UNIVERSIDAD TECNOLÓGICA DEL PERÚ

Facultad de Ingeniería Industrial

Automatización Industrial: Sistema de control difuso (Fuzzy Logic) de procesos industrial

ASIGNATURA:
Tecnología Industrial

DOCENTE:
RAFAEL VALDIVIA, Guillermo

ALUMNOS:

MAMANI GRAU, Danitza Alejandra 1629939

AVALOS LÓPEZ, Giancarlo U17200497
CÁRDENAS PURIZACA, Fredy 1410715
CCORAHUA NAREZO, Víctor 1313575
CAHUINA PANCCA, Julio Cesar U17206055

24 de septiembre del 2020

 ÍNDICE GENERAL

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.

Se ha considerado de manera general que el concepto de Fuzzy Logic apareció en 1965, en la

Universidad de California en Berkeley. Fuzzy Logic, pues de hecho hay que hablar de ellas en plural,
son esencialmente lógicas multivaluadas que extienden a las lógicas clásicas. Estas últimas imponen
a sus enunciados únicamente valores falso o verdadero. Bien que estas han modelado
satisfactoriamente a una gran parte del razonamiento “natural”, es cierto que el razonamiento humano
utiliza valores de verdad que no necesariamente son “tan deterministas”.

Fuzzy Logic ha tenido aplicaciones de suma relevancia en el procesamiento electrónico de datos. En

determinadas áreas de conocimiento, a sus enunciados se les asocia valores de verdad que son
grados de veracidad o falsedad, mucho más amplios que los “verdadero” y “falso”. En un sistema
deductivo se distingue enunciados “de entrada” y enunciados “de salida”. El objetivo de todo sistema
manejador de una lógica difusa es describir los grados de los enunciados de salida en términos de los
de entrada.

En esta presentación haremos énfasis en sus etapas de la implementación de un automatismo con

Fuzzy Logic, así mismo daremos a conocer los pros y contras de este. Por último, se nombrará
ejemplos industriales que usan esta lógica.
SISTEMA DE CONTROL DIFUSO (FUZZY LOGIC) DE PROCESOS INDUSTRIALES

1. DEFINICIÓN DE FUZZY LOGIC

Es la lógica que utiliza expresiones que no son ni totalmente ciertas ni completamente falsas, es decir, es
la lógica aplicada a conceptos que pueden tomar un valor cualquiera de veracidad dentro de un conjunto
de valores que oscilan entre dos extremos, la verdad absoluta y la falsedad total. Conviene recalcar que
lo que es difuso, borroso, impreciso o vago no es la lógica en sí, sino el objeto que estudia: expresa la
falta de definición del concepto al que se aplica.

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 ]

2. PROS Y CONTRAS DE FUZZY LOGIC

PROS
 La principal ventaja de este sistema de control es su facilidad de implementación.
 Este tipo de sistemas están dando muy buenos resultados en procesos no lineales y de difícil
modelación.
 El modo de funcionamiento es similar al comportamiento humano.
 Es una forma rápida y económica de resolver un problema.
 No se necesita conocer el modelo matemático que rige su funcionamiento.
 Capacidad de simplificar la asignación de soluciones previas a problemas sin resolver.
 No depende de ecuaciones matemáticas complejas o extensas.[ CITATION Jes15 \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 ]

3. ETAPAS DE LA IMPLEMENTACIÓN DE UN AUTOMATISMO

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 ]

Imagen 1 Sistema de control Clásico

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

Un ejemplo claro es la representación de la altura de un grupo de personas.

Imagen 3 Ejemplo de Lógica Difusa

 Imagen 4 Cuadro de resultados

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. ETAPAS DE FUZZY LOGIC

3.1.1. FUZZIFICACION

En la etapa de fuzzificación o conocido también como borrosificación se establece la base de

hechos, en primer lugar, se identifica el sistema de entrada y salida, y a continuación se identifica
si las reglas SI-ENTONCES son apropiadas. Finamente se utilizan los datos reales para derivar la
función de pertenencia.

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

Por último, el proceso inverso, denominado defuzzificación o desborrosificación, permite crear

valores definidos y concretos que se puedan aplicar en el sistema o en el proceso bajo control.
[ CITATION Mai15 \l 3082 ]
 OPERACIONES DE CONJUNTOS DIFUSOS

Imagen 5 Flujo de Sistema Difuso

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.

A continuación, se citan algunos ejemplos de su aplicación:

 Sistemas de aire acondicionado

 Sistemas de foco automático en cámaras fotográficas
 Electrodomésticos familiares (frigoríficos, lavadoras...)
 Sistemas de escritura
 Mejora en la eficiencia del uso de combustible en motores
 Sistemas expertos del conocimiento (simular el comportamiento de un experto humano)
 Tecnología informática y, en general, en la gran mayoría de los sistemas de control que no
dependen de un Sí/No.

Lógica difusa en inteligencia artificial:

La lógica difusa, o lógica borrosa se utiliza para la resolución de una variedad de problemas,
principalmente los relacionados con control de procesos industriales complejos y sistemas de
decisión en general, Los sistemas de lógica difusa están también muy extendidos en la tecnología
cotidiana, por ejemplo, en cámaras digitales, sistemas de aire acondicionado, lavarropas, etc. Los
sistemas basados en lógica difusa imitan la forma en que toman decisiones los humanos, con la
ventaja de ser mucho más rápidos.

La lógica difusa es aplicable en situaciones y/o campos como:

Donde hallan procesos muy complejos, donde los modelos matemáticos simples no son capaces
de dar solución a los problemas. Por ejemplo, un sistema de riego el cual funciona a partir del
clima del medio ambiente. Este sistema no puede basarse en clima frio caliente como lo haría un
sistema lógico binario, el cual toma dos estados. Acá necesitamos tomar en cuenta diferentes
estados para dar modelos matemáticos automatizados que den salidas y/o decisiones factibles.

Puede aplicarse en:

 La meteorología
 La combustión
 La evolución biológica

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.

Ejemplo de lógica difusa aplicado al control de un semáforo.

Imagen 6 Sistema difuso de un Semáforo

Ejemplos de sistema de aire acondicionado usando la lógica difusa.

Consideremos un sistema de aire acondicionado con sistema de lógica difusa de 5 niveles. Este

sistema ajusta la temperatura del aire acondicionado comparando la temperatura ambiente y el
valor de temperatura objetivo.
Algoritmo

 Definir variables y términos lingüísticos (inicio)

 Construya funciones de pertenencia para ellos. (comienzo)
 Construir una base de conocimientos de reglas (inicio)
 Convierta datos nítidos en conjuntos de datos difusos utilizando funciones de
membresía. (fuzzificación)
 Evaluar reglas en la base de reglas. (Máquina de inferencia)
 Combine los resultados de cada regla. (Máquina de inferencia)
 Convierta los datos de salida en valores no difusos. (defuzzificación)

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

Muy frío Ningún Calor Calor Calor Calor

cambio

Frío Frio Ningún Calor Calor Calor

cambio

Calentar Frio Frio Ningún Calor Calor

cambio

Caliente Frio Frio Frio Ningún Calor

 cambio

Very_Hot Frio Frio Frio Frio Ningún

cambio

Construya un conjunto de reglas en la base de conocimientos en forma de estructuras IF-THEN-

ELSE.

No Condición Acción
Señor.

SI temperatura = (Fría O Muy_Fría) Y objetivo = Cálida Calor

1
ENTONCES

SI temperatura = (Caliente O Muy_caliente) Y objetivo = Caliente Frio

2
ENTONCES

SI (temperatura = cálido) Y (objetivo = cálido) ENTONCES Ningún

3
cambio

Paso 4: obtener un valor difuso

Las operaciones de conjuntos difusos realizan la evaluación de reglas. Las operaciones utilizadas
para OR y AND son Max y Min respectivamente. Combine todos los resultados de la evaluación para
formar un resultado final. Este resultado es un valor difuso.
Paso 5: realizar la defuzzificación
La defuzzificación se realiza luego de acuerdo con la función de pertenencia para la variable de
salida.
 CONCLUSIONES

 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

G. T. Muñoz, «Turotial de Logica Fuzzy,» 2000. [En línea]. Available:

https://sisbib.unmsm.edu.pe/bibvirtualdata/publicaciones/electronica/Agosto_20
00/pdf/logica%20fuzzy.pdf.
J. A. Ramos, «Ventajas y desventajas de la logica difusa,» 2015. [En línea]. Available:
https://sites.google.com/site/logicadifusaingindustrialpaita/logica-
difusa/ventajas-y-desventajas-de-la-logica-difusa.
V. Mathivet, Inteligencia Artificial para desarrolladores - Conceptos e implementación
en Java, ENI Ediciones, 2017.
L. D. -. U. i. Practica, «Carlos Gonzales Morcillo,» 2011.

«Logia Difusa y Sistemas de Control».

M. Farhat, O. Barambones, J. A. Ramos, E. Duran y J. M. Andujar, «Diseño e

Implementación de un Sistema de Control estable basado en Lógica Borrosa,»
ELSEVIER, 2015.
 ANEXOS

Anexo 1:

Imagen

Anexo 2:
 Imagen

Anexo 3:

Imagen

Anexo 4:
 Imagen

Anexo 5:
 Imagen

Anexo 6:
Imagen