Beruflich Dokumente
Kultur Dokumente
RESUMEN
Se describe e implementa una ducha inteligente autorregulada. Se
comienza discutiendo algunas diferencias con un modelo de desarrollo de
sistemas de control ms convencional y luego se va describiendo cada una
de las fases de desarrollo: definicin del problema, anlisis y diseo, e
implementacin y pruebas. Se comparan y analizan los resultados de
razonamiento aproximado con las lgicas de Zadeh, producto y Lukasiewicz.
Palabras claves
Lgica borrosa, control borroso, grifo inteligente, Xfuzzy
ABSTRACT
In this work is described in a detailed way how has been performed,
following the fuzzy reasoning systems development model, a typical
example of an autoadjustable shower. It starts discussing some differences
with a more conventional control systems development model and then each
development phases are described: problem definition, analysis and design,
and implementation. Different fuzzy logic are tested and compared.
Keywords
Fuzzy Logic, Fuzzy Control, intelligent shower, Xfuzzy
Jornadas Internacionales de Didctica de las Matemticas en Ingeniera
249
1. INTRODUCCIN
En la seccin 1 se discute la metodologa de desarrollo de un sistema borroso
comparandolo con uno tradicional. En la seccin 2 se muestra el problema y los
requisitos. En la seccin 3 se define el modelo y las reglas asociadas al sistema. En la
seccin 4 se discute la implementacin y los resultados obtenidos. En la seccin 5 se
exponen las conclusiones. En la seccin 6 se ofrecen las referencias.
Los sistemas de control basados en lgica borrosa ofrecen ciertas ventajas frente
a los sistemas de control tradicionales. Las principales son: la definicin de los sistemas
es ms sencilla, por hacer uso de lenguaje natural y, en los sistemas basados en estados,
se consigue un comportamiento ms suave y mayor estabilidad debido a la ausencia de
fronteras ntidas.
En este trabajo se desarrolla una pequea aplicacin de control con lgica borrosa
para regular la temperatura y el flujo de una ducha. Con sto se pretende ilustrar el
proceso de desarrollo de este tipo de sistemas y los resultados obtenidos.
1.1 INTRODUCCIN A LA LGICA BORROSA Y AL RAZONAMIENTO
APROXIMADO
La Teora de los Conjuntos Difusos o Conjuntos Borrosos (fuzzy sets en ingls)
se aplica con xito para modelar informacin con falta de nitidez incertidumbre y para
resolver problemas de control. Lotfi A. Zadeh [16] en 1965 escribe su artculo Fuzzy
Sets en el que los conjuntos difusos, de frontera no precisa y cuya funcin de
pertenencia indica un grado. Las lgicas borrosas necesitan generalizar las conectivas
para definir la interseccin, unin y negacin entre conjuntos borrosos, para lo cual se
utilizan diferentes familas de operadores llamadas normas triangulares, conormas
triangulares y negaciones [12].
En control es habitual definir reglas borrosas para efectuar inferencias y
razonamiento aproximado de la forma:
Si x es P entonces y es Q
x es casi P
_____________________
y es casi Q
donde x, y son variables y P, Q son conjuntos borrosos y la regla es una relacin
borrosa que se puede definir con diferentes operadores de implicacin [15].
250
2. METODOLOGA DE DESARROLLO
La metodologa de desarrollo usada para el desarrollo de sistemas de control
borrosos difiere de la metodologa para sistemas convencionales en su mayor sencillez. El
punto principal de diferencia es la necesidad en los sistemas convencionales de disear
un modelo lineal del problema y hacer uso de simplificaciones de la teora de control.
Ambos pasos, aunque ms el segundo, requieren un conocimiento experto de la teora de
control. Por el contrario, el desarrollo de sistemas borrosos se basa en reglas borrosas, es
decir, expresables en el lenguaje natural, y por tanto requiere menos conocimiento
experto para su desarrollo.
El ejemplo de la validez de esta metodologa est en el xito en el desarrollo de la
aplicacin de control descrita en este trabajo por parte de un desarrollador no
especialmente experto en teora de control.
251
252
253
254
255
5. SIMULACIN Y PRUEBAS
Para llevar a cabo la simulacin se ha construido una aplicacin que proporciona
la posibilidad de efectuar cambios en el entorno del sistema mediante varios sliders y ver
su impacto en las variables de salida. Adems, permite visualizar las grficas en el tiempo
del cambio de estas variables. El aspecto es el siguiente:
256
programa
se
puede
descargar
desde
257
258
6. CONCLUSIONES
Aunque en principio el problema propuesto no supone un gran reto, la
complicacin surgida al probar el sistema con las distintas lgicas ha permitido poder
observar algunas caractersticas de stas. Adems, ha mostrado el problema que supone el
que se activen unas reglas con mayor verosimilitud que otras, y las diferencias sgn el
mtodo de inferencia y defuzzyficacin que se use.
Sin embargo, este sistema aplicado a un entorno real tendra un comportamiento
algo distinto, ya que en ste entorno ideal, los cambios introducidos por el sistema se ven
reflejados en el entorno de manera inmediata, y en la realidad, los cambios son ms
graduales, por tanto el sistema tiene mucho ms tiempo para poder adaptarse
correctamente.
259
7. REFERENCIAS BIBLIOGRFICAS
[1] DUBOIS, D., PRADE, H., (1980), Fuzzy Sets and Systems. Theory and its
Applications. Academic Press, New York.
[2] IMSE Centro Nacional de Microelectrnica. Herramientas de CAD para Lgica
Difusa. Xfuzzy 3.0. http://www.imse.cnm.es (2003).
[3] KLIR G. and YUAN, B. (1995). Fuzzy Sets and Fuzzy Logic Theory and its
Applications Prentice Hall.
[4] LEWIS, H.W. (1997), The Foundations of Fuzzy Control.,Springer.
[5] NGUYEN, H.T. and WALKER, E. A., (1996). A first course in Fuzzy Logic.
CRC Press.
[6] OH, S., PEDRYCZ, W., PARK, B. (2002), Hybrid identification of fuzzy rulebased models. Int. Journal of Intelligent Systems, vol. 17 (1), pp.77-103.
[7] PEDRYCZ, W., (1991), Fuzzy Dynamic Systems. IJCAI, Fuzzy Logic and Fuzzy
Control, pp. 37-44, Sydney, Australia.
[8] PEDRYCZ, W.: Modelling with fuzzy sets in fuzzy control. Fuzzy Days, 3-34, 1992.
[9] PIEGAT, A., (2001). Fuzzy Modeling and Control. Springer
[10] PRADERA, A., TRILLAS, E., CUBILLO, S., (2000) On modus ponens generating
functions Int. J. Uncertain. Fuzziness Knowledge Based Systems 8, 1, pp. 7-19.
[11] SUGENO, M., (1985), An introductory survey of fuzzy control. Information
Sciences, n. 36, pp. 59-83.
[12] SCHWEIZER B. and SKLAR, A., (1960), Probabilistic Metric Spaces. NorthHolland, New York.
[13] TRILLAS E. and VALVERDE, L.
ZADEH, L.A. (1965), Fuzzy sets. Proceedings of the IEEE (Information and
260