1

UNIVERSIDAD AUTONOMA DE OCCIDENTE

Facultad de Ingeniería.
Proyecto Final de Control Inteligente
I Periodo de 2019

CONTROLADOR FUZZY TIPO MANDANI

Javier Rodríguez, Juan Camilo Garcia1
1
ingenieria Mecatrónica, Facultad de ingeniería, Universidad Autónoma de Occidente, Cali- Colombia

Recibido: 21/03/19

Resumen: El siguiente informe presenta el método para realizar un control neuro difuso tipo fuzzy mandani a una planta Labvolt
de nivel la cual se encuentra en el laboratorio de automática de la universidad autónoma de occidente usando el programa
labview.

Palabras claves: Fuzzy, Labvolt, Mandani

un conjunto de oraciones, y que especifique los pasos

de razonamiento confiables.
I. INTRODUCCIÓN Con el objetivo de mostrar la relación existente entre
lógica proposicional y la lógica difusa, se presentan
Los Sistemas Lógicos Difusos son sistemas basados los conceptos referentes a sintaxis, semántica e
en reglas, las cuales son expresadas como inferencia relacionados a cada una de ellas.
implicaciones lógicas, es decir, en forma de OBJETIVOS ESPECÍFICOS
sentencias SI-ENTONCES. La implicación refleja la
relación que guarda un hecho derivado de otro y
pertenece a una rama de las matemáticas conocida II. MATERIALES Y HERRAMIENTAS
como lógica.
 Planta Labvolt
La lógica, en su variante proposicional, tiene su
 Multímetro
elemento base en la proposición o “hecho”. Una
proposición es una sentencia que involucra términos  Software Labview
definidos y debe ser apropiadamente llamada  Tarjeta de Adquisición de datos NI
“verdadera” o “falsa”, es decir hay hechos que se
III. MARCO TEORICO
cumplen o no. Sin embargo, haciendo una extensión
de la teoría de conjuntos difusos, se puede decir que
la Lógica Difusa y las Redes Neuronales tienen propiedades
hay hechos que no son necesariamente ciertos o
computacionales particulares que las hacen adecuadas para
falsos, sino que tienen un cierto grado de verdad. Por
ciertos problemas particulares y no para otros. Por ejemplo,
ejemplo, “hoy hace calor” podría ser una oración
mientras las redes neuronales ofrecen ventajas como el
válida en grado 0.6; así, lo que existe en el mundo no
aprendizaje, adaptación, tolerancia a fallas, paralelismo y
es un hecho, sino el grado de verdad de un hecho, y
generalización, no son buenas para explicar cómo han
los seres humanos tiene un grado de certeza del
alcanzado sus decisiones. En cambio, los sistemas difusos, los
hecho que puede variar entre 0 y 1(falso y
cuales razonan con información imprecisa a través de un
verdadero).
mecanismo de inferencia bajo incertidumbre lingüística, son
Concretamente, se puede decir que una lógica consta
buenos explicando sus decisiones, pero no pueden adquirir
de lo siguiente:
automáticamente las reglas que usan para tomarlas.
· Un sistema formal para describir lo que está
sucediendo en un momento determinado, y que
Los sistemas Neuro-Difusos combinan la capacidad de
consta de:
aprendizaje de las RNAs con el poder de interpretación
- La sintaxis del lenguaje, que explica cómo
lingüística de los sistemas de inferencia difusos, obteniéndose
construir oraciones
los siguientes resultados:
- La semántica del lenguaje, a través de la cual cada
- Aplicabilidad de los algoritmos de aprendizaje desarrollados
oración expresa algo relacionado con el mundo.
para redes neuronales.
-Una Teoría de demostración, que agrupe un
- Posibilidad de promover la integración de conocimiento
conjunto de reglas para deducir las implicaciones de
(implícito que puede ser adquirido a través del aprendizaje y
explícito que puede ser explicado y entendido).
- La posibilidad de extraer conocimiento para una base de
reglas difusas a partir de un conjunto de datos.
Existen sistemas de desarrollo que han logrado unir la Lógica
Difusa con las Redes Neuronales, por ejemplo, se tiene:

ANFIS

ANFIS (Adaptive Neuro Fuzzy Inference System) es un

método que permite sintonizar o crear la base de reglas de un
sistema difuso, utilizando el algoritmo de entrenamiento de
retro-propagación a partir de la recopilación de datos de un
proceso. Su arquitectura es funcionalmente equivalente a una
base de reglas tipo Sugeno.

FSOM Figura 2 Estructura de un sistema Neuro Difuso

FSOM (Fuzzy Self-Organizing Maps) consiste en un sistema IV. PROCEDIMIENTO

difuso optimizado a partir de la técnica de los mapas auto-
organizados de Kohonen.
NEFCLASS
El algoritmo NEFCLASS e stá basado en la estructura del
perceptrón multicapa cuyos pesos son modelados por
conjuntos difusos. Así, se preserva la estructura de una red 34
neuronal, pero se permite la interpretación del sistema
resultante por el sistema difuso asociado, es decir, la RNA
deja de ser una “caja negra”.
FuzzyTech
Es un software que propone un método de desarrollo de
sistemas Neuro-difuso similar a ANFIS. FuzzyTECH es el
sistema de desarrollo utilizado en esta tesis.
Aprendizaje en un Sistema Neuro-difuso.
Lo primero que se debe hacer es crear el diagrama de bloques
en labview, se inicia por introducir el DAQ Asistent el cual se
encarga de recibir la información de la panta, se le agrega un
tanque el cual representara la cantidad del fluido que se
encuentre en el tanque y se agrega un slide para variar el nivel
en el tanque se agregan los numeric para darle valor a las
salidas y se implementan los respectivos bloques de funciones,
por aparte se crean las reglas usando el fuzzy logic designer de
labview el cual se explicara más adelante se implementa un
bloque el cual permite cargar las reglas para después pasar por
el sistema MISO y multiplicar con la ganancia de salida se
grafica esta y luego pasa por un saturador el cual permite que
cuando la acción de control tenga valores negativos este sea
igual a 0 y si posee valores mayores a 5 este se mantenga en 5
permitiendo estabilizar el sistema más rápidamente después la
acción de control se grafica se muestra el valor de la
saturación y va a la salida de la tarjeta de adquisición de datos,
lo anterior planteado se puede apreciar en la figura 3 y 4

El Sistema Neuro-difuso consiste de un sistema

difuso tradicional (ver figura 2.) excepto que cada
etapa, puede ser representada por una capa de
neuronas a las que se puede proveer capacidades de
aprendizaje de Redes Neuronales para optimizar el
conocimiento del sistema como muestra la figura 1.
Figura 3 Diagrama de bloques Labview

Figura 1 Diagrama de bloques de un sistema neuro difuso

Figura 4 Bloque frontal Labview

Después se procede a usar el fuzzy logic designer de labview

donde se cran las reglas y crea un archivo cuya extensión es .fs
se establece el valor de acción de la planta la cual opera entre
-5 y 5 y se le da un shape de tipo triangulo se establecen los
 3
UNIVERSIDAD AUTONOMA DE OCCIDENTE
Facultad de Ingeniería.
Proyecto Final de Control Inteligente
I Periodo de 2019

valores para este caso-5,-5 y -2.5, en cuanto para el error se

toma un valor de -9 a 9 y se toma una tipo trapezoid se
ingresan los valores de -9,-9,-6.75 y -3,25 se ingresan los
antecedentes y sus consecuentes como se muestra en la figura
5.

Figura 5 Reglas Fuzzy Figura 6 Conexiones planta Labvolt

Despues se procede a conectar la planta labvolt y establecer el

cero y el rango por medio de un multímetro en el transmisor
de presión, para revisar las conexiones se puden encontrar en
la guía disponible en el laboratorio de automática.
V. ANALISIS Y RESULTADOS
Con el diagrama de bloques de labview ya creado y la
respectiva conexión de la planta labvolt se procede a cargargar
el programa y realizar las respectivas pruebas
correspondientes.

Al correr el programa y variar el nivel este funciona

perfectamente como se muestra en la figura 7 se puede
apreciar que el error es solo de 0.19 siendo demasiado bajo
además se puede ver la respectiva acción de control, la salida
del fuzzy y antes del fuzzy como se describió anteriormente.

Figura 7 Control Fuzzy Planta de nivel

VI. CONCLUSIONES
-Fue necesario Implementar un saturador en la salida después
del fuzzy debido a que sin este la planta era muy oscilatoria,
esto permitió hacer que la planta se estabilizara rápidamente.
-Las oscilaciones sin el saturador se debían a que las acciones
integrales mandaban señales negativas muy bajas haciendo
que la estabilización de la planta fuera alrededor de 350
segundos, al corregirlo con el saturador es estabilizaba
rápidamente.

-Otra manera de corregir las oscilaciones era implementando

un anti wind up pero por motivos de tiempo no se pudo hacer
debido a la disponibilidad de la planta labvolt.

-La carga computacional en el desarrollo de Sistemas de

Control tradicional es mayor que en los Sistemas de Control
Difusos. En estos últimos no se necesitan programar procesos
matemáticos complejos para ajustar los parámetros de un
Controlador, simplemente se evalúan las reglas que relacionan
las Variables de entradas. Todo lo anterior demuestra la gran
ventaja que tiene el desarrollo de software de Control difuso
sobre los de Control tradicional.

- Las herramientas de software para el diseño e

implementación de Sistemas Neuronales y Difusos como
Matlab y Labview permiten el desarrollo de pruebas que
sirven como guía en el diseño de un proyecto de este tipo.

VII. REFERENCIAS
[1] en línea http://www.ni.com/pdf/manuals/372192d.pdf
[2] https://www.youtube.com/watch?v=gd9D7BC9uXs