Sei sulla pagina 1di 97

Control Difuso

M.C. Carlos Morales Carbajal


Universidad Politécnica de Baja California
Ingeniería Mecatrónica

Mexicali, Baja California Mayo 2009


Control Difuso 1
Contenido
 Introducción
 Fundamentos Básicos
 Conjuntos Difusos
 Operaciones Difusas
 Relaciones Difusas
 Variables Lingüísticas
 Razonamiento Aproximado
 Sistemas Difusos
 Controladores Difusos
Control Difuso 2
Introducción
La lógica clásica sólo admite una proposición de dos
valores: verdadero o falso (lógica binaria o
bivaluada). Existen otras lógicas que admiten
además un tercer valor posible (lógica trivaluada) e
incluso múltiple valores de verdad (lógica
multivaluada).

La lógica difusa puede usarse para explicar el mundo


en el que vivimos, puesto que sigue el
comportamiento humano de razonar, sacando
conclusiones a partir de hechos observados.
Control Difuso 3
Introducción (figura)

Control Difuso 4
Introducción (historia)

• 1960s.- Publicación de “Fuzzy Sets” (Zadeh


1965)
• 1970s.- Publicación de ”Outline of a new
approach to the analysis of complex systems and
decision processes” (Zadeh 1973), donde se
establecen los fundamentos del control difuso, se
introducen los conceptos de variables
lingüísticas y se propone el uso de reglas SI-
ENTONCES para representar conocimiento
humano.
• 1980s.- Aplicaciones masivas de controladores
difusos.

Control Difuso 5
Fundamentos Básicos

Conjuntos Clásicos (crisp): Surgen de forma natural,


por la necesidad del ser humano de clasificar objetos
y conceptos.

Ejemplo:

Conjunto de Frutas: Manzana ∈ Frutas,


Lechuga ∉ Frutas...

Función de membresía o de pertenencia A(x), x ∈ X


Control Difuso 6
Fundamentos Básicos

donde X es el universo de discurso y la restricción de


la función de membresía es A: X→[0,1]

Conjunto Vacío Ф(x)=0, para todo x ∈ X

Conjunto Universo U(x)=1, para todo x ∈ X

1 si x ∈ A
A(x) =
0 si x ∉ A
Control Difuso 7
Fundamentos Básicos

Conjuntos Difusos (fuzzy): Relajan la restricción, A:


X→[0,1] porque existen conceptos que no tienen
límites claros.

Ejemplo:

¿La temperatura 25ºC es “alta”?

R = Se define Alta(30)=1, Alta(10)=0, Alta(25)=0.75...

Control Difuso 8
Fundamentos Básicos

Un conjunto difuso A se define como una función de


membresía que enlaza o empareja los elementos de
un dominio o universo de discurso X con elementos
del intervalo [0,1]

A: X→[0,1]

cuanto más cerca esté A del valor 1, mayor será la


pertenencia del objeto x al conjunto A.

Control Difuso 9
Fundamentos Básicos

el conjunto difuso A puede representarse como un


conjunto de pares de valores, cada elemento x ∈ X con
su grado de pertenencia a A.
n
Universo Discreto: A = {A(x)/x, x ∈ X}=  A x i 
i 1
xi
Universo Continuo: A    A x 
x
x

La suma y la integral no deben considerarse como


operaciones algebráicas.
Control Difuso 10
Fundamentos Básicos

Ejemplo:
Conjunto de alturas del concepto difuso “Alto” en
personas:
A = 0.25/1.75 + 0.5/1.8 + 0.75/1.85 + 1/1.9
El contexto es fundamental en la definición de
conjuntos difusos.
No es lo mismo el concepto “Alto” aplicado a personas
que a edificios.
Control Difuso 11
Fundamentos Básicos

Soporte: El soporte de un conjunto difuso A en un


universo de discurso X, es un conjunto (clásico) que
contiene todos los elementos de X tal que:

sop(A) = {x∈ X | A (x) >0 }

Singleton: Es un conjunto difuso cuyo soporte está


formado por un solo elemento de X.

Control Difuso 12
Fundamentos Básicos

Función de Membresía: Un conjunto difuso puede


representarse también gráficamente como una
función, especialmente cuando el universo de discurso
X (o dominio subyacente) es continuo (no discreto).
El eje de las abcisas (eje x) contiene los elementos del
universo de discurso X.
El eje de las ordenadas (eje y) contiene los grados de
pertenencia en el intervalo [0,1].

Control Difuso 13
Fundamentos Básicos

Ejemplo:

Concepto de Temperatura “Alta”.

Alta temperatura
1

0 x(°C)
10 20 30 40
Control Difuso 14
Fundamentos Básicos

Características de las funciones de membresías:


1) Núcleo
2) Soporte
3) Frontera

Control Difuso 15
Fundamentos Básicos

Características de las funciones de membresías:


Núcleo

Soporte
Frontera Frontera
Control Difuso 16
Fundamentos Básicos

Funciones de membresía típicas:


Función Triangular: Definida por sus límites inferior a y
superior b, y el valor modal m, tal que a < m < b.
0 si x≤ a 1
(x-a)/(m-a) si x∈ (a,m]
A(x)= (b-x)/(b-m) si x∈ (m,b]
0 si x≥ b
0 x
a m b
Control Difuso 17
Fundamentos Básicos

Función Γ (gamma): Definida por su límite inferior a y


el valor k > 0.
0 si x≤ a
A(x)= 1
 k  x a 2
1 e si x∈ (a,m]

0 si x∈ (0,a]
A(x)= k x  a 2 si x≥ a 0 x
1  k x  a 2 a m

Control Difuso 18
Fundamentos Básicos

aproximación lineal:
1

0 si x≤ a

A(x)= (x-a)/(m-a) si x∈ (a,m]


1 si x≥ m 0 x
a m

La función de membresía opuesta se denomina


Función L.
Control Difuso 19
Fundamentos Básicos

Función Trapezoidal: Definida por sus límites inferior a


y superior d, y los límites de su soporte, b y c, inferior y
superior respectivamente.
0 si (x≤ a) o (x≥ d) 1
(x-a)/(b-a) si x∈ (a,m]
A(x)= 1 si x∈ (m,c)
(d-x)/(d-c) si x∈ (c,d)
0 X
a m c d

Control Difuso 20
Fundamentos Básicos

Función Gausiana: Definida por su valor medio m y


el valor k > 0.
1
 k( x m ) 2
 A x   e

Es la típica campana de Gauss.


Cuanto mayor es k, más estrecha 0 X
m
es la campana.
Control Difuso 21
CLASIFICACION DE LOS
CONJUNTOS DIFUSOS

• NORMAL • SUBNORMAL

Control Difuso 22
CLASIFICACION DE LOS
CONJUNTOS DIFUSOS

• CONVEXOS • NO-CONVEXOS

Control Difuso 23
CLASIFICACION DE LOS
CONJUNTOS DIFUSOS

• Intersección de dos conjuntos difusos tipo


convexos

Control Difuso 24
Asignación de los valor en la
función de membresía

• Intuición
• Inferencia
• Categoría o rango
• Angular difuso
• Redes neuronales
• Algoritmos genéticos
• Razonamiento inductivo
Control Difuso 25
Asignación de los valor en la
función de membresía

Intuición
Es basado en la propia inteligencia humana y su
entendimiento para el desarrollo de las funciones de
membresías, a través del conocimiento de los
problemas.

Ejemplo:

Velocidad de un
motor DC
Velocidad, rpm

Control Difuso 26
Asignación de los valor en la
función de membresía

Inferencia
Es basado al razonamiento deductivo (premisas y
reglas).
Ejemplo: método de identificación del triángulo.
Dejar U como el conjunto universo de los triángulos
y sus ángulos internos son A, B y C.

Control Difuso 27
Asignación de los valor en la
función de membresía

Método de identificación del triángulo.

Tipos de triángulos:
Triangulo isósceles apropiado
Triángulo rectángulo apropiado
Cualquier triángulo

Control Difuso 28
Asignación de los valor en la
función de membresía

Triangulo isósceles apropiado

Triángulo rectángulo apropiado

Cualquier triángulo

Control Difuso 29
Conjuntos Difusos

Si consideramos el conjunto X de todos los


números reales entre 0 y 10 (universo de
discurso). Se define el subconjunto A de X en el
rango entre 5 y 8:
A = [5,8]
Se puede ver el conjunto A por una función de
membresía A (que asigna 1 o 0 para cada
elemento de X dependiendo si el elemento
pertenece o no a A).
Control Difuso 30
Conjuntos Difusos (figura)

A
1

0 5 8 x
Se puede interpretar que al elemento que se le
asigne:
• 1 pertenece al conjunto A
• 0 NO pertenece al conjunto A
Control Difuso 31
Conjuntos Difusos (ejemplo)

Este concepto es suficiente en muchas áreas de


aplicación, pero fácilmente se puede encontrar
situaciones donde se necesita más flexibilidad.

Ejemplo: Conjunto de JOVENES.

B= {conjunto de gente joven }

El universo de discurso para la edad comienza en 0 y


termina en el año 2007
Control Difuso 32
Conjuntos Difusos (ejemplo)

Si el límite de la juventud está en 20 años, en teoría de


conjuntos se tiene:

B= [0, 20]

entonces si alguien pertenece al conjunto JOVEN y el


día de su vigésimo cumpleaños, ya no pertenece más
al conjunto, YA NO ES MÁS JOVEN?.

Una construcción más natural para B puede considerar


el relajar la separación estricta entre joven y no_joven.
Control Difuso 33
Conjuntos Difusos (ejemplo)

Se puede permitir la pertenencia Si o NO al conjunto


B. Pero se suavizará con frases del tipo: ‘pertenece un
poco menos a B ’ o ‘casi pertenece a B ’, etc.

Una forma más generalizada del concepto de conjunto


es el permitir valores entre 0 y 1 (permite las infinitas
alternativas) definidas por el intervalo:

= [0, 1]

Control Difuso 34
Conjuntos Difusos (ejemplo)

Ahora la interpretacíón de números asignados a todos


los elementos del universo de discurso es mucho más
compleja.

∎ 1 representa la pertenencia a B.

∎ 0 representa la NO pertenencia a B.

∎ Todos los demás números, representan la


pertenencia gradual a B.
Control Difuso 35
Conjuntos Difusos (ejemplo)

B
1

0.5

0 20 25 30 50 edad

A los 25 años, le corresponde una pertenencia al


joven del 50%.

Control Difuso 36
Operaciones Difusas

Las operaciones que se manejan en los conjuntos


clásicos (unión e intersección), también son posibles en
los conjuntos difusos.
Zadeh propuso la operación mínimo para la
intersección y el máximo para la unión de 2 conjuntos
difusos.
Nótese que los operadores (máximo y mínimo)
coinciden con la lógica clásica (crisp) cuando los
grados de pertenencia son 0 ó 1.
Control Difuso 37
Operaciones Difusas

Igualdad Difusa: A y B son iguales si A(x)= B(x) para


toda xU.

Contención Difusa: A está contenido en B si A(x) 


B(x) para toda xU y se denota AB.

Complemento Difuso: La función c(A(x)) es el


complemento difuso de A si satisface lo siguiente:
Control Difuso 38
Operaciones Difusas

 c(0)=1 y c(1)=0,
 Para toda A(x), B(x) [0,1] , si A(x) < B(x)
entonces
c(A(x)) > c(B(x) ), por ejemplo:
c A  x    A~ x   1   A  x 
Unión Difusa: (Norma s) La función s(A(x),B(x)) es
una norma s si satisface lo siguiente:

Control Difuso 39
Operaciones Difusas

 s(1,1)=1, s(0,a)=s(a,0)=a
 s(a,b)=s(b,a)
 Si aa’ y bb’, entonces s(a,b) s(a’,b’)
 s(s(a,b),c)=s(a,s(b,c),
por ejemplo:
s(A(x), B(x))) =max(A(x), B(x))
s(A(x), B(x))) =min(1, A(x)+B(x))
Control Difuso 40
Operaciones Difusas

Intersección difusa: (Norma t) La función t(A(x),B(x))


es una norma t si satisface lo siguiente:
 t(0,0)=0, t(1,a)=t(a,1)=a
 t(a,b)=t(b,a)
 Si aa’ y bb’, entonces t(a,b) t(a’,b’)
 t(t(a,b),c)=t(a,t(b,c), por ejemplo:
t(A(x), B(x))) =min(A(x), B(x))
t(A(x), B(x))) =A(x)  B(x)
Control Difuso 41
Operaciones Difusas (figuras)

A es un intervalo difuso entre 5 y 8.


B es un intervalo difuso alrededor de 4.

A B
1 1

0 5 8 x 0 4 x

Control Difuso 42
Operaciones Difusas (figuras)

La línea verde muestra la operación AND entre A y B.

A  B

0 45 8 x

Control Difuso 43
Operaciones Difusas (figuras)

La línea verde muestra la operación OR entre A y B.

A  B

0 45 8 x

Control Difuso 44
Relaciones Difusas

Relación Difusa: Una relación difusa es un conjunto


difuso definido en el producto cartesiano de los conjuntos
(clásicos) X1, X2, ...,Xn.

Ejemplo:
Q en X1, X2, ..., Xn se puede representar:
Q={(x1,x2,...,xn), Q(x1,x2,...,xn)|(x1,x2,...,xn)∈ X1  X2 ...,Xn}

Control Difuso 45
Relaciones Difusas

Ejemplo: relación “y está muy lejos de z”


U={Morelia, Mexicali}
V={Cd. de México, Campeche}
V
Cd . de México Campeche
U Morelia 0 .4 1
Mexicali 0 .2 0 .6

Control Difuso 46
Relaciones Difusas (proyección)

Proyección: Sea Q una relación en X1 ...  Xn y


{i1,...,ik} una subsecuencia de {1,...,n}, entonces la
proyección de Q sobre X i1  ...  X i k es una relación
difusa QP en X i1  ...  X i k con función de
membresía:
Q(P x i1 ,..., x i k )  max Q( x1 ,..., x n )
x j1 X j1 ,..., x (j n k )
X (j n k )

donde{ x j1 ,..., x (j n k ) } es el complemento de


{ x i1 ,..., x i k } respecto a {x1,...,xn}.
Control Difuso 47
Relaciones Difusas (proyección)

Para el ejemplo anterior se tienen las siguientes


proyecciones:

1 0. 6
Q1  
Morelia Mexicali

0 .4 1
Q2  
Cd . de México Campeche

Control Difuso 48
Relaciones Difusas (proyección)

Sea U=V=, la relación “y es aproximadamente igual a


z” se puede denotar como la función de membresía:
( y  z ) 2
 AI( y , z )  e
con proyecciones:
( y  z ) 2
AI1   max e / x 1/ y
U z V U
( y z ) 2

AI 2   max e / y  1 / z
V y U U

Control Difuso 49
Relaciones Difusas (extensión cilíndrica)

Extensión Cilíndrica: Sea QP una relación en


X i  ...  X i y {i1,...,ik} una subsecuencia de {1,2,...,n},
1 k

entonces la extensión cilíndrica de QP a X1 ...  Xn


es una relación difusa QPE en X1 ...  Xn con
función de membresía:

QPE( x1 ,..., x n )  Q(P x i1 ,..., x i k )


Ejemplo: Para el caso de la distancia entre las
ciudades se tiene:
Control Difuso 50
Relaciones Difusas (extensión cilíndrica)

1 1
Q1 E  
Morelia ,Cd . de México Morelia ,Campeche
0 .6 0 .6
 
Mexicali ,Cd . de México Mexicali ,Campeche

0 .4 1
Q2 E  
Morelia ,Cd . de México Morelia ,Campeche
0 .4 1
 
Mexicali ,Cd . de México Mexicali ,Campeche
Control Difuso 51
Relaciones Difusas (extensión cilíndrica)

Para el caso de los números reales las extensiones


cilíndricas son:

AI1 E   1 /( y , z )  U V
U V

AI 2 E   1 /( y , z )  U V
U V

Control Difuso 52
Relaciones Difusas (composición difusa)

Composición Difusa: La composición de relaciones


difusas P(U,V) y Q(V,W) denotada por P ⁰ Q, se define
como la relación difusa en UxW con función de
membresía:
P Q( x , z )  max t [ P( x , y ) , Q( y , z ) ]
y V

max-min  PQ ( x, z )  max min[  P ( x, y ), Q ( y, z )]


yV

max-producto  PQ ( x, z )  max [  P ( x, y )  Q ( y, z )]


yV

Control Difuso 53
Relaciones Difusas (composición difusa)

Ejemplo: (Composición difusa)


V
Cd . de México Campeche
U Morelia 0. 4 1
P Mexicali 0.2 0 .6

W
Pachuca Villahermosa
V Cd . de México 0 .9 0 .2
Q
Campeche 0 .3 0. 9

Control Difuso 54
Relaciones Difusas (composición difusa)

Ejemplo: (Composición difusa)


V
Pachuca Villahermosa
U Morelia 0.4 0 .9
P Q
max  min Mexicali 0 .3 0.6

V
Pachuca Villahermosa
PQ U Morelia 0.36 0. 9
max  producto Mexicali 0.18 0.54
Control Difuso 55
Relaciones Difusas (principio de extensión)

Principio de Extensión: Es una identidad que permite


convertir los puntos del dominio clásico X de una
función a conjuntos difusos en X.

Sea :UV una función de un conjunto clásico U a un


conjunto clásico V. Suponga que A es un conjunto
difuso en U y se quiere determinar el conjunto difuso
B= (A) en V que es inducido por .

Control Difuso 56
Relaciones Difusas (principio de extensión)

 Si  es uno a uno, entonces se define


1
 B ( y )   A [  ( y )], y  V
 En otro caso se tiene:

 B ( y )  max  A ( x), y  V
x 1 ( y )

Control Difuso 57
Relaciones Difusas (principio de extensión)

Ejemplo: Sea X={1,2,...,10} y (x)=x2. Considérese el


conjunto difuso ‘pequeño’ definido en X:
pequeño  1/ 1  0.9 / 2  0.8 / 3  0.7 / 4  0.6 / 5
 0.5 / 6  0.4 / 7  0.3 / 8  0.2 / 9  0.1 / 10
Por el principio de extensión se tiene:

pequeño 2  1/ 1  0.9 / 4  0.8 / 9  0.7 / 16  0.6 / 25


 0.5 / 36  0.4 / 49  0.3 / 64  0.2 / 81  0.1 / 100
Control Difuso 58
Variables Lingüísticas

Variable Lingüística o Difusa: Es una variable que


toma valores del lenguaje natural (palabras). Estas
palabras se caracterizan por conjuntos difusos
definidos dentro de un universo de discurso.
Ejemplos: Velocidad, Temperatura, Estatura, etc.
Una variable lingüística se puede representar por la
tupla (X,T,U,M), donde:

Control Difuso 59
Variables Lingüísticas

 X es el nombre de la variable difusa.


 T es el conjunto de valores lingüísticos que puede
tomar X.
 U es el dominio real en el que la variable difusa
toma valores cuantitativos.
 M es una regla de semántica que relaciona cada
valor lingüístico en T con un conjunto difuso en U.

Control Difuso 60
Variables Lingüísticas (terminos lingüisticos)

Términos Lingüísticos: En nuestra vida diaria usamos


más de una palabra para describir una variable por
ejemplo, para la variable velocidad podemos tener:
muy rápido, poco rápido, más o menos rápido, etc.
En general el valor de una variable lingüística es una
concatenación de términos atómicos que se pueden
clasificar como sigue:
Términos primarios: Son las etiquetas de los
conjuntos difusos: rápido, medio, lento.

Control Difuso 61
Variables Lingüísticas

 Conectores: Estos términos son el complemento, la


intersección y la unión (“no”, “y “ y “o”
respectivamente).
 Calificativos: Son términos tales como “muy”,
“poco”, “más o menos”, etc.

Representación de los calificativos difusos más


comunes:

Control Difuso 62
Variables Lingüísticas

Sea A un conjunto difuso en U, entonces “muy A” es


un conjunto difuso en U con función de membresía:
2
muy (A x )  [ (A x ) ]
y “más o menos A” se representa por:
1/ 2
más o menos (A x )  [ (A x ) ]

Control Difuso 63
Variables Lingüísticas (regla difusa)

Regla Difusa SI-ENTONCES: Es un estatuto


condicional que se expresa como:
SI (proposición difusa),
ENTONCES (proposición difusa)
 Proposición difusa atómica: Es un estatuto de la
forma:
x está en A
donde x es una variable lingüística y A es un valor
lingüístico de X (conjunto difuso).
Control Difuso 64
Variables Lingüísticas

 Proposición difusa compuesta: Es una composición


de proposiciones atómicas mediante conectores
difusos:
“x está en S” o “x no está en M”
“x está en S y x no está en F” o “x está en M”

Las proposiciones difusas compuestas deben verse


como relaciones difusas cuya función de membresía
se determinan de la siguiente manera:
Control Difuso 65
Variables Lingüísticas

 Para conectores “y” usar la intersección difusa:


“x1 está en A” y “x2 está en B”
es una relación difusa con función de membresía:

 A B( x1 , x 2 )  t [ (A x1 ) , B( x 2 ) ]


 Para conectores “o” usar la unión difusa:
“x1 está en A” o “x2 está en B”
es una relación difusa con función de membresía:
Control Difuso 66
Variables Lingüísticas

 A B( x1 , x 2 )  s [ (A x1 ) , B( x 2 ) ]

 Para conectores “no” usar el complemento difuso:


“x no está en A”
es una relación difusa con función de membresía:
 A(~ x )  c [ (A x ) ]

Control Difuso 67
Variables Lingüísticas (interpretación de reglas)

Interpretación de las reglas SI-ENTONCES:


Las reglas difusas SI-ENTONCES se interpretan de
manera similar a la utilizada en la lógica tradicional,
sólo que se sustituyen las operaciones clásicas por
operaciones difusas.
PD1 PD 2 PD1  PD 2
v v v
v f f
f v v
f f v

Control Difuso 68
Variables Lingüísticas

De la tabla de verdad anterior se puede ver que las


siguientes operaciones lógicas son equivalentes:
~  q ( p  q )  p
p q  p ~

 Implicación Dienes-Rescher
DR( x , y )  max( 1  PD(1 x ) , PD(2 y ) )

 Implicación de Lukasiewicz
(L x , y )  min( 1 ,1  PD(1 x )  PD(2 y ) )
Control Difuso 69
Variables Lingüísticas

 Implicación de Zadeh
 Z( x , y )  max( min( PD(1 x ) , PD(2 y ) ) ,1  PD(1 x ) )

 Implicaciones de Mamdani
MM( x , y )  min( PD(1 x ) , PD(2 y ) )
MP( x , y )  PD(1 x )  PD(2 y )

Control Difuso 70
Razonamiento aproximado

La lógica difusa es una generalización de la lógica


clásica bivaluada, permitiendo que los valores de
verdad de una proposición sea cualquier número
dentro del intervalo [0,1]. Esto permite realizar un
razonamiento aproximado; es decir deducir
conclusiones imprecisas partiendo de premisas
imprecisas.

Control Difuso 71
Razonamiento aproximado (principios fundamentales)

Principios fundamentales de la lógica difusa


 Modus Ponens Generalizado:
( ( p ( p  q ) )  q
Premisa 1 : x está en A 
Premisa 2 : SI x está en A ENTONCES y está en B
Conclusión : y está en B 
B( y )  sup t [  A( x ) ,  A B( x , y ) ]
x U

Control Difuso 72
Razonamiento aproximado (principios fundamentales)

 Modus Tollens Generalizado:


( ( q~ ( p  q ) )  p
~

Premisa 1 : y está en B 
Premisa 2 : SI x está en A ENTONCES y está en B
Conclusión : x está en A 
 A( x )  sup t [ B( y ) ,  A B( x , y ) ]
y V

Control Difuso 73
Razonamiento aproximado (principios fundamentales)

 Silogismo Hipotético Generalizado:

( ( p  q ) ( q  r ) ) ( p  r )

Premisa 1 : SI x está en A ENTONCES y está en B


Premisa 2 : SI y está en B  ENTONCES z está en C
Conclusión : SI x está en A ENTONCES z está en C 
 A C( x , z )  sup t [  A B( x , y ) , B C( y , z ) ]
y V

Control Difuso 74
Sistemas Difusos

Representan la información obtenida del


conocimiento de humanos expertos de una forma
similar a la empleada para describir los datos
obtenidos de sensores y modelos matemáticos.

Base de conocimientos

Fuzzificador Defuzzificador

Motor de inferencia
Conjuntos Difusos Conjuntos Difusos
de Entrada de Salida
Control Difuso 75
Sistemas Difusos (base de conocimiento)

Base de conocimiento: Es un conjunto de reglas de la


forma:
regla i : SI x1 está en A1i y...y x n está en Ani
ENTONCES y está en B i
con i 1 ,..., M .
El conjunto de reglas debe ser:
Completo
Consistente
Continuo
Control Difuso 76
Sistemas Difusos (motor de inferencia)

Motor de Inferencia: Utiliza los principios de lógica


difusa para realizar el mapeo del conjunto difuso de
entrada Ai en U al conjunto difuso de salida Bi en V .
Existen dos tipos principales de inferencia:
compuesta y basada en reglas individuales.
Se desea que un motor de inferencia sea:
Intuitivo
Computacionalmente eficiente
Se adapte a casos especiales
Control Difuso 77
Sistemas Difusos (inferencia compuesta)

Inferencia compuesta: Consiste en combinar todas las


reglas de la base de conocimientos en una relación
difusa en UxV, la que puede ser vista como una sola
regla SI-ENTONCES.
Si las reglas pueden ser vistas como estatutos
independientes, entonces la operación de
combinación que se emplea es la unión. Pero si las
reglas están demasiado relacionadas entonces la
intersección es la operación utilizada para la
combinación.
Control Difuso 78
Sistemas Difusos (inferencia en reglas)

Inferencia basada en reglas individuales: En este


caso cada regla de la base de conocimientos
determina un conjunto de difuso de entrada y un
conjunto difuso de salida. La salida del motor de
inferencia es la combinación de los conjuntos
individuales de salida. La combinación se realiza
mediante la unión o la intersección.

Control Difuso 79
Sistemas Difusos (motores de inferencia)

Algunos motores de inferencia:


Motor de inferencia de producto: inferencia basada
en reglas individuales con combinación por unión,
implicación de Mamdani por producto y producto
algebraico como norma t.

M n
B   max [ sup(  A( x ) (  A(i x l ) B( y ) ) ]
i 1 x U l
l 1

Control Difuso 80
Sistemas Difusos (motor mínimo)

Motor de inferencia de mínimo: inferencia basada en


reglas individuales con combinación por unión,
implicación de Mamdani por mínimo y mínimo como
norma t.

M
B   max [ sup min(  A( x ) ,  A(i x i ) ,...  A(i x n ) , B(l y ) ) ]
i 1 x U 1 n

Control Difuso 81
Sistemas Difusos (motor Lukasiewicz)

Motor de inferencia de Lukasiewicz: inferencia basada


en reglas individuales con combinación por
intersección, implicación de Lukasiewicz y mínimo
como norma t.

M n
B   min{ sup min[  A( x ) ,1  min(  A(i x i ) )  B(l y ) ]}
i 1 x U l 1 1

Control Difuso 82
Sistemas Difusos (fuzzificador)

Fuzzificador: Mapea un punto real valuado x*U a un


conjunto difuso Ai en U.
Los tres fuzzificadores más empleados son:
 1 si x  x *
Fuzzificador Singleton:  A( x )  
 0 en otro caso
x1  x1* 2 x n  x *n 2
(
 ) (
 )
a1 an
Fuzzificador Gaussiano:  A( x )  t [ e ,..., e ]

x1  x1* x n  x *n
Fuzzificador Triangular:  A( x )  t [1  b1
,...,1 
bn
]
Control Difuso 83
Sistemas Difusos (defuzzificador)

Defuzzificador: Mapea un conjunto difuso Bi en V. a


un punto real valuado y*V.
Un defuzzificador debe ser:
Plausible: El punto y* debe representar a Bi desde un
punto de vista intuitivo.
Computacionalmente eficiente: Ya que los
controladores operan en tiempo real.
Continuo: Pequeños cambios en Bi no deben resultar
en grandes cambios en y*.
Control Difuso 84
Sistemas Difusos (defuzzificadores)

Los tres defuzzificadores más empleados son:

 yB( y ) dy 
* V
Centro de gravedad: y  

V B( y )dy

M i i
Promedio de centros: y * 
 i 1M i
y w

i 1 w 

Máximo: Se selecciona un punto en altura(B’).


altura( B  ) { y V B( y )  sup B( y ) }
y V
Control Difuso 85
Controladores Difusos

r e u y
+ Controlador
Planta
- difuso

Variables de entrada del controlador difuso


e r y
e  cambio del error
δ e  integral( suma) del error
Variables de salida del controlador difuso
u  acción de control
Δ u  cambio en la acción de control

Control Difuso 86
Controlador Difuso

Controlador Difuso Proporcional: u  K P e

regla i : SI e está en APi


ENTONCES u está en B Pi
con i 1 ,..., M .

Controlador Difuso Proporcional-Derivativo: u  K P e  K D e


regla i : SI e está en APi y e está en ADi
i
ENTONCES u está en B PD
con i 1 ,..., M .
Control Difuso 87
Controlador Difuso

Controlador Difuso Proporcional-Integral


regla i : SI e está en APi y e está en ADi
u  K P e  K I  edt
ENTONCES u está en B PIi
u  K P e  K I e
con i 1 ,..., M .
Controlador difuso Proporcional-Integral-Derivativo:
u  K P e  K D e  K I  edt

regla i : SI e está en APi y e está en ADi δ


y e está en AIi
i
ENTONCES u está en B PID
con i 1 ,..., M .
Control Difuso 88
Fuzzy Toolbox del programa
Matlab®

El editor FIS
El Fuzzy Toolbox de Matlab® esta formado por dos
poderosas herramientas:
Este editor en combinación con otros 4 editores propiciarán
un ambiente para definir y modificar un Sistema de
Inferencia Difusa (Fuzzy Inference System:FIS) variable.
El controlador Difuso
Este es un bloque de la librería del Fuzzy Toolbox en
Simulink®. Este bloque acepta un FIS variable producido
por el editor FIS e implementa las reglas deseadas.
Control Difuso 89
Fuzzy Toolbox del programa Matlab®

Control Difuso 90
Editor FIS (FIS Editor)

Control Difuso 91
Editor de Reglas (Rule Editor)

Control Difuso 92
Visor de Reglas (Rule Viewer)

Control Difuso 93
Controlador Difuso en Simulink®
(Fuzzy Controller)

Control Difuso 94
Beneficios del editor FIS

1) Sencillez en definir y modificar un sistema difuso

2) Simpleza en quitar o añadir entradas o salidas

3) Escoge o modifica motores de inferencia

4) Fácil definición y modificación de reglas

5) Gran área de visualización para el diagrama FIS


Control Difuso 95
Referencias

1) Fuzzy Control, K. M. Passino, S. Yurkovich, Editorial


Addison Wesley.
2) Redes Neuronales y Sistemas Difusos, B. M. Del
Brío, A. S. Molina, Editorial Alfaomega.
3) Structure and Synthesis of PID Controllers, A. Datta,
M. Ho, S. P. Bhattacharyya, Editorial Springer.
4) Curso de Control Difuso, CINVESTAV del IPN
unidad Guadalajara.
5) Curso de Conjuntos y Sistemas Difusos, J. Galindo
Gomez, E.T.S.I. Informática.
Control Difuso 96
Tarea Primer Semana
• Entregar un resumen de lo que se habla en los
siguientes videos de enlaces:
– Aplicaciones de Control Inteligente.
https://www.youtube.com/watch?v=Ctqb44-ZQbk
– Entrevista con el ingeniero Lotfi Zadeh, premio
BBVA Fronteras del Conocimiento TIC
https://www.youtube.com/watch?v=dD5lpzL61rY

Control Difuso 97