetros de los operadores
difusos a utilizar. (parametrizar el "funcionamiento numérico") y generar
su correspondiente salida.
Definida la base de conocimiento consideramos un estado del

proceso representado por:
p= 7,5 HPa ; Ɵ = 160°C
Luego de la Fuzzificación quedarían,
P: 0.45 alta y 0.22 media

Ɵ: 0.42 alta y 0.3 media
Se procede a verificar cual reglas se activan o se desactivan con el
resultado de la Fuzzificación
4. Seleccionar la implementación y los parámetros de los operadores difusos a
utilizar. (parametrizar el "funcionamiento numérico") y generar su
correspondiente salida.
Procedemos a ver cuales reglas se cumplen y cuales no:

Regla Base de Reglas Verificación Reglas
A1 SI p es baja Y es Ɵ baja ENTONCES u es abrir DESACTIVADA
A2 SI p es media Y Ɵ es baja ENTONCES u es abrir DESACTIVADA
A3 SI p es alta Y Ɵ es baja ENTONCES u es no operar DESACTIVADA
A4 SI p es baja Y Ɵ es media ENTONCES u es abrir DESACTIVADA
A5 SI p es media Y Ɵ es media ENTONCES u es no operar ACTIVADA
A6 SI p es alta Y Ɵ es media ENTONCES u es cerrar ACTIVADA
A7 SI p es baja Y Ɵ es alta ENTONCES u es no operar DESACTIVADA
A8 SI p es media Y Ɵ es alta ENTONCES u es cerrar ACTIVADA
A9 SI p es alta Y Ɵ es alta ENTONCES u es cerrar ACTIVADA
Como la temperatura y la presión en el estado del proceso de 7,5 Hpa y

temperatura 160° solo pertenecen en ambos casos a los conjuntos de media y
alta se aprecia en la tabla la activación y desactivación de las reglas
Utilizamos la intersección (mínimo) para los antecedentes del

producto Cartesiano Ai P: 0.45 alta y 0.22 media
0.22 0.3
A5: SI p es media Y Ɵ es media ENTONCES u es no operar
• A5: mín {0.22,0.3}= 0.22
A6: SI p es alta Y Ɵ es media ENTONCES u es cerrar
• A6: mín {0.45,0.3}= 0.3
A8: SI p es media Y Ɵ es alta ENTONCES u es cerrar
• A8: mín {0.22,0.42}= 0.22
A9 SI p es alta Y Ɵ es alta ENTONCES u es cerrar
• A9: mín {0.45,0.42}= 0.42
A continuación observamos el resultado grafico en los conjuntos
de la variable de salida
Distribución Posibilista de la Salida
A5: SI p es media Y Ɵ es media ENTONCES u es no operar

• A5: mín {0.22,0.3}= 0.22
A6: SI p es alta Y Ɵ es media ENTONCES u es cerrar

• A6: mín {0.45,0.3}= 0.3
A8: SI p es media Y Ɵ es alta ENTONCES u es cerrar

• A8: mín {0.22,0.42}= 0.22
A9 SI p es alta Y Ɵ es alta ENTONCES u es cerrar

• A9: mín {0.45,0.42}= 0.42
A5:mín {0.22,0.3}= 0.22
A6: mín {0.45,0.3}= 0.3
A8:mín{0.22,0.42}= 0.22
A9: mín {0.45,0.42}= 0.42
Unión
Defuzzificación
Para calcular el algoritmo del centro de gravedad (cog, siglas en

ingles) Se divide la función en partes iguales y se calcula
haciendo la sumatoria de todos los puntos de la siguiente manera:
−100 ∗ 0.22 + −80 ∗ 0.22 + −60 ∗ 0.22 + −40 ∗ 0.22 + −20 ∗ 0.22 + 0 + 20 ∗ 0.42 + 40 ∗ 0.42 + 60 ∗ 0.42 + 80 ∗ 0.42 + (100 ∗ 0.42)
0.22 + 0.22 + 0.22 + 0.22 + 0.22 + 0.22 + 0.42 + 0.42 + 0.42 + 0.42 + 0.42
Si en lugar de la intersección usáramos el producto algébrico

tendríamos.
P: 0.45 alta y 0.22 media
A5: 0.220.3= 0.066
A6: 0.450.3= 0.135
A8: 0.220.42= 0.094
A9: 0.450.42= 0.189
Ejemplo
Se pretende controlar la calefacción de un recinto o espacio. a

partir de los parámetros de temperatura y humedad del mismo. La
finalidad es mantener controlada la temperatura e,
implícitamente, la humedad.
Se cuenta con un sensor de temperatura con un rango de
funcionamiento desde 0°C a 40°C.
Se cuenta con un sensor de humedad con un rango de
funcionamiento entre 0% y 100% de humedad relativa.
El calefactor se puede controlar mediante
incrementos/decrementos de temperatura, desde -15°C a +15°C.
2. Identificar los términos lingüísticos vinculados a cada variable y
sus respectiva definición.
Variables de estado:
• Temperatura
Se asumen 5 etiquetas lingüísticas: muy baja (MB), baja(B),
normal (N), alta(A),muy alta(MA).
2. Identificar los términos lingüísticos vinculados a cada
• Humedad
Se asumen 5 etiquetas lingüísticas: muy baja (MB), baja(B),
normal (N), alta(A), muy alta(MA).
2. Identificar los términos lingüísticos vinculados a cada
Variables de control:
Variación de temperatura en el calefactor
Se asumen 7 etiquetas lingüísticas: bajada grande (BG), bajada
normal (BN), bajada pequeña (BP), mantener (M), subida
pequeña (SP), subida normal (SN), subida grande (SG)
3. Construir las reglas difusas que correspondan.
Se considera la siguiente FAM (Fuzzy Association Matrix) para

la variable de control Variación de temperatura.
Ejemplo de funcionamiento
Se suponen las siguientes entradas en los sensores del sistema:

• Temperatura actual: 19,5°C
• Humedad actual: 65%.
Fuzzycacion (singleton).
Temperatura=19,5°C" se corresponde con un grado de verdad 0.1 para

el valor difuso Temperatura Baja(B) y con un grado de verdad 0.75 para
el valor difuso Temperatura Normal(N)
El valor "Humedad=65 %" se corresponde con un grado de

verdad 0.5 para el valor difuso Humedad Alta(A) y con un grado
de verdad 0.33 para el valor difuso Humedad Muy Alta(MA).
Otras Aplicaciones
• Reconocimiento de Imágenes con videocamaras.

• Mejoramiento de consumo de combustible en los carros.
• Control de Elevadores.
• Diagnostico del cáncer .
• Reconocimiento de la escritura, objetos y voz.
• Sistemas de alarma.
• En controladores Industriales.

09 Aplicaciones Microbotica

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

09 Aplicaciones Microbotica

Cargado por

Copyright:

Formatos disponibles

Introducción Control Difuso

Docente: Cristhian Ivan Riaño Jaimes

Las bases que fundamentan esta teoría de lógica difusa están

Calor insoportable. En términos más exactos > 37°C.

La palabra difusa esta bien asignada a esta lógica debido a que su

Es decir el cambio de si pertenece o no pertenece a un conjunto se

Lógica Convencional = Define la realidad en grados de

Lógica Difusa = Define la realidad en diferentes grados de

La lógica Convencional es solo un caso particular de la Lógica

Ejemplo: Según la lógica Convencional, un recinto está

La lógica Difusa nos permite ser relativamente "imprecisos" en la

Ejemplo: Sea un Florero A con 10 rosa rojas y un florero B

Según la lógica convencional proposiciones como “A es un

Supongamos que en el florero A se cambian dos rosas por

Ya no ser puede afirmar categóricamente que A es un

Resulta mas preciso decir que “A es mayormente un florero

Con este tipo de ambigüedades es con lo que trabaja la lógica

En 1964, La noción de Conjunto Difuso aparece por primera vez

En 1974, el Británico Ebrahim Mandani, Desarrolla el primer

Los japoneses empiezan a explotar la lógica difusa de forma

Sea U un conjunto clásico de objetos, cuyos elementos genéricos

Esto lo que quiere decir que el objeto x pertenece o no pertenece

En la lógica difusa este conjunto se transforma en el intervalo real

Al igual que para los conjuntos convencionales, están definidas las

Si A y B son conjuntos entonces la unión de A y B, que

Supongamos los conjuntos:

Si A y B son conjuntos entonces la intersección de A y B, que

Supongamos los conjuntos:

El complemento del conjunto A con respecto al conjunto

Supongamos los conjuntos:

Conjunto Difuso: Es un conjunto que puede contener elementos

Sea B = {conjunto de la gente joven}.

Un intento para construir este conjunto es definir un intervalo

Que problemas acarrearía la definición anterior ?

Que una persona sería joven hasta el día de su cumpleaños

Una forma más natural de construir el conjunto B, es

La función de pertenencia que describe el conjunto B sería la

De esta manera una persona

Función de Pertenencia o Membership Function (MF): Es

Universo de Discurso: Conjunto de valores que puede tomar

Sea a un punto del universo, la Función Singlenton (solitaria) es

Definido por sus límites (inferior a y superior b), y el valor modal

Esta función se caracteriza por un rápido crecimiento a partir de a.

Definida por su valor medio m y el valor k>0. Es la típica

Definida por sus límites inferior a y superior d, y los límites de

Definida por los cuatro valores de un trapecio [a, b, c, d], y una

En casos particulares, el Trapecio Extendido puede ser de gran

Sean los conjuntos difusos A y B que se muestran en la

La intersección entre A y B se define de la siguiente

La unión entre A y B se define de la siguiente manera:

µ A∪ B = max{µ A ( x), µ B ( x)}

El complemento de un conjunto se define como sigue :

Por último introduciremos la definición de variable lingüística.

Una variable lingüística está caracterizada de la siguiente forma

Por ejemplo si la temperatura es interpretada como una variable

T(temperatura)= T(x)= {baja, media, alta}

G={ Por debajo de, . . . .}

El diseño de un regulador se basa en un análisis del proceso para

En muchos procesos complejos, el control que ejerce un

El operador expresa sus estrategias de control

Las entradas Las reglas son Los El resultado

Del conocimiento del operador sale un conjunto de reglas y la teoría

La precedencia refleja el estado (la salida) del proceso, mediante