2003 Tes Is Fuzzy Pid

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITCNICA
ANTONIO JOS DE SUCRE

VICERRECTORADO PUERTO ORDAZ
DIRECCIN DE INVESTIGACIN, POSTGRADO Y DESARROLLO
MAESTRA EN INGENIERA ELECTRNICA
DESARROLLO DE
CONTROLADORES FUZZY PID
AUTOR: Ing. Euclides Lyon.
TUTOR: Msc. Ing. Rafael Surga.
PUERTO ORDAZ, JUNIO 2003

DESARROLLO DE
Ing. Euclides Lyon.
Trabajo de grado presentado ante la Direccin

de Investigacin, Postgrado y Desarrollo
Profesional del Vicerrectorado Puerto Ordaz,
UNEXPO, como un requerimiento para optar
al ttulo de Magster Scientiarum en Ingeniera
Electrnica.
TUTOR: Msc. Ing. Rafael Surga.

DESARROLLO DE
AUTOR: Ing. Euclides Lyon.

C.I: 5.855.489
PUERTO ORDAZ, JUNIO 2003

ACTA DE EVALUACIN
En mi carcter de Tutor del Trabajo de Grado presentado por el ciudadano

Ing. Euclides Antonio Lyn para optar al grado de Magster Scientiarum en Ingeniera
Electrnica. Titulado : DESARROLLO DE CONTROLADORES FUZZY PID, considero
que dicho trabajo rene los requisitos y mritos suficientes para ser sometido a la
evaluacin por parte del Jurado Examinador.
En la ciudad de Puerto Ordaz a los _____das del mes de ______ del ao______
Ing. ____________________________.
C.I. ___________________
ACTA DE APROBACIN
Quienes suscriben, miembros del Jurado Examinador designado por la

Comisin de Estudios de Postgrado de la Direccin de Investigacin, Postgrado y
Desarrollo de la Universidad Nacional Experimental Politcnica Antonio Jos de
Sucre Vicerrectorado de Puerto Ordaz, para examinar el Trabajo de Grado
presentado por el ciudadano Ing. Euclides Antonio Lyn portador de la cdula de
identidad N 5.855.489 titulado DESARROLLO DE CONTROLADORES FUZZY PID
para optar al grado de MAGSTER SCIENTIARUM EN INGENIERA ELECTRNICA,
consideramos que dicho trabajo cumple con los requisitos exigidos para tal efecto y
por lo tanto lo declaramos: APROBADO.
________________
Herman Fernndez
Presidente
__________________ __________________
Rafael Surga Zulay Franco
Miembro Principal Miembro Principal
Lyn, Euclides Antonio.
Desarrollo de Controladores Fuzzy PID. 2003.
138 Pgs.
Trabajo de Grado.
Universidad Nacional Experimental Politcnica Antonio Jos de Sucre
Vicerrectorado de Puerto Ordaz. Direccin de Investigacin, Postgrado y
Desarrollo. Maestra en Ingeniera Electrnica.
Tutor Acadmico: Msc. Ing. Rafael Surga.
Asesor Metodolgico: Lic. Rosa Rojas de Narvez, M.Sc.
Definicin de la tesis Pg. 20, Marco Terico Pg. 28, Marco metodolgico Pg
87, Presentacin y Anlisis de Resultados Pg. 102 , Conclusiones Pg. 131,
Recomendaciones Pg. 132 , Referencias Pg. 133, Anexo 1Pg. 136, Anexo 2
Pg. 137, Anexo 3Pg. 138.
1 Controladores, 2 Lgica Fuzzy, 3 Tipo PID

DEDICATORIA
Al alma mater de la UNEXPO Puerto Ordaz, la cual es la

destinataria final de esta investigacin, en especial a los
Departamentos de Ingeniera Elctrica y Electrnica.
vii
AGRADECIMIENTO
Al Departamento de Investigacin en tiempos de la direccin

del ingeniero Fran Brito, por su apoyo en facilitar trmites
para los soportes de esta investigacin la cual se realiz en las
instalaciones del Centro de Automatizacin y Control CENAYC.
viii
Lyn Euclides Antonio (2003). Desarrollo de Controladores Fuzzy PID (Develop of fuzzy
PID controllers). Trabajo de grado. Direccin de Investigacin, Postgrado y Desarrollo
Profesional de la Universidad Nacional Experimental Politcnica Antonio Jos de
Sucre UNEXPO, Vicerrectorado Puerto Ordaz.. Maestra en Ingeniera Electrnica.
Tutor Acadmico: Ing. Rafael Surga. Asesor Metodolgico: Lic. Rosa Rojas de Narvez.
RESUMEN
El control Fuzzy es una rama del control inteligente, este tipo de control establece como
paradigma el diseo de controladores basndose en el conocimiento, expresado en
reglas, que se tenga sobre el funcionamiento del sistema a controlar. Los controladores
Fuzzy se disean soportndose en la teora de los conjuntos y la lgica Fuzzy y
encuentran su principal aplicacin en el diseo de controladores para procesos cuyos
modelos matemticos son difciles de identificar, as como tambin en la identificacin
Fuzzy de sistemas. Los controladores Fuzzy tipo PID objetos de este estudio
constituyen un paradigma dentro del control Fuzzy. El objetivo fundamental del presente
trabajo de grado consisti en desarrollar controladores Fuzzy tipo PID. El mtodo usado
para lograr este objetivo se ejecut segn el siguiente procedimiento: 1) Se realiz una
bsqueda extensiva sobre el tema de lgica Fuzzy, 2) Se intensific el estudio relativo a
su aplicacin en el control de procesos fsicos, 3) Se estableci una metodologa para el
desarrollo de controladores PID Fuzzy, la metodologa contempla el diseo, anlisis
preliminar y ajuste del controlador mediante simulacin, 4) La simulacin se realiz bajo
una estrategia de control ptimo seleccionando un ndice de desempeo y manipulando
los parmetros de ajuste, validando el controlador mediante la obtencin el ptimo del
sistema. 5) Se utiliz la Herramienta Toolbox Fuzzy Logic de MatLab y Simulink para la
simulacin y validacin de los controladores. 6) Se establecieron un conjunto de perfiles
de comportamiento los cuales permitieron llegar a conclusiones y recomendaciones
pertinentes. Las conclusiones obtenidas versan sobre la gran potencialidad de ajuste y
adaptabilidad de los controladores Fuzzy PID, su incapacidad para seguir los cambios
del punto de operacin, la relacin entre la base de reglas y el comportamiento del
sistema, la utilidad del factor de escalamiento del diferencial del error en la y el efecto
global de los parmetros de entonacin en la controlabilidad del sistema.
ix
Captulo INDICE DE CONTENIDO
DEDICATORIA............................................................................................................................................... vii
AGRADECIMIENTO.....................................................................................................................................viii
RESUMEN........................................................................................................................................................ ix
INTRODUCCIN............................................................................................................................................ 17
1. DEFINICIN DE LA TESIS.............................................................................................................................. 20
EL PROBLEMA. ............................................................................................................................................. 20
LOS ANTECEDENTES. ................................................................................................................................. 21
LA JUSTIFICACIN. ..................................................................................................................................... 24
UNIVERSO, POBLACIN Y MUESTRA. .................................................................................................... 24
LA HIPTESIS................................................................................................................................................ 25
LOS OBJETIVOS. ........................................................................................................................................... 26
LA ESTRATEGIA METODOLGICA GLOBAL. ........................................................................................ 26
RECURSOS UTILIZADOS............................................................................................................................. 27
2. MARCO TERICO. ........................................................................................................................................... 28
CONJUNTOS FUZZY..................................................................................................................................... 28
Definicin de conjuntos Fuzzy. ...................................................................................................................... 28
Universo de discurso ............................................................................................................................................................. 31
El soporte ............................................................................................................................................................................... 32
Fuzzy Singleton ..................................................................................................................................................................... 33
Tipos de Funciones de pertenencia ................................................................................................................ 34
Operaciones con conjuntos Fuzzy.................................................................................................................. 37
Norma Triangular (T-norm).................................................................................................................................................. 38
Norma Triangular Complementaria (T-conorm)................................................................................................................. 39
Complemento Fuzzy.............................................................................................................................................................. 39
CONCEPTOS FUNDAMENTALES DE LA LGICA FUZZY. ................................................................... 41
Relaciones Fuzzy............................................................................................................................................ 41
Representacin Matricial de Relaciones binarias Fuzzy. .............................................................................. 41
Operaciones con relaciones Fuzzy binarias................................................................................................... 42
Extensin Cilndrica. ............................................................................................................................................................. 45
Composicin .......................................................................................................................................................................... 47
Lgica Clsica: Breve Panormica. .............................................................................................................. 48
Proposiciones. ........................................................................................................................................................................ 49
Conectivos.............................................................................................................................................................................. 50
Tautologas............................................................................................................................................................................. 51
Inferencia deductiva. ............................................................................................................................................................. 52
Razonamiento aproximado............................................................................................................................. 53
Variables Lingsticas. .......................................................................................................................................................... 53
Proposiciones Fuzzy.............................................................................................................................................................. 55
Conectivos de proposiciones Fuzzy. .................................................................................................................................... 55
Regla de inferencia. ............................................................................................................................................................... 58
REPRESENTACIN DEL CONJUNTO DE REGLAS DE CONTROLADORES FUZZY.......................... 61
Valor de verdad del antecedente.................................................................................................................... 62
Valor de verdad de una regla......................................................................................................................... 63
Inferencia de Mandani........................................................................................................................................................... 64
Inferencia de Sugeno. ............................................................................................................................................................ 66
Agregacin de los resultados de las reglas.................................................................................................... 67
CONTROLADORES FUZZY. ........................................................................................................................ 68
Estructura de los controladores Fuzzy........................................................................................................... 70
Funcionamiento de los controladores Fuzzy.................................................................................................. 72
Etapa de fuzification:............................................................................................................................................................. 72
Motor de inferencia: .............................................................................................................................................................. 72
Etapa de defuzification:......................................................................................................................................................... 72
Mtodos de defuzification:.................................................................................................................................................... 73
10
CONTROL CONVENCIONAL....................................................................................................................... 74
Clasificacin de los sistemas de control. ....................................................................................................... 74
Control realimentado. .................................................................................................................................... 76
Tcnicas de diseo. ........................................................................................................................................ 79
Herramientas de anlisis y diseo ms comunes. .......................................................................................... 80
CLASIFICACIN DE LOS CONTROLADORES FUZZY PID. ................................................................... 82
Controladores Fuzzy PID de Accin Directa................................................................................................. 82
Controladores Fuzzy PID con planificacin de ganancia. ............................................................................ 84
Controladores Fuzzy PID Hbridos. .............................................................................................................. 84
Otros Criterios de Clasificacin. ................................................................................................................... 85
3. MARCO METODOLGICO. ........................................................................................................................... 87
CLASIFICACIN DEL PRESENTE ESTUDIO. ........................................................................................... 87
PROCEDIMIENTO SEGUIDO DURANTE LA REALIZACIN DEL ESTUDIO. ..................................... 88
Productos obtenidos en las distintas etapas................................................................................................... 88
METODOLOGA DE ANLISIS Y DISEO DE CONTROLADORES PID FUZZY................................. 89
Etapas para el diseo de controladores PID Fuzzy de accin directa. ......................................................... 89
Parmetros de diseo de controladores PID Fuzzy de accin directa. ......................................................... 89
Estructura del controlador PID Fuzzy de accin directa. ............................................................................. 91
Etapa preliminar ............................................................................................................................................ 91
La Dinmica del sistema. ...................................................................................................................................................... 92
La particin de las entradas................................................................................................................................................... 94
La particin de la salida. ....................................................................................................................................................... 95
Base de reglas del controlador. ............................................................................................................................................. 96
Mecanismo de inferencia. ..................................................................................................................................................... 97
Mtodo de agregacin. .......................................................................................................................................................... 98
Mtodo de Defuzzyfication................................................................................................................................................... 98
Elaboracin del Controlador Fuzzy...................................................................................................................................... 98
Anlisis esttico del controlador........................................................................................................................................... 98
Etapa de Simulacin y ajuste:........................................................................................................................ 98
Prueba dinmica preliminar. ................................................................................................................................................. 98
Los factores de escalamiento. ............................................................................................................................................... 99
Efectos integral y derivativo. ................................................................................................................................................ 99
Ajuste mediante simulacin................................................................................................................................................ 100
Herramientas para el seguimiento y anlisis............................................................................................... 100
4. PRESENTACIN Y ANLISIS DE RESULTADOS.................................................................................... 102
Elaboracin del controlador ........................................................................................................................... 102
Parmetros estructurales del Controlador Fuzzy. ....................................................................................... 102
Particin de entradas y Salida:............................................................................................................................................ 103
Base de reglas ...................................................................................................................................................................... 104
Anlisis esttico del controlador......................................................................................................................................... 106
Simulacin y ajuste: ....................................................................................................................................... 108
Caso 1: Sistema de primer orden. ................................................................................................................ 108
Prueba dinmica preliminar. ............................................................................................................................................... 108
Selecciones y Ajustes iniciales. .......................................................................................................................................... 109
Estructura del lazo de control. ............................................................................................................................................ 110
Ajuste del controlador: ........................................................................................................................................................ 111
Sntesis del Procedimiento y Anlisis de Resultados........................................................................................................ 115
Caso 2: Sistema de Segundo orden subamortiguado. .................................................................................. 116
Ajuste del controlador. ........................................................................................................................................................ 119
11
Caso 3: Sistema de Segundo orden sobremortiguado.................................................................................. 122

Ajuste del controlador. ........................................................................................................................................................ 125
Anlisis general de resultados ..................................................................................................................... 129
5. CONCLUSIONES. ............................................................................................................................................ 131
6. RECOMENDACIONES.................................................................................................................................... 132
7. REFERENCIAS................................................................................................................................................. 133
8. ANEXO 1: ESQUEMAS DE CONTROLADORES FUZZY PID DE ACCIN DIRECTA. ..................... 136
9. ANEXO 2: ESQUEMA DE CONTROLADOR FUZZY PID CON PLANIFICACIN DE GANANCIA 137
10. ANEXO 3: ESQUEMA DE CONTROLADOR FUZZY PID HBRIDO. .................................................... 138
12
NDICE DE FIGURAS
Figura # 1 Funciones de pertenencia de los conjuntos Crisp .......................................29
Figura # 2 Funciones de pertenencia de los conjuntos Fuzzy......................................31
Figura # 3 Funcin de pertenencia ............................................................................35
Figura # 4 Funcin de pertenencia L............................................................................35
Figura # 5 Funcin de pertenencia ............................................................................36
Figura # 6 Funcin de pertenencia S ...........................................................................36
Figura # 7 Interseccin de conjuntos Fuzzy .................................................................38
Figura # 8 Unin de conjuntos Fuzzy ...........................................................................39
Figura # 9 Complemento de conjuntos Fuzzy ..............................................................40
Figura # 10 Matriz de una relacin binaria Fuzzy.........................................................42
Figura # 11 Variable lingstica ....................................................................................54
Figura # 12 Consecuente truncado por efecto de la implicacin mnimo. ....................65
Figura # 13 Consecuente escalado por efecto de la implicacin producto...................66
Figura # 14 Lazo de control con controlador en cascada. ............................................68
Figura # 15: Flujo de seales de entradas y salidas de un controlador Fuzzy PI.........69
Figura # 16: Flujo de seales de entradas y salidas de un controlador Fuzzy PD .......69
Figura # 17 Estructura de un controlador Fuzzy...........................................................70
Figura # 18 Lazo de control realimentado. ...................................................................76
Figura # 19 Accin de control prealimentada ...............................................................79
Figura # 20: Estructura del controlador Fuzzy PID.......................................................91
Figura # 21: Salida, Error y Diferencial del Error en un sistema Sub Amortiguado ......92
Figura # 22: Definicin de valores lingsticos de e(k) .................................................94
Figura # 23: Definicin de valores lingsticos de e(k) ...............................................94
Figura # 24: Definicin de valores lingsticos deu(k). ...............................................95
Figura # 25: Editor de parmetros estructurales del Toolbox de Matlab. ...................102
Figura # 26: Particin de la entrada e(k) en el Toolbox de Matlab. ............................103
Figura # 27: Particin de la entrada e(k) en el Toolbox de Matlab. ..........................103
Figura # 28: Particin de la salida U(k) en el Toolbox de Matlab. .............................104
Figura # 29: Base de reglas controlador A en el Toolbox de Matlab. .........................104
Figura # 30: Base de reglas controlador B en el Toolbox de Matlab. .........................105
Figura # 31: Superficie de u(k)=F{e(k), e(k)}, para controlador Fuzzy tipo A. ..........106
Figura # 32: Superficie de u(k)=F{e(k), e(k)} , para controlador Fuzzy tipo B. .........107
Figura # 33: Lazo de prueba preliminar y respuesta del sistema Caso 1...................108
Figura # 34: Lazo de Control caso1 ...........................................................................110
Figura # 35: Fase de estado y salida del sistema corrida 1 Caso 1 ...........................111
Figura # 36: Fase de estado y salida del sistema corrida 9 caso 1. ...........................112
Figura # 37: Fase de estado y salida del sistema corrida 22 caso 1. .........................114
Figura # 41: Fase de estado y salida del sistema corrida 1 caso 2 ............................119
13
Figura # 45: Fase de estado y salida del sistema corrida 1 caso 3 ............................125
14
NDICE DE TABLAS
Tabla # 1 Isomorfismo en operadores y conectivos Crisp. ...........................................37
Tabla # 2 Proyeccin de relaciones binarias Fuzzy. ....................................................45
Tabla # 3 Extensin cilndrica de relaciones binarias Fuzzy ........................................46
Tabla # 4 Conectivos utilizados en lgica de proposiciones. .......................................50
Tabla # 5 Parmetros de diseo de los controladores Fuzzy PID de accin directa....90
Tabla # 6: Corrida 1Caso 1 ........................................................................................111
Tabla # 7: Corridas 2-11 Caso 1 ................................................................................112
Tabla # 8: Corridas 12-24 Caso 1. .............................................................................113
Tabla # 9: Corridas 25-31 Caso 1. .............................................................................114
Tabla # 10: Corrida 1Caso 2 ......................................................................................119
Tabla # 11: Corridas 2-6 Caso 2 ................................................................................120
Tabla # 12: Corrida 1Caso 3 ......................................................................................125
Tabla # 13: Corridas 2-10 Caso 3 ..............................................................................126
Tabla # 14: Corridas 11-16 Caso 3 ............................................................................128
15
NDICE DE TRMINOS
complemento Fuzzy, 40 Mandani, 18, 21, 22, 57, 61, 62, 63, 64,
Conjuntos Fuzzy, 21, 28, 54 67, 71, 72, 73, 91, 133
control Fuzzy, ix, 21, 22, 23, 24, 26, 57, Operaciones con conjuntos Fuzzy, 37,
68 42, 56
Controlador Fuzzy PID, 25, 82, 83, 84, Proyeccin, 42, 45
85 Relaciones Fuzzy, 41
Driankov, 28, 32, 70, 73, 133 Sugeno, 22, 63, 64, 66, 67, 71, 72, 83,
Funciones de pertenencia, 29, 31, 34, 133, 134
90 T-conorm, 39, 42
Fuzzy Singleton, 33 T-norm, 38, 42, 56
lgica Fuzzy, ix, 17, 18, 21, 22, 26, 37, Universo de discurso, 31, 54
48, 53, 61, 70, 88, 100, 101 Zadeh, 18, 21, 22, 28, 32, 34, 36, 37,
53, 133, 134
16
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 17
INTRODUCCIN
La lgica Fuzzy es una tcnica de inteligencia artificial basada en conocimiento

de gran utilidad en el manejo de incertidumbres, con ella se puede simular el
comportamiento de un experto, por medio de la ejecucin de una base de reglas
planteadas en funcin de experiencias previas o basndose en lo que se espera sea un
comportamiento razonable de un experto, tomando decisiones con un razonamiento
aproximado al de los humanos. Las aplicaciones de lgica Fuzzy en el control de
procesos estn en franco crecimiento, en el diseo de controladores de aquellas
plantas o procesos cuyos modelos matemticos son difciles de identificar, tambin en
la modelacin de esas plantas para luego realizar ensayos en simulacin utilizndolos
en lugar de los modelos matemticos.
Las tcnicas convencionales utilizadas para el diseo y anlisis de aplicaciones
en control de procesos, requieren de una simplificacin extrema de la planta u objeto a
controlar, para de esta manera establecer un modelo matemtico de dicha planta y as
mediante procedimientos sistemticos perfectamente probados y conocidos poder
disear un controlador que permita, una vez cerrado el lazo de control, corregir las
desviaciones de los resultados obtenidos con respecto a los resultados deseados.
El paradigma del control convencional consiste en identificar los modelos de las
plantas los cuales son funciones matemticas, para aplicar luego un mtodo de diseo
y obtener los parmetros del controlador para un punto de operacin. Este mtodo
aparentemente coherente y sistemtico tiene profundas dificultades entre las que
resaltan los problemas que surgen al tratar de identificar el modelo de la planta ya que
algunas de estas tcnicas requieren someter la planta a condiciones de estrs, los
modelos obtenidos son funciones lineales e invariantes en el tiempo lo cual es un
tremendo eufemismo pues no existe en la realidad procesos lineales e invariantes en el
tiempo. Una vez en funcionamiento, si el sistema es alejado del punto de operacin por
alguna perturbacin, el controlador requiere que sus parmetros sean reajustados, las
tcnicas empleadas para esto se conocen como control adaptativo. Existen plantas
cuya carga de no linealidades y variabilidad en el tiempo es tal, que hace prcticamente
imposible obtener un modelo al que se le pueda aplicar las tcnicas del control
convencional lineal, se recurre entonces a tcnicas de control no lineal las cuales con
mucha dificultad logran solucionar los problemas de diseo, particularizando la
metodologa para cada tipo de planta dependiendo de la experticia del diseador, la
escogencia de un mtodo de diseo y las simplificaciones adecuadas de tal forma que
se pierde la generalidad y coherencia de la metodologa del control lineal, lo cual hace
del control no lineal poco atractivo como metodologa de diseo.
La aparicin de los computadores y su consecuente utilizacin en el control de
procesos, permiti obtener muchos beneficios en la implementacin de tcnicas de
control adaptativo y predictivo, combinadas estas ltimas con la capacidad de incluir
supervisin en estas mquinas, solvent muchos problemas, se mantuvieron algunos y
surgieron otros, el problema fundamental sigue latente se requiere de un modelo
simplificado para el diseo del controlador, el cual es en esencia una funcin
matemtica que se digitaliza y se introduce en el computador.
En el ao de 1965 el Dr. Lotfi A. Zadeh propone una generalizacin de la lgica
bivaluada, basada en lgebra de Boole por una lgica en la cual un objeto podra ser
evaluado con un grado de certeza que podra ser cualquier nmero entre 0 y 1 y la
llam lgica Fuzzy para distinguirla de la bivaluada, siendo esta ltima capaz de asignar
a un objeto solo dos grados de certeza 0 o 1, Zadeh fundament la lgica en la teora
de los conjuntos Fuzzy desarrollada por el mismo, esta nueva lgica hace ms natural
el anlisis de informacin y la toma de decisiones y utiliza esta herramienta en sus
trabajos como investigador en ingeniera de sistemas.
En el ao 1974 con la lgica Fuzzy como herramienta, Ebrahim Mandani
propuso el diseo de un controlador, tomando como informacin las acciones que
razonablemente realizara un experimentado operador al controlar la planta, acciones
que son plasmadas en el controlador como un conjunto de reglas. Es as como
prescindiendo de la identificacin del modelo de la planta pudo disear un controlador
basado en informacin, en conocimiento de un experto.
El objetivo fundamental del presente trabajo de grado, consisti en desarrollar
controladores basados en lgica Fuzzy, por ser esta una herramienta de creciente
utilizacin en el control de procesos y por ser la UNEXPO una Universidad en la cual el
perfil del egresado en electricidad y electrnica tiene componentes importantes en la

disciplina del control, los profesores que dictamos ctedra en esta rea estamos en la
obligacin de asimilar con tiempo los cambios cientfico-tecnolgicos de avanzada. Se
sentaron las bases tambin para estudios posteriores de mayor nivel ya que durante el
desarrollo del trabajo de grado se obtuvo informacin proveniente de simulaciones que
permiten establecer relaciones cualitativas entre las estructuras de los controladores
Fuzzy y algunos parmetros que son utilizados en el control convencional para el
anlisis de los sistemas.
De tal forma que el objetivo de indagar sobre una nueva tcnica, apropiarse de
ella y poder utilizarlas en el desarrollo de aplicaciones, fue cubierto en el presente
trabajo.
La presentacin escrita de este trabajo est estructurada en forma de captulos
como sigue: En el captulo 1, se define la motivacin y objetivos fundamentales de la
presente investigacin. En el captulo 2, se presentan los antecedentes y bases tericas
relativas a la investigacin. En el captulo 3, se expone el mtodo seguido durante el
proceso de desarrollo del trabajo de grado. En el captulo 4, se exponen los resultados
y observaciones, como consecuencia de la aplicacin del mtodo, en la bsqueda del
objetivo. Finalmente se presentan las conclusiones, recomendaciones, referencias y
anexos.
CAPITULO 1
DEFINICIN DE LA TESIS
EL PROBLEMA.
La comprensin de los fundamentos de controladores Fuzzy PID y su utilizacin,

se dificulta por la falta de orden, sistematizacin y sentido metodolgico en la gran
variedad de propuestas de los investigadores que no han sido rigurosamente
sistematizadas. Si examinamos la literatura y tratamos de encontrar relaciones que
generalicen los vnculos entre el comportamiento de parmetros tradicionalmente
estudiados en sistemas convencionales y las estructuras de los controladores Fuzzy
PID, nos encontramos con una variedad de criterios que se establecen segn el caso
que se est abordando, de tal manera que representa un problema para el estudio y la
enseanza de estos sistemas, el hecho de no contar con enunciados formales que
relacionen los elementos que precisan ser observados para el anlisis, en este trabajo
se establecen relaciones cualitativas entre elementos de la estructura de los
controladores Fuzzy PID y el desempeo del sistema de tal forma de facilitar su anlisis
y comprensin.
Captulo 1: Definicin de la Tesis.

LOS ANTECEDENTES.
El concepto de Conjuntos Fuzzy o Fuzzy Sets es propuesto por el Prof. Lotfi. A.

Zadeh en 1965[1]. La propuesta de este concepto vino acompaada de una carga
filosfica que implic presentar la teora de conjuntos Fuzzy como una generalizacin
de la teora convencional. Siendo la teora convencional de conjuntos la base que
soporta una estructura de lgica booleana y lgica de predicados y por tanto del manejo
de informacin y toma de decisiones, comienza a permear el enfoque Fuzzy a todas las
ramas del conocimiento en donde los investigadores revisan no solo la formulacin de
los problemas que resultaban difciles o imposibles de resolver con la teora
convencional, si no tambin la bsqueda de mejoras, en aquellos problemas que
estaban resueltos.
Con la contribucin del propio Zadeh, fundamentalmente por sus artculos de los
aos 71[2] y 73[3], en donde introduce los conceptos bsicos de variable lingstica y
reglas Fuzzy If-Then, se abre el camino para la aplicacin de la teora de conjuntos
Fuzzy, especficamente la lgica Fuzzy en control.
Mandani a finales de 1974[4] expone su trabajo, en el cual presenta una
metodologa para implementar controladores Fuzzy, resolviendo problemas
operacionales de implicacin e inferencia en las reglas borrosas if-then. En este trabajo
se present la tpica estructura FuzzyficationinferenciaDeFuzzyfication, la cual es
por excelencia, la ms utilizada para la implementacin de los controladores. Este hito
marca el inicio de lo que llamamos control Fuzzy.
Inspirada en el trabajo realizado por Mandani, la primera aplicacin industrial es
desarrollada por la compaa Danesa F.L. Smidth en 1978 con el control de un horno
de cemento, siendo su aparicin comercial en 1980 y actualmente es usado en ms de
100 instalaciones en todo el mundo[5],[6].

En 1985 Takagi y Sugeno [7] proponen un tipo de controlador Fuzzy T-S que
compite en la actualidad en popularidad con el tipo Mandani pero en el campo del
modelado, aunque tambin son adoptados en control en aquellos casos en donde es
imprescindible el anlisis de estabilidad.
En Estados Unidos, principalmente por razones culturales, el concepto de lgica
Fuzzy no tuvo inicialmente mucho impacto mientras en oriente especficamente los
Japoneses y algunos pases europeos aceptaron sin complicacin esta idea y han
estado desde la dcada de los 80 construyendo aplicaciones reales y productos que
funcionan basados en lgica Fuzzy. Por ejemplo en 1986 Yamakawa publica el
artculo, "Fuzzy Controller Hardward System" y desarrolla controladores Fuzzy en
circuitos integrados. En 1987, se inaugura en Japn el subterraneo de Sendai, uno de
los ms espectaculares sistemas de control Fuzzy creados por el hombre. Desde
entonces el controlador inteligente ha mantenido los trenes rodando eficientemente. En
1987, "FUZZY BOOM", se comercializan multitud de productos basados en la lgica
Fuzzy (sobre todo en Japn).
En el mbito acadmico luego de un escepticismo inicial se ha tomado
conciencia del sitial que debe tener este tipo de temas en los pensas, como lo describe
el propio Zadeh en una entrevista que le realizara L. Valverde en 1992[8] en la
Universidad de Berkeley:
De hecho los primeros productos aparecieron en el mercado en 1988-89.
Empiezan a aparecer, pues, aplicaciones de la lgica Fuzzy en control que
son muy visibles para el pblico en general. ..........De tal manera que mucha
gente, especialmente en el mundo acadmico, que antes no crea que la
lgica borrosa fuera algo digno de atencin empezaron a cambiar sus
puntos de vista
Los investigadores del control Fuzzy se dedican, no solo a revisar todas las reas
del control en donde las tcnicas convencionales fallan como el control de sistemas con
grandes no linealidades y/o con grandes tiempos de retardo, sino que incluso revisan
las esferas del control lineal fundamentalmente con dos propsitos: uno tratar de
establecer paralelismos con la tcnica lineal que es sper conocida y el otro demostrar
que an en los sistemas lineales es posible obtener ventajas comparativas usando

controladores Fuzzy.
La prctica de revisar incluso problemas ya resueltos del control convencional,
aunque pareciera intrascendente, ha ayudado sin embargo ha comprender mejor estas
tcnicas novedosas a sistematizarlas e incluso a lograr mejoras en el desempeo de
algunos sistemas al comparar su control con la contraparte convencional.
Aparecen trabajos que analizan comparativamente sistemas tradicionales con
sistemas Fuzzy. Se establecen distintos tipos de estrategias, desde las que formulan los
problemas en trminos de competitividad entre el control Fuzzy y el control
convencional hasta los que plantean esquemas hbridos en los cuales se
complementan ambas teoras.
La variedad existente en el control tradicional al establecer criterios de clasificacin
de los diferentes sistemas de control, permanece a la hora de tratar de clasificar
sistemas Fuzzy y se complica pues las posibilidades de construir hbridos aumenta.
La revisin de numerosos artculos deja ver un hecho fundamental en las
investigaciones relacionadas controladores Fuzzy y es que ante la carencia de
herramientas matemticas para el anlisis de estos sistemas, es casi una constante el
hecho de que se recurre al anlisis comparativo del desempeo, con respecto a la
contraparte convencional que se pretende sustituir o mejorar, sea lineal o no lineal, el
anlisis de estabilidad en la mayora de los casos es abordado el sentido de colocar
restricciones de diseo tales que garanticen en forma conservadora que la propuesta a
lo sumo no desmejora las caractersticas de estabilidad del sistema convencional.
En la actualidad las investigaciones estn enfocadas a establecer propuestas que
permitan dar solucin a sistemas no lineales y sistemas con grandes tiempos de
retardos. Se trata de sistematizar los estudios sobre estabilidad de estos sistemas, los
controladores tipo T-S han contribuido bastante en el estudio de estabilidad de sistemas
no lineales Fuzzy.

LA JUSTIFICACIN.
Por ser la UNEXPO una universidad en la cual, el perfil del egresado en

electricidad y electrnica, tiene componentes importantes en la disciplina del control, los
profesores que dictamos ctedra en esta rea, estamos en la obligacin de asimilar con
tiempo los cambios cientfico-tecnolgicos en desarrollo y son o sern parte de nuestro
que hacer como ingenieros y docentes. Surge entonces la necesidad de estudiar el
control Fuzzy, asimilar las tcnicas de diseo, ser capaces de utilizarlas e indagar sobre
las investigaciones que se realizan y as abrir el camino para incluir estos tpicos en los
pensas de estudio, a travs de asignaturas electivas como lo permite la flexibilidad de
nuestros planes de estudio.
No se justifica que la Universidad Tcnica del Estado Venezolano no incorpore
en su plan de estudio estas reas del conocimiento, ms an cuando estas son
ampliamente utilizadas en el mundo del control y se perfilan como tecnologas de punta
que el futuro egresado encontrar en su ambiente laboral.
UNIVERSO, POBLACIN Y MUESTRA.
El universo de los sistemas Fuzzy es realmente extenso, esto es debido a que se

han desarrollado aplicaciones con controladores fuzzy en una gran cantidad de
campos, tanto en los distintos mbitos industriales como la medicina para el control de
la presin sangunea en pacientes de post operatorio por ejemplo, en el control de
enfoque en cmaras fotogrficas, en electrodomsticos, etc.
De ese universo para desarrollar esta tesis haremos una primera aproximacin al
enfoque buscado, eligiendo para el estudio una poblacin en particular, nos referimos a
los sistemas con controladores Fuzzy para procesos industriales.
Para precisar aun ms el objeto de nuestro estudio elegimos como muestra, dentro
de la poblacin de sistemas de control fuzzy industriales, a los individuos denominados
controladores tipo PID-Fuzzy, esto tiene su sustentacin en el hecho de que los
controladores tipo PID convencionales son los ms usados en la industria y sirven de
paradigma para otras formas de controladores.

Los individuos a estudiar bajo simulacin son los sistemas, conformados

fundamentalmente por el proceso y el controlador, las duplas Proceso-controlador a ser
estudiadas bajo simulacin son:
Controlador Fuzzy PID y Proceso de primer orden.
Controlador Fuzzy PID y Proceso de segundo orden subamortiguado.
Controlador Fuzzy PID y Proceso de segundo orden sobre amortiguado.
LA HIPTESIS.
Como se explic en el Planteamiento Del Problema, en el mundo de los

controladores Fuzzy PID, as como en casi todo el universo de controladores Fuzzy,
existe una gran diversidad de propuestas de mtodos de diseo y de tcnicas de
anlisis. La diversidad es heredada de la prctica establecida en el anlisis de sistemas
no lineales de darle un estudio individual a cada caso, sin que se halla llegado a un
grado de sistematizacin que los haga atractivos al mbito acadmico, sin embargo la
realidad ha obligado a que estos sistemas sean estudiamos cada vez con ms inters
por los acadmicos, sobre todo cuando estos ejercen a su vez la actividad
investigadora. En base a este razonamiento la Hiptesis con la que trabajaremos en
esta tesis es:
Es posible obtener relaciones cualitativas entre los elementos de la
estructura de los controladores Fuzzy PID y los parmetros
utilizados en control convencional para el anlisis de sistemas.

LOS OBJETIVOS.
Objetivo General: Desarrollar Controladores Fuzzy PID.

Objetivos especficos:
Recopilar la informacin necesaria para el estudio de los fundamentos de los

controladores Fuzzy PID.
Establecer una metodologa para el diseo de controladores Fuzzy PID.
Establecer una metodologa para el anlisis de sistemas Fuzzy PID.
Elaborar un plan de simulacin para la obtencin de perfiles de comportamiento

de los sistemas Fuzzy PID.
Definir las estrategias y criterios para la validacin de los resultados de la

simulacin.
LA ESTRATEGIA METODOLGICA GLOBAL.
Para el estudio de los fundamentos de los controladores Fuzzy PID, se procedi

en primera instancia a una indagacin extensiva sobre el tema de los conjuntos y la
lgica Fuzzy, precisando sus nexos y aplicaciones con el control, seguidamente se
procedi a un estudio intensivo de lo relativo al control Fuzzy. Esta etapa se realiz
fundamentalmente sobre textos especializados en la materia y artculos originarios
[1][2][3][4][15][16][17][18][19][21], esto permiti obtener los conocimientos sobre la
interpretacin de los controladores Fuzzy PID a la luz de la lgica y de las
matemticas.

Para el establecimiento de una metodologa de diseo, se exploraron los enfoques

presentados fundamentalmente en artculos (Papers) [36][37][38][39], y algunos texto
sobre la materia [15][16][17][19], se evaluaron las estrategias de diseo y se configur
un mtodo con el propsito de disear controladores. El mismo planteamiento
metodolgico se sigui para el mtodo de anlisis.
El plan de simulacin seguido se elabor con el propsito de obtener un nmero
adecuado de corridas de simulacin para obtener perfiles de desempeo de utilidad en
el anlisis posterior. La validacin de los algoritmos de control resultante se plante en
trminos de establecer criterios de optimizacin mediante la evaluacin de ndices de
desempeo como los relativos al integral del valor absoluto del error IAE, ITAE, etc.
RECURSOS UTILIZADOS.
Cada etapa del proceso de la investigacin requiri de recursos distintos, durante

la etapa de indagacin terica, se utilizaron revistas, libros, Transactions y sitios de
Internet. Para corroborar algunos algoritmos se utiliz el lenguaje C++, aunque los
resultados obtenidos quedaron en forma de preliminares y no aparecen en la
presentacin final de la tesis. Durante el proceso de simulacin y ajuste se utiliz
computadores compatibles IBM con pentium III, 256 Mb Ram y herramientas de
simulacin y anlisis de sistemas de control como Simulink, el cual posee un amplio
conjunto de bloques para simular procesos y seales y visualizar su comportamiento, el
Toolbox de Fuzzy Logic de Matlab 6.0, este est constituido por las siguientes
herramientas: un editor para la especificacin y particin de las variables del
controlador, un editor de reglas, un visor del comportamiento de las reglas, un visor de
la superficie de la salida del controlador en funcin de las entradas controladores.

CAPITULO 2
MARCO TERICO.
CONJUNTOS FUZZY.
Es necesario entender los fundamentos de los conjuntos Fuzzy, para poder
comprender como funcionan los mecanismos de inferencia en la base de reglas de los
controladores Fuzzy.
Definicin de conjuntos Fuzzy.
Conjuntos Fuzzy o Fuzzy Sets es un concepto matemtico propuesto por el

Prof. L. A. Zadeh en 1965,[1], en este escrito Zadeh define un tipo de conjunto que no
queda totalmente determinado por los elementos contenidos en l, sino que lo
caracteriza una funcin A(x) que asocia a cada elemento de un conjunto universal
X={x}, un valor en el intervalo de nmeros Reales [0,1], donde cada valor de A(x)
asociado a un elemento x, representa el grado de pertenencia del elemento x al
conjunto Fuzzy A.
Se puede apreciar en la definicin original, la diferencia fundamental entre los
conjuntos ordinarios llamados Conjuntos Crisp del ingles abruptos, y los conjuntos
Fuzzy. Los conjuntos Crisp quedan perfectamente determinados por los elementos del
conjunto, mientras que los conjuntos Fuzzy requieren la definicin de la funcin que
determina en que grado pertenece un elemento al conjunto Fuzzy.
Driankov et al [15] definen los conjuntos Fuzzy como sigue: *
La funcin de pertenencia F de un conjunto Fuzzy F es una
[0,1]. En donde cada elemento u perteneciente al
funcin F : U
universo U tiene un grado de pertenencia F(u) [0,1]. El
conjunto Fuzzy F queda completamente determinado por el
conjunto de pares F = {(u, F(u)) | u U }.
Segn esta definicin, un conjunto Fuzzy est constituido por pares que estn
formados por un elemento del universo y el grado de pertenencia de ese elemento al
conjunto Fuzzy. Esta definicin no discrimina los elementos del universo pudiendo
cualquiera de ellos estar en los pares que forman el conjunto Fuzzy, sin embargo luego
*
Traduccin del autor
Captulo 2: Marco Terico
veremos que se recurre a la particin del universo para definir el conjunto soporte de F
en U.
La idea de que un elemento pertenezca a un conjunto en forma graduada, como lo
plantea la teora de conjuntos Fuzzy y la manera como define la teora clsica la
pertenencia, total sin ambigedades de los elementos al conjunto, no son en lo
absoluto contradictoria, en realidad la teora clsica que define los conjuntos Crisp es
un caso particular de una teora ms general tal y como est planteada la teora de
conjuntos Fuzzy.
La informacin que manejamos a diario est llena de ambigedades y
vaguedades, basta con observar lo que ocurre al tratar de establecer un criterio para
determinar la altura de una persona en trminos cuantitativos a partir de la informacin
dada en trminos cualitativos mediante la utilizacin de un adjetivo como alto, bajo, etc.
Podramos intentar la tarea planteada en el prrafo anterior definiendo tres grupos:
Bajos, Medianos y Altos. Si definimos el universo como los valores entre 140 y 200 cm
de altura, podramos arbitrariamente suponer que el conjunto de los valores Bajos est
formado por los mayores o iguales a 140 cm y menores a 160 cm, el conjunto de los
valores Medianos est formado por los iguales o mayores a 160 cm y menores o
iguales a 180 cm, el conjunto de los valores Altos est formado por los mayores a 180
cm y los menores o iguales a 200 cm.
En trminos de la teora clsica de conjuntos podramos representar el criterio de
clasificacin suponiendo conjuntos Crisp, graficando las funciones de pertenencia de
dichos conjuntos, colocando el universo en el eje horizontal y el grado de pertenencia
en el eje vertical como se muestra en la Figura # 1.
1
Pertenencia
Grado de
Bajos Medianos Altos
0
140 160 180 200
Altura (cm)
Figura # 1 Funciones de pertenencia de los conjuntos Crisp

Si para un valor de 140 cm, el razonamiento Humano, aplicando el criterio de

clasificacin no duda en decir que es un valor Bajo, sin embargo cuando se trata del
valor 159 cm por ejemplo, el criterio de clasificacin Crisp obliga a ubicar ese valor
como un valor Bajo, pero si le preguntamos a cualquier observador, seguramente que
expresara que es un valor que no es tan bajo como 140 cm y es posible que en aras de
otras subjetividades, como lo justo y lo equitativo y en dependencia del fin ltimo de la
clasificacin estara ms dispuesto a asignarle la clasificacin de mediano.
Como es obvio el criterio de clasificacin Crisp utilizado anteriormente no es
capaz de manejar la ambigedad que se presenta cuando el observador hace una
gradacin del adjetivo Bajo y lo modifica en no muy Bajo.
La carga de subjetividad que da origen a la ambigedad y en otros casos la
vaguedad producto de informacin incompleta, se convierte en ruido si los sistemas que
procesan la informacin, no son capaces de manejar ambas situaciones de
incertidumbre.
La carga de subjetividad expresada en un adjetivo calificativo, se puede
aprovechar como parte de la informacin que permite luego la toma de decisiones,
contrario a filtrar la informacin subjetiva con criterios rgidos, se puede establecer un
criterio de clasificacin ms flexible que permita aprovechar esa carga de incertidumbre,
y procesarla para que resulte provechosa en la toma de decisiones.
Siguiendo el mismo ejemplo expuesto arriba, tratando de clasificar los valores
de altura, podemos establecer que nuestro inters no est en determinar si un valor se
puede considerar bajo o no, si no determinar mediante un criterio razonable que tan
Bajo, Mediano o Alto es un valor segn la informacin suministrada por un observador,
para esto recurriremos a redefinir las funciones de pertenencia y los intervalos en donde
aplicaremos cada funcin, como se expresa en la Figura # 2.


1
Pertenencia
Grado de
0
140 150 160 170 180 190 200
Altura (cm)
Figura # 2 Funciones de pertenencia de los conjuntos Fuzzy
Podemos observar que para clasificar un valor de altura como Bajo, contamos con
una funcin de pertenencia que decrece linealmente* desde un grado de 1 que se le
asigna al valor de altura considerado totalmente Bajo hasta un grado de 0. Note
adems que las funciones de pertenencia de los conjuntos Fuzzy se solapan en los
intervalos en los que son aplicadas. La forma decreciente de la funcin de pertenencia
del conjunto Fuzzy Bajos permite manejar, la gradacin natural que dara un
observador al aplicar el calificativo de Bajo. El solapamiento de las funciones de
pertenencia, permite manejar la ambigedad que naturalmente se presenta, al clasificar
un elemento cuya ubicacin en uno u otro conjunto no es muy clara.
Utilizando el caso anterior vamos a ejemplificar los conceptos fundamentales
relacionados con los conjuntos Fuzzy.
Universo de discurso: Se denomina as al conjunto formado por todos los elementos
que son objeto de estudio. En este caso el universo el cual denominaremos U est
constituido por los valores de altura comprendidos entre 140 cm y 200 cm ambos
inclusive. Es evidente que dependiendo de las tecnologas que se utilicen para medir
los valores de altura, la cantidad de los elementos de este conjunto puede variar.
Si suponemos que en el caso anterior, la tcnica de medicin no permite tomar
decimales, en consecuencia los elementos del universo de discurso son 61 nmeros
enteros positivos o nmeros naturales y el universo de discurso lo podemos determinar
tanto por extensin como por comprensin de la siguiente forma:
*
En esencia la eleccin de la forma de la funcin de pertenencia es arbitraria y pudiese ser o no lineal
Por extensin U = {140, 141, 142 .............200} Ec. 1
Por comprensin U = { u N | 140 u 200 } Ec. 2
Si el sistema de medicin utilizado tiene precisin en el orden de las dcimas,

entonces el universo estar formado por 601 elementos. Este tipo de conjunto en los
cuales se pueden enumerar los elementos se denomina conjunto finito.
Si el universo de discurso es definido con tal densidad que es imposible o
inconveniente enumerar sus elementos, estamos en presencia de un conjunto
infinitamente denso, como es el caso cuando el universo es un intervalo de nmeros
reales en cuyo caso la determinacin por extensin es imposible y por comprensin se
definira como sigue.
Por comprensin U = { u R | 140 u 200 } Ec. 3
Si tomamos la definicin de Driankov de los conjuntos Fuzzy dada anteriormente y

la aplicamos para definir los tres conjuntos Fuzzy Bajos, Medianos y Altos.
La funcin de pertenencia Bajos: U [0,1] Bajos (u)= (170 u) / 30.
Bajos(u) = { (170-u) / 30.

0
para 140 u 170
para 170 < u 200
El conjunto Fuzzy Bajos = {(u, Bajos(u)) | u U } , al desarrollar este conjunto por

extensin y suponiendo la restriccin expresada en la Por extensin U=
{140, 141, 142 .............200} Ec. 1, quedaran 61 pares como
sigue.
Bajos = {(u, Bajos(u)) | u U } = {(140, 1.00), (141, 0.97), (142, 0.93) ...... (200, 0.00)} .
Para facilitar la representacin de los conjuntos Fuzzy, Zadeh[3] introduce las
siguientes definiciones. *
El soporte: De un conjunto Fuzzy F es el conjunto de puntos del universo U en los
cuales F (u) son mayores que cero.
*
Traduccin del autor
Fuzzy Singleton: Es un conjunto Fuzzy cuyo soporte est constituido por un solo
punto de U y representamos al referido conjunto por (u)/u, de tal forma que un Crisp
Singleton se representara como 1/u. En esta notacin el smbolo / no tiene ninguna
connotacin aritmtica, sino que es un separador de tal forma que a su izquierda
tenemos el grado de pertenencia y a su derecha el elemento soporte.
Un conjunto Fuzzy F puede mirarse como la unin de los Singletons que lo constituyen
de tal manera que lo podemos representar de la siguiente forma.
F = (u1)/u1 + (u2)/u2 + (u3)/u3 +............ (un)/un. Donde + simboliza un operador de
unin. De esta manera podemos llegar a una expresin mas compacta para
representar los conjuntos Fuzzy.
n
F = (u i )/u i Ec. 4
i =1
La ecuacin # 4 no representa una sumatoria en el sentido de la operacin suma

aritmtica, si no una agrupacin de las operaciones unin (+) de todos los Singletons
que constituyen al conjunto Fuzzy. Evidentemente la notacin anterior es para sistemas
con el universo numerable. Si la densidad del universo es tal que no permite
numeracin entonces podemos recurrir a la siguiente notacin.
F = (u)/u Ec. 5
U
Donde el smbolo integral representa la unin de todos los Singletons que conforman el
conjunto Fuzzy F evaluado en el conjunto Universo U infinitamente denso.
En muchas ocasiones es conveniente optimizar la evaluacin de la integral solo
para los elementos del universo en donde el grado de pertenencia es mayor que cero,
estaramos hablando entonces de evaluar la integral solamente en el soporte del
conjunto Fuzzy.

Utilizando la notacin propuesta por Zadeh entonces podemos representar en

forma compacta los distintos entes involucrados en la teora de conjuntos Fuzzy.
En el conjunto Universo cada elemento se considera totalmente perteneciente a
dicho conjunto lo podemos representar en funcin de los Fuzzy Singletons como sigue:
n
U = 1/u i Ec. 6
i =1
para los conjuntos universo numerables y
U = 1/u Ec. 7
U
para los conjuntos universo infinitamente densos
Utilizando esta notacin y evaluando los conjuntos solamente en donde la funcin

de pertenencia tiene valores mayores que cero, lo que equivale a decir en su respectivo
soporte, definimos los conjuntos Fuzzy del ejemplo anterior de la siguiente manera.
[(170 u ) 30] u
170
Bajos = Ec. 8
140
[(u 140) 30] u + 170 [(200 u ) 30] u

170 200
Medianos = Ec. 9
140
[(u 170) 30] u

200
Altos = Ec. 10
170
Tipos de Funciones de pertenencia
La eleccin de la forma de una funcin de pertenencia es en principio arbitraria,

sin embargo la experiencia del diseador puede influir en una seleccin ms
conveniente para la solucin de un problema en particular. A continuacin
describiremos algunas formas de funciones de pertenencia.

La funcin : U [0,1] es una funcin en u con dos parmetros, definida de la

siguiente manera
{
0 para u <
(u,,) = (u -) (-) para u
1 para u >
1
Pertenencia
Grado de
0

Figura # 3 Funcin de pertenencia
La funcin L : U [0,1] es una funcin en u con dos parmetros, definida de la

siguiente manera
{
1 para u <
L (u,,) = (-u) (-) para u
0 para u >
1
Pertenencia
Grado de
0

Figura # 4 Funcin de pertenencia L

La funcin : U [0,1] es una funcin en u con tres parmetros, definida de la

siguiente manera
{
0 para u <
(u -) (-) para u
(u,,,) =
(-u) (-) para u
0 para u >
1
Pertenencia
Grado de
Figura # 5 Funcin de pertenencia
La funcin S de Zadeh S : U [0,1] es una funcin en u con tres parmetros, definida

de la siguiente manera
{
0 para u <
2 ((u-)(-)) para u
2
S (u,,,) =
1- 2 ((u-)(-)) para u
2
1 para u >
Siendo =(+)2
1
Pertenencia
Grado de
0.5
0

Figura # 6 Funcin de pertenencia S

Operaciones con conjuntos Fuzzy.
La teora de conjunto y las operaciones que se realizan con ellos, son el soporte
de desarrollo ulterior de estructuras lgicas las cuales cumplen el propsito de tomar
decisiones, mediante razonamiento lgico-matemtico.
En la teora de conjuntos Crisp los operadores bsicos de Interseccin, Unin y
Complemento de conjuntos son operadores simples y guardan un isomorfismo con los
operadores And, Or y Not del lgebra binaria de Boole y los conectivos Conjuncin,
Disyuncin y Negacin de la lgica de proposiciones.
Teora de conjuntos lgebra de Boole Lgica de Proposiciones

)
Interseccin ( Producto lgico () )
Conjuncin (
)
Unin ( +)
Suma lgica (+ )
Disyuncin (
Complemento () Complemento () Negacin ()
Tabla # 1: Isomorfismo en operadores y conectivos Crisp.

Hasta ahora hemos visto que los conjuntos Fuzzy representan una herramienta
til a la hora de manejar ambigedad y vaguedad en la informacin. Es necesario
tambin, que las operaciones definidas en la teora de conjuntos Fuzzy, puedan servir
de soporte para establecer estructuras de lgica Fuzzy flexibles capaces de ser
aplicadas con eficiencia en variadas reas del conocimiento.
Zadeh [1] propone una extensin muy simple de las operaciones clsicas, para
definir las operaciones de Interseccin; Unin y Complemento.
u U : AB(u) = min(A(u), B(u)) Ec. 11
u U : AB(u) = max(A(u), B(u)) Ec. 12
u U : A'(u) = 1 - A(u) Ec. 13
Estas expresiones resultaron muy primitivas ante la potencialidad que

ofrecieron los conjuntos Fuzzy en la elaboracin de estructuras lgicas y la gran
variedad de conectivos que intuitivamente se pueden obtener. No obstante en muchas
aplicaciones de control, el problema se resuelve con el uso de estos operadores, que

como veremos son casos particulares de una concepcin mas generalizada de los
operadores Fuzzy.
Norma Triangular (T-norm).

Es una generalizacin de los operadores Interseccin, And y Conjuncin
De lo expuesto por Hung T. Nguyen[16], podemos definir la T-norm 1 de la

siguiente forma: La funcin binaria : [0,1] x [0,1] [0,1] es una funcin T-norm si
satisface las siguientes propiedades
1: x y = y x Es conmutativa Ec. 14
2: (x y) z = x (y z) Es asociativa Ec. 15
3: x z e y w Implica x y z w Es montona Creciente Ec. 16
4: 1 a = a El 1 es el elemento neutro Ec. 17
La operacin se realiza entre los grados de pertenencia de los elementos de los
conjuntos Fuzzy, los referidos grados de pertenencia estarn contenidos en [0,1] y se le
asigna un valor contenido en [0,1].
Si examinamos la funcin f (x,y)=mn(x,y) nos damos cuenta que en una funcin
de tipo T-norm, pero tambin lo es la funcin g(x,y)= x.y.
Para dar ejemplo podemos tomar la ecuacin 11, u U : AB(u) = min(A(u), B(u)),
para realizar la interseccin de dos conjuntos Fuzzy.
La interseccin de los conjuntos Fuzzy Medianos y Bajos de la Figura # 2, da
como resultado otro conjunto Fuzzy formado por los valores mnimos de los grados de
pertenencia de ambos conjuntos
Bajos Medianos
1
Pertenencia
Grado de
Bajos Medianos
0
140 150 160 170 180 190 200
Altura (cm)
Figura # 7 Interseccin de conjuntos Fuzzy
1
Traduccin del autor
Norma Triangular Complementaria (T-conorm).
Es una generalizacin de los operadores Unin, Or y Disyuncin
De lo expuesto por Hung T. Nguyen[16] podemos definir la T-conorm 2 de la

siguiente forma: La funcin binaria : [0,1] x [0,1] [0,1] es una funcin T-conorm si
satisface las siguientes propiedades
1: x y = y x Es conmutativa Ec. 18
2: (x y) z = x (y z) Es asociativa Ec. 19
3: x z e y w Implica x y z w Es montona Creciente Ec. 20
4: 0 a = a El 0 es el elemento neutro Ec. 21
La operacin se realiza entre los grados de pertenencia de los elementos de los

conjuntos Fuzzy, los referidos grados de pertenencia estarn contenidos en [0,1] y se le
asigna un valor contenido en [0,1].
Si examinamos la funcin f (x,y)=max(x,y) nos damos cuenta que en una
funcin de tipo T-conorm, pero tambin lo es la funcin g(x,y)=x+y-x.y.
Para dar ejemplo podemos tomar la ecuacin 12, u U : AB(u) = max(A(u), B(u)),
para realizar la unin de dos conjuntos Fuzzy.
La unin de los conjuntos Fuzzy Medianos y Bajos de la Figura # 2, da como
resultado otro conjunto Fuzzy formado por los valores mximos de los grados de
pertenencia de ambos conjuntos
Bajos Medianos
1
Pertenencia
Grado de
Bajos Medianos
0
140 150 160 170 180 190 200
Altura (cm)
Figura # 8 Unin de conjuntos Fuzzy
Complemento Fuzzy.
Es una generalizacin del operador Complemento o negacin
2
Traduccin del autor
De lo expuesto por George J. Klir en [17], podemos definir la negacin o

complemento Fuzzy como la funcin c: [0,1] [0,1] que satisface las siguientes
propiedades
1: c(0)=1; c(1)=0 Ec. 22
2: x < y entonces c(x) c(y) Es montona Decreciente Ec. 23
3: c(c(x))=x Es involutiva Ec. 24
La operacin se realiza sobre el grado de pertenencia del elemento del conjunto

Fuzzy, los referidos grados de pertenencia estarn contenidos en [0,1] y se le asigna un
valor contenido en [0,1].
Si examinamos la funcin f (x)=1-x nos damos cuenta que en una funcin de
tipo complemento Fuzzy, pero tambin lo es la funcin g(x)=(1-x)/(1+2x)
Para dar ejemplo podemos tomar la ecuacin 18, u U : A'(u) = 1 - A(u), para
realizar el complemento de un conjunto Fuzzy.
El complemento del conjunto Fuzzy Medianos de la Figura # 2, da como
resultado otro conjunto Fuzzy cuya funcin de pertenencia es c(u)=1-Medianos(u) .
Medianos
1
Pertenencia
Grado de
Complemento de
medianos
0
140 150 160 170 180 190 200
Altura (cm)
Figura # 9 Complemento de conjuntos Fuzzy

CONCEPTOS FUNDAMENTALES DE LA LGICA FUZZY.
En esta seccin se presentan conceptos que soportan la teora de la lgica fuzzy,

cuando esta es utilizada en lo que se llama razonamiento aproximado, lo cual no es otra
cosa que el razonamiento lgico hecho con proposiciones Fuzzy.
Relaciones Fuzzy
En [18], se definen las relaciones n-arias entre n conjuntos Fuzzy X1, X2, X3,.....
Xn como un conjunto Fuzzy R cuya funcin de pertenencia R asocia, a las tuplas del
producto cartesiano X1x X2,x X3,x.....x Xn, un valor en [0,1], Expuesto formalmente sera
R= R ( x1 , x 2 ,..x n ) ( x1 , x 2 ,..x n ) Ec. 25

X 1 xX 2 ... xXn
Siendo la funcin de pertenencia R : X1x X2,x X3,x.....x Xn [0,1] Ec. 26

Las relaciones Fuzzy binarias son las ms usadas por razones de fcil
entendimiento y representacin grficas, no obstante la generalizacin de la ecuacin
25 no establece limitaciones. Particularizando para n=2 la relacin se llama binaria y la
expresaramos as:
R= R ( x1 , x 2 ) ( x1 , x 2 ) Ec. 27
X 1 xX 2
Siendo la funcin de pertenencia R : X1x X2, [0,1] Ec. 28

Si los conjuntos X1, X2 son conjuntos numerables podemos utilizar la siguiente
notacin.
R= (x , x ) ( x , x )
X 1 xX 2
R 1 2 1 2 Ec. 29
Representacin Matricial de Relaciones binarias Fuzzy.
Tomando dos conjuntos Fuzzy finitos, X={x1,x2 ,x3 ..... xm} , Y={ y1,y2 ,y3 ..... yn }
una relacin Fuzzy R en XxY caracterizada por la funcin de pertenencia
R : XxY [0,1], puede ser representada por una matriz de m x n como la representada
en la Figura # 10.

Y1 Y2 ............ Yn
X1 R(X1, Y1) R(X1, Y2) ........... R(X1, Yn)
X2 R(X2, Y1) R(X2, Y2) ........... R(X2, Yn)
........... ........... ........... ........... ...........
Xm R(Xm, Y1) R(Xm, Y2) ........... R(Xm, Yn)
R(X1, Y1) R(X1, Y2) ........... R(X1, Yn)

R(X2, Y1) R(X2, Y2) ........... R(X2, Yn)
R=
........... ........... ........... ...........
R(Xm, Y1) R(Xm, Y2) ........... R(Xm, Yn)
Figura # 10 Matriz de una relacin binaria Fuzzy
Operaciones con relaciones Fuzzy binarias.
Dado que las relaciones Fuzzy son conjuntos Fuzzy cuyo universo es el
producto cartesiano de los conjuntos relacionados, toda la teora desarrollada para las
operaciones entre conjuntos Fuzzy aplica a las operaciones entre relaciones.
Se puede aplicar las T-norm. para resolver intersecciones, las T-conorm. para
resolver uniones y los complementos tal y como se discuti en Operaciones con
conjuntos Fuzzy. El nico inconveniente es que los universos debe ser el mismo para
poder aplicar las operaciones T-norm., T-conorm. y complemento.
Para resolver problemas que involucren relaciones definidas en distintos
universos, se recurre a tipos de operaciones especiales denominadas composicin
entre relaciones.
El concepto de composicin se fundamenta en otros dos conceptos que son:
Proyeccin y Extensin Cilndrica, de inmediato se discuten estos tres conceptos.

Proyeccin
El concepto de proyeccin al que se llega en este apartado es consecuencia de

la interpretacin de lo expuesto en [15]y[17].
Dada una relacin R en U= U1xU2 x ..... xUN siendo la secuencia general
N=(1,2,3.....N) la de los subndices de los conjuntos que intervienen en el producto
cartesiano universo U= XiN Ui, tal y como se muestra en la siguiente ecuacin
R = R ( x1 , x 2 ,..x n ) ( x1 , x 2 ,..x n ) Ec. 30

U
En donde las xi son los elementos provenientes de los conjuntos Ui que intervienen en
el producto cartesiano. Siendo I= (i1, i2, ....., iK) una subsecuencia de la secuencia
general Nn. Tomando V= XiI Ui como un producto cartesiano subconjunto del producto
cartesiano universo y en donde intervienen solo los conjuntos definidos por la
subsecuencia I formando una secuencia de tuplas v=(xi1, xi2, ... xik). Existe una
secuencia complementaria J= (j1, j2,..... jL) de tal forma que I unida con J forman Nn.
La proyeccin de R en V la cual denotaremos por RV es una relacin en la cual cada
tupla ser de menor grado que en la relacin R y el grado de pertenencia de dicha tupla
al conjunto proyeccin, estar dado por una funcin (RV)(v)= Tconorm R(x) ,
R V = V Tconorm (x , x ,..x ) (x
x j 1 , x j 2 ,.. x ji
R 1 2 n i1 , xi 2 ,..xik ) Ec. 31
Dicho en trminos sencillos la proyeccin es una relacin en donde las tuplas estn
formadas solo por los elementos de los conjuntos definidos por la secuencia en donde
se realiza la proyeccin y el grado de pertenencia de dicha tupla est dado por la
funcin T conorm aplicada a los grados de pertenencia de las tuplas con subndice
comunes.
Es muy usual utilizar la funcin Supremo (sup) para R continua o la operacin
Mximo (max) para dominios discretos convirtindose la ecuacin 36 en la siguiente
para dominios discretos
R V = V max R ( x1 , x 2 ,..x n ) ( xi1 , xi 2 ,..xik ) Ec. 32

x j 1 , x j 2 ,.. x ji

Para ejemplificar el clculo de la proyeccin de una relacin tomaremos como

ejemplo la relacin presentada en [15]en forma matricial
y1 y2 y3 y4
x1 0.8 1 0.1 0.7
x2 0 0.8 0 0
x3 0.9 1 0.7 0.8
Esta es una relacin que llamaremos R sobre el producto cartesiano U=XxY

siendo X={x1,x2,x3} e Y={y1,y2,y3,y4}
Aplicando la definicin de relacin dada en la ecuacin 29, tenemos la relacin
expresada en trminos de conjuntos Fuzzy
R = XxY R ( x, y ) ( x, y ) = 0.8/(x 1 , y1 ) + 0/(x 2 , y1 ) + 0.9/(x 3 , y1 ) +

1/(x 1 , y 2 ) + 0.8/(x 2 , y 2 ) + 1/(x 3 , y 2 ) +
Ec. 33
0.1/(x 1 , y 3 ) + 0/(x 2 , y 3 ) + 0.7/(x 3 , y 3 ) +
0.7/(x 1 , y 4 ) + 0/(x 2 , y 4 ) + 0.8/(x 3 , y 4 )
Para calcular RY aplicando la ecuacin 32, los pares ordenados (x,y) se
reducen en un grado para contener solo los componentes del conjunto donde se realiza
la proyeccin
RY = max
Y
R (x, y i ) ( yi ) = max(0.8/ y1 , 0/ y1 , 0.9/ y1 ) +
x1 , x j , x3
max(1/y 2 , 0.8/ y 2 , 1/ y 2 ) +
max(0.1/ y 3 , 0/y 3 , 0.7/y 3 ) +
max (0.7/ y 4 , 0/y 4 , 0.8/ y 4 )
R Y = 0.9 / y1 + 1 / y 2 + 0.7 /y 3 + 0.8/y 4 Ec. 34
Vemos como al proyectar la relacin binaria Fuzzy R en Y se obtiene un

conjunto Fuzzy de tantos elementos como elementos tiene Y. De forma similar al aplicar
la ecuacin 32 para calcular RX se obtiene el siguiente resultado.
R X = 1 / x1 + 0.8 / x 2 + 1/x 3 Ec. 35

Utilizando la representacin matricial para relaciones Fuzzy binarias,

generalizamos la obtencin de las proyecciones en la siguiente tabla
y1 y2 ............ yn Proy de R en X
R(x1, y1) R(x1, y2) ........... R(x1, yn) max R(x1, yi)
x1
i= 0,...n
x2 R(x2, y1) R(x2, y2) ........... R(x2, yn) max R(x2, yi)
i= 0,...n
........... ........... ........... ........... ........... ...........
xm R(xm, y1) R(xm, y2) .......... R(xm, yn) max R(xm, yi)
i= 0,...n
max R(xi, y1) max R(xi, y2) max R(xi, yn)
Proy de R en Y ...........
i= 0,...m i= 0,...m i= 0,...m
Tabla # 2 Proyeccin de relaciones binarias Fuzzy.
Extensin Cilndrica.
El concepto de Extensin Cilndrica al que se llega en este apartado es

consecuencia de la interpretacin de lo expuesto en [15]y [17].
La extensin cilndrica se puede considerar como una operacin opuesta a la
proyeccin. Ella aumenta el grado de una relacin obtenindose una relacin Fuzzy
binaria a partir de un conjunto Fuzzy, una relacin Fuzzy ternaria a partir de una binaria,
etc.
Dada una relacin S en V= XiI Ui, siendo I= (i1, i2, ....., iK) una subsecuencia de la
secuencia general N=(1,2,3.....N), siendo el universo U=XiN Ui, se define la extensin
cilndrica de S en U (SU) de la siguiente forma.
S U = s ( xi1 , xi 2 ,...xik ) /( x1 , x2 ,...x n ) Ec. 36

U
En donde las xi son los elementos provenientes de los conjuntos Ui que intervienen en
el producto cartesiano U.

En el caso de Productos cartesianos binarios, si tenemos un conjunto Fuzzy F

definido en Y, la extensin cilndrica de F en XxY, es la relacin Fuzzy binaria
constituida por los pares ordenados (x,y) XxY con grados de pertenencia igual a
F(y).
F XxY= F ( y) /(x, y) Ec. 37

XxY
Para ejemplificar tomamos el resultado obtenido en la ecuacin 35 que es la

proyeccin de R en X y la llamamos P
P= RX = 1/x1 + 0.8/x2 + 1/x3
La extensin cilndrica de P en XxY est dada por la aplicacin de la ecuacin 36 a los
casos discretos
P XxY= P (x) /(x, y) Ec. 38

XxY
P XxY = P ( x ) /( x , y ) =1/(x1, y1) + 0.8/(x2, y1) + 1/(x3, y1) +

XxY
1/(x1, y2) + 0.8/(x2, y2) + 1/(x3, y2) +

1/(x1, y3) + 0.8/(x2, y3) + 1/(x3, y3) +
1/(x1, y4) + 0.8/(x2, y4) + 1/(x3, y4)
A continuacin se expresa PXxY en forma matricial.
y1 y2 y3 y4
x1 1 1 1 1
PXxY = x2 0.8 0.8 0.8 0.8
x3 1 1 1 1
Tabla # 3 Extensin cilndrica de relaciones binarias Fuzzy

Composicin
La composicin va ha permitir realizar operaciones lgicas entre dos relaciones

definidas en distintos dominios, la nica condicin es que los productos cartesianos que
definen los dominios tengan un eje comn. El concepto de composicin al que se llega
en este apartado es consecuencia de la interpretacin de lo expuesto en [16].
Se tienen dos relaciones Fuzzy R y S definidas en los dominios UxV y VxW
respectivamente y teniendo una funcin t-norm . La composicin de R y S (RS) con
respecto a la funcin t-norm es una relacin Fuzzy en UxW con una funcin de
pertenencia.
(RS)(u,w) = max {R(u,v) S(v,w)}
De tal forma que la composicin RS expresada en trminos de conjuntos Fuzzy est
dada por la expresin.
RoS = sup[ R (u, v) S (v, w)] (u , w) Ec. 39

UxW
Si los conjuntos U, V y W son finitos las relaciones se pueden expresar en forma de

sumatorias y matrices
RoS = max[
UxW
R (u , v) S (v, w)] (u, w) Ec. 40
Cuando ab=min(a,b) estamos hablando de la composicin max-min y cuando ab=ab

estamos hablando de la composicin max-product.
La composicin RS puede obtenerse como el producto matricial de las matrices
R y S, tomando en cuenta que la operacin suma se sustituye por la funcin max y la
multiplicacin por la funcin t-norm que se est utilizando.
El concepto de Composicin puede generalizarse en trminos de proyeccin y
extensin cilndrica como se muestra a continuacin, desde el punto de vista formal la
operacin R(u,v)S(v,w) es posible realizarla solo si los dominios de R y S fuesen los
mismos, para subsanar este problema se recurre a la extensin cilndrica de ambas en
el dominio UxVxW, obtenindose R (UxVxW) y S (UxVxW) una vez homologados los
dominios se realiza la operacin R(UxVxW)S(UxVxW), la operacin anterior da
como resultado una relacin Fuzzy ternaria que luego es proyectada en UxW mediante

la operacin proyeccin entre relaciones {R(UxVxW)S(UxVxW)} (UxW) para

obtener la relacin binaria RS la cual en el caso de conjuntos finitos se puede obtener
directamente mediante el producto matricial de R con S tal y como se explic arriba.
En ocasiones la informacin que se intenta procesar proviene de un conjunto
Fuzzy A definido en X por ejemplo y una relacin Fuzzy R definida en XxY, para lograr
una composicin entre el conjunto Fuzzy A y La relacin Fuzzy R, se procede a realizar
primero la extensin cilndrica de A(XxY), luego se realiza la operacin y finalmente
se proyecta sobre Y, quedando en forma general.
A o R = sup i {min ( A ( xi ), R ( xi , yi ) )} yi Ec. 41

Y
Se puede notar que la composicin entre un conjunto Fuzzy y una relacin Fuzzy da
como resultado un conjunto Fuzzy.
Lgica Clsica: Breve Panormica.
A continuacin se presenta una breve panormica de los conceptos de lgica

clsica para luego en lo posible establecer paralelismos entre estos y la lgica Fuzzy .
Como lo establece la definicin dada en [17] traducida por el autor
Lgica es el estudio de los mtodos y principios de
razonamiento en todas sus formas posibles. La lgica clsica
trata con proposiciones que requieren ser verdaderas o
falsas....... p 22
La definicin anterior se realiza en base a otros dos conceptos que son

razonamiento y proposicin los cuales estudiaremos a continuacin.

Proposiciones.
En [17] se establece la siguiente definicin de proposicin traducida por el

autor.
Una proposicin es una oracin expresada en algn lenguaje.
Cada oracin que representa una proposicin puede
descomponerse fundamentalmente en sujeto y predicado. En
otras palabras, una proposicin simple puede expresarse, en
generar, en la forma cannica x es P. p 25
En la definicin anterior x simboliza el sujeto y P simboliza el predicado, el cual

caracteriza una propiedad. Un ejemplo de proposicin es Austria es un pas de habla
Alemana, en la cual Austria representa el sujeto que se refiere a un pas en particular
y pas de habla Alemana el predicado que caracteriza una propiedad especfica. Esta
proposicin es cierta.
En aras de generalizar el estudio de las proposiciones, usaremos la forma
general x es P, en donde x representa cualquier sujeto tomado de un universo de
discurso X. El predicado P juega entonces el papel de una funcin definida en X, en la
cual por cada valor de x se forma una proposicin, la cual es usualmente denominada
predicado y representada por P(x). El predicado definido de esta manera es una
proposicin que puede ser verdadera o falsa cuando un sujeto particular de X es
sustituido en x.
Los conceptos que restan en este apartado dedicado a la lgica clsica fueron
tomados de [19] y [20].
En la lgica de predicado clsica, una proposicin simple, P, pertenece a un
universo de proposiciones U, la funcin de la verdad T le asigna a cada preposicin P,
un valor T(P) el cual puede ser estrictamente falso (0) o estrictamente cierto (1).
Expresado en trminos funcionales T:U {0,1}.

Conectivos.
Dadas las proposiciones simples P y Q, pertenecientes a un mismo universo de

discurso, se pueden obtener proposiciones compuestas combinndolas mediante el
uso de cinco conectivos, que se presentan en la siguiente tabla.
Nombre Smbolo Significado
Negacin NO() NO
Conjuncin Y
Disyuncin O
Condicional Si ..... Entonces .....
Bicondicional ......Si y solo s ....
Tabla # 4 Conectivos utilizados en lgica de proposiciones.
Negacin: La Negacin de una proposicin P es otra proposicin que afirma lo que se

niega en la primera y viceversa. El valor de verdad de una negacin est dado por
T(NO(P)) = 1-T(P) Ec. 42
Conjuncin: La Conjuncin de dos proposiciones es una proposicin compuesta que

resulta verdadera cuando lo son las dos proposiciones simples que la conforman, y
falsa cuando al menos una de las dos es falsa
El valor de verdad de una proposicin compuesta PQ est dado por
T(PQ) = min (T(P), T(Q)). Ec. 43
Disyuncin: La Disyuncin de dos proposiciones simples es una proposicin compuesta

que resulta verdadera cuando lo es al menos una de las proposiciones que la
constituyen y falsa cuando ambas lo son.
El valor de verdad de una proposicin compuesta P Q est dado por
T(PQ) = max (T(P), T(Q)). Ec. 44

Condicional: La condicional se representa por P Q y se lee si P , entonces Q, en

donde P es el antecedente y Q el consecuente. La Condicional de dos proposiciones
simples es una proposicin compuesta que resulta falsa cuando el antecedente es
verdadero y el consecuente falso, y en los dems casos es verdadera.
T(PQ) = T (No(P) Q ) = max (T(No(P)), T(Q)). Ec. 45
Bicondicional: La Bicondicional se representa por P Q se lee P si y solo si Q. La

Bicondicional de dos proposiciones es una proposicin compuesta que resulta
verdadera si ambas son verdaderas o ambas son falsas
El valor de verdad de una proposicin compuesta PQ est dado por
T(PQ) = T(PQ) T(Q P)= min{max [T(No(P)), T(Q)] , max [T(No(Q)), T(P)]} Ec. 46
Tautologas.
Una proposicin compuesta es una tautologa si es siempre verdadera,
independientemente de los valores de verdad o falsedad de las proposiciones simples
que la conforman. Las tautologas son tiles en el razonamiento deductivo y en la
elaboracin de inferencias deductivas.
Implicacin Lgica.
Cuando una condicional es una tautologa, en otras palabras cuando la condicional
siempre es verdadera, se dice que es una implicacin lgica.
La Implicacin lgica se representa por P Q y se lee P implica Q o P es condicin
suficiente para Q o Q es condicin necesaria para P.
T(PQ) = T (No(P) Q ) = max (T(No(P)), T(Q)) Ec. 47..

Equivalencia Lgica.
Cuando una Bicondicional es una tautologa, en otras palabras cuando la Bicondicional
siempre es verdadera, se dice que es una Equivalencia Lgica.
La equivalencia lgica se representa por P Q y se lee P equivale a Q o P es
condicin necesaria y suficiente para Q.
El valor de verdad de una equivalencia P Q est dado por
Q) = T(P
T(P Q) T(Q
P). Ec. 48
Inferencia deductiva.
Modus Ponens.
Una de las tautologas ms usadas para elaborar inferencias deductivas, en los
sistemas expertos basados en reglas, es el Modus Ponens.
En [16] se establece una definicin de Modus Ponens que presentamos a
continuacin. Si conocemos que A implica B y conocemos A, entonces concluimos B.
Este patrn de razonamiento es llamado Modus Ponens y se expresa en forma de
proposiciones
((AB) A) B Ec. 49
B se puede obtener mediante la composicin
B = AR Ec. 50
Donde R es una relacin subconjunto del producto cartesiano AxB.
El Modus Ponens es usado como una herramienta para inferencias en sistemas

basados en reglas. La tpica regla IF...THEN... es usada para determinar si un
antecedente (causa o accin) infiere un consecuente (efecto o reaccin). Supongamos
que tenemos una regla de la forma
IF A, THEN B Ec. 51

En [19] se demuestra que conociendo la relacin R es posible entonces dado A iferir B

mediante
IF A, THEN B Ec. 52
Que expresado en trminos de composicin sera
B=AR Ec. 53
Razonamiento aproximado.
Razonamiento aproximado es el proceso mediante el cual partiendo de

antecedentes o premisas imprecisas, se infieren consecuentes o conclusiones
imprecisas. Cuando las proposiciones son Fuzzy, el trmino razonamiento Fuzzy es
tambin utilizado.
Uno de los mayores logros de la lgica Fuzzy, es haber desarrollado un
fundamento terico para razonar con proposiciones imprecisas, utilizando como
herramienta principal la teora de conjuntos Fuzzy.
Variables Lingsticas.
La unidad fundamental para la representacin de conocimiento en razonamiento

aproximado es la nocin de variable lingstica.
En [21], Zadeh establece una definicin la cual presentamos traducida por el
autor.
..esta es una variable cuyos valores no son nmeros sino
palabras u oraciones en un lenguaje natural o artificial. ....Por
ejemplo, si hablamos de edad , cuando decimos Juan es joven,
somos menos precisos que al decir Juan tiene 25. En este
sentido, la etiqueta joven puede ser considerada como un valor
lingstico de la variable edad, en el entendido que este juega un
rol similar que el valor numrico 25, pero menos preciso y por
ende menos informativo. p123

Es usual en el razonamiento aproximado tener una estructura de 4 elementos que

conforman un objeto que llamaremos variable lingstica. Estos cuatro elementos
(V,Uv,LV,P) se describen a continuacin. V representa el nombre de la variable
lingstica ejemplos edad, peso, velocidad, temperatura, etc. Uv representa el universo
de discurso de la variable V, y es expresado usualmente en trminos de un intervalo
de nmeros reales , en el cual a la variable V se le pueden asociar valores numricos,
en el caso de temperatura por ejemplo un universo de discurso para una determinada
aplicacin puede ser [-10C,30C]. LV es el conjunto de los valores lingsticos que V
puede tomar, un valor lingstico es un smbolo para describir una propiedad particular
de V. En el caso de la variable lingstica temperatura T, por ejemplo LT = {fro, fresco,
confortable, clido, caliente}. En todo caso las expresiones semnticas las elige el que
est construyendo la estructura de la variable lingstica. P es la particin del universo
a cada trmino de LV se le asocia un conjunto Fuzzy con soporte en un subconjunto
del universo de discurso a esto se le denomina particin del universo de discurso.
Mediante el siguiente ejemplo se ilustra la estructuracin de la variable
lingstica para un caso estudiado en la seccin denominada Definicin de Conjuntos
Fuzzy y que representamos mediante la Figura # 11.
1
Pertenencia
Grado de
0
140 150 160 170 180 190 200
Altura (cm)
Figura # 11 Variable lingstica

La estructura que define la variable lingstica Altura es
(V=Altura, Uv =[140cm,200cm], LV={Bajos, Medianos, Altos}, P={[soporte Bajos=(140,170)], soporte
Medianos=(140,200)], soporte Altos=(170,200)]}).
Nombre de la variable = Altura.
Universo de discurso = [140cm, 200cm]

Particin del Universo

170
Bajos = [(170-u)30] / u
140
170 200
Medianos = [(u-140) 30] / u + [(200-u) 30] / u
140 170
200
Altos = [(u-170) 30] / u
170
Proposiciones Fuzzy.
El conocimiento manejado en razonamiento aproximado est expresado en

proposiciones imprecisas simples, que tienen la misma estructura de los predicados
estudiados en la seccin de proposiciones en lgica clsica, que se pueden expresar en
forma cannica
x es P Ec. 54
donde x es una variable lingstica y P un conjunto Fuzzy que representa una propiedad
determinada de x mediante un valor lingstico.
El valor de verdad de una proposicin Fuzzy simple est representado por la
funcin de pertenencia del conjunto Fuzzy P, que expresa una propiedad de x.
Conectivos de proposiciones Fuzzy.
De manera similar a la lgica de predicados clsica, se pueden construir

proposiciones compuestas, mediante la combinacin de proposiciones simples
utilizando conectivos.

Conjuncin de proposiciones Fuzzy
Supongamos que tenemos un sistema con dos variables de entradas, en la cual

una representa un error (E) y la otra el cambio del error (E). Es comn encontrar en los
motores de inferencia Fuzzy proposiciones compuestas como la siguiente.
E es NG y E es PP
En esta expresin se pueden identificar los siguientes elementos, las variables
lingsticas E y E y sus respectivos valores lingsticos representados por los
conjuntos Fuzzy NG (Negativo Grande) y PP (Positivo Pequeo), y el conectivo y que
representa una conjuncin.
El significado de semejante proposicin en donde se combinan en conjuncin
dos proposiciones Fuzzy simples, est representado por una relacin entre los
conjuntos Fuzzy NG y PP, definida sobre el producto cartesiano de los universos de E
(UE) y E (UE) .
Si recordamos la definicin de relacin entre dos conjuntos Fuzzy es otro
conjunto Fuzzy determinado por la ecuacin 29, para universos de discurso discretos y
finitos
R= R(e,e) (e,e)
UE xUE
En donde la funcin de pertenencia R(e, e) puede ser obtenida mediante la utilizacin

de cualquier funcin T-norm de las descritas en la seccin denominada Operaciones
con conjuntos Fuzzy .
Considerando que el significado de E es NG y E es PP, se puede obtener como la
interseccin de los conjuntos Fuzzy NGPP, tomamos la funcin min, de tal forma que
R(e, e) = min (NG(e), PP(e)). El conjunto Fuzzy que representa la conjuncin est dado
por la ecuacin

E es NG y E es PP = min( (e ), ( e)) (e, e)

UE xU E
NG PP Ec. 55
Disyuncin de proposiciones Fuzzy
De forma similar a lo expuesto arriba en la conjuncin, el significado de la

disyuncin puede ejemplificarse como sigue
E es NG o E es PP = max( (e ), ( e)) (e, e)

UE xU E
NG PP Ec. 56
Implicacin Fuzzy
En trminos generales, en razonamiento aproximado, la implicacin Fuzzy

Si .. Entonces... se presenta de la siguiente manera.
Si (proposicin Fuzzy) Entonces (proposicin Fuzzy).
Si tenemos un conjunto Fuzzy A que representa un valor lingstico de la variable X y
un conjunto Fuzzy B que representa un valor lingstico de la variable Y, al expresar la
siguiente implicacin Fuzzy
Si X es A Entonces Y es B simplificada por AB
El significado de esta implicacin est dado por una relacin definida sobre el producto
cartesiano de los universos de X e Y.
AB = (x, y) (x, y)
Ux xUy
R Ec. 57
En la cual R(x, y) = F[(A(x), B(y))]. Siendo F una funcin de implicacin arbitraria, la

funcin de implicacin ms usada en control Fuzzy [19], es la implicacin de Mandani la
cual establece que R(x, y) = min[(A(x), B(y))] .

Regla de inferencia.
El proceso formal de deduccin ms comn es el Modus Ponens generalizado al

razonamiento aproximado, el cual dice que si tenemos una proposicin Fuzzy
representada por el conjunto Fuzzy A y una Implicacin AB, podemos inferir B si
conocemos una relacin que represente a la implicacin AB, utilizando la
composicin B=AR.
Las reglas de inferencia ms usadas son la max-min inferencia y la max-dot que
provienen de aplicar la ecuacin 40 para obtener la composicin AR. Aplicando la
composicin max-min se obtiene que la funcin de pertenencia de la composicin AR
est dada por
B = max{min(A , AB)} Ec. 58

Es muy comn en el mundo del control de procesos, encontrar relaciones entre las
entradas y salidas de un controlador, reglas de comportamiento del controlador
expresadas en lenguaje natural de la siguiente forma
Si se da el caso que el valor actual del error en muy negativo y el valor
actual del diferencial del error es muy positivo entonces esto es causa
para un decrecimiento pequeo en el valor previo de la accin de
control.
Esta regla la podemos llevar a la forma Si-Entonces Fuzzy si hacemos las siguientes
consideraciones.
El error lo podemos considerar como una variable lingstica (E), la cual
puede tener un valor lingstico Negativo Grande (NG).
El diferencial del error lo podemos considerar como una variable
lingstica (E), la cual puede tener un valor lingstico Positivo Grande
(PG).
El diferencial de la accin de control lo podemos considerar como una
variable lingstica (U), la cual puede tener un valor lingstico Negativo
Pequeo (NP).

La regla anterior expresada en forma de proposiciones Fuzzy se presenta a

continuacin.
Si E es NG y E es PG entonces U es NP Ec. 59
Si la comparamos con la forma Si A entonces B o lo que es lo mismo AB, nos

encontramos con que A= (E es NG y E es PG) es una proposicin compuesta cuyo
significado est representado por una relacin segn lo expresado en la ecuacin 60
generalizada al caso de universos continuos
E es NG y E es PG = min( NG (e), PG (e)) (e, e) Ec. 60

U E xU E
Siguiendo con el anlisis de la ecuacin 59 nos encontramos con B = U es NP la

cual es una proposicin Fuzzy simple cuyo significado est representado por el
conjunto Fuzzy
NP = NP ( u ) / u
U
El significado de la implicacin Fuzzy AB est dado por una relacin definida en

la ecuacin:
AB = (x, y) (x, y)
Ux xUy
R
De la regla de inferencia B=AR la cual dice que B se infiere mediante la

composicin de A con R, conocemos A y para la relacin R que representa a la
implicacin tomamos la implicacin de Mamdani ya que es la ms usada en control
debido a su bajo costo computacional.
La funcin de pertenencia de la implicacin de Mamdani est dada por
Rc=min(A, B) Ec. 61
como la funcin de pertenencia del antecedente A, el cual es una proposicin
compuesta, est dada por
A= min (NG, PG) Ec. 62

al sustituir la ecuacin 67 en 66 y tomando en cuenta que el consecuente B est

representado por el conjunto Fuzzy NP, tenemos
Rc=AB = min(min (NG, PG), NP) = min(NG, PG, NP ) Ec. 63

la inferencia de B est dada por la ecuacin:
B = max{min(A , AB)} Ec. 64

al sustituir las ecuaciones 62 y 63 en 64 tenemos
B = max{min(min (NG, PG), min(NG, PG), NP )}
B = max{min(NG, PG, NP )} Ec. 65.
En el caso de los sistemas basados en reglas de la forma en que el

antecedente es un proposicin Fuzzy compuesta por dos proposiciones Fuzzy sencillas
y el consecuente es una proposicin Fuzzy sencilla, la ecuacin 65 se interpreta en el
sentido de que al evaluar las reglas activas el consecuente de cada una se evala
mediante min(NG, PG, NP ) y el significado de la contribucin de todas las reglas est
dado por unir (Agregacin) los resultados parciales de cada regla mediante la funcin
max.

REPRESENTACIN DEL CONJUNTO DE REGLAS DE CONTROLADORES FUZZY.
En los controladores diseados en base a lgica Fuzzy las reglas que

determinan el comportamiento del controlador estn dadas por la forma
Si A Entonces B.
En donde tanto en antecedente A como el consecuente B son proposiciones Fuzzy y la
expresin anterior puede ser considerada como una implicacin Fuzzy del tipo AB.
Supongamos que tenemos un sistema con n reglas
R1= Si A1 Entonces B1 A1 B1
R2= Si A2 Entonces B2 A2 B2
..
Rj= Si Aj Entonces Bj Aj Bj
.
Rn= Si An Entonces Bn An Bn.

Donde Aj y Bj son los conjuntos Fuzzy representativas de las proposiciones Fuzzy
respectivas. Cada implicacin origina como resultado un conjunto Fuzzy Rj,
representativo de la regla equivalente a la implicacin. El valor de verdad de una regla
Rj, est dado por la implicacin de Mandani
R = min [ A , B ]
j j j Ec. 66
Para obtener el valor de verdad resultante B, donde se tomen en cuenta la

contribucin de todas las reglas activas, se realiza la unin de los conjuntos Fuzzy Rj
mediante la funcin max
B = max [ R ] j Ec. 67
j
en donde j es la secuencia que define las reglas activas en el momento de realizar la
evaluacin.
Valor de verdad del antecedente.
Suponiendo que un controlador tenga n entradas V1, V2 ...... Vn y una salida U,

el antecedente Aj lo expresamos como una relacin entre los conjuntos Fuzzy
representativos de cada proposicin simple que se conectan para formar la proposicin
compuesta del antecedente.
El valor de verdad del antecedente de una regla en particular expresado en la
ecuacin 66 podemos escribirlo de la siguiente forma. Si el conectivo que une a las
proposiciones simples que conforman el antecedente es una conjuncin.
A = Tnorm [ J 1 , J 2 , ..... Jn ]
j Ec. 68
Si el conectivo que une a las proposiciones simples que conforman el antecedente

es una disyuncin.
A = Tconorm [ J 1 , J 2 , ..... Jn ]
j Ec. 69
En donde en cada caso ji con i=1,2,3n, representa la funcin de pertenencia del

conjunto Fuzzy perteneciente a la particin del universo de la variable Vi, el referido
conjunto representa un valor lingstico que toma la variable de entrada Vi en un
momento determinado.
La obtencin de un valor de verdad para un antecedente Aj presupone la
solucin de una relacin entre n conjuntos Fuzzy, lo cual resulta costoso desde el punto
de vista computacional y prcticamente inaplicable en tiempo real.
En 1994 Mandani [4] desarrolla la primera aplicacin en control, en la cual
considera las entradas al controlador como conjuntos Fuzzy singleton constituidos por
un solo elemento (x1)/x1 el cual tiene un valor de verdad que representa su pertenencia
al conjunto pero que es en esencia un valor numrico.

Con esta nueva consideracin al aplicar las ecuaciones 68 y 69 para un

conjunto de entradas x1, x2,... xn. Las podemos expresar de la siguiente manera.
Si el conectivo que une a las proposiciones simples que conforman el
antecedente es una conjuncin.
A ( x1 ,... x n ) = Tnorm [ J 1 ( x1 ), J 2 ( x 2 ), ... Jn ( x n )]

j
Si el conectivo que une a las proposiciones simples que conforman el antecedente es

una disyuncin.
A ( x1 ,... x n ) = Tconorm [ J 1 ( x1 ), J 2 ( x 2 ), ... Jn ( x n )]

j
De esta forma obtener un valor de verdad del antecedente Aj implica una

operacin numrica sencilla definida por cualquier funcin Tnorm o Tconorm segn sea
el caso, de bajo costo computacional y factible de ser aplicada en tiempo real.
Para resolver el antecedente las funciones Tnorm ms usada es el mnimo y el
producto algebraico.
Valor de verdad de una regla.
En las aplicaciones de control los mtodos de inferencia ms usados, para

obtener el valor de verdad de una regla, son el mtodo de Mandani y el mtodo de
Sugeno. Ambos parten de la idea de Mandani de considerar las entradas como
singleton. La diferencia fundamental est en la forma que adopta el consecuente.
En el caso de la inferencia de Mandani, el consecuente es un conjunto Fuzzy y
la resultante en cada regla es otro conjunto Fuzzy. Para obtener una salida que pueda
ser utilizada como accin de control es necesario unir los conjuntos Fuzzy resultado de
cada regla y proceder luego a obtener un valor numrico.

En el caso de la inferencia de Sugeno el consecuente es una funcin que

depende de las entradas, siendo entonces la resultante en cada regla un valor numrico
que se obtiene al evaluar la funcin consecuente, lo cual contribuye a mejorar la
velocidad de clculo. Para obtener una salida que pueda ser utilizada como accin de
control es necesario realizar una sencilla operacin numrica con los resultados de
cada regla.
Inferencia de Mandani.
El grado de certeza de una regla Rj , se obtiene como se indica a continuacin.
R = Tnorm [ A , B ]
j j j Ec. 70
En esta ecuacin tomando en cuenta la consideracin anterior de Mandani,

tenemos un valor numrico representando el grado de verdad de Aj mientras que el
grado de verdad del consecuente est representado por una funcin de pertenencia Bj
que es la del conjunto Fuzzy representativo de la proposicin simple que constituye el
consecuente.
El valor de verdad de una regla Rj se puede interpretar como una funcin de
pertenencia modulada por Aj.
En principio como lo indica la ecuacin 70, es posible resolver la implicacin

con cualquier funcin Tnorm, sin embargo las ms usadas son el mnimo y el producto
algebraico, en cada caso el conjunto Fuzzy representativo de la regla es el conjunto
Fuzzy representativo del consecuente modulado por el valor del antecedente.
Cuando la implicacin se resuelve con la funcin mnimo la ecuacin 70 adquiere
la siguiente forma
R = min [ A , B ]
j j j

El conjunto Fuzzy resultado de la implicacin y representativo del valor de verdad

de la regla, es el resultado de truncar el conjunto Fuzzy del consecuente por el valor de
verdad del antecedente.
La representacin grfica del conjunto Fuzzy resultante de la implicacin es como
el indicado en la siguiente Figura # 12.
B j
1
Pertenencia
Grado de
A j
R j
0
0 75 80 85 90 95 100
Variable de salida
Figura # 12 Consecuente truncado por efecto de la implicacin mnimo.
El conjunto Fuzzy del consecuente Bj, est representado por un tringulo, el cual es
truncado por el valor de verdad del antecedente Aj y el resultante es el conjunto Fuzzy
de la regla Rj
Cuando la implicacin se resuelve con la funcin Producto algebraico la ecuacin
70 adquiere la siguiente forma
R = prod [ A , B ]
j j j
El conjunto Fuzzy resultado de la implicacin y representativo del valor de verdad

de la regla, es el resultado de escalar el conjunto Fuzzy del consecuente por el valor de
verdad del antecedente.

La representacin grfica del conjunto Fuzzy resultante de la implicacin es como

el indicado en la Figura # 13.
B j
1
Pertenencia
A
Grado de
R
j
0
0 75 80 85 90 95 100
Variable de salida
Figura # 13 Consecuente escalado por efecto de la implicacin producto.
El conjunto Fuzzy del consecuente Bj, est representado por un tringulo

semisombreado, el cual es escalado por el valor de verdad del antecedente Aj y el
resultante es el conjunto Fuzzy de la regla Rj representado por un tringulo en negrilla.
Inferencia de Sugeno.
En el caso de la inferencia de Sugeno, el resultado que se obtiene al evaluar

cada regla es un valor numrico en el universo de la salida del controlador y est dado
por la evaluacin de la funcin consecuente con los valores de las entradas.
Para ejemplificar supongamos la siguientes reglas
R1= Si e es PG y e es PP entonces u = K1 e + K2 e + K3
R2= Si e es NG y e es NP entonces u = K4 e + K5 e + K6
En este caso vemos como ante estados distintos del error e y el diferencial del
error e, las reglas sugieren dos ecuaciones distintas para obtener la accin de control,
en el caso de muchas reglas activas el resultado final ser una operacin de suma o de
promedio de los resultados de cada regla, segn se elija en el momento de disear el
controlador.

Agregacin de los resultados de las reglas.
En el caso del mtodo de inferencia de Mandani, para obtener la funcin de

pertenencia del conjunto Fuzzy resultante de evaluar todas las reglas activas en un
momento determinado, se aplica la ecuacin 67.
B = max [ R ] j
j
En forma generalizada la ecuacin 67 puede expresarse en funcin de

cualquier Tconorm, como lo indica la ecuacin 71.
B = Tconorm [ R ] j Ec. 71
j
En el caso de una aplicacin en control es necesario como veremos ms
adelante someter al conjunto Fuzzy resultante, que normalmente es la unin de los
conjuntos Fuzzy de cada regla, a un proceso de defuzzification para obtener un valor
numrico en el universo de la salida del controlador.
En el caso del mtodo de inferencia de Sugeno, como se explic arriba al

evaluar cada regla se obtienen valores en el dominio de la salida y todos los valores de
las contribuciones de cada regla activa son agregados mediante operaciones
algebraicas.

CONTROLADORES FUZZY.
El diseo de controladores en control convencional se hace fundamentalmente

bajo dos paradigmas, o el controlador es una ecuacin en el dominio del tiempo con
una serie de parmetros cuyo ajuste determinan el comportamiento del sistema, como
en el caso de los controladores tipo PID, o el controlador se disea como una funcin
de transferencia en el dominio de la frecuencia compleja s, de tal forma que la ubicacin
de polos y ceros determine el comportamiento del sistema, como en el caso de
controladores de adelanto-atraso.
El control Fuzzy forma parte del control no convencional o inteligente, el
controlador Fuzzy que se disea tiene como paradigma el ser un algoritmo constituido
por reglas que definen las acciones que debe tomar el controlador ante el cambio de
alguna variable dinmica, generalmente el error y su diferencial.
Como el error constituye el insumo principal de los controladores ubicados en el
camino directo a continuacin obtendremos una expresin matemtica para este.
Basndonos en el esquema de la Figura # 14 de un lazo de control con el controlador
en serie, partiendo del hecho de que el algoritmo de control va ha ser implementado en
un computador las ecuaciones para tiempo discreto fundamentales para el controlador
se definen a continuacin.
Accin de Variable
Referencia r(k) Error e(k) control u(k) controlada y(k)
Controlador Proceso a
+ controlar
-
Figura # 14 Lazo de control con controlador en cascada.

El error para un instante k de muestreo constante es la diferencia entre la
referencia muestreada y la salida del sistema muestreada e(k)=r(k)-y(k). La variacin
del error para un instante k de muestreo constante k es la diferencia entre el valor del
error actual y el valor del error en el muestreo anterior e(k)= e(k)- e(k-1). La
acumulacin del error en el tiempo e(k)=e(1)+e(2). e(k-1)+ e(k). La salida del

controlador es entonces una funcin u(k)=F(e(k),e(k),e(k)), dependiendo de los

requerimientos del sistema los trminos de la diferencia o derivativo y el del acumulado
o integrador pudieran suprimirse uno de ellos. En general en los controladores Fuzzy es
costumbre utilizar solo e(k) y e(k) en la conformacin de la funcin u(k)=F(e(k),e(k)),
de tal forma que para los controladores tipo PI la salida del controlador es el acumulado
u(k)=u(k-1)+u(k) y para los tipo PD es el valor calculado en cada instante de muestreo.
De esta forma para los controladores Fuzzy tipo PI el flujo de seales en el
controlador ser como lo indica la Figura # 15.
e(k) u(k)
+
+ u(k)
e(k) Controlador
Fuzzy
Z-1 -+ Z-1
e(k)
Figura # 15: Flujo de seales de entradas y salidas de un controlador Fuzzy PI

Mientras que para los controladores Fuzzy tipo PD el flujo de seales en el controlador
ser como lo indica la Figura # 16
e(k)
e(k) Controlador u(k)
Fuzzy
-1
Z -+
e(k)
Figura # 16: Flujo de seales de entradas y salidas de un controlador Fuzzy PD

Con la informacin suministrada por el error e(k) y su variacin e(k) se puede

elaborar un conjunto de reglas que definan el comportamiento que debe asumir el
controlador Fuzzy, ante cualquier eventual par de valores (e(k), e(k)).
Estructura de los controladores Fuzzy.
El ncleo de los controladores Fuzzy est basado reglas que constituyen el

llamado motor de inferencia, en este las reglas son resueltas con operaciones propias
de la lgica Fuzzy, la cual maneja variables lingsticas, las cuales se fundamentan a su
vez en los conjuntos Fuzzy, es necesario entonces que la estructura del controlador
posea interfaces adecuadas para convertir las entradas numricas reales al controlador
en valores lingsticos, para que la lgica Fuzzy los procese y luego el resultado
convertirlo en valores reales para ser aplicados como accin de control, lo expuesto en
esta seccin ha sido tomado fundamentalmente del libro de Driankov et al [15].
Como lo indica la Figura # 17, en forma general el controlador Fuzzy puede
tener muchas entradas y muchas salidas, las entradas que son variables reales son
sometidas a un proceso de fuzificacin y el resultado entra a un motor de inferencia en
donde es procesado segn la base de reglas y el resultado del motor de inferencia
entra a una etapa de defuzificacin en donde se obtiene un valor real para cada
salida.
Base de datos
Parmetros de Parmetros de Parmetros de

Fuzificacin inferencia Defuzificacin
Entradas Salidas
Etapa de Motor de Inferencia Etapa de
Fuzificacin ( Base de Reglas) Defuzificacin
Figura # 17 Estructura de un controlador Fuzzy.

Base de datos: En general la base de datos contiene los parmetros necesarios para
configurar cada una de las etapas.
Parmetros de Fuzificacin: Contiene todos los elementos necesarios para
configurar una variable lingstica por cada entrada y cada salida*, los parmetros que
permiten configurar una variable lingstica son, el universo de la variable en forma de
intervalo real, el cual es subdividido en tantos conjuntos Fuzzy como valores lingsticos
pueda tomar la variable, cada conjunto Fuzzy representativo de un valor lingstico
requiere de un soporte en el universo, el cual es un intervalo subconjunto del intervalo
universo, cada conjunto Fuzzy requiere de la definicin de la funcin de pertenencia.
Parmetros de Inferencia: Los parmetros de inferencia permiten que el motor de
inferencia pueda realizar el razonamiento aproximado, cuyo resultado posteriormente
es convertido en un valor real. Estos parmetros son, los conectivos para resolver
conjunciones, disyunciones y complementos, los mtodos de implicacin e inferencia
para resolver la relacin entre antecedente y consecuente, el mtodo de agregacin el
cual permite agrupar el resultado de todas las reglas para entregarlo a etapa de
defuzificacin, en el caso de los controladores tipo Madani los resultados parciales de
cada regla precisa ser agregado con mtodos propios de operaciones entre conjuntos
Fuzzy, ya que el resultado de la evaluacin de cada regla es un conjunto Fuzzy, en el
caso de los controladores tipo Sugeno los resultados parciales de cada regla son
nmeros reales provenientes de la evaluacin de funciones algebraicas que constituyen
el antecedente de cada regla por tanto no es necesario en este tipo de controladores
una etapa de agregacin como tal.
Parmetros de Defuzificacin: El mtodo de defuzificacin es otro parmetro
importante, este permite definir como se obtendr el valor numrico real para cada
salida a partir de una expresin Fuzzy proveniente de la agregacin en el caso de los
controladores tipo Mandani, mientras que en los controladores tipo Sugeno, la etapa de
defuzificacin es relativamente sencilla ya que es una operacin con los nmeros reales
proveniente de la evaluacin de cada regla.
*
En el caso del mtodo de inferencia de Sugeno no es necesario crear variables lingsticas en las salidas sino crear
un conjunto de funciones para ser utilizados como consecuentes en las reglas.
Funcionamiento de los controladores Fuzzy.
Etapa de fuzification:
Se realiza con cada muestreo y consiste en asignar a un valor de entrada real en
particular, el valor lingstico y grado de pertenencia determinados por la ubicacin del
valor real en la particin de la variable lingstica asociada a la entrada correspondiente.
Motor de inferencia:
En el caso de inferencia de Mandani, el motor de inferencia evala cuales reglas se
disparan con los valores lingsticos de las entradas y procede a resolver los conectivos
entre proposiciones simples del antecedente para obtener un valor con el cual resolver
la implicacin o relacin entre el antecedente y consecuente para dar un resultado que
es un conjunto Fuzzy por cada regla. En el caso de inferencia de Sugeno, el motor de
inferencia evala cuales de las reglas se disparan con los valores lingsticos de las
entradas y procede a resolver la relacin entre antecedente y consecuente, evaluando
la funcin consecuente con los valores de entrada, lo cual constituye en esencia una
especie de pre-defuzificacin.
Etapa de defuzification:
Se realiza con cada muestreo y varia segn sea el mtodo de Inferencia elegido
Mandani o Sugeno. En caso de Mandani consta de una etapa de agregacin en donde
se unen los resultados de todas las reglas disparadas y luego con el resultado de la
agregacin se procede a obtener un valor real para la salida utilizando los mtodos de
defuzificacin conocidos. En caso de Sugeno en la medida en que se resuelve la
implicacin en cada regla se obtiene un valor real, de tal forma que la defuzificacin
consiste en aplicar una operacin algebraica, generalmente promedio ponderado, para
obtener un valor real de salida.

Mtodos de defuzification:
En los controladores tipo Mandani el resultado de la agregacin es una figura
geomtrica plana. Los mtodos de agregacin consisten en escoger una caracterstica
geomtrica de la figura resultante de la agregacin y ubicar el punto correspondiente en
el eje de la salida del controlador el cual es un eje de nmeros reales. Driankov et al[15]
presenta y analiza seis mtodos:
Centroide
Centro de sumas: .
Centro del rea mayor.
El primero de los mximos.
La mitad del rea mxima.
La altura .
En el manual del toolbox de matlab [40] consultado en este trabajo, se describen
tambin los mtodos de Defuzzification proporcionados por la herramienta para el
diseo del controlador.

CONTROL CONVENCIONAL.
Del control que hablaremos aqu es del control realimentado automtico de

sistemas fsicos, control significa mantener un sistema, fsico en nuestro caso, bajo
condiciones deseadas, mediante el ajuste de variables seleccionadas del sistema. El
sistema est realimentado cuando se toma una variable de salida y se introduce al
sistema de tal forma que afecte una de las variables de entrada. El sistema es
automtico si en la dinmica del lazo no interviene el ser humano.
Clasificacin de los sistemas de control.
El fin ltimo del estudio de los sistemas de control es el diseo de controladores, el

hecho de que los sistemas reales a controlar sean sistemas no lineales hace que todos
los sistemas de control terminen siendo no lineales estrictamente hablando (Kuo)[9],
existe una variedad de herramientas de anlisis, fundamentadas en el campo de los
sistemas lineales, las cuales soportan el diseo de controladores. Por otro lado existe
otra variedad de tcnicas de anlisis para sistemas no lineales que sustentan el diseo
de controladores no lineales.
Lo dicho anteriormente nos permite hacer una primera clasificacin de los
sistemas de control en Lineales y no lineales. Un sistema de control es esencialmente
lineal cuando las magnitudes de las seales estn limitadas en intervalos en los cuales
los componentes del sistema exhiben una caracterstica lineal, pero cuando las
magnitudes de las seales se extienden ms all del intervalo de porcin lineal ,
dependiendo de la severidad de la no linealidad, el sistema no se debe seguir
considerando lineal, esta clasificacin expresada por Kuo, nos permite observar una
imprecisin cuando dice dependiendo de la severidad de la no linealidad, esto lo que
significa es que va ha depender del diseador el tomar la decisin si le da a un sistema
el tratamiento de lineal o no lineal en dependencia de si las herramientas de anlisis y
diseo lineal solucionan o no razonablemente el problema.

Este tipo de situaciones en donde recae sobre el diseador la decisin final en

base a su experiencia e intuicin est presente en todas las ramificaciones de la
disciplina del control, no tanto en el diseo inicial que tiene un alto componente de
ciencia, sino en la puesta a punto en la cual hay un alto componente de arte y de
ensayo y error.
Otra forma de clasificar el control es en Clsico y Moderno. El empleo del mtodo
de espacio de estado se conoce a menudo como diseo de control moderno, mientras
que los mtodos basados en la funcin de transferencia, como el lugar geomtrico de
las races y la respuesta de frecuencia se denominan diseos de control clsico, esta
clasificacin la presenta Franklin en [10].
Existen muchas otras formas de clasificar los sistemas de control, como por
ejemplo si los parmetros del sistema permanecen o no sin variacin en el tiempo, se
habla entonces de sistemas Invariantes en el Tiempo y sistemas Variantes en el
Tiempo. La mayora de los sistemas son variantes en el tiempo, sin embargo en aras
de simplificar las etapas de diseo se les consideran invariantes, Kuo.
Si un sistema est constituido por elementos que generan, reciben o procesan solo
seales analgicas o cuantificadas solo en amplitud se habla de Sistema de Control
de tiempo continuo, si las seales son muestreadas en el tiempo pero no son
cuantificadas en amplitud se habla de Sistemas de datos muestreados y si las
seales son muestreadas en el tiempo y adems cuantificadas en Amplitud se habla de
Sistemas de control digital, lo cual implica que hay un elemento microcomputador en
el sistema, Ogata [11].
Tambin se acostumbra a darle nombre a la actividad del diseo segn las
caractersticas del controlador que se disea, de esta manera se habla de control PID,
Predictivo, Adelanto-Atraso, controlador de Muesca, etc.
Cuando el sistema se disea de tal forma que es insensible a las variaciones de
las perturbaciones externas e internas se habla de control Robusto.

Cuando el sistema es ajustado mediante la evaluacin de un ndice de desempeo

llevando este a un mximo o un mnimo segn sea el caso, hablamos de control
ptimo. Ogata en su libro Ingeniera de Control Moderna[13] dedica dos captulos a
temas relacionados con el control ptimo, en un captulo analiza la determinacin de los
ndice de desempeo y en otro se dedica a presentar tcnicas de diseo y anlisis.
Los sistemas de control auto ajustables, son aquellos en los cuales existen
algoritmos capaces de monitorear la dinmica del sistema y calcular los parmetros de
la entonacin, existe un clsico en este tema escrito por Astrom y Haglglund [14], en el
que se aborda el tema del ajuste automtico de los controladores PID.
Si el ajuste de parmetros en un sistema es tal que se realiza dinmicamente
durante el funcionamiento normal ms all de la puesta en marcha estamos hablando
de control Adaptivo.
Si el esquema adaptivo es capaz no solo de modificar parmetros dinmicamente
sino que adems es capaz de cambiar las metas u objetivos del control cambiando
incluso de ndices de desempeo. Estamos hablando de control Auto Organizado.
Control realimentado.
La caracterstica fundamental y omnipresente, en los sistemas de control que nos

ocupan, es la realimentacin introducida intencionalmente en un sistema para lograr
obtener las condiciones de funcionamiento deseadas.
El siguiente diagrama de bloques tomado de Thomas Marlin[12], nos permite un
enfoque sistmico en el estudio de la realimentacin.
D(s)
Gd(s)
SP(s) + E(s) MV(s) CV(s)

Gc(s) Gv(s) Gp(s) +
-
Gs(s)
Figura # 18 Lazo de control realimentado.

Podemos observar que el lazo tiene dos fuentes posibles de entradas y una salida.
Las entradas son: el valor de salida deseado o referencia SP(s) y las perturbaciones
D(s), las cuales inciden sobre la salida. A la salida se le denomina variable controlada
CV(s).
Las relaciones entre las salidas y las entradas estn dadas por las funciones de
transferencia entre ellas:
CV ( s ) Gd ( s )
= Ec. 72
D( s ) 1 + Gp( s )Gv( s )Gc( s )Gs ( s )
CV ( s ) Gp ( s )Gv( s )Gc( s )
= Ec. 73
SP( s ) 1 + Gp ( s )Gv( s )Gc( s )Gs ( s )
Las herramientas de anlisis y diseo del control clsico, como lugar geomtrico
de las races, Traza de Bode, Diagramas de Nyquist, respuesta en el dominio del
tiempo a funciones de pruebas, etc; estn desarrolladas bajo esquemas de sistemas
SISO de una entrada y una salida, por esto durante el diseo normalmente se
especializa el controlador en atender eficientemente los cambios en una de las dos
fuentes de entrada. El sistema ser muy eficiente en el seguimiento de variaciones en
la referencia pero desmejora el rechazo a las perturbaciones o viceversa, en
consecuencia una de las tareas del diseador es evaluar cual es el comportamiento
dominante en el sistema, si la referencia es modificada constantemente como en los
procesos de produccin por lotes o si la referencia permanece largos periodos sin
cambios y lo que predomina son las perturbaciones como por ejemplo en el control de
temperatura de una mezcla.
Si el sistema es tal que amerita optimizar tanto la atencin de la referencia como el
rechazo a las perturbaciones el diseador tendr que emigrar a estrategias de control
avanzadas como el diseo de control mediante espacio de estado.

La estrategia de realimentacin ms comn en los sistemas SISO es el

controlador PID, desde su invencin y validacin prctica en la dcada de 1940, ha
sobrevivido adaptndose a las tecnologas que han venido surgiendo, el secreto es su
diseo simple de tres componentes proporcional integral y derivativo que actan
simultnea pero independientemente de tal forma que si el caso lo amerita uno de sus
componentes puede ser deshabilitado sin afectar los otros, otra ventaja es su capacidad
de formar combinaciones con otros esquemas para mejorar el desempeo del sistema,
y su principal desventaja la falta de capacidad de anticiparse a las perturbaciones.
El controlador Gc(s) colocado en la posicin que ocupa en la Figura # 18, es capaz

de reaccionar tanto a las variaciones de la referencia como a las perturbaciones, sin
embargo un simple anlisis del flujo de las seales nos permite ver que su ubicacin le
da ventajas para atender las variaciones de la referencia, pero lo hace poco eficiente
para atender las perturbaciones, esto es debido a que en este caso, la seal de
desviacin E(s) llega al controlador despus que la salida ha sido afectada. Esto hace
suponer que la topologa juega un papel importante en el diseo del controlador.
Kuo, analiza varias topologas de controladores en donde trata no solo la
ubicacin sino la presencia de ms de un elemento controlador, concluyendo que los
esquemas con ms de un controlador (ms de un grado de libertad), son ms
apropiados para el ajuste ptimo siguiendo ndices de desempeo.
La accin de control prealimentada Figura # 19, proporciona una alerta temprana
que permite actuar sobre la variable manipulada antes de que la variable controlada se
desve de la referencia, Thomas Marlin presenta un anlisis de esta forma de control en
donde se puede ver como una desventaja la necesidad de agregar instrumentacin al
sistema. Es importante resaltar que esta es una estrategia complementaria a la
realimentacin que persigue mejorar el desempeo del control ante perturbaciones.
Otra forma de anticiparse a las variaciones de la salida es mediante estructuras
del control predictivo, Thomas Marlin presenta dos estrategias de control predictivo que
no necesitan de agregar instrumentacin al sistema, estas son el IMC Internal Model
Control y el predictor de Smith, los cuales mediante la utilizacin del modelo de la

planta son capaces de predecir el comportamiento de la salida y en consecuencia

poder actuar de manera de rechazar las perturbaciones.
D(s)
Gd(s)
SP(s) + E(s) MV(s)

CV(s)
Gc(s) Gv(s) Gp(s) +
-
Gs(s)
Figura # 19 Accin de control prealimentada
En resumen, existen muchas alternativas para plantearse un esquema de control

realimentado, la ms popular de ellas y la que representa casi un paso previo en
cualquier diseo es la realimentacin PID, la cual tambin tiene sus variaciones. Es
comn que el diseador opte por otro tipo de esquema, bien para complementar o para
sustituir solo cuando el PID no satisface razonablemente las exigencias de desempeo
del sistema., es muy comn en sistemas SISO combinaciones entre PID, accin
prealimentada y esquemas predictivos.
Tcnicas de diseo.
Kuo, en el captulo diseo de sistemas de control plantea que el diseo de

controladores es muy parecido al diseo de filtros y haciendo uso de las bondades de la
traza de Bode en este sentido, plantea que el controlador PD es un filtro pasa alto al
igual que el controlador de Adelanto de Fase, el controlador PI es un filtro pasa bajos
al igual que el controlador de Atraso de Fase, el controlador PID es un filtro pasa
banda al igual que el controlador Atraso-Adelanto. Presenta igualmente el diseo
mediante cancelacin de polos y ceros y realimentacin de estado entre otros.

El tipo de controlador ha disear tiene herramientas de anlisis que, de forma

natural, le son ms adecuadas, por ejemplo el diseo PID se trabaja de forma ms
natural con un anlisis en el dominio del tiempo, mientras que los compensadores de
adelanto y atraso se disean mejor con herramientas de la respuesta de frecuencia.
Esto no obstante no es una regla y depende de la tcnica que domine ms el
diseador, tradicionalmente la respuesta de frecuencia ha sido la tcnica ms utilizada.
Esto es debido a que las respuestas de frecuencia se pueden obtener
experimentalmente y el anlisis se puede hacer aproximado sobre estas curvas.
Herramientas de anlisis y diseo ms comunes.
La inclusin deliberada de la realimentacin en un sistema tiene ventajas

indudables como lo son la posibilidad de reducir el error en estado estable, poder
rechazar las perturbaciones, etc., pero tambin tiene desventajas como por ejemplo el
modificar la distribucin de polos en el sistema resultante pudiendo eventualmente
ubicar polos en el semi-plano positivo del plano complejo lo cual puede causar
inestabilidad en el sistema.
Una tcnica que permite conocer la ubicacin de polos del sistema es la del Lugar
Geomtrico de las Races, la cual consiste en ubicar en el plano complejo las races
de la ecuacin caracterstica del sistema en la medida que un parmetro de este vara,
el parmetro por excelencia usado es la ganancia del controlador. Este mtodo exige el
conocimiento de las funciones de transferencia del sistema.
El anlisis en el dominio de la frecuencia conformado por el estudio de la traza de
Bode, el diagrama polar de Nyquist y la carta de Nichols, permite mayor flexibilidad
en el sentido de que la informacin para elaborar estos instrumentos puede ser
obtenida en forma experimental y adems permiten observar mrgenes de
comportamiento ms amplios ya que adoptan escalas logartmicas. En realidad estos
tres instrumentos presentan la misma informacin de forma distinta, todos parten del
hecho de que la funcin de transferencia o ganancia de un sistema se puede
representar como una funcin compleja en el dominio de s y por tanto esta funcin
tendr una Magnitud y una fase para cada valor de s.
Bode presenta la informacin, como respuesta del sistema a entradas senoidales

s=jw, en dos grficos distintos, uno de la magnitud de la ganancia y el otro de la fase
ambos contra la frecuencia w. Nichols presenta un mapa de magnitud contra fase en el
cual se puede estudiar el sistema fijando un parmetro y siguiendo la trayectoria a
travs del mapa. Nyquist presenta un diagrama polar en donde hace variar s y grafica el
lugar geomtrico del valor complejo de la ganancia. Estas tcnicas trabajan en forma
natural con especificaciones de diseo propias de la respuesta de frecuencia, tales
como Margen de Ganancia, Margen de Fase, Ancho de Banda, Pico de
Resonancia, etc.
El anlisis de sistemas en base a la respuesta temporal est muy bien
desarrollado y sistematizado para sistemas de segundo orden, es por esto que para el
anlisis de orden superior los diseadores establecen modelos aproximados a este
orden. El mtodo se fundamenta en excitar el sistema mediante funciones de prueba
como escaln, rampa o parbola con la finalidad de observar dos tipos de
comportamiento el transitorio y el de estado estable. La ms usada como funcin de
prueba es el escaln y en base a esta se establecen especificaciones como Tiempo de
Crecimiento, Sobre Impulso, Rata de decaimiento, Tiempo de asentamiento, para el
comportamiento transitorio y Error de estado estable para el comportamiento en
rgimen permanente. En base al integral del error del sistema durante el transitorio, se
establecen ndices de desempeo como IAE, ISE, ITAE los cuales indican el grado de
optimizacin del conjunto de las especificaciones ante determinado criterio.

CLASIFICACIN DE LOS CONTROLADORES FUZZY PID.
Una forma de clasificar este tipo de controladores es mediante la ubicacin de

estos en el lazo de control, si ejercen accin directamente sobre el proceso se le llama
de Accin Directa (DA) y si son utilizados para modificar la ganancia se le llama de
Modificacin o Planificacin de ganancia o Gain-Scheduling (GS). Existen adems las
Formas Hbridas en donde se emplean combinaciones de los esquemas anteriores y
de otros esquemas tomados del control convencional.
Los controladores Fuzzy PID son esencialmente no lineales y la cantidad de
parmetros que pudiesen ser ajustados, ofrecen una gran potencialidad para los
esquemas de control Adaptativos. Muy pronto los investigadores se dieron cuenta que
es en la potencialidad de adaptabilidad en donde radica la fortaleza de este tipo de
controladores. El esquema planteado por Mamdani en 1974 presenta un problema y es
que, a pesar de ser una estructura no lineal la cual puede ser utilizada en la solucin de
problemas de control no lineal, esta estructura en si misma no es capaz de detectar los
cambios del punto de operacin del sistema.
Controladores Fuzzy PID de Accin Directa.
Los investigadores han dedicado esfuerzos a tratar de dotar a los controladores de

accin directa de propiedades que le permitan detectar los cambios en el punto de
operacin del sistema y as mediante estrategias adaptativas, potenciarlos en la
solucin de problemas control en sistemas con fuerte no linealidades. En el anexo 1
puede observarse los esquemas de 2 controladores de accin directa. Entre los
trabajos que apuntan en este sentido podemos nombrar los siguientes:
Controlador Fuzzy PID de Mltiples regiones: En 1994[22] se presenta un trabajo
denominado Controlador Fuzzy Multiregin para control de procesos no lineales 3 ,
Observando el hecho de que los controladores fuzzy tipo PID, que utilizan solo como
entrada las variables error e y variacin del error e , no son capaces de captar las no
linealidades que se presentan en el proceso y por tanto no ajustan la accin de control
en concordancia con las referidas no linealidades, proponen el esquema multi-regin
3
Traduccin del autor
para controlar procesos no lineales. El proceso ha controlar es dividido en regiones

fuzzy tales como Alta Ganancia, Baja Ganancia, Gran Constante de Tiempo, y Pequea
Constante de tiempo. Una variable auxiliar se introduce al controlador, la cual permite
detectar la regin de operacin en la que se encuentra el proceso, La tpica estructura
de solo dos variable e y e, es modificada con la introduccin de una variable auxiliar.
En este artculo se present una aplicacin para el control de pH en un reactor, la
variable auxiliar utilizada fue el propio pH, el cual durante el proceso presenta
bsicamente tres regiones. En esencia lo que se plate fue la existencia de una base
de reglas para cada regin aunque fueron introducidas en un solo motor de inferencia.
Finalmente concluyen que se requiere un estudio posterior sobre la entonacin del
controlador.
Controlador Fuzzy PID de esquema auto ajustable robusto: En 1999[23] Rajani K. et al,
proponen la entonacin de un controlador fuzzy de accin directa utilizando como
parmetro de auto ajuste el factor de escalamiento SU de la salida del controlador. El
mecanismo de auto ajuste es mediante un sistema de inferencia borrosa, el cual es
funcin del error y el diferencial del error, con estas dos entradas se elabora un factor
de modificacin del SU en base a unas reglas de inferencia borrosa.
Controlador Fuzzy PID de orden superior: En 1999[24], Han-Xiong Li et al, proponen
estructuras para subsanar problemas que se presentan en la aplicacin de
controladores borrosos directos en sistemas con procesos de orden superior o con
grandes tiempos de retardo. Se presentan dos esquemas para el controlador de orden
superior un esquema jerrquico y un esquema distribuido. Se aborda el tema de la
estabilidad mediante la teora del control de estructura variable VSC.
Controlador Fuzzy PID tipo Takagi-Sugeno (TS): En 2000 [25], Hao Ying propone un
controlador PID con inferencia tipo TS para sistemas no lineales, El esquema propuesto
lo aplic bajo simulacin a la regulacin de la presin de sangre en pacientes de post
operatorio.

Controladores Fuzzy PID con planificacin de ganancia.
Bajo esta categora ubicamos a aquellos controladores que son utilizados en el

clculo en lnea de las ganancias de un controlador PID convencional o un Fuzzy PID
ubicados en el camino directo, en el anexo 2 puede observarse el esquema del
controlador con planificacin de ganancia que se presenta a continuacin como
ejemplo.
El Controlador Fuzzy PID de esquema auto ajustable robusto presentado por Rajani en
[23] el cual se mencion en la seccin anterior, utiliza dos controladores Fuzzy uno en
el camino directo y el otro como elemento de auto ajuste en lnea, para darle mayor
adaptabilidad al controlador. El controlador de auto ajuste est especializado en
modificar el factor de escalamiento SU de la salida del controlador del camino directo,
este factor de escalamiento acta en esencia como una ganancia del sistema de tal
forma que estamos en presencia de un esquema de ganancia planificada o Gain-
Scheduling(GS).
Controladores Fuzzy PID Hbridos.
Sin duda que esta es la categora de mayor poblacin de ejemplos, la razn es

que bajo esta se pueden combinar esquemas de control que compensan entre si sus
desventajas para lograr esquemas hbridos mas robustos y ms eficientes. En el Anexo
3 se observa el esquema de uno de los ejemplos que se presentan a continuacin.
Fuzzy P + ID convencional: Wei Li en [26] presenta un esquema en el cual coloca un
controlador fuzzy en el camino de la ganancia proporcional del sistema, mientras que
las acciones integral y derivativa son calculadas convencionalmente, el diseo se hace
para control no lineal y es probado bajo simulacin. Un ao despus [27] nos presenta
el mismo esquema aplicado al control de un brazo manipulador.
Fuzzy PD + I convencional: Bong Joo Kim et al [28] propone un esquema hbrido
constituido por un controlador Fuzzy PD y un componente I convencional, el esquema
se especializa con gran eficiencia en el seguimiento de la referencia.

Convencional PI+ Fuzzy D: Ya Lei Sun et al [29] propone un esquema hbrido

compuesto por una parte proporcional integral PI convencional y un controlador Fuzzy
D alimentado por la variable controlada. El sistema es diseado para un sistema SISO
no lineal, se plantea que el sistema opera de manera equivalente a una parte lineal con
un componente no lineal en la realimentacin. La estabilidad se aborda mediante las
restricciones impuestas por el criterio del crculo.
El sistema propuesto por Rajani et al en [23] es tambin un sistema hbrido que utiliza
los controladores fuzzy tanto en el camino directo como para el ajuste en lnea de
parmetros.
Otros Criterios de Clasificacin.
Las clasificaciones de estos sistemas no son rgidas ni excluyentes de tal forma

que si nos planteamos otros criterios podemos encontrar parte de los antes tratados.
Los controladores presentados arriba son en su gran mayora especializados en el
seguimiento de la referencia ante cambios en ella misma. Sin embargo tambin se
realizan estudios para mejorar los controladores en su desempeo respecto a las
perturbaciones.
Controlador Fuzzy PD+ Fuzzy I:Un trabajo presentado por Malki et al [30] propone un
esquema separando la accin Fuzzy PID en dos componentes Fuzzy PD y Fuzzy I para
unirlos en forma aditiva, segn los autores esta estructura le da gran robustez al
sistema ante variaciones inciertas de la carga en el tiempo.
Los esquemas predictivos para mejorar los desempeos de sistemas con grandes
tiempos de retardo tambin son usados.
Controlador Fuzzy PID predictivo: El trabajo de Jialiang et al [31], partiendo del
esquema presentado anteriormente, le agrega una estructura predictiva mediante un
modelo CARMA (Control Auto Regresivo de Average Mvil) y un ndice de desempeo
ptimo el cual ser minimizado online. Se analiza la estabilidad desde el punto de vista
asinttico de Lyapunov. El sistema es tambin aplicado con xito a sistemas caticos.

Los trabajos de investigacin ms recientes apuntan en el sentido de darle poder

de aprendizaje y de auto organizacin a los controladores Fuzzy mediante el uso de
redes neuronales, conformando lo que se denomina Control Neuro Fuzzy.
Controladores Neuro Fuzzy: En este campo de reciente exploracin encontramos
trabajos como:
Wei Li et al [32] en el cual mediante una red neuronal establece la adaptacin dinmica
y mediante algoritmos genticos alcanza la optimizacin del sistema.
Jing-Chung Shen [33], en el cual propone la entonacin mediante redes neuronales de
controladores PID Fuzzy para plantas con respuestas subamortiguadas.
Ching-Hung Lee, Ching-Cheng Teng [34], presentan un mtodo de entonacin
mediante redes neuronales fuzzy FNN, para la entonacin de sistemas estables e
inestables, el mtodo atiende a especificaciones de margen de fase y de ganancia.
Controladores Fuzzy + Tnicas evolutivas: Recientemente se introducen las tcnicas
evolutivas ms comnmente los algoritmos genticos en la optimizacin del ajuste de
los controladores Fuzzy, en este campo podemos observar por ejemplo:
K. S. Tang et al [35], optimizan las ganancias de un controlador Fuzzy PI + D
convencional mediante algoritmos genticos multi objetivos (MOGA).
Wei Li et al [32] utiliza algoritmos genticos para la optimizacin del desempeo de
controladores Fuzzy..
Es usual tambin observar la clasificacin de los controladores Fuzzy PID de

accin directa segn la cantidad de entradas, el esquema de mayor uso es el de
controladores Fuzzy PID de dos entradas e y e, Bao-Gang Hu et al en [36], realiza un
estudio sistemtico de este tipo de controladores, basndose en las caractersticas
intrnsecas del controlador haciendo abstraccin del proceso en el que se aplicar.

CAPITULO 3
MARCO METODOLGICO.
En este captulo se presentan la clasificacin del presente estudio segn los

criterios textos especializados en la materia, los procedimientos utilizados y
metodologas elaboradas durante la ejecucin de la tesis.
CLASIFICACIN DEL PRESENTE ESTUDIO.
Mario Tamayo en su libro El Proceso de la Investigacin Cientfica, clasifica las

investigaciones fundamentalmente en dos formas pura y aplicada y en tres tipos
histrica, descriptiva y experimental, expone adems que es muy difcil encontrar
trabajos de investigacin que se puedan tipificar en forma pura, debido a que
generalmente son producto de la combinacin de los tres aspectos antes mencionados.
Tambin hace referencia Tamayo al hecho de que las investigaciones Aplicadas se
sustentan en investigaciones puras previamente realizadas.
Por otro lado Carlos Sabino en su libro Como Redactar una Tesis, presenta tres
criterios de clasificacin, segn el tipo de conocimientos que se desean o pueden
obtener en: Exploratorias, Descriptivas y Explicativas; si el propsito de la investigacin
est vinculado a la solucin o no de un problema prctico en: Pura y Aplicada; si el
trabajo est orientado a recopilar, ordenar y sistematizar informacin de fuentes
literarias o de encuestas se clasifican en Bibliogrficas y de campo.
Evidentemente como lo expresan incluso ambos autores, no hay y no debera
haber criterios rgidos de clasificacin de los trabajos cientficos que conducen a tesis,
sin embargo los criterios de clasificacin deben orientar al investigador en la propuesta
inicial de objetivos y mtodos a seguir en el desarrollo de su tesis. Parece ser que lo
importante es identificar la caracterstica ms resaltante del trabajo a emprender y estar
consiente sin embargo que esa clasificacin no es estrictamente pura sino que el
trabajo estar aderezado con otros componentes.
Captulo 3: Marco Metodolgico.

Segn los criterios expresados por ambos autores esta investigacin es

predominantemente de tipo aplicada debido a que el trabajo se realiza con la intencin
clara y manifiesta de ser aplicada en procesos tecnolgicos. Es una investigacin
adems experimental ya que en ella se realizan experimentos bajo simulacin en el
cual se mantiene un estricto control y manipulacin de los individuos en estudio. Tiene
esta investigacin tambin ribetes de Descriptiva ya que en ella se compila, organiza y
sistematiza informacin relacionada con los objetos de estudio y por ltimo y segn mi
criterio es tambin explicativa ya que trata de encontrar elementos vinculantes entre los
objetos de estudio mediante la comparacin de patrones de comportamiento.
PROCEDIMIENTO SEGUIDO DURANTE LA REALIZACIN DEL ESTUDIO.
Durante la realizacin de la tesis se abord el problema en cuatro etapas, una en

la cual se realiz una bsqueda extensiva de informacin sobre la lgica Fuzzy y sus
aplicaciones en control de procesos, otra en la que se enfoc el estudio a los
controladores PID Fuzzy, su estructura, diversidad, mtodos de anlisis, etc.; la tercera
en la que se ensambl una metodologa de anlisis y diseo y finalmente la cuarta que
consisti en disear, analizar y simular casos de estos tipos de controladores.
Productos obtenidos en las distintas etapas.
De las dos primeras etapas, se obtuvo el fundamento terico, profusamente

referenciado, el cual se presenta en el captulo que lleva ese mismo nombre, se
estudiaron los fundamentos de los conjuntos y la lgica Fuzzy, los temas relacionados
con los controladores PID Fuzzy y un apartado al control convencional con la finalidad
de establecer los vnculos entre ambas tecnologas.
De la tercera etapa se obtuvo la estrategia de diseo y anlisis que se presenta
ms adelante en este captulo, mediante una compilacin, toma de elementos
esenciales de varias propuestas y aportes producto de la experiencia propia.
De la cuarta y ltima etapa se obtuvo, mediante el diseo y simulacin, una serie
de perfiles de desempeo que permitieron elaborar las conclusiones. Estos resultados
se presentan en el captulo correspondiente a la presentacin de estos.
METODOLOGA DE ANLISIS Y DISEO DE CONTROLADORES PID FUZZY.
El enfoque metodolgico que aqu se presenta es una compilacin entre varias

tcnicas estudiadas en libros y artculos de revistas y aportes productos de la
experiencia propia. Se ha tratado de mantener un enfoque prctico sin desmejorar la
sustentacin terica que acompaa al enfoque.
Etapas para el diseo de controladores PID Fuzzy de accin directa.
La metodologa de diseo adoptada se estructura en dos grandes etapas, la

primera es una etapa preliminar en donde se obtienen los distintos parmetros de
diseo del controlador y se realizan pruebas de las caractersticas propias de este y una
segunda etapa de simulacin y ajuste de los parmetros de entonacin en base a
criterios de optimizacin dado por un ndice de desempeo seleccionado.
Etapa preliminar : Esta etapa consta de dos pasos, en el paso 1 se disea la estructura
del controlador y se establecen los parmetros estructurales; en el paso 2 se prueban
las caractersticas propias del controlador mediante un anlisis esttico de este.
Etapa de simulacin y ajuste: En esta etapa en un primer paso se realiza una prueba
preliminar para pre configurar los parmetros de ajuste con valores iniciales y
seleccionar el tipo de base de reglas a utilizar, despus en un segundo paso se
procede al ajuste mediante un proceso de optimizacin analizando la evolucin del
sistema ante los cambios introducidos en los parmetros.
Parmetros de diseo de controladores PID Fuzzy de accin directa.
Los parmetros de diseo los clasificaremos, en base a una adaptacin a los

controladores PID Fuzzy de accin directa del criterio presentado por Baogang Hu et al
[37], en dos bloques: los parmetros estructurales y los parmetros de entonacin.

Los parmetros estructurales: Son los que definen la estructura del controlador y se
determinan durante la etapa preliminar, aunque peden ser modificados dependiendo de
la experticia que se obtenga en la etapa de Simulacin y ajuste. La idea es que estos
no sean ajustados en forma permanente. En la Tabla # 5 se muestra una lista de
parmetros estructurales del controlador.
Los parmetros de entonacin: Son los que permiten ajustar el controlador a las
exigencias de desempeo mediante el seguimiento de un ndice establecido para la
obtencin del ptimo buscado del controlador. Estos parmetros se calculan durante la
etapa de entonacin. En la Tabla # 5 se presenta una lista de estos parmetros. Si se
establece una estructura que permita el clculo en lnea de estos parmetros ante
variaciones del punto de operacin del sistema, entonces estamos en presencia de
estructuras auto ajustables. De este tipo de algoritmos encontramos referencias en [22],
[23], [32], [38].
Parmetros de diseo de los controladores Fuzzy PID de accin directa.

Parmetros estructurales. Parmetros de entonacin.
Entradas al controlador Factor de escalamiento de las entradas
Salidas del controlador Factor de escalamiento de las salidas
Particin del universo de las entradas y salidas.
Parmetros de las funciones de
Funciones de pertenencia. pertenencia
Reglas Fuzzy Peso asociado a las reglas
Mecanismo de inferencia Constante KPD
Mecanismo de Defuzzification Constante KPI
Estructura interna del PID Fuzzy
Tabla # 5 Parmetros de diseo de los controladores Fuzzy PID de accin directa.

Estructura del controlador PID Fuzzy de accin directa.
Para el presente estudio escogimos la estructura del controlador presentada en la

Figura # 20, la cual es tomada de una clasificacin realizada por George K. et al [39] la
cual mantiene una estructura en la base de reglas similar a la propuesta por Mandani, lo
cual hace que permanezca el acople entre reglas, sin embargo mediante la
manipulacin de las constantes KPD y KPI, se puede inclinar la tendencia del controlador
hacia una accin u otra.
Figura # 20: Estructura del controlador Fuzzy PID
El ncleo del controlador presentado arriba como una funcin FLC=f (, ), es

una estructura similar a la estudiada en la Figura # 17 de la pgina 70 de la seccin
Estructura de controladores Fuzzy del fundamento terico. Hay que tener presente que
en el caso de arriba el controlador es solo de dos entradas y una salida.
Etapa preliminar
En la etapa preliminar se definen los parmetros estructurales del controlador

como son las variables lingsticas, vale decir las variables de entrada, las variables de
salida, los valores lingsticos vale decir la particin de ambas variables, las funciones
de pertenencia, la base de reglas, la definicin del mecanismo de inferencia. Para esta
etapa nos apoyaremos con la herramienta de diseo Fuzzy logic Toolbox de MatLab 6.0
[40].

La Dinmica del sistema.
En este primer paso de la etapa preliminar se establecen las condiciones

dinmicas generales que se esperan en el sistema resultante al agregar un controlador
Fuzzy PID. Basados en conceptos tomados del anlisis de sistemas de segundo orden
pero que pueden ser extendidos a orden superior, haremos un anlisis de los grficos
en el dominio el tiempo de la respuesta tpica de la salida, el error y el diferencial del
error de un sistema subamortiguado, esto permitir ms tarde expresar de manera
intuitiva, en forma de reglas, el comportamiento que esperamos del controlador. Al
hacer esto estamos definiendo las variables del controlador.
En la Figura # 21 podemos observar cuatro tramos (A, B, C y D) del dominio del

tiempo y cinco puntos (E, F, G y H) los cuales revisten particular inters en el anlisis
que realizaremos a continuacin.
Tramo A Tramo B Tramo C Tramo D

1,60
1,40 F
1,20
E G
1,00
0,80 H Salida
0,60 Error
0,40 Variacin
del Error
0,20
0,00
10
13
16
19
22
25
28
31
34
37
1
4
7
-0,20
-0,40
-0,60
Figura # 21: Salida, Error y Diferencial del Error en un sistema Sub Amortiguado

Tramo A: El error tiene valor positivo mientras que su variacin es negativa lo cual
implica que la salida del sistema se aproxima a la referencia desde valores inferiores.
Tramo B: El error tiene valor negativo y su variacin es negativa lo cual implica que la
salida del sistema se aleja de la referencia hacia valores superiores.
Tramo C: El error tiene valor negativo y su variacin es positiva lo cual implica que la
salida del sistema se aproxima a la referencia desde valores superiores.
Tramo D: El error tiene valor positivo y su variacin es positiva lo cual implica que la
salida del sistema se aleja de la referencia hacia valores inferiores.
Punto E: En este el error es cero y el diferencial del error es negativo, la inercia que trae
lo lleva al sobre impulso positivo.
Punto F: En este se ha alcanzado mximo sobre impulso el error est en su mximo
negativo y su diferencial en cero.
Punto G: En este el error es cero y el diferencial del error es positivo, la inercia que trae
lo lleva al sobre impulso negativo.
Punto H: En este el error est en un mximo relativo y el diferencial del error es cero.
Estado Estable: Si el sistema evoluciona de manera favorable tendremos una condicin
deseada de estado estable con error y su variacin en cero.
Podemos inferir de manera general que si manipulamos el controlador
adecuadamente en cada tramo de la dinmica del sistema, podemos obtener las
respuestas buscadas.

La particin de las entradas.
En la descripcin de los tramos y puntos de la grfica anterior hemos utilizado

expresiones lingsticas como negativo, positivo y cero para referirnos a los valores que
toman el error y su variacin. En forma natural podemos tomar estas expresiones como
los valores lingsticos de las entradas error e(k) y su variacin e(k), as la particin de
las variables de entrada al controlador queda de la siguiente forma:
Negativo Cero Positivo

1
Pertenencia
Grado de
0
-Max 0 +Max
e(k)
Figura # 22: Definicin de valores lingsticos de e(k)

1
Pertenencia
Grado de
0
-Max 0 +Max
e(k)
Figura # 23: Definicin de valores lingsticos de e(k)

La particin de la salida.
Podemos pensar que estamos buscando una funcin tal que, para cada par de
valores (e(k),e(k)), nos defina el valor de la salida del controlador u(k)=F(e(k),e(k)).
Los valores lingsticos de u(k) quedan de la siguiente forma:

1
Pertenencia
Grado de
0
-Max 0 +Max
u(k)
u(k).
Figura # 24: Definicin de valores lingsticos de
Los conjuntos Fuzzy que definen los valores lingsticos del error e(k) del cambio
del error e(k) y de la salida u(k) son:
[( x ) Max ]
0
Negativo = x
Max
[(x + Max ) Max ] [( x) Max ]

0 Max
Cero = x+ x
Max 0
[(x) Max]
Max
Positivo = x
0

Base de reglas del controlador.
Siguiendo la interpretacin por tramos, de la dinmica temporal del sistema, que

realizamos anteriormente, nos damos cuenta que la base de reglas va ha variar segn
sea el objetivo que perseguimos con el controlador. En esta seccin definiremos dos
Bases de reglas que respondern a los siguientes propsitos: Una para obtener una
respuesta lo ms rpida posible la cual llamaremos base de reglas A, y la otra para
obtener una salida con el menor sobre impulso posible la cual llamaremos base de
regla B.
Base de reglas para obtener una respuesta lo ms rpida posible:

Para el Tramo A.
R1= Si e(k) es Positivo y e(k) es Negativo entonces u(k) es Positivo.
Para el Punto E.
R2= Si e(k) es Cero y e(k) es Negativo entonces u(k) es Cero.
Para el Tramo B.
R3= Si e(k) es Negativo y e(k) es Negativo entonces u(k) Negativo.
Para el Punto F.
R4= Si e(k) es Negativo y e(k) es Cero entonces u(k) Negativo.
Para el Tramo C.
R5= Si e(k) es Negativo y e(k) es Positivo entonces u(k) Negativo.
Para el Punto G.
R6= Si e(k) es Cero y e(k) es Positivo entonces u(k) Cero.
Para el Tramo D..
R7= Si e(k) es Positivo y e(k) es Positivo entonces u(k) Positivo.
Para el Punto H..
R8= Si e(k) es Positivo y e(k) es Cero entonces u(k) Positivo.
Para el Estado Estable..
R9= Si e(k) es Cero y e(k) es Cero entonces u(k) Cero.
La base de reglas A se puede representar mediante la siguiente matriz.

e(k)
Positivo Negativo Cero Positivo
e(k) Cero Negativo Cero Positivo
Negativo Negativo Cero Positivo

Base de reglas para obtener una respuesta con poco sobre impulso:
Para el Tramo A.
R1= Si e(k) es Positivo y e(k) es Negativo entonces u(k) es Positivo.
Para el Punto E.
R2= Si e(k) es Cero y e(k) es Negativo entonces u(k) es Negativo.
Para el Tramo B.
R3= Si e(k) es Negativo y e(k) es Negativo entonces u(k) Negativo.
Para el Punto F.
R4= Si e(k) es Negativo y e(k) es Cero entonces u(k) Negativo.
Para el Tramo C.
R5= Si e(k) es Negativo y e(k) es Positivo entonces u(k) Negativo.
Para el Punto G.
R6= Si e(k) es Cero y e(k) es Positivo entonces u(k) Positivo.
Para el Tramo D..
R7= Si e(k) es Positivo y e(k) es Positivo entonces u(k) Positivo.
Para el Punto H..
R8= Si e(k) es Positivo y e(k) es Cero entonces u(k) Positivo.
Para el Estado Estable..
R9= Si e(k) es Cero y e(k) es Cero entonces u(k) Cero.
La base de reglas B se puede representar mediante la siguiente matriz.

e(k)
Positivo Negativo Positivo Positivo
Negativo Negativo Negativo Positivo
Mecanismo de inferencia.
En este estudio tomaremos la funcin min como Tnorm para resolver el grado de
certeza del antecedente de las reglas que tienen el conectivo and, igualmente
utilizaremos esta misma funcin para resolver la implicacin con el consecuente. Esta
seleccin obedece a una prctica comn en el control fuzzy de utilizar estas funciones
por ser de muy fcil implementacin computacional y arrojar suficiente precisin en los
resultados.

Mtodo de agregacin.
El mtodo de agregacin a utilizar es el max de los valores Fuzzy resultados de la
evaluacin de las reglas activas.
Mtodo de Defuzzyfication.
El mtodo de Defuzzyfication a utilizar es el centro de gravedad de la figura
geomtrica que queda como resultado de la agregacin de las reglas.
Elaboracin del Controlador Fuzzy.

Con ayuda del Fuzzy Logic Toolbox de MatLab[40], los parmetros estructurales
antes descritos los introducimos en el Ambiente FIS editor para configurar el
controlador.
Anlisis esttico del controlador.

Para el anlisis previo del controlador con el objeto de observar sus caractersticas
propias, sin estar insertado en un lazo, podemos utilizar el visor de superficie, del
toolbox de Fuzzy Logic MatLab, para ver el comportamiento de la salida del controlador
en funcin de los pares (e(k), e(k)).
Etapa de Simulacin y ajuste:
Prueba dinmica preliminar.

Para pre configurar los parmetros de ajuste y para la seleccin del tipo de base
de reglas que se elegir para el controlador, se somete el proceso a controlar a una
prueba con el escaln unitario en lazo cerrado con un controlador proporcional.

Los factores de escalamiento.
En la definicin de variables lingsticas y su particin en valores lingsticos

Fuzzy, se tomo como universo de discurso el intervalo real [-1 1] tanto para las entradas
como para la salida del controlador esta normalizacin es til para la interpretacin y
anlisis del controlador pero requiere de factores que escalen el valor real proveniente
del proceso, tanto en el caso de las entradas e y e como en el caso de la salida u que
va ha actuar sobre el referido proceso. En la Figura # 20, se observa la presencia de los
tres factores de escalamiento Se, Sce y Su , los cuales corresponden al error, cambio o
variacin en el error y a la salida.
A continuacin se expresan los criterios para el ajuste inicial de estos parmetros:
Factor de escalamiento del error Se: Este factor ser ajustado en forma tal que el
mximo error que llegue a la entrada del controlador tenga valor de 1.
Factor de escalamiento de la variacin del error Sce: Este factor ser ajustado
inicialmente en un valor de 10 ya que se estima la diferencia mxima alcanzada
sea un 10% del error ya que el tiempo de muestreo se trata de ajustar a 10 veces
el tiempo de crecimiento.
Factor de escalamiento de la salida Su: Este Factor ser ajustado inicialmente,
tomando en cuenta el valor mximo que puede alcanzar la salida del controlador,
segn la saturacin del elemento final al que est excitando.
Efectos integral y derivativo.
El efecto integral y/o derivativo que se le pueda introducir al controlador se har

mediante las constantes KPI y KPD respectivamente. Segn los resultados arrojados por
la corrida preliminar del sistema en lazo cerrado se pre configuran los valores de KPI y
KPD.

Ajuste mediante simulacin.
El ajuste del sistema se har mediante un proceso de optimizacin en el cual las

variables a manipular son los parmetros KPI , KPD , Se, Sce y Su, utilizando como ndice
de desempeo bien sea el integral del valor absoluto del error IAE o el integral del valor
absoluto del error multiplicado por el tiempo ITAE. La seleccin de una u otra opcin se
har segn los criterios que para esto expone Ogata en [13].
Para sistemas en donde se requiera reducir al mnimo los sobre impulsos iniciales
el criterio ms adecuado es IAE, mientras que en sistemas en donde se requiera reducir
el efecto de las oscilaciones prolongadas el criterio mas adecuado es ITAE. Una vez
seleccionado el ndice de desempeo ms adecuado se procede a darle valores a la los
parmetros segn el ajuste que se desee y se tabulan o grafican los valores de los
ndices de desempeo obtenidos, hasta obtener un mnimo que represente claramente
el ptimo del sistema.
Para la simulacin se utilizar el ambiente Simulink en donde se pueden integrar
los controladores diseados en el toolbox de lgica Fuzzy de Matlab [40].
Herramientas para el seguimiento y anlisis.
Para seguir y analizar el comportamiento del sistema se utilizarn las siguientes

herramientas:
El diagrama de fase de estado: el cual est constituido por una grfica en la cual se
presenta el error e en el eje de las accisas y la variacin del error e en el eje de las
ordenadas. Mediante el anlisis de esta grfica podemos ver si el sistema evoluciona
hacia un desempeo oscilatorio o por el contrario lo hace hacia uno sobre amortiguado,
segn el comportamiento simultneo de las variables e y e tomadas como variables de
estado.

Tablas y grficas del ndice de desempeo: mediante estas se evala la evolucin del
ndice de desempeo ante las variaciones de la variable a manipular, de tal forma de
poder determinar el mnimo que nos indicar el ptimo buscado.
Visor del comportamiento de las reglas: mediante esta herramienta del toolbox de lgica
Fuzzy de Matlab [40]., podemos observar la evolucin dinmica del motor de inferencia
y determinar posible saturaciones en las variables de entrada y/o salida del controlador
y de esta forma poder corregir los factores de escalamiento.
Grficas temporales: la observacin de las grficas de la salida del sistema, el error y su
integral, as como la accin de control son de utilidad en el anlisis.

CAPITULO 4
PRESENTACIN Y ANLISIS DE RESULTADOS.
En este captulo se presentan y analizan los resultados obtenidos de la aplicacin

de la metodologa descrita en el captulo anterior. Se estudiaron tres casos que
corresponden a procesos de primer, segundo orden subamortiguado y segundo orden
sobre amortiguado.
Elaboracin del controlador

En la etapa preliminar se definen los parmetros estructurales del controlador,
para esta etapa nos apoyaremos con la herramienta de diseo Fuzzy logic Toolbox de
MatLab 6.0. [40]. y tomaremos los criterios establecidos en el captulo anterior para la
determinacin de las variables, valores lingsticos y su particin, as como tambin las
base de reglas y la definicin de los mtodos de inferencia y Defuzzification.
Parmetros estructurales del Controlador Fuzzy.

En la siguiente figura se pueden observar parte de los parmetros estructurales de
un controlador elaborado en el Toolbox de MatLab.
Figura # 25: Editor de parmetros estructurales del Toolbox de Matlab.
Captulo 4: Presentacin y Anlisis de Resultados.

Particin de entradas y Salida:

Se tomaron en cuenta los planteamientos y los esquemas de particin de las
variables hechos en el captulo anterior.
El error qued declarado de la siguiente forma
Figura # 26: Particin de la entrada e(k) en el Toolbox de Matlab.

El diferencial del error qued declarado de la siguiente forma:
Figura # 27: Particin de la entrada e(k) en el Toolbox de Matlab.

La salida del controlador qued declarada de la siguiente forma
Figura # 28: Particin de la salida U(k) en el Toolbox de Matlab.
Base de reglas
La base de reglas del Controlador A qued definida de la siguiente manera:
Figura # 29: Base de reglas controlador A en el Toolbox de Matlab.

La base de reglas A se puede representar mediante la siguiente matriz.

e(k)
Positivo Negativo Cero Positivo
Negativo Negativo Cero Positivo
La base de reglas del Controlador B qued definida de la siguiente manera:
Figura # 30: Base de reglas controlador B en el Toolbox de Matlab.

La base de reglas B se puede representar mediante la siguiente matriz.
e(k)
Positivo Negativo Positivo Positivo
Negativo Negativo Negativo Positivo

Anlisis esttico del controlador.

Para el anlisis previo del controlador con el objeto de observar sus caractersticas
propias, sin estar insertado en un lazo, podemos utilizar el visor de superficie, del
toolbox de Fuzzy Logic MatLab, para ver el comportamiento de la salida u(k) del
controlador en funcin de los pares (e(k), e(k)).
La caracterstica de salida del controlador A la podemos observar en la siguiente
figura:
Figura # 31: Superficie de u(k)=F{e(k), e(k)}, para controlador Fuzzy tipo A.
Podemos observar como la salida u(k), mantiene cierta proporcionalidad con el

error e(k) asignando valores ms positivos en la medida en que el error tambin lo hace
e igual comportamiento con el lado negativo del error, mientras que en los puntos
cercanos al error cero, la salida se hace cero formando una especie de zona de
inflexin que favorece el establecimiento del rgimen permanente con ausencia de
error. En general el controlador reaccionar con mayor fuerza ante valores extremos del
error e(k), pero tender a cero en forma ms suave alrededor del eje cero del error e(k).
Se espera que este tipo de controlador introduzca proporcionalidad al sistema lo cual lo
hace mejorar las respuestas de velocidad crecimiento, pero desmejora la amortiguacin
del sistema.

Caracterstica de salida del controlador B la podemos observar en la siguiente

figura:
Figura # 32: Superficie de u(k)=F{e(k), e(k)} , para controlador Fuzzy tipo B.

Podemos interpretar la salida u(k) comparativamente con el caso anterior en el
sentido de que cuando el error e(k) es cero y y el diferencial e(k) es negativo, lo cual
implica que la salida alcanz la referencia pero viene creciendo, la salida del
controlador u(k) es tal que se opone al crecimiento de la salida del sistema. Cuando el
error e(k) es cero y el diferencial e(k) es positivo, lo cual implica que la salida alcanz
la referencia pero viene decreciendo, la salida del controlador u(k) es tal que se opone
al decrecimiento de la salida del sistema. Se trata en esencia de un efecto predictivo ya
que se toma en cuenta la tendencia de error y no solamente su valor instantneo. Esto
indudablemente ayuda a minimizar los sobre impulsos pero introduce un
comportamiento ms selectivo del controlador respecto al establecimiento del estado
estable.

Simulacin y ajuste:
En esta etapa se procede al ajuste de los parmetros de entonacin, para lograr el
desempeo ptimo del sistema elegido, segn el ndice de desempeo seleccionado.
Caso 1: Sistema de primer orden.

El primer sistema ha estudiar es propuesto como ejemplo en el trabajo de
Baogang et al [37]. Es un sistema de primer orden sin retardo.
1
G( s) = Ec. 74
s +1
Es un sistema trmico al cual se le requiere controlar la temperatura, la accin de
control a suministrar al actuador debe estar en un rango positivo entre umin =0 y umax =10

El sistema es probado para observar su respuesta al escaln unitario y teniendo
un controlador proporcional. En la siguiente figura se muestra el diagrama
implementado en Simulink para realizar esta prueba y la respuesta que arroj.
Figura # 33: Lazo de prueba preliminar y respuesta del sistema Caso 1

Analizando la respuesta nos damos cuenta que el sistema tiene un marcado nivel
de error estacionario en el orden de 50% por debajo de la referencia y un tiempo de
elevacin del orden de los 2 segundos, este valor de tiempo de elevacin lo tomaremos
para el clculo del tiempo de muestreo debido a que el controlador fuzzy lo
simularemos como implementado en un sistema microcomputador, el tiempo de
muestreo que tomaremos ser de una dcima el tiempo de crecimiento observado en la
respuesta 0.2 Seg Es evidente la necesidad de un ajuste del efecto integral y la
ganancia del camino directo.
Como es necesario darle al sistema la mayor ayuda posible para alcanzar la
referencia entonces utilizaremos el controlador tipo A.
Selecciones y Ajustes iniciales.
El tiempo de muestreo ser el 10% del tiempo de crecimiento observado en la

prueba preliminar, por tanto ser de 0.2 Seg.
El factor de escalamiento del error, lo fijaremos inicialmente en Se=1 de tal forma
que el valor escalado corresponda con el mximo error esperado. El factor de
escalamiento del diferencial o variacin del error, lo fijaremos inicialmente en Sde = 10
ya que se espera que la mayor variacin sea del 10%. El factor de escalamiento de la
salida, lo fijaremos inicialmente en Su = 1 de tal forma que se corresponda con el 10%
del mximo valor que soporta el actuador.
La constante del efecto integral la fijaremos inicialmente en KPI=0.1, lo cual se
corresponde con el 10% del escaln a aplicar. La constante del efecto derivativo la
fijaremos inicialmente en KPD=0, debido a que no consideramos necesario su utilizacin.
La base de reglas a utilizar ser la A para darle la mayor velocidad de crecimiento
al sistema.

En la siguiente tabla se muestran los parmetros de ajuste inicial y sus valores.

Parmetro Valor inicial
Se 1
Sde 10
Su 1
KPI 0.1
Estructura del lazo de control.

La siguiente figura muestra la estructura del lazo de control utilizado para la
simulacin en Simulink.
Figura # 34: Lazo de Control caso1

En la figura se muestra un lazo en el cual se observan los siguientes elementos, un
escaln unitario Step, un restador para obtener la desviacin o error del sistema, un
retenedor de orden cero RetE para simular la toma de muestra del error en una tarjeta
de adquisicin de un sistema microcomputador, el factor de escalamiento del error Se,
una estructura compuesta por Delay E y un restador para obtener la diferencia de error
entre dos muestras consecutivas, el factor de escalamiento Sde de la diferencia del
error, un multiplexor para introducir las seales del error y del diferencial en el bloque
del controlador Fuzzy, una estructura compuesta por Delay U y un sumador para
obtener el acumulado de la salida u del controlador, la constante integradora KPI, la
constante derivativa KPD, un sumador para integrar las vertientes derivativas e
integradoras, el factor de escalamiento Su de la salida u, un retenedor de orden cero
RetU para simular la entrega de muestra de la salida del controlador en una tarjeta de
salida de un sistema microcomputador, un bloque para simular la saturacin del
elemento actuador y finalmente el bloque del proceso de primer orden.

Ajuste del controlador:
La primera corrida se har con los valores iniciales y luego se ajustarn estos en
funcin del comportamiento del sistema.
Caso en Valor Indice
Corrida Parmetro Comentario
estudio Inicial IAE
1 6.532
Se 1.0 La salida del
sistema presenta un
Sde 10.0
Caso1 error en rgimen
permanente
Su 1
bastante marcado.
KPI 0.1
Tabla # 6: Corrida 1Caso 1

El resultado obtenido en la salida del sistema y en la grfica de fase de estado se
presentan a continuacin.
Fase de estado
Error e
Figura # 35: Fase de estado y salida del sistema corrida 1 Caso 1
Las grficas muestran la presencia de error estacionario, los pasos siguientes los
enfocaremos a mejorar el tiempo de elevacin de la salida del sistema, lo haremos
subiendo el factor de escalamiento de la salida Su..


estudio Inicial IAE
2 Se 1.0 4.024
Sde 10.0
Su 2
KPI 0.1
3 Su 3.0 2.885 La corrida 9
4 Su 4.0 2.096 present el mejor
Caso1 ndice de
5 Su 4.1 2.022 desempeo, para un
valor de Su=4.5
6 Su 4.2 1.949
7 Su 4.3 1.875
8 Su 4.4 1.804
9 Su 4.5 1.791
10 Su 4.6 1.818
11 Su 5.0 1.970
Tabla # 7: Corridas 2-11 Caso 1

A continuacin se presenta el diagrama de fase de estado y la salida del sistema
para la corrida 9 del caso 1.
Fase de estado
Error e
Figura # 36: Fase de estado y salida del sistema corrida 9 caso 1.

Se observa en la figura Figura # 36 que se alcanz un error estacionario bastante

bajo, en mediciones durante la simulacin se determin cercano al 0.3%, no obstante la
grfica de fase de estado muestra un comportamiento abrupto en la incursin del
sistema en el primer semiplano, esto ocasiona una distorsin en la salida que
contribuye a desmejorar el indice de desempeo. Para mejorar esta respuesta
manipularemos el factor de escala Sde.
estudio Inicial IAE
12 Se 1.0 1.786
Sde 9.9
Su 4.5
KPI 0.1
13 9.8 1.781
14 9.7 1.777
15 9.6 1.774
16 9.5 1.773 El mejor desempeo
Caso1 se obtuvo en la
17 9.4 1.772
corrida 22, para un
18 9.3 1.772 valor de Sde=8.9.
Sde
19 9.2 1.769
20 9.1 1.767
21 9.0 1.765
22 8.9 1.764
23 8.8 1.765
24 8.7 1.767
Tabla # 8: Corridas 12-24 Caso 1.

Los resultados grficos de la corrida 22, la cual arroj el mejor ndice de
desempeo, se presentan a continuacin

Fase de estado
Error e

El sistema mejor la forma de ambas grficas lo cual se tradujo en una mejora del
ndice de desempeo el cual es llevado de 1.791 en la corrida 9 a 1.764 en la corrida
22, sin embargo se oper una desmejora en el error estacionario alcanzando el valor
del 1% por encima de la referencia. A continuacin reduciremos este error manipulando
KPI.
Controlador Corrida Parmetro y su Valor ndice Comentario

IAE
25 Se 1.0 1.749
Sde 8.9
Su 4.5
KPI 0.099
El mejor ndice de
26 0.098 1.735
desempeo se
Caso1 27 0.097 1.722 obtuvo en la corrida
29, para un valor de
28 0.096 1.712
KPI=0.095
KPI
29 0.095 1.705
30 0.094 1.722
31 0.093 1.756
Tabla # 9: Corridas 25-31 Caso 1.

Los resultados grficos de la corrida 29, la cual arroj el mejor ndice de
desempeo, se presentan a continuacin.

Fase de estado
Error e

Se obtuvo un error estacionario prcticamente cero en el orden del 0.15%, con un
ndice de desempeoo optimizado en 1.705 para la corrida 29
Sntesis del Procedimiento y Anlisis de Resultados.
Una vez que se eligi el controlador tipo A, para el proceso de primer orden
planteado como caso 1, el procedimiento de ajuste lo podemos dividir en tres fases:
Primera fase: En la cual el se realiz un ajuste del factor Su, con el objeto de mejorar el
tiempo de elevacin de la salida del sistema, como se observa en la Tabla # 7 de las
corridas 2-11 del caso 1, los resultados de la corrida con mejor tiempo de elevacin se
presentan en la Figura # 36.
Segunda fase: En la cual se realiz un ajuste del factor de escalamiento Sde, con el
objeto de mejorar el error estacionario del sistema mediante el control de la evolucin
del sistema en el semiplano del diagrama de fase de estado, como se observa en la
Tabla # 8 de las corridas de la 12 a la 24 del caso 1, el mejor ndice de desempeo
alcanzado fue el de la corrida 22, obtenindose un error estacionario del 0.3%, los
resultados de las corridas con mejor desempeo se presentan en la Figura # 37.
Tercera fase: En la cual el se realiz un ajuste de la accin integradora mediante KPI,
con el objeto de mejorar el error estacionario del sistema, como se observa en la Tabla
# 9 de las corridas de la 25 a la 31 del caso 1, el mejor ndice de desempeo alcanzado
fue el de la corrida 29, obtenindose un error estacionario del 0.15%, los resultados de
la corrida con mejor desempeo se presentan en la Figura # 38.

Caso 2: Sistema de Segundo orden subamortiguado.

El segundo sistema estudiado es propuesto como ejemplo en el trabajo de
Baogang et al [37]. Es un sistema de segundo orden.
1
G(s) = Ec. 75
s(s + 1)
Representa un sistema de segundo orden como por ejemplo el mecanismo de control
de posicin en un motor ac. La saturacin del actuador est en el rango de umin =-5 y
umax =25.

implementado en Simulink para realizar esta prueba y la respuesta que arroj

Analizando la respuesta nos damos cuenta que el sistema es de tipo superior a

cero, la grfica de la Figura # 39 revela la presencia en el proceso del efecto integrador
el cual provoca un sobre impulso para compensar el error negativo acumulado, el
sistema se auto regula de tal forma que el error en estado estable es cero.
El anlisis anterior nos permite concluir que es necesario agregarle al sistema
efecto derivativo para evitar los sobre impulsos, lo cual implica que debemos omitir el
efecto integrador en el controlador y por tanto la constante integradora debe tener valor
KPI=0.

prueba preliminar, por tanto ser de 0.2 Seg. El factor de escalamiento del error, lo
fijaremos inicialmente en Se=1 de tal forma que el valor escalado corresponda con el
mximo error esperado. El factor de escalamiento del diferencial o variacin del error, lo
fijaremos inicialmente en Sde = 10 ya que se espera que la mayor variacin sea del
10%. El factor de escalamiento de la salida, lo fijaremos inicialmente en Su = 2.5 de tal
forma que se corresponda con el 10% del mximo valor que soporta el actuador. La
base de reglas a utilizar ser la B para contribuir a la prevencin de sobre impulsos. La
constante del efecto integral la fijaremos en KPI=0, como consecuencia del anlisis de la
respuesta en lazo abierto. La constante del efecto derivativo la fijaremos en KPD=1, con
lo cual se garantiza que el producto de las ganancias a la salida del controlador no sea
mayor que el mximo soportado por el actuador.
Se 1
Sde 10
Su 2.5
Kpi 0
KPD 1
Tm 0.2


simulacin, en Simulink.

elemento actuador y finalmente el bloque del proceso de segundo orden tipo 1.

Ajuste del controlador.
estudio Inicial IAE
1 2.25 La salida del
Se 1.0 sistema se eleva
sobre la referencia
sin presentar
Sde 10.0
oscilacin
Caso2 mantenindose un
error de estado
Su 2.5 estable del orden
del 4%.
KPD 1

Los resultados obtenidos en la salida del sistema y en la grfica de fase de estado
se presentan a continuacin.
Fase de estado
Error e
Figura # 41: Fase de estado y salida del sistema corrida 1 caso 2

El paso a seguir es mejorar el error estacionario del sistema manipulando la

constante KPD,.
estudio Inicial IAE
2 Se 1.0 2.113
Sde 10
Su 2.5
El mejor ndice se
Caso2 obtuvo en la corrida
KPD 0.95 5, para un valor de
3 0.90 1.986 KPD=0.80.
4 0.85 1.978
KPD
5 0.80 1.875
6 0.75 2.132

para la corrida 5 del caso 2, la referida corrida present el mejor ndice de desempeo.
Fase de estado
Error e

La Grfica de la salida refleja que se obtuvo un error de estado estable
prcticamente cero, en mediciones realizadas durante la simulacin fue del orden del
0.15%.


Una vez que se eligi el controlador tipo B, para el proceso de segundo orden
planteado como caso 2, el procedimiento de ajuste se realiz en una sola fase , en la
cual se realiz el ajuste de KPD, logrando reducir el error estacionario de un valor inicial
del 4%, hasta un valor de 0.15% en la corrida 5 en la que se obtuvo el mejor ndice de
desempeo, los resultados del procedimiento de 6 corridas y las grficas de la corrida 5
del caso 2, se presentan en la Tabla # 11: Corridas 2-6 Caso 2.

Caso 3: Sistema de Segundo orden sobremortiguado.

El tercer sistema estudiado es propuesto como ejemplo en el trabajo de Baogang
et al [37]. Es un sistema de segundo orden sobre amortiguado.
2
G( s) = Ec. 76
(s + 3)(s + 1)
Representa un sistema de segundo orden como lo son varios procesos trmicos. La
saturacin del actuador est en el rango de umin =0 y umax =10.

implementado en Simulink para realizar esta prueba y la respuesta que arroj

Analizando la respuesta en la grfica de la Figura # 43, nos damos cuenta que el

sistema tiene una marcada tendencia a el establecimiento de error estacionario, de
hecho representa un error estacionario superior al 50%, lo cual es tpico de un sistema
tipo cero, sobre amortiguado.
El anlisis anterior nos permite concluir que es necesario agregarle al sistema
efecto proporcional e integral, lo cual implica que tomaremos el controlador tipo A y
manipularemos principalmente KPI y SU como parmetros de ajuste.

prueba preliminar, por tanto ser de 0.2 Seg. El factor de escalamiento del error, lo
fijaremos inicialmente en Se=1 de tal forma que el valor escalado corresponda con el
mximo error esperado. El factor de escalamiento del diferencial o variacin del error, lo
fijaremos inicialmente en Sde = 10 ya que se espera que la mayor variacin sea del
10%. El factor de escalamiento de la salida, lo fijaremos inicialmente en Su = 1 de tal
forma que se corresponda con el 10% del mximo valor que soporta el actuador. La
base de reglas a utilizar ser la B para contribuir a la prevencin de sobre impulsos. La
constante del efecto integral la fijaremos en KPI=0.1, lo cual es el 10% del escaln
aplicado.
Se 1
Sde 10
Su 1
KPI 0.1


simulacin, en Simulink.

elemento actuador y finalmente el bloque del proceso de segundo orden tipo 0.

Ajuste del controlador.
estudio Inicial IAE
1 11.35
Se 1.0
Sde 10.0
Se mejora el error
Caso3 estacionario pero
requiere de mayor
Su 1 ajuste
KPI 0.1

Los resultados obtenidos en la salida del sistema y en la grfica de fase de estado
se presentan a continuacin.
Fase de estado
Error e
Figura # 45: Fase de estado y salida del sistema corrida 1 caso 3

El paso a seguir es manipular el factor de escalamiento de la salida SU para

introducir mayor velocidad de respuesta del sistema y a la vez procurar mejorar el error
estacionario.
estudio Inicial IAE
2 Se 1.0 8.125
Sde 10
Su 2
KPI 0.1
La corrida 9
3 3 6.288 presenta el mejor
Caso3 4 4 5.082 indice de
desempeo, para un
5 5 4.229 valor de Su=9
6 6 3.604
Su
7 7 3.086
8 8 2.568
9 9 2.1
10 10 2.205

para la corrida 9 del caso 3, la referida corrida present el mejor ndice de desempeo.

Fase de estado
Error e

La Grfica de la salida refleja que se obtuvo un error de estado estable
prcticamente cero, en mediciones realizadas durante la simulacin fue del orden del
0.15%., no obstante el sentido comn nos indica que una ganancia muy elevada en el
camino directo podra eventualmente causar problemas de sobrepaso, por esto
continuaremos el proceso de ajuste eligiendo la corrida 5, la cual presenta un valor de
SU=5, de tal forma que es el 50% del mximo permitido por el actuador. Las grficas
para la corrida 5 se presentan a continuacin.
Fase de estado
Error e

En la grfica se puede apreciar un error estacionario el cual trataremos de reducir

en los pasos siguientes mediante la manipulacin de KPI.

estudio Inicial IAE
11 Se 1.0 2.822
Sde 10
Su 5
El mejor ndice de
desempeo se
Caso3 KPI 0.15 obtuvo en la corrida
12 0.16 2.568 14, para un valor de
KPI=0.18
13 0.17 2.319
14 KPI 0.18 2.100
15 0.19 2.109
16 0.20 2.205
En la siguiente figura se presentan las grficas de la corrida 14.
Fase de estado
Error e

Se puede observar en la Figura # 48 un error de estado estable prcticamente

cero, en mediciones durante la simulacin este dio en el orden del 0.12%, parecido a lo
obtenido en la corrida 9, sin embargo tomaremos como vlidos los resultados obtenidos
en la corrida 14 debido a que representan una menor ganancia proporcional en el
camino directo del sistema y esto favorece la estabilidad del sistema.
Una vez que se eligi el controlador tipo A, para el proceso de segundo orden con
sobre amortiguamiento planteado como caso 3, el procedimiento de ajuste se realiz en
dos fases , una en la cual se realiz el ajuste de SU, logrando reducir significativamente
el error estacionario hasta un valor de 0.15% en la corrida 9 en la que se obtuvo el
mejor ndice de desempeo, sin embargo se opt por escoger la corrida 5 por presentar
con el valor de SU=5, por ser este el 50% del valor mximo permitido por el actuador.
Luego en una segunda fase se procedi al ajuste de KPI escogindose los resultados de
la corrida 14 como vlidos para el controlador final, con KPI=0.18 y un error estacionario
del orden del 0.12%.
Anlisis general de resultados

El proceso de primer orden estudiado en el caso 1 present mayor dificultad en el
proceso de ajuste debido a las caractersticas propias de estos sistemas de presentar
error estacionario, caracterstica esta que la podemos observar en la prueba preliminar
a lazo cerrado de la Figura # 33. Por el contrario el proceso de segundo orden tipo
1 estudiado como caso 2 presenta inherentemente una tendencia a eliminar el error
estacionario como se observa en la Figura # 39. El proceso del caso 3 permiti mayor
manipulacin del SU por ser un proceso con un marcado sobre amortiguamiento como
se observa en la Figura # 43.

Se infiere del comportamiento de los sistemas, durante las etapas de ajuste, que
los controladores Fuzzy del tipo escogido para este estudio, presentan un acople en los
efectos que la contribucin de las reglas causan en el sistema. Para mejorar la
controlabilidad de estos sistemas es necesario buscar la manera de desacoplar o
individualizar los efectos de las reglas.
Como hiptesis de trabajo para investigacin futura se puede plantear el
establecer un sistema de peso en las reglas de tal forma de poder ejercer un mejor
control en la evolucin del sistema en los cuadrantes del diagrama de fase de estado,
aunque pudimos obtener algn resultado manipulando el factor de escalamiento Sde,
como por ejemplo en las corridas de la 16 a la 23 en el caso 1. Un controlador, con
cierto grado de desacople en el efecto de las reglas sobre el sistema, permitira ejercer
un efecto ms individualizado de cada regla, adems del efecto global de los factores
de escala Se, Sde, Su, y constantes KPI, KPD. Esto permitira minimizar en cierta medida
el acople inverso entre el tiempo de elevacin y el error estacionario en este tipo de
sistemas.

CONCLUSIONES.
Los controladores Fuzzy tipo PID, son esencialmente no lineales, con muchos
parmetros que son potencialmente ajustables, lo cual les confiere un gran fortaleza
para ser utilizados en sistemas Adaptativos.
El esquema planteado por Mamdani en 1974 presenta un problema y es que en si

misma no es capaz de detectar los cambios del punto de operacin del sistema.
Los controladores Fuzzy clasificados como controlador tipo A en este estudio,

introduce proporcionalidad al sistema lo cual lo hace mejorar las respuestas de
velocidad de crecimiento, pero desmejora la amortiguacin del sistema.
Los controladores Fuzzy clasificados como controlador tipo B en este estudio,

introducen un insipiente efecto predictivo al sistema lo cual lo hace mejorar el
amortiguamiento del sistema, mientras que al mismo tiempo hace ms selectiva la
zona de rgimen estacionario.
Mediante el factor de escalamiento del diferencial del error del controlador Fuzzy
PID se puede mejorar el desempeo de un sistema controlando la evolucin de este
en los cuadrantes del diagrama de fase de estado.
El ajuste de los parmetros de entonacin realizados en este trabajo proporciona un

efecto global sobre el sistema. Para una mayor controlabilidad y observabilidad del
sistema es necesario que las reglas puedan influir en forma individual mediante un
sistema de ponderacin de las reglas.
Conclusiones.
RECOMENDACIONES.
Para futuros trabajos en lugar de proponer la existencia de ms de una base de

reglas para efectos de prueba, trabajar modificando el peso de cada regla para de
esa manera poder modular la accin de la regla en el tramo de la dinmica donde
interviene.
Trabajar sobre la utilizacin de elementos de la particin de las entradas como
parmetros de ajuste, tal es el caso de modificar la selectividad del conjunto fuzzy
central en la particin y as lograr un mejor control del error en rgimen
permanente.
Es necesario establecer una especie de mapeo entre las reglas y su rea de
influencia en los cuadrantes del diagrama de fase de estado.
Sera de mucha utilidad el incluir asignaturas relacionadas con el control Fuzzy en
los planes de estudio de pre y postgrado para contribuir con el fomento de la
actualizacin tecnolgica y la investigacin en nuestra Universidad.
Recomendaciones.
REFERENCIAS
[1] L. A. ZADEH. Fuzzy Sets. Information and Control, 8(3), pp 338-353, 1965.
[2] L. A.Zadeh, "Towards a theory of fuzzy systems" in R.E. Kalman and R.N.DeClaris (eds), Aspects of
Network and System Theory. New York: Holt, Rinehart and Winston, pp 469-490, 1971.
[3] L. A. ZADEH. Outline Of The New Approach To The Analysis Of Complex System And Decision
Processes. IEEE Trans. On Systems, Man, and Cybernetics, 1(1), pp 28-44, 1973.
[4] Mandani, E.H. Application of Fuzzy Algorithm for Control Of Simple Dynamic Plant. Proc. IEEE,
121(12)(1974), p 1585-1888.
[5] http://www.cempac.com/downloads/Fuzzy.pdf.
[6] http://www.schneiderelectric.com.tr/ftp/literature/publications/ECT191.pdf.
[7] Tomohiro Takagi, Michio Sugeno. Fuzzy Identification of Systems and Its Applications to Modeling
and Control. IEEE Transactions on Systems, Man, And Cybernetic. Vol. SMC-15, N 1, 1985), p116-
132.
[8] http://dmi.uib.es/people/valverde/laz.html.
[9] Kuo Benjamn. Sistemas de Control Automticos. Prentice hall Hispanoamericana, S.A.. Mxico
1996.
[10] Gene F. Franklin, J. David Powell, Abbas Emami-Naeini. Control de sistemas dinmicos con
realimentacin. Addison-Wesley Iberoamericana, Delaware, E.U.A . 1991.
[11] Kasuhiko Ogata. Sistemas de control en Tiempo Discreto. Prentice hall Hispanoamericana, S.A..
Segunda edicin. Mxico. 1996.
[12] Thomas E Marlin. Process Control: Designing Processes and Control Systems for Dynamic
Performance. McGraw-Hill, Inc. U.S.A.. 1995.
[13] Kasuhiko Ogata. Ingeniera de Control Moderna. Prentice hall Hispanoamericana, S.A.. Mxico.
1980.
[14] K F Astrm, T Hgglund. Automatic Tuning of PID Controller. Instrument Society of America.USA.
1988.
[15] Dimiter Driankov, H S Hellendoorn, Michael Reinfrank. An Introduction to Fuzzy Control. Springer-
Verlag Berlin Heidelberg. 1993.
[16] Hung T. Nguyen, Elbert A. Walker, A First Course In Fuzzy Logic. Chapman & Hall/CRC. 2000.
[17] Klir J. George, Tina A. Folger, Fuzzy Sets, Uncertainty, And Information. Prentice-Hall
International Editions. 1988.
[18] Toshiro Terano, Kiyoji Asai, Michio Sugeno. Fuzzy Systems Theory and Its Application. Academic
Press Inc. 1992.
[19] Mohammad Jamshidi, Nader Vadiee, Timothy J. Ross, Fuzzy Logic and Control, Software and
hardware Applications. PTR Prentice-Hall, Inc. 1993.
[20] J. Luis Garca Valle. Matemticas Especiales para Computacin. McGRAW-HILL, 1988.
Referencias.
[21] Zadeh, L. A.. The Concept of a Linguistic Variable and Its application to Approximate Reasoning, I, II,
III. Fuzzy Sets and Fuzzy Information-Granulation Theory, Normal University Press, Beijing, 2000, p
123.
[22] S. Joe Qin y Guy Borders, A Multiregion Fuzzy Logic Controller for Nonlinear Process Control,
IEEE Transactions On Fuzzy Systems, Vol. 2, No. 1, pp 74-81, 1994.
[23] Rajani K. Mudi and Nikhil R. Pal, A Robust Self-Tuning Scheme for PI- and PD-Type Fuzzy
Controllers, IEEE Transactions On Fuzzy Systems, Vol. 7, No. 1, pp 2-16, 1999.
[24] Han-Xiong Li, and S. K. Tso, Higher Order Fuzzy Control Structure for Higher Order or Time-Delay
Systems, IEEE Transactions On Fuzzy Systems, Vol. 7, No. 5, pp 540-552, 1999.
[25] Hao Ying Theory and application of a novel fuzzy PID controller using a simplified Takagi-Sugeno
rule scheme, Information Sciences 123, pp 281-293, 2000.
[26] Wei Li, Design of a Hybrid Fuzzy Logic Proporcional Plus Conventional Integral-Derivative
Controller, IEEE Transactions On Fuzzy Systems, Vol. 6, No. 4, pp 449-463. 1998.
[27] Wei Li, X.G. Chang, M.F. Wahl, S.K. Tso . Hybrid fuzzy P+ID control of manipulators under
uncertainty, Mechatronics 9, pp 301-315. 1999.
[28] Bong Joo Kim, Chung Choo Chung. Design of Fuzzy PD+I Controller for Tracking Control.
Proceedings of the American Control Conference. Anchorage, AK May 8-10, 2002.
[29] Ya Lei Sun, Meng Joo Er, Hybrid Fuzzy Control Of A Class Of Nonlinear Systems. IFAC 15th
Triennial World Congress, Barcelona, Spain, 2002.
[30] Heidar A. Malki, Dave Misir, Denny Feigenspan, and Guanrong Chen. Fuzzy PID Control of a
Flexible-Joint Robot Arm with Uncertainties from Time-Varying Loads. Ieee Transactions On Control
Systems Technology, Vol. 5, No. 3, pp 371-378, May 1997.
[31] Jialiang Lu, Guanrong Cheng, Hao Ying. Predictive Fuzzy PID Control: Theory, Design and
Simulation . Information sciences 137, pp 157-187, 2001.
[32] Wei Li, Xiaoguang Chang.A neuro-fuzzy controller for a stoker-.Fired boiler, based on behavior
modeling. Control Engineering Practice 7, PP 469-48, 1999.
[33] Jing-Chung Shen. Fuzzy Neural Networks for Tuning PID Controller for Plants with Underdamped
Responses. Ieee Transactions On Fuzzy Systems, Vol. 9, No. 2, pp 333-342, April 2001.
[34] Ching-Hung Lee, Ching-Cheng Teng. Tuning of PID Controllers for Stable and Unstable Processes
with Specifications on Gain and Phase Margins. International Journal of Fuzzy Systems, Vol.3, No.1,
March 2001.pp 346-355
[35] K. S. Tang, Kim Fung Man, Guanrong Chen, Sam Kwong. An Optimal Fuzzy PID Controller. Ieee
Transactions On Industrial Electronics, Vol. 48, No. 4, August 2001. pp 757-765.
[36] Bao-Gang Hu, George K. I. Mann, and Raymond G. Gosine, A Systematic Study of Fuzzy PID
Controllers-Function-Based Evaluation Approach, IEEE Transactions On Fuzzy Systems, Vol. 9, No.
5, pp 699-712, 2001.
[37] Baogang Hu, George K. I. Mann, and Raymond G. Gosine, New Methodology for Analytical and
Optimal Design of Fuzzy PID Controllers, IEEE Transactions On Fuzzy Systems, Vol. 7, No. 5, pp
521-539, 1999.
[38] Otaclio da M. Almeida, Antonio A. R. Coelho, A Fuzzy Logic Method For Autotuning A Pid
Controller:Siso And Mimo Systems, 15th Triennial World Congress, Barcelona, Spain, 2002 IFAC.
Referencias.
[39] George K. I. Mann, Bao-Gang Hu, Raymond G. Gosine, Analysis of Direct Action Fuzzy PID
Controller Structures. Ieee Transactions On Systems, Man, And CyberneticsPart B: Cybernetics,
Vol. 29, No. 3, pp 371-388, June 1999.
[40] Fuzzy Logic Toolbox Users Guide, The MathWorks Inc., Version 2, September 2000.
[41] Tamayo Mario, El Proceso de la Investigacin Cientfica. Editorial Limusa Noriega Editores,
Segunda Edicin. Mxico. 1993.
[42] Sabino Carlos.Como Hacer una Tesis. Editorial Panapo. Segunda Edicin. Caracas. 1993.
Referencias.
Anexo 1: Esquemas de controladores Fuzzy PID de Accin directa.
Control Fuzzy PID de accin directa multiregin presentado por Qin y Borders [22].
Controlador Fuzzy PID de accin directa de orden n para sistemas de orden superior
o con grandes tiempos de retardo presentado por Han-Xiong Li et al [24].
Anexo 1.
Anexo 2: Esquema de controlador Fuzzy PID con planificacin de ganancia
Controlador Fuzzy PID con planificacin de ganancia presentado por Rajani K. et al [23].
Anexo 3.
Anexo 3: Esquema de controlador Fuzzy PID Hbrido.
Controlador Fuzzy PID Hbrido presentado por Wei Li et al [26].
Anexo 3.

2003 Tes Is Fuzzy Pid

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

2003 Tes Is Fuzzy Pid

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITCNICA

ANTONIO JOS DE SUCRE

AUTOR: Ing. Euclides Lyon.

TUTOR: Msc. Ing. Rafael Surga.

PUERTO ORDAZ, JUNIO 2003

Ing. Euclides Lyon.

Trabajo de grado presentado ante la Direccin

TUTOR: Msc. Ing. Rafael Surga.

AUTOR: Ing. Euclides Lyon.

PUERTO ORDAZ, JUNIO 2003

En mi carcter de Tutor del Trabajo de Grado presentado por el ciudadano

Quienes suscriben, miembros del Jurado Examinador designado por la

1 Controladores, 2 Lgica Fuzzy, 3 Tipo PID

Al alma mater de la UNEXPO Puerto Ordaz, la cual es la

Al Departamento de Investigacin en tiempos de la direccin

Caso 3: Sistema de Segundo orden sobremortiguado.................................................................................. 122

La lgica Fuzzy es una tcnica de inteligencia artificial basada en conocimiento

perfil del egresado en electricidad y electrnica tiene componentes importantes en la

La comprensin de los fundamentos de controladores Fuzzy PID y su utilizacin,

Captulo 1: Definicin de la Tesis.

El concepto de Conjuntos Fuzzy o Fuzzy Sets es propuesto por el Prof. Lotfi. A.

Captulo 1: Definicin de la Tesis.

que an en los sistemas lineales es posible obtener ventajas comparativas usando

Captulo 1: Definicin de la Tesis.

Por ser la UNEXPO una universidad en la cual, el perfil del egresado en

UNIVERSO, POBLACIN Y MUESTRA.

El universo de los sistemas Fuzzy es realmente extenso, esto es debido a que se

Captulo 1: Definicin de la Tesis.

Los individuos a estudiar bajo simulacin son los sistemas, conformados

Controlador Fuzzy PID y Proceso de primer orden.

Controlador Fuzzy PID y Proceso de segundo orden subamortiguado.

Controlador Fuzzy PID y Proceso de segundo orden sobre amortiguado.

Como se explic en el Planteamiento Del Problema, en el mundo de los

Captulo 1: Definicin de la Tesis.

Objetivo General: Desarrollar Controladores Fuzzy PID.

Recopilar la informacin necesaria para el estudio de los fundamentos de los

Establecer una metodologa para el diseo de controladores Fuzzy PID.

Establecer una metodologa para el anlisis de sistemas Fuzzy PID.

Elaborar un plan de simulacin para la obtencin de perfiles de comportamiento

Definir las estrategias y criterios para la validacin de los resultados de la

LA ESTRATEGIA METODOLGICA GLOBAL.

Para el estudio de los fundamentos de los controladores Fuzzy PID, se procedi

Captulo 1: Definicin de la Tesis.

Para el establecimiento de una metodologa de diseo, se exploraron los enfoques

Cada etapa del proceso de la investigacin requiri de recursos distintos, durante

Captulo 1: Definicin de la Tesis.

Definicin de conjuntos Fuzzy.

Conjuntos Fuzzy o Fuzzy Sets es un concepto matemtico propuesto por el

Bajos Medianos Altos

Figura # 1 Funciones de pertenencia de los conjuntos Crisp

Captulo 2: Marco Terico

Si para un valor de 140 cm, el razonamiento Humano, aplicando el criterio de

Captulo 2: Marco Terico

Bajos Medianos Altos

Por extensin U = {140, 141, 142 .............200} Ec. 1

Por comprensin U = { u N | 140 u 200 } Ec. 2

Si el sistema de medicin utilizado tiene precisin en el orden de las dcimas,

Por comprensin U = { u R | 140 u 200 } Ec. 3

Si tomamos la definicin de Driankov de los conjuntos Fuzzy dada anteriormente y

Bajos(u) = { (170-u) / 30.

El conjunto Fuzzy Bajos = {(u, Bajos(u)) | u U } , al desarrollar este conjunto por

La ecuacin # 4 no representa una sumatoria en el sentido de la operacin suma

Captulo 2: Marco Terico