Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tecnologia Industrial - FUZZY LOGIC - pc1
Tecnologia Industrial - FUZZY LOGIC - pc1
ASIGNATURA:
Tecnología Industrial
DOCENTE:
RAFAEL VALDIVIA, Guillermo
ALUMNOS:
ÍNDICE DE FIGURAS.............................................................................................................4
INTRODUCCIÓN.................................................................................................................... 5
1. DEFINICIÓN DE FUZZY LOGIC......................................................................................6
2. PROS Y CONTRAS DE FUZZY LOGIC..........................................................................6
3. ETAPAS DE LA IMPLEMENTACIÓN DE UN AUTOMATISMO.....................................7
3.1. ETAPAS DE FUZZY LOGIC.....................................................................................9
3.1.1. FUZZIFICACION...............................................................................................9
3.1.2. INFERENCIA.....................................................................................................9
3.1.3. DESFUZZIFICACION........................................................................................9
4. EJEMPLOS INDUSTRIALES........................................................................................10
CONCLUSIONES................................................................................................................. 14
BIBLIOGRAFÍA.................................................................................................................... 14
ANEXOS............................................................................................................................... 15
ÍNDICE DE FIGURAS
Imagen 1................................................................................................................................. 6
Imagen 2................................................................................................................................. 7
Imagen 3................................................................................................................................. 7
Imagen 4................................................................................................................................. 8
Imagen 5................................................................................................................................. 9
Imagen 6............................................................................................................................... 13
Imagen 7............................................................................................................................... 13
Imagen 8............................................................................................................................... 14
Imagen 9............................................................................................................................... 14
Imagen 10............................................................................................................................. 15
Imagen 11............................................................................................................................. 15
INTRODUCCIÓN
Fuzzy Logic ha cobrado una fama grande por la variedad de sus aplicaciones, las cuales van desde el
control de complejos procesos industriales, hasta el diseño de dispositivos artificiales de deducción
automática, pasando por la construcción de artefactos electrónicos de uso doméstico y de
entretenimiento, así como también de sistemas de diagnóstico. De hecho, desde hace ya, al menos,
década y media, la expedición de patentes industriales de mecanismos basados en la lógica difusa
tiene un crecimiento sumamente rápido en todas las naciones industrializadas.
La lógica difusa permite tratar información imprecisa, como estatura media o temperatura baja, en
términos de conjuntos borrosos que se combinan en reglas para definir acciones: si la temperatura es alta
entonces enfriar mucho. De esta manera, los sistemas de control basados en lógica difusa combinan
variables de entrada, definidas en términos de conjuntos difusos, por medio de grupos de reglas que
producen uno o varios valores de salida. [ CITATION Gui00 \l 10250 ]
CONTRAS
En las redes neuronales se precisa de un tiempo de aprendizaje para obtener los mejores
resultados en la salida.
Ante un problema que tiene solución mediante un modelo matemático, obtenemos peores
resultados usando Fuzzy Logic.
No hay actualmente un análisis matemático riguroso que garantice que el uso de un sistema
experto difuso, para controlar un sistema, dé cómo resultado un sistema estable.
Esta tecnología es efectiva en algunas aplicaciones, pero en otras no, como p.ej., ingeniería
nuclear, aeroespacial, biomédica, entre otros.
Dificultad de interpretación de valores difusos.[ CITATION Jes15 \l 10250 ]
Los sistemas de control difuso o lógica difusa opera distinto que los sistemas de control clásico o
conocido también como lógica booleana, que como lógica multi-valuada, para definir sus grados
de pertenencia, usa valores entre 0 (totalmente falsos) y 1 (totalmente ciertos).
En lógica booleana, un valor puede ser solo verdadero o falso, es decir, si queremos determinar la
temperatura en una superficie como "caliente", este valor puede ser 25º. Por encima de esta
temperatura, "calor" es verdadero, y por debajo, "calor" es falso. No existen valores intermedios.
[CITATION Mat17 \l 3082 ]
La Lógica difusa, utiliza un “conjunto difuso”, que a diferencia de la lógica booleano presenta una
"fase de transición", en la cual la variable se sitúa entre los valores verdadero y falso. Para
temperaturas entre 20º y 25º, habrá más o menos calor, es decir, por debajo de los 20º, diremos
que no está caliente, y por encima de los 25º, diremos que está caliente al 100 %. Pero, a 23º, no
está caliente más que en un 60 % (es decir, un 0.6). [CITATION Mat17 \l 3082 ]
Imagen 2 Sistema de control Difuso
Zadeh propone en 1965 por primera vez la noción de Conjunto Difuso. Los conceptos se asocian
a valores de pertenencia en un proceso, llamado fuzzificación. [ CITATION Log11 \l 3082 ]
Una vez que obtengamos los valores fuzzificados podemos trabajar con reglas lingüísticas y
obtener una salida, que podrá seguir defuzzificada para obtener un valor discreto Crisp, la idea
básica de un conjunto difuso es que un elemento forme parte de un conjunto con un determinado
grado de pertenencia. De este modo una proposición es parcialmente cierta o falsa. Este grado se
expresa mediante un entero en el intervalo
En el ejemplo, Crisp está representada por una línea que separa claramente las estaturas de
1.8m de los individuos altos de los que no lo son, atribuyendo un valor estricto de pertenencia.
Sin embargo, el conjunto Fuzzy permite expresar que la persona tiene un grado de pertenencia al
conjunto de los altos en µA(Altura) = 0,82.
de esa manera, un conjunto Fuzzy proporciona una transición entre los límites de un conjunto
Crisp. esto se define como todos los posibles valores que puede tomar una determinada variable
que no está condicionada a ser puramente verdadera o falsa. [ CITATION Log11 \l 3082 ]
El control difuso involucra el proceso de Fuzzificación, esta operación se realiza en todo instante,
es la puerta de entrada al sistema de inferencia difusa. [ CITATION Log \l 3082 ]
3.1.2. INFERENCIA
En la segunda etapa, la Inferencia, se realiza una evaluación de todas las reglas SI-ENTONCES y
se determinan sus valores. Si una entrada dada no se corresponde exactamente a una regla SI-
ENTONCES, se utiliza la coincidencia parcial de los datos de entrada para interpolar una
respuesta.
3.1.3. DESFUZZIFICACION
4. EJEMPLOS INDUSTRIALES
Aplicaciones generales:
Esta técnica se ha empleado con bastante éxito en las industrias a nivel mundial, principalmente
en Japón, extendiéndose sus aplicaciones a multitud de campos. La primera vez que se usó de
forma importante fue en el metro japonés, con excelentes resultados. Posteriormente se
generalizó según la teoría de la incertidumbre desarrollada por el matemático y economista
español Jaume Gil Aluja.
En el campo de las empresas este tipo de teoría se ha extendido en general a todas las áreas de
decisión, en las que se manejan estimaciones subjetivas basadas en la información disponible y
en su propia experiencia. Por ejemplo:
Modelos de decisión utilizados con criterios de optimización
Modelo de producción
Inventarios
Seguros de vida
Localización de plantas industriales
Selección de carteras
Estrategia de entrada a mercados extranjeros
Valoración de intangibles en empresas de Internet
Cuando los sistemas funcionan generalmente bien o los modelos matemáticos se pueden diseñar
fácilmente, no hay necesidad de emplear la lógica difusa, puesto que la solución no es tan
compleja como para hacer deducciones del tipo que hacen los seres humanos.
Desarrollo
Paso 1: definir variables y términos lingüísticos
Las variables lingüísticas son variables de entrada y salida en forma de palabras u oraciones
simples. Para temperatura ambiente, frío, tibio, caliente, etc., son términos lingüísticos.
Temperatura (t) = {muy fría, fría, tibia, muy tibia, caliente}
Cada miembro de este conjunto es un término lingüístico y puede cubrir una parte de los valores
generales de temperatura.
Paso 2: construya funciones de pertenencia para ellos
Las funciones de pertenencia de la variable de temperatura son las que se muestran:
Paso 3: construya las reglas de la base de conocimientos
Cree una matriz de valores de temperatura ambiente versus valores de temperatura objetivo que se
espera que proporcione un sistema de aire acondicionado.
Temperatura Calient
Muy frío Frío Calentar Very_Hot
ambiente. /Objetivo e
No Condición Acción
Señor.
En conclusión, la lógica difusa nos ayuda a solucionar problemas complejos con información
no precisa que no pueden ser resueltos por la lógica convencional, ayuda a resolver ejercicios
de forma más humana, a diferencia de otros métodos clásicos.
Un elemento perteneciente a un conjunto, también puede pertenecer a otros con distinto grado
de veracidad
La simplicidad con la que se aplica a los procesos, hace que diversas industrias la apliquen
para la automatización de sus procesos.
La automatización conlleva al reemplazo del trabajo humano, por ende, para las
organizaciones representa disminución en los costos y a su vez una nueva oportunidad para
sus colaboradores.
La lógica difusa, nos muestra como de forma sencilla podemos llegar a controlar procesos
complejos para así poder minimizar los errores y poder aumentar la productividad y calidad y
optimizar los tiempos que tomen realizar una actividad.
BIBLIOGRAFÍA
Anexo 1:
Imagen
Anexo 2:
Imagen
Anexo 3:
Imagen
Anexo 4:
Imagen
Anexo 5:
Imagen
Anexo 6:
Imagen