U2.

3 SISTEMAS CON INCERTIDUMBRE

i NTELI GENCI A ARTI FI CI AL 2021

Facultad de Ingeniería - UNJu
Mg. Ing. Sergio L. Martínez

2.3 - Aplicaciones Fuzzy

CONTENIDO REFERENCIAS
(Aula Virtual)

§ Sistemas de inferencia fuzzy.

§ Criterio general de diseño.
§ Controladores fuzzy.
§ Características generales.
§ Clasificación.
§ Criterio general de diseño.
§ Variables de entrada/salida.
§ Funciones de pertenencia.
§ Base de reglas.
§ Motor de inferencia.
§ Métodos de
implicación/defuzzificación
§ Ejemplo.
§ Matlab. Tutorial FIS. Uso del
editor gráfico FIS (en inglés).
§ Sivanandam S. N., Sumathi S.
and Deepa S. N. Introduction to
Fuzzy Logic using MATLAB. Ed.
Springer. 2007.
§ Espinosa J., Vandewalle J. and
Wertz V. Fuzzy Logic,
Identification and Predictive
Control. Ed. Springer. 2005.
U2.3 SISTEMAS CON INCERTIDUMBRE

Sistemas de Inferencia Fuzzy

Un sistema de inferencia fuzzy (FIS) permite
generar una respuesta a partir de las condiciones
de entrada, por medio del conocimiento contenido
en la base de reglas y el motor de inferencia.
Sistema de inferencia fuzzy
(tipo Mamdani)

del sistema
Respuesta
Condiciones
de entrada

v1 z1

(crisp)
(crisp)

v2 z2
vn zm

Este tipo de sistema también se conoce como

sistema experto fuzzy o sistema lógico asociativo
fuzzy. 2
U2.3 SISTEMAS CON INCERTIDUMBRE

Sistemas de Inferencia Fuzzy

Criterio general de diseño
• Identificar y comprender el problema.
• Determinar las variables de entrada y variables de
salida.
• Definir particiones de las variables y asociar
funciones de pertenencia.
• Adquirir conocimiento experto y volcarlo en una
base de reglas IF-THEN.
• Implementar el prototipo con su correspondiente
motor de inferencia (fuzzy en este caso).
• Definir datos de prueba (con resultados).
• Comprobar prototipo→modificar, ajustar, reemplazar.
• Documentar durante todo el proceso

3
U2.3 SISTEMAS CON INCERTIDUMBRE

PROCESO DE INFERENCIA

Esquema del proceso de inferencia (5 pasos)

Aplicar Aplicar
Fuzzyficar
operadores método de
entradas
fuzzy implicación

Defuzzyficar Componer
salidas salidas

4
U2.3 SISTEMAS CON INCERTIDUMBRE

Sistemas de Inferencia Fuzzy

Determinar el caudal de entrada de un
tanque de reserva para mantener un nivel fijo.
Entrada 1

Válvula Entrada 2

Caudal de
entrada Alto

Niveles de
referencia
Normal Correcto
180º
Bajo

Caudal de
Salida salida
0º 360º
Cerrada Abierta
5
U2.3 SISTEMAS CON INCERTIDUMBRE

Sistemas de Inferencia Fuzzy

Determinar el caudal de
entrada de un tanque de reserva
para mantener un nivel fijo.
Entrada 1: Nivel Entrada 2: Dif. de Caudal

Sale Cero Entra

Bajo Correcto Alto

Se considera
que el valor del
No caudal está
Abre
Cierra cambia rápido
directamente
rápido relacionado con
Cierra Abre
lento lento la posición de la
válvula.

Salida: Posición de la válvula 6

U2.3 SISTEMAS CON INCERTIDUMBRE

Sistemas de Inferencia Fuzzy

Determinar el caudal de Base de Reglas

entrada de un tanque de reserva

para mantener un nivel fijo.
Se considera que el nivel fijo está establecido y las
reglas trabajan por diferencia desde ese nivel. El
nivel se denomina punto de referencia (set point).
BASE DE REGLAS

Reglas de inferencia 7
U2.3 SISTEMAS CON INCERTIDUMBRE

Sistemas de Inferencia Fuzzy

Determinar el caudal de Reglas

Defuzzyficación
Fuzzyficación
entrada de un tanque de reserva
para mantener un nivel fijo. Máquina de Inferencia

Operación del sistema

Nivel = 5 Caudal = 0 Posición =180º

Condiciones estacionarias 8
U2.3 SISTEMAS CON INCERTIDUMBRE

Sistemas de Inferencia Fuzzy

Determinar el caudal de

Defuzzyficación
Reglas

Fuzzyficación
entrada de un tanque de reserva
para mantener un nivel fijo. Máquina de Inferencia

Operación del sistema

Nivel = 2 Caudal = -0.05 Posición =311º

Nivel bajo – Caudal sale – Válvula abre

9
U2.3 SISTEMAS CON INCERTIDUMBRE

Sistemas de Inferencia Fuzzy

Determinar el caudal de

Defuzzyficación
Reglas

Fuzzyficación
entrada de un tanque de reserva
para mantener un nivel fijo. Máquina de Inferencia

Operación del sistema

Nivel = 5 Caudal = 0.07 Posición =161º

Nivel normal – Caudal entra – Válvula cierra 10

U2.3 SISTEMAS CON INCERTIDUMBRE

Sistemas de Inferencia Fuzzy

Determinar el caudal de entrada de un
tanque de reserva para mantener un nivel fijo.
Espacio de estados
Posición válvula

al
Nivel u d
Ca
11
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Un controlador fuzzy (FLC) es un tipo
especial de Sistema de Inferencia Fuzzy
(FIS), donde:
• las variables de entrada son del tipo
«error del sistema» o variaciones de
estos;
• las variables de salida son las acciones
de control del sistema, o variaciones de
estas;
• las salidas no van al usuario sino a otro
sistema (planta).

12
U2.3 SISTEMAS CON INCERTIDUMBRE

Teoría de Controladores
Ley general de control discreta

~
~

~
~
uk+1
F.I.S. Proceso

~
~

~
~
Expresada como variación de la acción de control:

Äu(k) = u(k) - u(k - 1)

Äu(k) = K P Äe(k) + K I e(k) + K D (Äe(k) - Äe(k - 1))
Según los términos que se incorporen se pueden configurar
distintos tipos de controladores, como ser:
P → proporcional I → integral D → derivativo
PI → proporcional – integral PD → proporcional – derivativo
PID → proporcional – integral - derivativo

13
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Características generales
• El propósito de un controlador fuzzy (FC) es
mantener las condiciones de operación de un
proceso, según las especificaciones.
• Incorpora conocimiento de un experto humano
sobre como manipular el proceso.
• En muchos casos, no se conoce la expresión
analítica que describe al proceso.
• Usualmente, la entrada al controlador no es la
variable directa, sino el error (e) entre ésta y un
valor de referencia (r) establecido como punto de
control.
• La salida del controlador (u) es una señal que
representa al acción a aplicar cuando el valor
medido (y) se desvía del valor de referencia (r).
14
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy - No Realimentado

El propósito de un controlador fuzzy (FLC) es
calcular los valores de las variables de control a
partir de las variables de estado del proceso para
lograr el comportamiento deseado del sistema.
Un FLC típico no realimentado, tiene la estructura
básica mostrada en el esquema. Es básicamente
un FIS, excepto que las salidas no van al usuario
sino a otro sistema (planta).
Tipo Servo-control
de entrada

v1
Variables

u
v2 Planta
x
vn
Sistema de Sistema a
Inferencia Fuzzy controlar 15
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy - Realimentado

El uso más común es de la forma realimentada,
donde las variables de entrada pueden ser error,
variación del error y/o suma de los errores, que
define el tipo de controlador a configurar.
Un FLC típico realimentado, tiene la estructura
básica mostrada en el esquema.
Realimentación
x
r – u
+ Planta
x
Referencia

e=r-x
(set-point)

Sistema de Sistema a
Error

Inferencia Fuzzy controlar

16
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Clasificación general
ìModelo Takagi - Sugeno : utilizan
ï ecuaciones en el consecuente
ï
ï de las reglas.
Según su estructura í
ïModelo Mamdani : utilizan variables
ï lingüísticas en el consecuente
ï
î de las reglas.

ìSistemas estáticos : las reglas provienen

ï de un Experto y no cambian.
ïï
Según su evolución íSistemas adaptivos : mediante algoritmos
ï externos se generan, cambian o aj ustan
ï
ïî las reglas.

17
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Criterio general de diseño
• Identificar el proceso y comprender el problema.
• Determinar las variables de entrada y variables de
salida (para los controladores fuzzy usualmente
son estándares → error, acción de control).
• Definir particiones de las variables y asociar
funciones de pertenencia.
• Adquirir conocimiento experto y volcarlo en una
base de reglas IF-THEN.
• Implementar el prototipo con su correspondiente
motor de inferencia (fuzzy en este caso).
• Definir datos de prueba (con resultados).
• Comprobar prototipo→modificar, ajustar, reemplazar.
• Documentar durante todo el proceso
18
U2.3 SISTEMAS CON INCERTIDUMBRE

Referencias
Controladores FuzzyParámetros
(set points) del sistema
Esquema

e
general
Variables Variables
e errores de control controladas
e
Controlador Planta
r u y

z -1

u(k) = KP e(k) + KI å e(k) + KD Äe(k) salida completa

salida incremental Äu(k) = KP Äe(k)+KI e(k)+KD (Äe(k) - Äe(k -1))

Formatos básicos en tiempo discreto

Tipo ì
u(k) = K e(k)
P
í con u0 = 0 y KI = KD = 0
P î Äu(k) = K P Äe(k)

Tipo ìu(k) = K I Óe(k)

con u0 = 0 y KP = KD = 0
I í Äu(k) = K e(k)
î I

Tipo ìu(k) = K D Äe(k) con u0 = 0 y KP = KI = 0

í
D î Äu(k) = K D (Äe(k) - Ä e(k - 1)) 19
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Configuración de Variables de entrada
• Usualmente se opera con

~
~
el error (tipo P): ek
r +- F.I.S.
r = referencia
xk = var. medida xk

~
~
...
ek = error → ek = r – xk ek-1
k = tiempo discreto

~
~
r z -1 - ek
+- F.I.S.
• O variación del error xk
ek +

(tipo D):

~
~
...
ek = ek – ek-1 ek-1
z -1 = retardo

~
~
r z -1 - ek
+-
+ F.I.S.
ek ek
• O ambos (tipo PD): xk
... 20

~
~
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Configuración de Variables de entrada
• También se puede operar con la velocidad de
variación del error (aceleración):
ek-2
r = referencia ek-1
Δ
-
k = tiempo discreto z -1

~
~
+
Δ2e

xk = var. medida ek-1 - k
F.I.S.
+
ek = error → ek = r – xk r + z -1 - e
Δ k

~
~
- +
ek = ek – ek-1 e k
xk
...
 ek = ek – ek-1
2

z -1 = retardo ek-1 ek-2 ek-n

... z -1

~
~
z -1 z -1
• O la suma de errores r -
F.I.S.
(tipo I): k-n
+-
ek + E
Se
E = å ek xk

~
~
...
k 21
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Configuración de Variables de salida
• Se puede trabajar con la variable de control
directa:

~
~
~
~
uk+1 = var. de control
k = tiempo discreto
uk+1
F.I.S. Proceso

• O variación de control:

~
~
~
~
uk
z = retardo
-1

~
~
~
~
uk+1 = uk+1 – uk z -1
-
uk+1
F.I.S. + Proceso

~
~
~
~

uk+1
22
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Funciones de Aplicable a ek || ek || uk+1

pertenencia

• Las variables se
particionan en
forma regular,
sobre un universo
estándar o
particular,
usualmente con
funciones
triángulo. Se
pueden aplicar
funciones hombro
en los extremos.
23
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Base de reglas
• Tienen estructura uniforme. Pueden relacionar
todas las particiones con todas las variables de
entrada. Conectivo usual → AND
Regla i : IF x1 is F1i and... and x n is Fni THEN u is G i

Como base

Como tabla
relacional Como
matriz
asociativa

24
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Mecanismo/motor de inferencia
• En cada instante discreto, realiza una proyección
de un conjunto fuzzy de entrada en un conjunto
fuzzy de salida, aplicando las reglas

error ek ek = ek – ek-1 control uk+1

Regla
activa

Entradas crisp
composición 25
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
e(k) e(k) Controlador
KN1
Δ
e(k) fuzzy u(k)
z -1 -
+
KN2 PI SISO

Base de reglas Particiones y funciones

Äu = F (e, Äe)
e Entrada
NG NP Z PP PG
e error y
NG NG NG NG NP Z variación
de error.
NP NG NP NP Z PP

Z NG NP Z PP PG

PP NP Z PP PP PG

PG Z PP PG PG PG Salida
variación
Tabla de MacVicar- de acción
Whelan para cinco de control.
particiones.

26
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Diagrama ontrol del nivel de
agua en un tanque. Doble controlador Fuzzy/PID.
Controlador PID

Sistema a controlar

Conmutador
Sistema de
Inferencia Fuzzy

Ver el sistema completo en el toolbox Fuzzy de Matlab. 27

U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Ejemplo 2: Mezclador de caudales en línea (flow mixer)
con dos variables de entrada (apertura válvula fría xf y
caliente xc), y dos de salida (caudal F y temperatura T).
xf xc

Caudal de salida Temperatura de salida

F = x f Ff + x c Fc x f Ff Tf + x c Fc Tc
T=
0≤
£ x f , xc ≤
£1 x f Ff + x c Fc
Instanciación del modelo
Corriente fría: caudal de entrada Ff = 100 l/min, temperatura Tf = 25 ºC.
Corriente caliente: caudal de entrada Fc = 100 l/min, temperatura Tc = 70 ºC.
28
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Ejemplo 2: Mezclador de caudales en línea (flow mixer)
con dos variables de entrada y dos de salida.

Tipos de controladores que pueden utilizarse:

NO tiene realimentación SÍ tiene realimentación

29
U2.3 SISTEMAS CON INCERTIDUMBRE
4 PI Fuzzy SISO
Controladores Fuzzy
acoplados
Ejemplo 2:
Modelo
experimental

30
U2.3 SISTEMAS CON INCERTIDUMBRE

Controladores Fuzzy
Ejemplo 2: Resultados.
Prueba experimental:
función escalón en k=40
min para la referencia de
temperatura TREF ,
manteniendo constante
la referencia de caudal
FREF (Fig. a)

Luego, se mantiene
constante la referencia
de temperatura TREF y se
aplica la función escalón
sobre la referencia de
caudal FREF en k=60 min
(Fig. b).

31