UNIVERSIDAD TECNOLÓGICA DEL PERÚ

“SISTEMAS DE CONTROL DIFUSO (FUZZY LOGIC)

DE PROCESOS INDUSTRIALES”

▪ Integrantes:
o Arroyo Garrafa, Kevin Emmel
o Contreras Blancas, Miriam Estefanny
o Cordova Villarroel, Milton
o Chagua Ruiz Guillermo Eduardo
o Leandro Jurado, Dalila
o Vilchez Rojas Anthony

▪ Asignatura: Tecnología Industrial

▪ Docente: Rafael Valdivia, Guillermo

▪ Turno: Noche

Arequipa, 22 de setiembre del 2020

 ÍNDICE

1. DEFINICIÓN DE FUZZY LOGIC .............................................................................. 4

2 CARACTERÍSTICAS DE FYZZY LOGIC ................................................................. 7

3. PROS Y CONTRAS DE FUZZY LOGIC ................................................................... 7

4. ETAPAS DE LA IMPLEMENTACIÓN DE UN AUTOMATISMO CON F.L ......... 9

5. EJEMPLOS INDUSTRIALES ................................................................................... 13

6. CONCLUSIONES ...................................................................................................... 16

7. REFERENCIAS ......................................................................................................... 17
ÍNDICE DE FIGURAS
Fig. 1. Esquema del sistema Booleano y la lógica difusa [2] .................................................... 5

Fig. 2. Funcionamiento de un sistema de control difuso [2] .................................................... 6

Fig. 3. Arquitectura de los cuatro partes de la lógica difusa [2]. ........................................... 9

Fig. 4. Función de Membresía [5] ............................................................................................ 10

Fig. 5. Lógica difusa en base a la temperatura [6].................................................................. 11

Fig. 6. Función de pertenencia en base a la temperatura [7]................................................. 12

Fig. 7. Defuzzificación en base a la temperatura [7] .............................................................. 13

Fig. 8. Lógica difusa en la tecnología [4] ................................................................................. 14

INDICE DE TABLAS
Tabla 1. Rango de Posibilidades entre SI y NO [2] .................................................................. 5

Tabla 2. Matriz de valores de temperatura vs valores de temperatura objetivo [7] ........... 12

Tabla 3. Reglas y condiciones a base de la temperatura [7] .................................................. 12

1. DEFINICIÓN DE FUZZY LOGIC

Básicamente la Lógica Difusa es una lógica multivaluada que permite representar

matemáticamente la incertidumbre y la vaguedad, proporcionando herramientas formales
para su tratamiento. Como indica Zadeh [1], “Cuando aumenta la complejidad, los
enunciados precisos pierden su significado y los enunciados útiles pierden precisión.”,
que puede resumirse como que “los árboles no te dejan ver el bosque”. Básicamente,
cualquier problema del mundo puede resolverse como dado un conjunto de variables de
entrada (espacio de entrada), obtener un valor adecuado de variables de salida (espacio
de salida). La lógica difusa permite establecer este mapeo de una forma adecuada,
atendiendo a criterios de significado (y no de precisión). El término Lógica Difusa fue
utilizado por primera vez en 1974. Actualmente se utiliza en un amplio sentido,
agrupando la teoría de conjunto difusos, reglas si-entonces, aritmética difusa,
cuantificadores, etc. En este curso emplearemos este significado extenso el término.

Los conceptos empleados en Lógica Difusa y Probabilidad están relacionados en cierto

modo, pero son totalmente diferentes. De forma resumida, la probabilidad representa
información sobre frecuencia de ocurrencias relativas de un evento bien definido sobre el
total de eventos posible. Por su parte, el grado de pertenencia difuso representa las
similitudes de un evento con respecto a otro evento, donde las propiedades de esos
eventos no están definidas de forma precisa. Así, El término difuso se refiere a cosas que
no están claras o son vagas. En el mundo real muchas veces nos encontramos con una
situación en la que no podemos determinar si el estado es verdadero o falso, su lógica
difusa proporciona una flexibilidad muy valiosa para el razonamiento. De esta forma,
podemos considerar las inexactitudes e incertidumbres de cualquier situación.

En el valor de verdad del sistema booleano, 1.0 representa el valor de verdad absoluto y
0.0 representa el valor de falso absoluto. Pero en el sistema difuso, no hay lógica para la
verdad absoluta y el valor falso absoluto. Pero en la lógica difusa, hay un valor intermedio
demasiado presente que es parcialmente verdadero y parcialmente falso. Como se puede
observar en la siguiente figura [2].
 Fig. 1. Esquema del sistema Booleano y la lógica difusa [3]
La lógica difusa (FL) también es un método de razonamiento que se asemeja al
razonamiento humano. El enfoque de FL imita la forma de toma de decisiones en
humanos que involucra todas las posibilidades intermedias entre los valores digitales SI
y NO. El bloque lógico convencional que una computadora puede entender toma una
entrada precisa y produce una salida definida como VERDADERO o FALSO, que es
equivalente al SÍ o NO humano. El inventor de la lógica difusa, Lotfi Zadeh, observó
que, a diferencia de las computadoras, la toma de decisiones humana incluye un rango
de posibilidades entre SÍ y NO, tales como:

CIERTAMENTE SI

POSIBLEMENTE SI

NO SE PUEDE DECIR

POSIBLEMENTE NO

CIERTAMENTE NO

Tabla 1. Rango de Posibilidades entre SI y NO [4]

La lógica difusa trabaja en los niveles de posibilidades de entrada para lograr la salida
definida. Es así, se puede implementar en sistemas con varios tamaños y capacidades que
van desde pequeños microcontroladores hasta grandes sistemas de control basados en
estaciones de trabajo en red. Puede implementarse en hardware, software o una
combinación de ambos.
La clave de esta adaptación al lenguaje se basa en comprender los cuantificadores de
cualidad para nuestras inferencias . En la teoría de conjuntos difusos se definen también
las operaciones de unión, intersección, diferencia, negación o complemento, y otras
operaciones sobre conjuntos, en los que se basa esta lógica. Para cada conjunto difuso,
existe asociada una función de pertenencia para sus elementos, que indica en qué medida
el elemento forma parte de ese conjunto difuso. Las formas de las funciones de
pertenencia más típicas son trapezoidal, lineal y curva.

Se basa en reglas heurísticas de la forma SI (antecedente) ENTONCES (consecuente),

donde el antecedente y el consecuente son también conjuntos difusos, ya sea puros o
resultado de operar con ellos. Sirvan como ejemplos de regla heurística para esta lógica:

• SI hace muchísimo frío. ENTONCES aumento drásticamente la temperatura.

• SI voy a llegar un poco tarde. ENTONCES aumento levemente la velocidad.

Los métodos de inferencia para esta base de reglas deben ser sencillos, versátiles y
eficientes. Los resultados de dichos métodos son un área final, fruto de un conjunto de
áreas solapadas entre sí (cada área es resultado de una regla de inferencia). Para escoger
una salida concreta a partir de tanta premisa difusa, el método más usado es el
del centroide, en el que la salida final será el centro de gravedad del área total resultante.

Las reglas de las que dispone el motor de inferencia de un sistema difuso pueden ser
formuladas por expertos o bien aprendidas por el propio sistema, haciendo uso en este
caso de redes neuronales para fortalecer las futuras tomas de decisiones. Los datos de
entrada suelen ser recogidos por sensores que miden las variables de entrada de un sistema.
El motor de inferencias se basa en chips difusos, que están aumentando exponencialmente
su capacidad de procesamiento de reglas año a año. Un esquema de funcionamiento típico
para un sistema difuso podría ser de la siguiente manera:

Fig. 2. Funcionamiento de un sistema de control difuso [5]

En la figura 2, el sistema de control hace los cálculos con base en sus reglas heurísticas,
comentadas anteriormente. La salida final actuaría sobre el entorno físico, y los valores
sobre el entorno físico de las nuevas entradas serían tomadas por sensores del sistema.

Por ejemplo, imaginando que nuestro sistema difuso fuese el climatizador de un coche
que se autorregula según las necesidades: Los chips difusos del climatizador recogen los
datos de entrada, que en este caso bien podrían ser la temperatura y humedad simplemente.
Estos datos se someten a las reglas del motor de inferencia, resultando un área de
resultados. De esa área se escogerá el centro de gravedad, proporcionándola como salida.
Dependiendo del resultado, el climatizador podría aumentar la temperatura o disminuirla
dependiendo del grado de la salida [6].

2 CARACTERÍSTICAS DE FYZZY LOGIC

• Soporta datos imprecisos

• Es conceptualmente fácil de entender
• Es flexible
• Puede modelar funciones lineales de alguna complejidad
• Se basa en el lenguaje humano
• Se basa en la experiencia de expertos conocedores del problema
• Combina en forma unificada expresiones lingüísticas con datos numéricos.

3. PROS Y CONTRAS DE FUZZY LOGIC

PROS del sistema de lógica difusa

• Este sistema puede trabajar con cualquier tipo de entrada, ya sea información de
entrada imprecisa, distorsionada o ruidosa.
• La construcción de Fuzzy Logic Systems es fácil y comprensible.
• La lógica difusa viene con conceptos matemáticos de la teoría de conjuntos y el
razonamiento de eso es bastante simple.
• Proporciona una solución muy eficiente a problemas complejos en todos los campos
de la vida, ya que se asemeja al razonamiento y la toma de decisiones humanos.
 • Los algoritmos se pueden describir con pocos datos, por lo que se requiere poca
memoria.
• Puede modificar un FLS simplemente agregando o eliminando reglas debido al
flexibilidad de la lógica difusa.
• Los sistemas de lógica difusa pueden tomar información de entrada imprecisa,
distorsionando y ruidosa.
• Los FLS son fáciles de construir y comprender
• La lógica difusa es una solución a problemas complejas en todos los campos de la
vida, incluida la medicina, ya que se asemeja al rozamiento y la toma de decisiones
humanos.
• Brinda excelentes resultados, una veloz y precisa, disminuyendo así las transiciones
de estados fundamentales en el entorno físico que controle.
• Por ejemplo, si el aire acondicionado se encendiese al llegar a la temperatura de 30º,
y la temperatura actual oscilase entre los 29º-30º, nuestro sistema de aire
acondicionado estaría encendiéndose y apagándose continuamente, con el gasto
energético que ello conllevaría. Si estuviese regulado por lógica difusa, esos 30º no
serían ningún umbral, y el sistema de control aprendería a mantener una temperatura
estable sin continuos apagados y encendidos.
• También está la indecisión de decantarse bien por los expertos o bien por la
tecnología (principalmente mediante redes neuronales) para reforzar las reglas
heurísticas iniciales de cualquier sistema de control basado en este tipo de lógica
[7].

CONTRAS de los sistemas de lógica difusa

• Muchos investigadores propusieron diferentes formas de resolver un problema dado

a través de la lógica difusa que conducen a la ambigüedad. No existe un enfoque
sistemático para resolver un problema dado a través de la lógica difusa.
• La prueba de sus características es difícil o imposible en la mayoría de los casos
porque cada vez no obtenemos una descripción matemática de nuestro enfoque.
• Como la lógica difusa funciona tanto con datos precisos como imprecisos, la mayor
parte del tiempo la precisión se ve comprometida.
• No existe un enfoque sistemático para el diseño de sistemas difusos
• Son compresibles solo cuando son simples
 • Son adecuados para los problemas que no necesiten a una gran precisión [8].

4. ETAPAS DE LA IMPLEMENTACIÓN DE UN AUTOMATISMO CON F.L

1. BASE DE REGLAS: Contiene el conjunto de reglas y las condiciones SI-

ENTONCES proporcionadas por los expertos para regir el sistema de toma de
decisiones, en base a información lingüística. Los desarrollos recientes en la teoría
difusa ofrecen varios métodos efectivos para el diseño y ajuste de controladores
difusos. La mayoría de estos desarrollos reducen el número de reglas difusas.
2. FUZZIFICATION: Se utiliza para convertir entradas, es decir, números nítidos
en conjuntos difusos. Las entradas nítidas son básicamente las entradas exactas
medidas por sensores y pasadas al sistema de control para su procesamiento, como
temperatura, presión, rpm, etc.
3. MOTOR DE INFERENCIA: Determina el grado de coincidencia de la entrada
difusa actual con respecto a cada regla y decide qué reglas se activarán según el
campo de entrada. A continuación, las reglas disparadas se combinan para formar
las acciones de control.
4. DEFUZZIFICACIÓN: Se utiliza para convertir los conjuntos difusos obtenidos
por el motor de inferencia en un valor nítido. Hay varios métodos de
defuzzificación disponibles y el más adecuado se utiliza con un sistema experto
específico para reducir el error.

Fig. 3. Arquitectura de los cuatro partes de la lógica difusa [3].

Las funciones de pertenencia le permiten cuantificar términos lingüísticos y representar
gráficamente un conjunto difuso. Una función de pertenencia para
un conjunto difuso A en el universo del discurso X se define como μ A : X → [0,1]. Aquí,
cada elemento de X se asigna a un valor entre 0 y 1. Se llama valor de
membresía o grado de membresía. Se cuantifica el grado de pertenencia del elemento
en X al conjunto difuso A.

• El eje x representa el universo del discurso.

• El eje y representa los grados de pertenencia en el intervalo [0, 1].

Puede haber múltiples funciones de pertenencia aplicables para fuzzificar un valor

numérico. Las funciones de pertenencia simples se utilizan ya que el uso de funciones
complejas no agrega más precisión en la salida.

Todas las funciones de membresía para LP, MP, S, MN y LN se muestran a

continuación:

Fig. 4. Función de Membresía [6]

Las formas de función de pertenencia triangular son más comunes entre varias otras
formas de función de pertenencia como trapezoidal, singleton y gaussiana. Aquí, la
entrada al difusor de 5 niveles varía de -10 voltios a +10 voltios. Por tanto, la salida
correspondiente también cambia.
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.

Fig. 5. Lógica difusa en base a la temperatura [7]

Es entonces que aplicamos el 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)

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:
 Fig. 6. Función de pertenencia en base a la temperatura [8]

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.
Tabla 2. Matriz de valores de temperatura vs valores de temperatura objetivo [8]

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

THEN-ELSE.
Tabla 3. Reglas y condiciones a base de la temperatura [8]

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.
 Fig. 7. Defuzzificación en base a la temperatura [8]

5. EJEMPLOS INDUSTRIALES

• Desde mediados de los años 70, la lógica difusa se ha utilizado ampliamente

debido a varios factores. Uno de ellos es que el uso de conocimiento experto
permite la automatización de tareas. En muchas áreas de aplicación se reduce
considerablemente la necesidad de operadores que basan su conocimiento en la
experiencia (y que difícilmente podría ser expresado con ecuaciones
diferenciales). De este modo, si existe un conocimiento del proceso, es posible
modelarlo mediante lógica difusa [9].
• Los sistemas basados en lógica difusa son fáciles de diseñar, modificar y
mantener. Pese a la pérdida de precisión, la reducción de tiempo de desarrollo y
mantenimiento es muy relevante para su uso industrial [10].
• Otro factor a tener en cuenta es que el control difuso permite diseñar soluciones
de alta calidad que eviten las patentes existentes en otros sistemas de control. En
Japón este tipo de controladores se asocia a modernidad, alta calidad y
tecnológicamente potente. En Europa sin embargo se trata de ocultar el término
“difuso” por su significado negativo. En la actualidad multitud de productos de
electrónica de consumo emplean lógica difusa [11].
 Fig. 8. Lógica difusa en la tecnología [4]

• Por citar algunos ejemplos de uso, la empresa japonesa Matsuhita utiliza en sus
lavadoras un sistema de control que determina automáticamente el ciclo de lavado
según el tipo, cantidad de suciedad y tamaño de la colada. Los estabilizadores de
imágenes en sus cámaras digitales incorporan reglas que eliminan las vibraciones
involuntarias de la mano del operario, comparando la imagen actual con las
imágenes anteriores de la memoria. En el ámbito de la automoción, Mitsubishi y
General Motors emplean sistemas de transmisión automática y control de
temperatura basados en lógica difusa [12].
• Otro caso de éxito es el metro de Sendai (Japón), que cuenta con 16 estaciones.
El sistema de control difuso está dividido en dos módulos, uno para el control de
la velocidad y otro para la parada automática. Este controlador difuso ofrece
importantes ventajas sobre los controladores convencionales, como el mayor
confort en el viaje para los pasajeros y menor consumo de energía [1].
• Entre otros como:
o Sistemas automotrices

• Cajas de cambios automáticas

• Dirección en las cuatro ruedas
• Control del entorno del vehículo
o Bienes electrónicos de consumo

• Sistemas de alta fidelidad

• Fotocopiadoras
• Cámaras fijas y de video
• Televisión
o Bienes Nacionales

• Hornos de microondas
• Refrigeradores
• Tostadoras
• Aspiradoras
• Lavadoras
o Control ambiental

• Aires acondicionados / secadores / calentadores

• Humidificadores

Por otro lado, se menciona otros ejemplos industriales donde se aplica la lógica
difusa en la que, la gran mayoría de los sistemas de control no dependen de un
Sí/No. Tales son [13]:

• Sistemas de control de acondicionadores de aire

• Sistemas de foco automático en cámaras fotográficas
• Electrodomésticos familiares (frigoríficos, lavadoras...)
• Optimización de sistemas de control industriales
• 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
• Bases de datos difusas: Almacenar y consultar información imprecisa.
Para este punto, por ejemplo, existe el lenguaje FSQL.
6. CONCLUSIONES

• Los sistemas difusos desarrollados mostraron capacidad para medir de forma

satisfactoria la confianza industrial y el clima empresarial. En el desarrollo de
estos sistemas se utilizaron indicadores medidos a través de los saldos de opinión
y las medidas de consenso.
• Asimismo, la lógica difusa imita como la persona toma una decisión basada en
información con características mencionadas.
• También, la lógica difusa tiene como ventaja la posibilidad de implementar
sistema con hardware y software o en combinación de ambas.
• La lógica borrosa, lógica difusa o fuzzy logic es una técnica relativamente
novedosa que nos permite describir el comportamiento de los sistemas mediante
reglas, utilizando un lenguaje coloquial o natural, el cual tiene propiedades tales
como: la imprecisión o la vaguedad de los términos, propiedades que están en
absoluta oposición con la lógica clásica o proposicional.
• La lógica borrosa une los métodos clásicos de diseño de sistemas de control junto
con el conocimiento de los expertos, evitándose así la necesidad de conseguir
modelos matemáticos rigurosos del comportamiento de los sistemas.
• Una de las grandes diferencias con otros sistemas de control es que, aunque la
lógica borrosa se apoya en un complejo cuerpo matemático, la aplicación de la
misma es muy sencilla y esto la hace muy interesante. Pero, cuidado; no
confundamos la lógica borrosa como un método mágico que nos vaya a resolver
todos los problemas de control.
• Muchas veces los sistemas clásicos son mejores, más eficientes y más baratos para
resolver el mismo problema.
• Con este artículo se ha pretendido dar a conocer las bases de una técnica de control
no basada en la lógica proposicional clásica. Siendo una técnica muy ampliamente
utilizada en sistemas de control, es la gran desconocida.
7. REFERENCIAS

[1] L. Zadeh, «Outline of a new approach to the analysis of complex system,» IEEE Transaction
on System Man and Cybernetics, 1973.

[2] O. Duarte, «UNFUZZY - Software para el análisis, diseño, simulación e implementación

de Sistemas de Lógica Difusa,,» Universidad Nacional de Colombia, Facultad de
Ingeniería,, Colombia, 1997.

[3] P. Surya, «Logica Difusa,» S&A, 2020.

[4] R. Morillas, «Introducción al análisis de datos difusos,» 2006.

[5] FuzzyLITE, «A Fuzzy Logic Control Library written in C++,» Inglaterra, 2015.

[6] W. Machine, «Centro de investigación español, organiza cursos y seminarios sobre lógica
difusa,» New York, 2008.

[7] J. Galindo, «Curso Introductorio de Conjuntos y Sistemas Difusos,» Universidad de Málaga

(España), España, 2014.

[8] R. Andrade, «Aplicación de la lógica difusa compensatoria en el sector empresarial, por el

Msc. Jesús Cejas Montero,» Universidad de La Habana , Cuba.

[9] D. Álvarez, «Control Difuso y Sistemas de Control Inteligentes,» Segundo Congreso de la

Asociación Colombiana de Automática, Bucaramanga., Colombia, 1997.

[10] G. Oscar y V. Duarte, «Aplicaciones de la lógica difusa,» Revista de Ingenieria e

investigación, 2000.

[11] Y. Encarnación, «La lógica difusa aplicada al sector manufacturero,» Instituto Tecnologico
de Santo Domingo, Republica Dominicana, 2013.

[12] A. Caballero, «Introducción a la Lógica Difusa. Centro de Investigaciones y Pruebas

Electroenergéticas,» La Habana, Cuba, 1998.

[13] G. Cabrera, «Introducción a la Teoría de Conjuntos Difusos y su Aplicación a Sistemas de

Control,» Departamento de Ingeniería Eléctrica y Computadora, Universidad de Puerto
Rico, 1997.