Tema 4.

Ejemplo Control Difuso

IA – Inteligencia Artificial
5o informática

http://ccia.ei.uvigo.es/docencia/IA

enero 2011

– FJRP 2011 ccia IA –

 Tareas tı́picas en el diseño de sistemas basados en
lógica difusa

1. Identificar las variables del dominio

Variables ”de estado”: describen las entradas del sistema
Variables ”de control”: describen las salidas del sistema
2. Identificar los términos lingüı́sticos vinculados a cada variable y sus
respectiva definición
Definir las ”particiones difusas” de cada variable (etiquetas lingüı́sticas).
Definir las funciones grado de verdad asociadas a cada etiquetas lingüı́sticas.
Habitualmente se pretenderá que las particiones definidas ”cubran” la totalidad
del espacio de valores de las distintas variables
Es recomendable que exista solapamiento.
3. Construir las reglas difusas que correspondan. (crear la represen-
tación simbólica)
Habitualmente se hace uso de las FAM (Fuzzy Association Matrix).
Se crea una FAM para cada variable ”de control”, vinculando las posibles
combinaciones de las variables ”de estado” (antecedente) con una de sus
etiquetas lingüı́sticas (consecuente).
4. Seleccionar la implementación y los parámetros de los operadores
difusos a utilizar. (parametrizar el ”funcionamiento

numérico”)
mı́nimo + máximo
a) Implementación conectivas difusas (∧, ∨ , ¬):
producto + suma acotada
b) Implementación implicación difusa (→): Mindani, Kleene, Larsen, etc
c) Implementación del modus ponens difuso: max-min
Activación de reglas: normalmente se considerará que una regla difusa se activa si el grado
de verdad de su antecedente es ¿0.
d) Agregación de las salidas de las reglas difusas (OR): máximo, suma acotada,
...
e) Operadores de fuzzyficación (singleton, triangular, ...) y desfuzzyficacion (cen-
tro de masas, media máximos, ...)

– FJRP 2011 ccia IA – 1

 Ejemplo: control difuso de una calefacción

Descripción: Se pretende controlar la calefacción de un invernadero/edificio/etc a

partir de los parámetros de temperatura y humedad del mismo. La finalidad es
mantener controlada la temperatura e, implicitamente, la humedad.
Se cuenta con un sensor de temperatura con un rango de funcionamiento desde 0o C a 40o C y
una precición de centésimas.
Se cuenta con un sensor de humedad con un rango de funcionamiento entre 0 % y 100 % de
humedad relativa, con una precición de centésimas.
La caldera se puede controlar mediante incrementos/decrementos de temperatura, desde -15 o C a
+15 o C.

(a) Variables de estado

Temperatura
Se asumen 5 etiquetas lingüı́sticas: muy baja (MB), baja(B), normal (N), alta(A),
muy alta(MA)

Humedad
Se asumen 5 etiquetas lingüı́sticas: muy baja (MB), baja(B), normal (N), alta(A),
muy alta(MA)

– FJRP 2011 ccia IA – 2

(b) Variables de control

Variación de temperatura
Se asumen 7 etiquetas lingüı́sticas: bajada grande (BG), bajada normal (BN),
bajada pequeña (BP), mantener (M), subida pequeña (SP), subida normal (SN),
subida grande (SG)

(b) Reglas difusas

Se considera la siguiente FAM (Fuzzy Association Matrix) para la
variable de control Variación de temperatura.

Humedad
Temp. MB B N A MA
MB SN SN SG SG SG
B M M SP SP SN
N M M M M BP
A M M BP BP BN
MA BP BN BN BG BG

– FJRP 2011 ccia IA – 3

(c) Parámetros de la inferencia difusa
Se usarán los siguientes operadores:
Conectiva AND (∧): mı́nimo.
Conectiva OR (vee): máximo
Implicación difusa (→): Mamdani
Modus ponens difuso: min-max (composición de conj. difuso con relación difusa)
Agregación de las salidas difusas de las reglas activadas: OR (máximo)
Operador de fuzzyficación: singleton
Operador de desfuzzificación: centro de masas

Nota:
El uso del implicador de Mamdani (fP →Q (x, y) = min{fP (x), fQ (y)}) junto con la
fuzzyficación usando conjuntos singleton simplifica la aplicación del modus ponens difuso.
Para aplicar una regla sobre conjuntos singleton bastará con ”seleccionar” un α-corte
del conjunto difuso vinculado al ”consecuente”.
Para reglas AND: ese α-corte tomará como valor α el menor valor de verdad de la
intersección de los singleton de entrada con los conjuntos difusos vinculados a los
”antecedentes”.

– FJRP 2011 ccia IA – 4

 (d) Ejemplo de funcionamiento
Se suponen las siguientes entradas en los sensores del sistema:

Temperatura actual: 19,5 oC

Humedad actual: 65 %

Fuzzyficación (singleton)

El valor singleton ”Temperatura=19,5 o C” se co- El valor singleton ”Humedad=65 %” se corresponde

rresponde con un grado de verdad 0, 1 para el con un grado de verdad 0, 5 para el valor difuso
valor difuso Temperatura Baja(B) y con un grado Humedad Alta(A) y con un grado de verdad 0, 33
de verdad 0, 75 para el valor difuso Temperatura para el valor difuso Humedad MuyAlta(MA)
Normal(N)

Reglas activadas

Humedad - IF (Temperatura es Baja AND Humedad es Alta)

Temp MB B N A MA THEN Variación es SubidaPeque~
na
MB SN SN SG SG SG - IF (Temperatura es Baja AND Humedad es MuyAlta)
B M M SP SP SN THEN Variación es SubidaNormal
N M M M M BP - IF (Temperatura es Nornal AND Humedad es Alta)
A M M BP BP BN THEN Variación es Mantener
MA BP BN BN BG BG - IF (Temperatura es Nornal AND Humedad es MuyAlta)
THEN Variación es BajadaPeque~
na

– FJRP 2011 ccia IA – 5

Modus ponens difuso

– FJRP 2011 ccia IA – 6

Agregación y desfuzzyficación

Variable de control
Salida: bajar la calefacción 2,125 oC

– FJRP 2011 ccia IA – 7