Control Borroso

Daniel Pizarro Manuel Mazo y Marta Marrn.
Departamento de Electrnica
1
Daniel Pizarro Manuel Mazo y Marta Marrn

Departamento de Electrnica. Universidad de Alcal.
Email: pizarro@depeca.uah.es
mazo@depeca.uah.es, marta@depeca.uah.es
Estas transparencias se han realizado contando con los apuntes confeccionados sobre el
tema por los profesores Felipe Espinosa y Luis M. Bergasa
CONTROL BORROSO
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica 2
1. Control borroso frente a control convencional.
2. Fundamentos de lgica borrosa.
3. Fundamentos de control borroso.
4. Aspectos formales de lgica borrosa.
5. Ajuste de controladores borrosos.
Contenido
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica
3
Control borroso frente a control
convencional
Introduccin al control borroso
Proceso

Reference
Input
r(t)
Inputs
u(t)
Outputs
y(t)
Por qu?: Dar solucin al control de plantas de difcil modelado
matemtico.

Cmo?: Mediante el uso de la lgica borrosa.

Qu permite la lgica borrosa?: Proporciona una metodologa
formal para aplicar el conocimiento heurstico humano al control
de procesos.

Algunos ejemplos cotidianos: Conducir una bicicleta, mantener
una escoba en posicin vertical sobre un dedo, conducir un coche.
Controlador borroso
Introduccin al control borroso
Algunas razones que justifican el control borroso
Es conceptualmente fcil de entender.
Es flexible y tolerante a la imprecisin de datos.
Permite modelar funciones no lineales, aunque su complejidad sea elevada.
Se describe a partir del conocimiento e intuicin de expertos.
Los controladores borrosos no son incompatibles con los convencionales.
Qu se va a abordar en lo que sigue?
El estudio del control borroso como alternativa al control realimentado
sincronizado, continuo o peridicamente actualizado.
Control borroso y control convencional
Control convencional: est basado en el modelo del proceso a controlar:
lineal y no lineal, continuo y discreto, en el dominio del tiempo o
transformado. El lenguaje propio son ecuaciones diferenciales/diferencias.
Control borroso: parte del comportamiento del proceso a controlar, donde
la intuicin pesa tanto como la razn. El lenguaje propio son las reglas
heursticas.
Diseo de sistemas de control convencional
Proceso (Process)

Modelo Matemtico
Reference
Input
r(t)
Inputs
u(t)
Outputs
y(t)
Controlador

PI D, polo-cero, etc

Modelado matemtico del proceso

Diseo del controlador

Evaluacin diseo
Diseo de sistemas de control convencional
Modelado matemtico:
Fundamental para obtener un buen comportamiento del sistema realimentado.
Es importante conjugar, para obtener el modelo, tanto el estudio fsico como la
identificacin utilizando datos experimentales.
Por muy bueno que sea el modelo nunca ser un fiel reflejo de la planta (pero en
muchos casos, un modelo aproximado es suficiente).
Diseo del controlador:
A nivel de algoritmo: estabilidad, rechazo a perturbaciones externas, insensibilidad
a variaciones de parmetros de la planta, rgimen transitorio, rgimen permanente.
A nivel de implementacin: simplificacin hardware, disponibilidad de sistemas
electrnicos, mantenimiento, fiabilidad, costes de desarrollo, etc.
A nivel de soluciones: si se trata de sistemas lineales con modelo de funcin de
transferencia: PIDs, red cero-polo; si VVEE: realimentacin del vector de estado
con o sin observadores. Se pueden usar tcnicas ptimo, robusto y adaptativo.
Evaluacin del diseo:
Estudio matemtico basado en el modelo de la planta.
Simulacin del sistema en lazo cerrado.
Ensayo experimental.
Diseo de sistemas de control borroso
Elementos bsicos de un controlador borroso:
Base de conocimiento (rule-base).
Mecanismo de inferencia (inference mechanism).
Interfaz de borrosificacin (fuzzification).
Interfaz de desborrosificacin (defuzzification).
B
o
r
r
o
s
i
f
i
c
a
c
i
n

(
F
u
z
z
i
f
i
c
a
t
i
o
n
)

Base conocimientio
(Rule-base)
Mecanismo inferencia
(Inference mechanism)
D
e
s
b
o
r
r
o
s
i
f
i
c
a
c
i
n

(
D
e
f
u
z
z
i
f
i
c
a
t
i
o
n
)

Proceso
(Process)
Controlador Borroso (Fuzzy Controller)
Reference
Input
r(t)
Inputs
u(t)
Outputs
y(t)
Inputs
e(t)
Entradas
borrosificadas
Conclusiones
borrosas
c
o
m
p
a
r
a
d
o
r

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica
9
Fundamentos de la

lgica borrosa
La lgica borrosa es una extensin de la lgica booleana.
Se basa en la experiencia humana, y la pertenencia a un grupo u otro
es una cuestin de grado de precisin.
En lgica borrosa cada afirmacin es un problema de grado de
verdad.
Un conjunto borroso es un conjunto sin lmites abruptos ni claramente
definidos. Pueden existir elementos con un cierto grado de pertenencia.
El conjunto borroso est asociado a un valor lingstico, definido por
una palabra, adjetivo o etiqueta lingstica
(muy joven, joven, adulto, mayor, muy mayor, etc).
La certeza o certidumbre con que una variable x se le puede asignar el
valor lingstico (conjunto borroso) i se indica por una funcin de
pertenencia
i
(x).
Fundamentos de la lgica borrosa
Fundamentos

de la lgica borrosa
La lgica borrosa es un procedimiento de anlisis del razonamiento
aproximado, que utiliza las imprecisiones del mismo.
Incluye (a grandes
rasgos):
(1) Se puede considerar que es el acto de obtener un valor de entrada y
encontrar el valor numrico de la funcin de pertenencia que est
definida para ese valor. Es otra forma de representacin de los valores
numricos de las variables de entrada.
Variables
de entrada
Entradas borrosas
Conjuntos Borrosos
Funciones de pertenencia

Borrosificador
(1)
(Fuzzification)
Inferencia
(reglas)
Desborrosificador
(Defuzzification)
Salidas borrosas
Conjuntos Borrosos

Variables
de salida
Borrosificacin
1.-Definir las variables de entrada y salida:
temperatura, edad, estatura, velocidad, fuerza,
Definir el margen de variacin (universo de discurso) de cada variable
Temperatura: - 40 a 70 C, Edad: 0 a 100 aos, Estatura: 0 a 200 cm.
2.- Definir todos los conjuntos borrosos y el valor lingstico, asociado a cada uno:
Variable: Temperatura
Valores lingsticos: negativa_alta, negativa_baja, cero, positiva_baja, positiva_alta
Variable: Edad
Valores lingsticos: muy_joven, joven, maduro, viejo
3.- Para cada conjunto (valor lingstico) definir una funcin de pertenencia
o inclusin (membership function) que indique el grado en que una variable x
est incluida en los conceptos representados por las variables lingsticas.
i
(x) indica el grado en que x est incluida en el conjunto i.
A
i
(x) se le conoce como funcin de pertenencia de x en i.
El valor de pertenencia tiene que variar entre 0 y 1.
1. Variable: x= edad. Universo de discurso: 0 x 100 aos.
2. Valores lingsticos (conjuntos): MJ = muy_joven, JO= joven,
MA=maduro, VI=viejo.
3. Definicin de las funciones de pertenencia,
i
(x).

Con conjuntos booleanos
i
(x) slo puede tomar dos valores: 0 1.

i
(x) = 0 indica negacin,
i
(x) = 1 indica afirmacin.
x = edad = 27 aos:
MJ
(x) = 0,
JO
(x) = 1,
MA
(x) = 0,
VI
(x) = 0
0 10 30 60 100 x = edad
1

0

MJ
(x)
JO
(x)
MA
(x)
VI
(x)
MJ JO MA VI
Borrosificacin:

Caso de Lgica clsica
Ejemplo: Edad de las personas
1. Variable: x= edad. Universo de discurso: 0 x 100 aos.
2. Valores lingsticos (conjuntos): MJ = muy_joven, JO= joven,
MA=maduro, VI=viejo.
3. Definicin de las funciones de pertenencia,
i
(x).

Al tratarse de conjuntos borrosos
i
(x) puede tomar cualquier valor
entre 0 y 1.
x = edad = 27 aos:
MJ
(x) = 0.4,
JO
(x) = 0.6,
MA
(x) = 0,
VI
(x) = 0
0 10 27 30 60 100 x = edad
1

0.6

0.4

0

MJ
(x)
JO
(x)
MA
(x)
VI
(x)
MJ JO MA VI
Borrosificacin: Caso de Lgica borrosa
Ejemplo: Edad de las personas
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
mf1
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
mf1
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
mf1
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
mf1
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
mf1
La funcin de pertenencia puede ser una curva arbitraria.
Dependiendo de la aplicacin y del diseador se pueden elegir diferentes tipos de
funciones de pertenencia (membership function). Las ms frecuentes son:
triangular, trapezoidal, gausiana.
Los conjuntos y operadores borrosos se pueden considerar como los
sujetos y los verbos de la lgica borrosa.

Los conjuntos borrosos se combinan en reglas para definir acciones como
por ejemplo, si la temperatura es alta entonces enfra mucho.

Para poder expresar algo til es necesario hacer frases completas. Las
afirmaciones condicionales, reglas if-then, son las que lo hacen posible.

La estructura general de una regla borrosa es:

If CONDICIONES then ACTUACIONES

If x
1
es F
1
and x
2
es F
2
and x
3
es F
3
then u
1
es G
1
and u
2
es G
2

condiciones= antecedentes = premisas: es un escalar comprendido entre 0 y 1
actuaciones = consecuencia = conclusin: es un conjunto borroso
Inferencia: Reglas borrosas
Las reglas pueden ser tipo SISO, SIMO, MISO, MIMO:

SISO: I f x es A
1
then u es B
1
.
SIMO: I f x es A
1
then u
1
es B
1
and u
2
es B
2

MISO: I f x es A
1
and y es A
2
then u es B
1
MIMO: I f x es A
1
and y es A
2
then u
1
es B
1
and u
2
es B
2

Las reglas SIMO y MIMO se pueden convertir en SISO y MISO,
respectivamente.
Ejemplo:
I f x es A
1
and y es A
2
then u
1
es B
1
and u
2
es B
2
Es equivalente a:
I f x es A
1
and y es A
2
then u
1
es B
1
I f x es A
1
and y es A
2
then u
2
es B
2

Inferencia: Reglas borrosas
Inferencia:

Operadores borrosos
Caso de Lgica clsica
Sean dos conjuntos A y B, asociados a la variable x.
Se definen tres funciones bsicas:

Interseccin (AND): min(A,B):
AB
(x) =min[
A
(x),
B
(x) ]

Unin (OR): mx(A,B):
AB
(x) = max[
A
(x),
B
(x)]

Complemento (NOT):
A
(x) = 1-
A
(x)
AND OR NOT(A)
A B
A
(x)
B
(x)
mn(A,B)
AB
(x) =
min[
A
(x),
B
(x) ]
mx(A,B)
AB
(x) =
mx[
A
(x),
B
(x) ]

A
(x) = 1-
A
(x)

0 0
0 1
1 0
1 1
0
0
0
1
0
1
1
1
1
1
0
0
Sean dos conjuntos A y B, asociados a la variable x.
Se definen tres funciones bsicas: interseccin (AND), unin (OR) y
complemento
1. Interseccin (AND) borrosa (norma triangular):
Alternativa 1:
mn (A,B):
AB
(x) = min[
A
(x),
B
(x)]
Alternativa 2:
prod(A,B):
AB
(x) = [
A
(x).
B
(x)]

2. Unin (OR) borrosa (co-norma triangular):
Alternativa 1:
mx(A,B):
AB
(x) =max[
A
(x),
B
(x) ]
Alternativa 2 (suma algebraica):
probor(A,B):
AB
(x) =[
A
(x)+
B
(x) -
A
(x).
B
(x)]

3. Funcin NOT:
A
(x) = 1-
A
(x)

A
B
min(A,B)
A B
prod(A,B)
A
B
max(A, B)
A
B
probor(A, B)
Inferencia: Operadores borrosos
Caso de Lgica borrosa
1.- Matching o correspondencia: Evala el grado de certeza de la premisa para los
valores actuales de las variables de entrada, determina la funcin de pertenencia
de la premisa.
Si regla que se evala es la n: el grado de certeza se representa por
Premisa(n)
2.- Conclusiones (Inferencia): Establece las conclusiones en funcin de las
entradas actuales. Asigna a cada variable de salida del consecuente el conjunto
borroso correspondiente modificado en el grado especificado por
Premisa(n).

La funcin de pertenencia del conjunto modificado se representa por
(n)
(u).
Aqu n es la regla evaluada y u es la variable de salida .
Se entiende por inferencia borrosa la interpretacin de las reglas if-then,
con el objetivo de obtener las conclusiones de las variables lingsticas
de salida a partir de los valores actuales de las variables lingsticas de
entrada.
Conlleva dos fases:

Inferencia
Inferencia
Cmo se obtiene el grado de certeza de una premisa,
premisa (n)
?
Supongamos la regla (n):

If x
1
es F
1
and x
2
es F
2
and x
3
es F
3
then u
1
es G
1

1. Evaluar para cada entra (x
1
, x
2
, ), en funcin de su valor actual, la
funcin de pertenencia:
F1
(x
1
),
F2
(x
2
),
F3
(x
3
) certeza con que la
variable de entrada x
i
pertenece al conjunto borroso F
i

2. Evaluar la funcin and, para obtener
premisa (n)
. Existen dos
alternativas:

Mnimo:

Producto:

premisa n F F F
x x x
( )
min{ ( ), ( ), ( )}
1 1 2 2 3 3

premisa n F F F
x x x
( )
( ) ( ) ( )
1 1 2 2 3 3
Regla 1: I f x es A and y es B then u es D
premisa(1)
= min{
A
(x) ,
B
(x)} = 0.4: tenemos una certeza de 0.4 de que esta
regla (regla 1) es aplicable a la situacin actual (valores actuales)
x es A and y es B
A
B
A
(x)=0.6
x
y
Valor de x actual
Valor de y actual
B
(y)=0.4
Cuantificado con
A
(x)
Cuantificado con
B
(y)
Inferencia Ejemplo de inferencia
Inferencia
Cmo se modifica el conjunto borroso de salida, en el grado
especificado por
Premisa(n)
?.

Principio general: La accin no puede tener un nivel de certeza superior
al que tiene la premisa .

Llamando
accion(n)
(u
1
) el conjunto borroso de salida de la accin u
1
, y
regla_n
(u
1
) al conjunto borroso de salida de la accin u
1
modificado
por
Premisa(n)
, las dos alternativas ms frecuentes son:
Truncamiento (chop off the top):
regla_n
(u) = mn{
Premisa(n)
,
accin(n)
(u)}
Escalado (product):
regla_n
(u) =
Premisa(n)
.
accin(n)
(u)
Inferencia
Truncamiento (chop off the top):
Conjunto borroso de salida:

accin (n)
(u)
Premisa (n)

regla_n
(u) = min{
Premisa(n)
,
accin(n)
(u)}

u
Escalado (product):

Conjunto borroso de salida:
accin (n)
(u)
Premisa(n)

regla_n
(u) =
Premisa(n)
.
accin(n)
(u)
u
Las reas dan idea de
certidumbre de la conclusin
Inferencia
Ejemplo: Control de frenado
Control de frenado de un vehculo en funcin de su velocidad y distancia al
que le precede.
Variables de entrada: x= velocidad, y= distancia
Valores entradas de velocidad (conjuntos borrosos):

Valores entradas de distancia

Variable de salida: u= fuerza_sobre_ freno

Valores de salida:
A A A A baja media alta
x x x x
{ , , } { , , }
1 2 3
A A A A muy pequea pequea grande
y y y y
{ , , } { _ , , }
1 2 3
B B A A muy fuerte fuerte debil
u u u u
{ , , } { _ , , }
1 2 3
Baja Media Alta
Dbil fuerte muy_fuerte
alta
(x)

0 40 80 120 x=Velocidad (Km/h)
media
(x)

Baja
(x)

muy_pequea pequea grande
0 25 50 75 y= distancia (m)
muy_pequea
(y)

pequea
(y)

grande
(y)

0 1 2 3 4 u=Fuerza (N)
debil
(u)

fuerte
(u)

muy_fuerte
(u)

Salidas nunca
saturadas
Inferencia
0 40 70 80 120 x=Velocidad (Km/h)
0 10 25 50 75 y= distancia (m)
muy_pequea
(y)

media
(x)

alta
(x)

Baja
(x)

pequea
(y)

grande
(y)

0.4
0.2
0.8
Supongamos: x=70Km/h, y=10m
Y dos reglas:
1. If x es baja and y muy_pequea then u es fuerte
2. If x es media and y muy_pequea then u es muy_fuerte
Inferencia
x es baja and y muy_pequea

Cuantificado con Cuantificado con
0 10 25 50 y
muy_pequea
(y)

0.4
0 40 70 80 x
Baja
(x)

0.2
premisa(1)
=min{
Baja
(x) ,
muy_pequea
(y)} = 0.2
0 40 70 80 120 x
media
(x)

0.8
0 10 25 50 y
muy_pequea
(y)

0.4
x es media and y muy_pequea
premisa(1)
=min{
media
(x) ,
muy_pequea
(y)} = 0.4
Inferencia

1. If x es baja and y muy_pequea then u es fuerte
2. If x es media and y muy_pequea then u es muy_fuerte
0 40 70 80 120 x
media
(x)

0.8
0 10 25 50 y
muy_pequea
(y)

0.4
2 3 4 u
muy_fuerte
(u)

regla_2
(u)

fuerte
(u)

0 10 25 50 y
muy_pequea
(y)

0.4
0 40 70 80
x
Baja
(x)

0.2
1 2 3
u
regla_1
(u)

Inferencia
If x es baja and y muy_pequea then u es fuerte
If x es media and y muy_pequea then u es muy_fuerte
0 1 2 3 u
fuerte
(u)

0 1 2 3 4 u
muy_fuerte
(u)

0 1 2 3 u
0 1 2 3 4
Premisa(1)
=min [
baja
(x),
muy_pequea
(y)] =0.2
0.2
regla_1
(u)
Premisa(1)
=min [
media
(x),
muy_pequea
(y)] =0.4
regla_2
(u)
Implicacin
Implicacin
0.4
u
Inferencia
En general se requieren dos o ms reglas de forma que compitan
unas con otras.
La salida de cada regla es un conjunto borroso (modificado por la
correspondiente premisa premisa(n)).
La salida para un conjunto de reglas debe ser un nico nmero.
Cmo se agregan (mezclan) los conjuntos borrosos, regla(n)(u),
que resultan de cada regla para que la variable de salida sea un
nico nmero?: se agregan en un solo conjunto borroso y a partir
de este ltimo se obtiene el valor de la salida.
rgla_1
(u)
regla_2
(u)
regla_n
(u)
.
.
.
Agregacin
Desborrosificador
u
crisp
Inferencia: Agregacin de salida de reglas
If x es A and y es B then u es C
Premisa(1)
=mn [
A
(x),
B
(y)]
Premisa (1)
If x es D and y es E then u es F
C
(u)
Truncamiento
Concl.
Conclusin
Premisa (2) Concl.
Premisa(2)
=mn [
D
(x),
E
(y)]
u
1
u
u
1
u
F
(u)
u
2
u
Truncamiento
Conclusin
u
2
u
u
1
u
2
u
Salida
u
crisp
I mplicacin
I mplicacin
Agregacin de reglas
regla_1
(u)
regla_1
(u)=mn [
Premisa(1)
,
C
(u)]
regla_2
(u)=mn [
Premisa(2)
,
F
(u)]
regla_2
(u)
If x es A and y es B then u es C
Premisa(1)
=min [
A
(x),
B
(y)]
Premisa (1)
If x es D and y es E then u es F
C
(u)
Escalado
Concl.
Conclusin
Premisa (2) Concl.
Premisa(2)
=min [
D
(x),
E
(y)]
u
1
u
u
1
u
F
(u)
u
2
u
Escalado
Conclusin
u
2
u
u
1
u
2
u
I mplicacin
I mplicacin
Agregacin de reglas
regla_1
(u)
regla_1
(u)=
Premisa(1).

C
(u)
regla_2
(u)=
Premisa(2).
F
(u)
regla_2
(u)
Salida
u
crisp
La entrada para la desborrosificacin es un conjunto
borroso, el que resulta de la agregacin, y la salida es un
nmero (u
crisp
).

Se puede entender como el proceso de decodificacin de la
informacin borrosa producida por los procesos de inferencia
y agregacin.

De entre las diferentes alternativas de desborrosificacin, las
dos ms conocidas son:
Centro de gravedad (COG) del rea definida por el conjunto borroso
resultante de la agregacin.
Centros ponderados (center-average).

Existen otras alternativas de desborrosificacin, pero no
existen argumentos para decidir cul es la mejor.
Desborrosificacin
Desborrosificacin: COG
Se suele utilizar para el caso de truncamiento.
u
b
crisp
i regla i
i
regla i
i
_
_
b
i
= centro de las funciones de pertenencia
del conjunto para la regla i,
regla_i
regla i _
= rea bajo la funcin

de pertenencia
regla_i

Recordad: Para un trapecio de base w y altura h, su rea es:
w h
h
( )
2
2
Hay que asegurar que el denominador sea distinto de cero
.
b
1
b
2
b
3
b
i
b
N
u

regla_1
regla_3
regla_i
regla_N
regla_2
Desborrosificacin: Centros ponderados

Se suele utilizar para el caso de escalado
u
b
crisp
i premisa i
i
premisa i
i
( )
( )
Para el clculo de la funcin de pertenencia de la premisa
premisa(i)
se puede
utilizar el mnimo o el producto

.
b
1
b
2
b
3
b
i
b
N
u

premisa(1)

premisa(N)

Desborrosificacin Ejemplos
-20 -10 0 10 u(t), (N)
NP
CE
0.75
0.25
(i)
u=-6.81
COG
Centros ponderados
-20 -10 10 u(t), (N)
NP
CE
0.75
0.25 u
b
crisp
i premisa i
i
premisa i
i

( )
( )
( . ) ( ) .
. .
.
0 025 10 075
025 075
75
-7.5
u
b
crisp
i regla i
i
regla i
i

_
_

[ ( .
( . )
] ( ) [ ( .
.
)
( .
.
) ( .
.
)
.
0 20 0 25
0 25
2
10 20 0 75
0 75
2
20 0 25
0 25
2
20 0 75
0 75
2
-6 81
2 2
2 2

Control Borroso

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Control Borroso

Caricato da

Copyright:

Formati disponibili

Daniel Pizarro Manuel Mazo y Marta Marrn.

= rea bajo la funcin

Potrebbero piacerti anche