Control difuso implementado en un PIC para el cultivo hidropónico de tomate.

Manuel Meléndez Romero1, 2, Hernández Rosales Fernando2, Rangel Miranda Domingo3, Flora Velasco Ubaldo
Javier1, 2

1 2
Universidad Tecnológica de Querétaro. Av. Pie de la cuesta no. 2501, Querétaro, México. Posgrado
3
Interinstitucional de Ciencia y Tecnología (CIDESI), Pie de la Cuesta 32, Querétaro, México.. Centro de Física
Aplicada y Tecnología Avanzada, Universidad Nacional Autónoma de México, Campus Juriquilla Querétaro, Querétaro, México.

Resumen- En este trabajo se presenta una propuesta de un

controlador difuso para el cultivo hidropónico de tomate. Se
diseña dicho controlador del tipo Mamdani utilizando el “Fuzzy
Logic Toolbox” de MathLab, con 3 variables de entrada
(temperatura, humedad e intensidad de Luz) y 4 variables de
salida (potencia de ventilación, potencia de la resistencia calorífica,
potencia en la iluminación y potencia del atomizador). A cada
variable de entrada se le asignan 3 conjuntos difusos y a las
variables de salida se les asocian desde 4 hasta 5 conjuntos difusos.
Según los expertos del cultivo y en base a los parámetros óptimos,
se generan 27 reglas de inferencia. A partir del sistema creado en Fig. 1 Sistema de control difuso.
MatLab se simula utilizando Simulink. Se realiza el programa en
lenguaje C y se prueba en una tarjeta de sistema mínimo de diseño
propio para un microcontrolador PIC18f4550 utilizando el II. MATERIALES Y MÉTODOS
compilador mikroC PRO for PIC. Se compara el funcionamiento
2.1 Desarrollo del Sistema Inteligente Difuso
en las 2 plataformas, software MathLab y microcontrolador.
Palabras Clave – Hidroponia, Invernadero, Lógica Difusa, El sistema de control a utilizar deberá cubrir los siguientes
Mamdani, Fusificación, Defusificación, Simulación, Simulink, aspectos:
PIC18F4550, mikroC. Temperatura óptima de crecimiento y desarrollo 25 ºC.
I. INTRODUCTION La humedad relativa óptima es entre 65% y 70%.
La Hidroponía es la técnica de suministrar directamente a la La cantidad de luz óptima de 950 lux.
planta los minerales necesarios para su desarrollo sin crecer
directamente en la tierra. Metodología en el diseño del sistema difuso [3]:
Se ha intentado modelar el desarrollo fisiológico de una planta 1.- Seleccionar los estados lingüísticos de cada variable y
con técnicas de control clásico, sin embargo se concluye en expresarlos apropiadamente en conjuntos difusos.
modelos matemáticos con ciertas restricciones, que más bien 2.-Crear la base del conocimiento utilizando reglas del tipo
tienen que ver con controlar las condiciones climáticas dentro Si_Entonces_
un invernadero [2] y adaptarlo a las condiciones de desarrollo y
crecimiento del cultivo. 3.- Selección del método o función para la fusificación.

Los sistemas difusos permiten incluir en un algoritmo la
experiencia de un experto, caracterizando los fenómenos
presentes, con términos lingüísticos transparentes, simples y
comprensibles, tales como: Frío, tibio, caliente, pequeño,
mediano, grande, etc.
Un control difuso tal como se muestra en la figura 1, está
compuesto por un “Fusificador”, que se encarga de traducir las
variables de entrada del universo real al difuso, un “Motor de
Inferencia” que, interactuando con la base del conocimiento
“Reglas Difusas”, generan los valores difusos de las variables
de salida, y un “Defusificador” que convierte los valores de
salida del universo difuso al real.
4.- Selección del mecanismo de Inferencia.
5.- Selección del método de defusificación.
Las variables de entrada son: temperatura, humedad relativa
e iluminación. La variable temperatura figura 2, se especificó
de 0º C a 50º C y se crearon 3 conjuntos difusos: Baja (0º C a
20º C), Óptima (15º C a 35º C) y Alta (30º C a 50ª c). La
variable humedad figura 3, se especificó de 55% a 80% y se
crearon 3 conjuntos difusos: Baja (55% a 65%), Óptima (57%
a 77%) y Alta (70% a 80%). La variable luz figura 4, se
especificó de 0 lux a 1500 lux y se crearon 3 conjuntos difusos:
Baja (0 lux a 600 lux), Óptima (400 lux a 1100 lux) y Alta (900
lux a 1500 lux).
 Fig. 2 Conjuntos difusos para temperatura. Fig. 5 Singleton para temperatura.

Fig. 3 Conjuntos difusos para humedad. Fig. 6 Singleton para ventilación.

Fig. 4 Conjuntos difusos para luz. Fig. 7 Singleton para iluminación.

Los conjuntos difusos para las variables de salida se

especificaron en porcentaje, desde 3 hasta 6 subconjuntos. Y
quedaron determinados por funciones de membresía tipo
Singleton (representaciones de un solo punto), ya que
proporcionan un método más rápido para calcular valores de
salida reales [1]. Las variables de salida son: ventilación,
potencia de la resistencia calorífica, potencia en la iluminación
y potencia del atomizador. La variable ventilación figura 5, se
especificó de 0% a 100%, con 5 singleton: baja 10%,
moderada 30%, media 50%, alta 70% y muy alta 95%. La
variable resistencia figura 6, se especificó de 0% a 100%, con Fig. 8 Singleton para atomizador.
6 singleton: cero 0%, baja10%, moderada 30%, media 50%,
alta 70% y muy alta 95%. La variable iluminación figura 7, se
especificó de 0% a 100%, con 4 singleton: cero 0%, baja 10%, Se establecieron 27 reglas de inferencia, de las cuales se
media 50%, alta 90%. La variable atomizador figura 8, se muestran 4 a continuación.
especificó de 0% a 100%, con 4 singleton: cero 0%, baja 10%,
media 50%, alta 90%.
1. (Temperatura==Baja) & (Humedad==Baja) & (Luz==Baja) =>
(Ventilacion=Alta)(Resistencia=MuyAlta)(Iluminación=Alta)(Atomizador
=Alto)
3. (Temperatura==Baja) & (Humedad==Baja) & (Luz==Alta) =>
(Ventilacion=Alta)(Resistencia=MuyAlta)(Iluminación=Baja)(Atomizador
=Alto)
17. (Temperatura==Optima) & (Humedad==Alta) & (Luz==Optima) =>
(Ventilacion=media)(Resistencia=Media)(Iluminación=Media)(Atomizado
r=Bajo)
27. (Temperatura==Alta) & (Humedad==Alta) & (Luz==Alta) =>
(Ventilacion=Muy_Alta)(Resistencia=Cero)(Iluminación=Baja)(Atomizad
or=Bajo)
Como método de defusificación se utilizó el del Centro de Área
o COA [4].
Fig. 9 Sistema de control difuso 3 entradas 4 salidas.
Fig. 10 Superficie de control resultante para temperatura, humedad y
ventilación
El sistema de control obtenido figura 9, se exporta a
Simulink, y para su simulación, figura 11, se generan 3 señales
triangulares representando la temperatura, humedad y luz.
Fig. 11 Modelo para la simulación.
Para implementar físicamente el algoritmo difuso se utilizó
el software mikroC PRO PIC y una tarjeta de sistema mínimo
para el PIC18F4550, de fabricación propia figura12. Dicha
tarjeta consta de 3 canales analógicos, 2 puertos digitales de 8
bits, visualización en 8 leds, 3 display de 7 segmentos y en
LCD, teclado matricial de 4x4, comunicación rs-232 y usb Las
entradas se simularán con potenciómetros que entregarán al
microcontrolador señales entre 0 y 5 volts, que corresponderían
al 0 y 100 % respetivo del valor de la variable. El convertidor
analógico digital es de 10 bits (1024 cuentas), por lo que se
logrará una resolución de 4.88 mv por cuenta.
Para poder desplegar las variables de entrada en el LCD, se
generará un algoritmo que permita escalar la variable a su
rango establecido y convertirla a código ascci.
Figura 12. Sistema Mínimo para el PIC18F4550
III. MATERIALES Y MÉTODOS
3.1 Simulación en Simulink.
Al simular el sistema se observó que el controlador responde
tratando de compensar las variaciones de las señales de entrada
para dejarlo en los valores óptimos. Se puede observar en la
figura 13 como a menor temperatura, la resistencia eléctrica
toma un valor máximo y el ventilador un valor alto, tratando de
irradiar calor y compensar las bajas temperaturas. Al ir
incrementándose la temperatura hasta llegar a la óptima, la
resistencia toma un valor medio al igual que el ventilador. Sin
embargo, al superar la temperatura óptima y pasar a una
relativamente alta, el controlador manda a cero la potencia en
la resistencia y a un valor alto el ventilador, para contrarrestar
el calor. Por otra parte, en las figuras 14 y 15 se observa
claramente que ante un valor bajo en la variable de entrada, que
puede ser luz o humedad, el controlador responde poniendo la
salida correspondiente al máximo, mientras que al llegar a un
valor óptimo se estabiliza por un momento, pero al superarlo y
pasar a un valor alto, inmediatamente las salidas tratan de
compensarlo tendiendo a cero.

Fig 13 Respuesta del controlador en Potencia de la Resistencia y
Potencia del Ventilador, a la variable Temperatura.
Fig. 14 Respuesta del controlador en Potencia del Atomizador, a la
variable Humedad Relativa.
Fig. 15 Respuesta del controlador en Potencia de Iluminación, a la
variable de entrada Luz.
3.2 Comparación entre MathLab y microcontrolador.
A continuación se muestra la comparación del sistema
realizado en el Tool Box Fuzzy Logic de MathLab y el
implemetado en el microcontrolador. Cuando las entradas de
temperatura, humedad y luz corresponden a 32.5 ºC, 60% y
1400 lux, respectivamente, las salidas en MathLab son
ventilación 73.7%, resistencia 23.7%, iluminación 10 % y
atomizador 73.7% , mientras que el microcontrolador da como
salidas 73.5%, 23.6%, 10.3% y 73.3% , figura 16.
Fig. 16 Comparación entre MathLab y Microcontrolador
XI. CONCLUSIONES
Como se observó en la simulación, el sistema responde a los
cambios en las variables de entrada, trata de compensar y
quedar en un valor óptimo, en la implementación a través de
un microcontrolador, se corroboran las acciones de control,
que muestran la compensación eficaz de las variables.
XII. REFERENCIAS Y BIBLIOGRAFÍA
[1].- A. Ferreira, R, Fuentes 2000. Ambiente de Desarrollo
Interactivo para Lógica Difusa.
[2].-Castañeda-Miranda, Rodrigo 2007. Análisis y Simulación
del Modelo Físico de un Invernadero Bajo Condiciones
Climáticas de la Región Central de México. UAQ
[3].- Geoge J Klir, Bo Yuan 1995. Fuzzy Sets and Fuzzy
Logic, Theory and Aplications.
[4].- Mamdani E. H., 1974, Application of fuzzy algorithm for
simple dynamic plant, IEEE Proceedings-Control, Theory and
Applications, 121(12):585-588