INSTITUTO TECNOLÓGICO SUPERIOR DE URUAPAN

ACADEMIA DE INGENIERÍA MECATRÓNICA

“Descripción de Calderas y Generadores de Vapor”

Materia: Automatización

Profesor:
Ing. Adán Gómez Muñoz

Elaborado por:
Castañeda Larios Josua Yair

Uruapan, Michoacán. 07 de Octubre del 2019.

CONTENIDO
1.1 Introducción a la lógica difusa

1.2 Aplicaciones

1.3 Razonamiento aproximado

1.4 Control difuso y estructura de control

INTRODUCCIÓN
La Lógica Difusa proporciona un mecanismo de inferencia que permite simular los procedimientos de
razonamiento humano en sistemas basados en el conocimiento. La teoría de la lógica difusa proporciona un marco
matemático que permite modelar la incertidumbre de los procesos cognitivos humanos de forma que pueda ser
tratable por un computador. En este primer capítulo se describirán los fundamentos y características de este
mecanismo de representación de la incertidumbre.

EL ser humano posee grandes habilidades para comunicar su experiencia empleando reglas lingüísticas vagas. Por
ejemplo, un famoso cocinero de televisión podría dar instrucciones para tostar pan como:

1. Cortar dos rebanadas de pan medianas.

2. Poner el horno a temperatura alta.

3. Tostar el pan hasta que quede de color ligeramente marrón.

El uso de esos términos lingüísticos en cursiva podrá ser seguido sin problema por un humano, que es capaz de
interpretar estas instrucciones rápidamente. La lógica convencional no es adecuada para procesar este tipo de
reglas. Por ejemplo, si pasáramos un día con Tiger Woods para aprender a jugar al golf, al final de la jornada
podríamos tener un montón de reglas del tipo:

 Si la bola está lejos del hoyo y el green está ligeramente inclinado hacia la derecha, entonces golpear la
bola firmemente empleando un ángulo ligeramente inclinado hacia la izquierda de la bandera.
 Si la bola está muy cerca del hoyo y el green entre la bola y el hoyo está plano, entonces golpear la bola
directamente hacia el hoyo.

Figura 1.1: Conocimiento experto en un dominio de aplicación concreto.

Estas reglas son muy descriptivas y pueden ser fácilmente entendibles por un humano, pero difícilmente
representables en un idioma que pueda ser entendido por un computador. Palabras como “lejos”, “muy cerca” no
tienen fronteras bien definidas, y cuando se quieren trasladar a código pueden resultar descripciones artificiales.
Por ejemplo, el término Distancia se podría codificar con este conjunto de intervalos:

 Cerca: La bola está entre 0 y 2 metros del hoyo.

 Medio: La bola está entre 2 y 5 metros del hoyo.
  Lejos: La bola está más allá de 5 metros del hoyo.

Con esta representación, ¿qué ocurre con una bola que está en 4.99 metros del hoyo? Empleando estos intervalos,
el ordenador lo representaría firmemente en el intervalo “Medio”. Y si incrementamos unos pocos centímetros,
lo catalogaría como “Lejos”. Esto se puede mejorar creando intervalos más pequeños, pero el problema base
seguiría siendo el mismo por el uso de intervalos discretos. Comparado con el modo de razonar de un humano,
estos términos lingüísticos se deben corresponder con fronteras vagas, donde 4.99 metros debería estar más
asociado al término “lejos” que “media distancia”. Queda claro que el conocimiento experto presenta a menudo,
características de vaguedad e imprecisión, debido a tres razones principalmente:

1. Pereza: Obtener una lista completa de todas las variables que intervienen en el dominio del problema puede
ser demasiado trabajo. Además, como el mundo real es no determinista (aleatoriedad y excepciones), hay veces
que no es posible establecer completamente todas las variables del entorno.

2. Ignorancia Teórica: En la que no existe una lista completa de factores a tener en cuenta para el dominio del
problema (no se conoce un método teórico para modelar el problema).

3. Ignorancia Práctica: Incluso conociendo todas las variables, puede ser difícil obtener datos concretos asociados
para su estudio. Además, esta información puede estar incompleta, e incluso ser errónea (por ejemplo en el
ámbito médico, llena de síntomas incorrectos, mentiras deliberadas, falsos positivos...).

Esta incertidumbre en el modelado de conocimiento experto existe en multitud de disciplinas (médicas, ciencias,
ingeniería, derecho, educación...). En Inteligencia Artificial se aplica en multitud de áreas de trabajo, como visión
por computador, procesamiento del lenguaje natural, procesamiento de la información, aprendizaje automático,
juegos...

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, “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). Le 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.

1.2 APLICACIONES
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. 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.

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 (ver
Figura 1.2). 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. 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
(similar al de [1]) 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.

Figura 1.2: En la actualidad, multitud de productos de consumo (lavadoras, microondas, cámaras de vídeo, televisores) y sistemas
(ascensores, trenes, motores, frenos, control de tráfico) utilizan internamente métodos de lógica difusa.

La lógica difusa se utiliza cuando la complejidad del proceso en cuestión es muy alta y no existen modelos
matemáticos precisos, para procesos altamente no lineales y cuando se envuelven definiciones y conocimiento no
estrictamente definido (impreciso o subjetivo).

En cambio, no es una buena idea usarla cuando algún modelo matemático ya soluciona eficientemente el
problema, cuando los problemas son lineales o cuando no tienen solución.
Esta técnica se ha empleado con bastante éxito en la industria, 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 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.

 ...y, en general, en la gran mayoría de los sistemas de control que no dependen de un Sí/No.

La lógica difusa es una rama de la inteligencia artificial que le permite a una computadora analizar información del
mundo real en una escala entre lo falso y lo verdadero, manipula conceptos vagos, como "caliente" o "húmedo",
y permite a los ingenieros construir dispositivos que juzgan la información difícil de definir.

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,
la resolución y la compresión de datos. Los sistemas de lógica difusa están también muy extendidos en la
tecnología cotidiana, por ejemplo en cámaras digitales, sistemas de aire acondicionado, lavar ropas, etc. Los
sistemas basados en lógica difusa imitan la forma en que toman decisiones los humanos, con la ventaja de ser
mucho más rápidos. Estos sistemas son generalmente robustos y tolerantes a imprecisiones y ruidos en los datos
de entrada. Algunos lenguajes de programación lógica que han incorporado la lógica difusa serían por ejemplo las
diversas implementaciones de Fuzzy PROLOG o el lenguaje Fril.

Consiste en la aplicación de la lógica difusa con la intención de imitar el razonamiento humano en la programación
de computadoras. Con la lógica convencional, las computadoras pueden manipular valores estrictamente duales,
como verdadero/falso, sí/no o ligado/desligado. En la lógica difusa, se usan modelos matemáticos para
representar nociones subjetivas, como caliente/tibio/frío, para valores concretos que puedan ser manipuladas por
los ordenadores.

En este paradigma, también tiene un especial valor la variable del tiempo, ya que los sistemas de control pueden
necesitar retroalimentarse en un espacio concreto de tiempo, pueden necesitarse datos anteriores para hacer una
evaluación media de la situación en un período anterior.

1.3 RAZONAMIENTO APROXIMADO

El razonamiento aproximado es una capacidad del razonamiento humano por la cual es capaz de
obtener conclusiones útiles a partir de información incompleta o con cierto grado de incertidumbre. La
lógica tradicional se fundamenta en los métodos de razonamiento deductivo en los que no se contempla
que tanto la información de entrada como las propias reglas puedan no ser ciertas con carácter absoluto.
Tampoco es capaz de tratar información vaga o imprecisa. Dentro del área de la inteligencia artificial, se
han desarrollado modelos teóricos que simulan la capacidad humana para realizar razonamiento
aproximado. Entre los más conocidos están la lógica difusa y los métodos bayesianos.
Mediante el uso de conjuntos difusos es posible dotar de significado matemático a proposiciones como “este
coche es pequeño”, “Pedro es muy alto” o “el crecimiento es lento” utilizando los modificadores lingüísticos (muy,
poco, demasiado, algo, extremadamente, etc.) para adaptar los calificativos a lo que se quiere decir. Así para la
representación y utilización del conocimiento impreciso, como hemos visto en la sección 2.2, aparece el concepto
de variable lingüística [4]. Muchas veces, la programación clásica no es suficiente para que un sistema realice
funciones complejas. Cuando un sistema no ha sido programado explícitamente para realizar una función y se le
pide que la realice, el sistema tiene que razonar. Por ejemplo, si el sistema conoce los siguientes hechos: “Estirada
es una jirafa”, “Las jirafas son mamíferos” y le formulamos la pregunta:”¿Es Estirada un mamífero?”, el sistema
debe razonar para dar una respuesta. Cuando el número de hechos y reglas aumenta, el sistema tiene que poder
verificar gran cantidad de hechos que surgen en las etapas de razonamiento. A continuación estudiaremos el
concepto de Regla Difusa empleada en Razonamiento Aproximado.

1.4 CONTROL DIFUSO Y ESTRUCTURA DE CONTROL

Los controladores difusos se basan en un conjunto de reglas heurísticas donde las variables lingüísticas de las
entradas y salidas se representan por conjuntos difusos.
Las funciones de membresía sirven para particionar el espacio de entrada por medio de intervalos numéricos
relacionados con las variables lingüísticas.

Estructura general de un controlador difuso

Un controlador basado en un modelo difuso puede verse como un sistema no lineal de múltiples entradas
concretas y múltiples salidas concretas [Tanaka and Wang, 2001, Wang, 1997]. Cada una de las variables concretas
de entrada o salida se representa dentro del sistema de lógica difusa por medio de una variable lingüística. La
Figura 1.3 muestra la estructura general de un controlador difuso [Pérez, 1997].

Interfaz de fuziftcación

Permite obtener los valores de pertenencia de la señal de entrada a cada uno de los conjuntos difusos de la
entrada, transformando las p variables de entrada del modelo en variables difusas. Para esta interfaz se deben
tener definidos los rangos de variación de las variables de entrada y los conjuntos difusos asociados con sus
respectivas funciones de pertenencia [Sáez, 2002].
 Figura 1.3: Estructura interna de un controlador difuso.

Este bloque recibe las múltiples entradas concretas que llegan al sistema de lógica difusa, y produce un conjunto
difuso por cada una de ellas como se muestra en la Figura 1.4. Cada conjunto difuso producido por este bloque
está definido sobre el universo de discurso de la variable lingüística respectiva, está centrado en el valor
concreto de entrada, y tiene una función de pertenencia cuya forma puede ser distinta para cada variable
de entrada.

Figura 1.4: Bloque de interfaz de fuzificación.

Base de conocimientos
Contiene las reglas lingüísticas del control y la información referente a las funciones de pertenencia de los conjuntos
difusos.

Esta base de conocimientos contiene la información necesaria para las operaciones de difusión, inferencia y concreción
realizadas por el controlador. Para una implantación del controlador difuso según la estructura básica mostrada se
dispone de diversas alternativas que van desde configuraciones basadas en hardware hasta las desarrolladas
fundamentalmente en software. El análisis dinámico del control difuso presenta un amplio panorama de cuestiones por
determinar, como la estabilidad del sistema sobre todo considerando la no-linealidad introducida por el controlador
difuso en el sistema.

Máquina de inferencia

Se encarga de aplicar el mecanismo de inferencia seleccionado a las reglas, almacenadas en la base de reglas. Realiza
la tarea de calcular las variables de salida a partir de las variables de entrada, mediante las reglas del controlador y
la inferencia difusa, entregando conjuntos difusos de salida. Es decir, la máquina de inferencia recibe los p conjuntos
difusos producidos por la interfaz de fuzificación, y los aplica a cada una de las m reglas de la Base de reglas, para
producir m q conjuntos difusos (un conjunto difuso por cada variable de salida en cada una de las reglas) definidos
sobre los universos de discurso de las variables lingüísticas de salida como se muestra en la Figura 1.5
∗
 Figura 1.5: Bloque de motor de inferencia.

∗
La forma en que se define la función de pertenencia de cada uno de los m q con- juntos difusos producidos es la
siguiente:
Se supone que el fuzificador produce p conjuntos difusos CD1, CD2,... CDp, con funciones de pertenencia uCD1(x1),
uCD2 (x2),... uCDp(xp),

Además que la regla número i es de la forma:

IF (E1 es CD1 AND E2 es CD2 AND. AND Ep es CDp) THEN (S1 es CMI 1 AND

S2 es CMI2 AND......AND Sq es CMIq).

en donde los conjuntos CDk y CMI j tienen las siguientes funciones de pertenencia

uCD1(x1), uCD2(x2), uCDp(xp), uCMI1(y 1), uCMI2(y 2), uCMIq(y q ).

∗
El conjunto Bij es uno de los m q conjuntos difusos generados por la máquina de inferencia, correspondiente a la Ri
y a la variable de Sj. Dicho conjunto Bij tiene por función de pertenencia:

uBij(yj) =composición(uCD(x), uImp(x, yj))uBij(yj) = maxx(uCD(x)( )uImp(x, yj)), ∗

en donde x corresponde a un vector de las p variables de entrada x1,x2, xp; (*) corres- ponde a un operador T − N
orma, y uCD(x), uImp(x,y j) se definen a continuación:

uCD(x) = uCD1(x1) AND uCD2(x2) AND AND uCDp(xp)

uImp (x,yj ) = (uAntecedente(x) u→

Consecuente(yj ))uAntecedente(x) = u CD1(x 1 ) AND

uCD2(x2 ) AND AND uCDp(xp)uConsecuente (yj) = u CM Ij(xj ),

en donde el operador AND corresponde a un operador T − N orma, y el operador

→ corresponde a una implicación.

En caso de que la regla i sea de la forma

IF (E1 es [muy/poco(mod1)] CD1 AND E2 es [muy/poco(mod2)] CD2 AND. AND

Ep es [muy/poco(modp)] CDp) THEN (S1 es CMI 1 AND S2 es CMI 2 AND. AND Sq

es CMI q ), el único cambio que debe hacerse para la determinación de las funciones de pertenencia es el siguiente:
uAntecedente(x) = (uCD1(x1))mod1 AND (uCD2(x2))mod2 AND

... AND (uCDp(xp))modp.

Ciertos algoritmos de concreción efectúan la unión o la intersección de los m conjun- tos difusos; cuando esto es así,
debe observarse si el operador de implicación empleado por la máquina de inferencia es una unión OR o una
intersección AND; en el primero

de los casos el algoritmo deberá emplear un operador S −Norma y en el segundo caso una T − N orma [Pérez, 1997].

Ejemplo de inferencia difusa

Por ejemplo, si se tienen dos entradas con una base de conocimientos de m reglas y una sola salida del tipo, es decir:

Ri: IF E1 es Ai AND E2 es Bi THEN y es Ci.

La secuencia de cálculos que realiza la máquina de inferencia incluye:

Determinar el grado de cumplimiento Wi de cada regla a partir de los grados de pertenencia de las variables de
entrada obtenidos en la etapa de fuzificación, es decir,

Wi = min(uAi,u Bi)

debido a que las premisas de la reglas están unidos por operadores AND, definidos como la intersección de conjuntos
difusos.

Para cada regla se tiene una consecuencia y es Ci , que tiene asociado una función de pertenencia uCi . Por lo tanto, se
tiene un conjunto de salida CiJ , cuya función de pertenencia es: uC J i = min(Wi , uCi ) donde W i es el grado de
cumplimiento para la regla i.

Para evaluar el conjunto total de reglas, se unen los conjuntos difusos CiJ resul-

tantes de cada regla, generándose un conjunto de salida con la siguiente función de pertenencia: uC J = max(uC J i ) i =
1, ..., m.

De esta forma, se obtiene una salida difusa del controlador, con una función de pertenencia uC J .
Interfaz de defuziftcación

La interfaz de defuzificación obtiene el valor concreto de la señal de control. Este elemento provee
salidas discretas y determinísticas a partir de los conjuntos difusos obtenidos como resultado de la
inferencia [Sáez, 2002].

∗
El bloque de concreción recibe los m q conjuntos difusos generados por el motor de inferencia, y
produce q valores concretos correspondientes a cada una de las variables de salida del sistema de
lógica difusa como se muestra en la Figura 1.6.

Figura 1.6: Bloque de interfaz de defuzificación.

En general, para producir cada uno de los q valores concretos, el defuzificador toma los m conjunto
difusos correspondientes a cada variable de salida, y mediante algún algoritmo produce un valor
concreto.

Ciertos algoritmos de concreción efectúan la unión o la intersección de los mconjun- tos difusos; cuando
esto es así, debe observarse si el operador de implicación empleado

por el motor de inferencia es una implicación IF −THEN o una implicación AND; en el primero de los
casos el algoritmo deberá emplear una intersección (una T −Norma) y en el segundo caso una unión
(una S − N orma).

Existen diferentes métodos de defuzificación, algunos de los cuales se describen a continuación:

Método del máximo: La salida corresponde al valor para el cual la función de pertenencia uC J alcanza
su máximo.

Media del máximo: La salida es el promedio entre los elementos del conjunto C J

que tienen un grado de pertenencia máximo.

Centro de ó centroide (COG): Genera como salida el valor correspondiente al centro de gravedad de
la función de pertenencia del conjunto de salida C J [Sáez, 2002].

Ejemplo [Sáez, 2002]: Con el fin de ilustrar la secuencia de pasos que se sigue para sintetizar un
controlador difuso, considere el siguiente ejemplo numérico, el cual con- tiene dos reglas para un
sistema con una entrada y una salida.

Reglas: Se definen las siguientes dos reglas con dos entradas x y yuna salida z, estas reglas como se
mencionó se encuentran en la base de reglas.

R1 : IF x es A1 OR y es B1 THEN z es C1,

R2 : IF x es A2 OR y es B2 THEN z es C2.

Para el caso en donde una entrada x es igual a 10 y la siguiente entrada y es igual a 26, se calcula a
continuación el valor de la única salida z.

Estas variables lingüísticas, tienen ahora valores concretos, entran al bloque de fu- zificación, y este
realiza la transformación para definir a que conjunto difuso pertenece cada variable, esto lo hace con
la base de reglas que ya se definieron y la base de conocimiento que tiene el sistema.
Evaluación de la primer regla R1 : cuando x = 10 y y = 26, x pertenece solo al conjunto A1 por lo que el
grado de pertenencia para el conjunto A2 es de cero. Se toma el grado de pertenencia del conjunto A1
si x perteneciera al conjunto A1 y al conjunto A2 entonces se utilizaría una operación T N orma para
calcular el resultado, para este ejemplo solo se toma el grado de pertenencia− del conjunto A1. Para los
conjunto B1 y B2 se ve algo diferente ya que y pertenece al conjunto B2 solamente porque su grado de
pertenencia para el conjunto B1es cero. Pero como se esta evaluando la regla R1, el cumplimiento de
la condición y es B1 es cero y dada la operación de unión entre x es A1 OR y es B1, entonces el resultado
es el máximo de estos dos grados de pertenencia. Debido a que la conclusión implica sobre C1, el
resultado solo se encontrará en el conjunto C1.

Evaluación de la segunda regla R2: cuando x = 10 y y = 26, como ya se explicó que x tiene un grado
de pertenencia solamente en el conjunto A1, y este valor en la condición de la regla R2, x es A2 es
cero. Pero y pertenece al conjunto B2 solamente, y para el conjunto B1 su grado de pertenencia es
cero. Se cumple la condición de la regla R2, y es B2 entonces el resultado se encuentra en el conjunto C2.