U3 Controlint Ebook

Control Inteligente
Unidad 3
Control y Modelado con Sistemas Difusos
Autores:
Eduardo F. Caicedo Bravo
Ing. Electricista
Mg. En Tecnologías de la Información en Fabricación
Ph.D. En Informática Industrial
Jesús Alfonso López Sotelo
Ing. Electricista | Mg. En Automática
Ph.D. En Ingeniería
Mario Andrés Muñoz Acosta
Ing. Electrónico | Mg. En Ingeniería énfasis en Electrónica
Dirección de Nuevas Tecnologías y Educación Virtual

Vicerrectoría Académica
Universidad del Valle

©2009
Ficha Técnica
Coordinador de Programa Académico

Humberto Loaiza Correa
Diseño Gráfico
Edinson Largo Hoyos
Montaje e Ilustración
Ana María Henao Agudelo
Programación
Diana Johanna Volpe García
Asesoría Metodológica
Oscar Trejos Sinisterra
Pacífico Abella Millán
Coordinación Programación
Henry A. Taquez Quenguán
Coordinación Diseño Gráfico

Karen Ramírez González
Diagramación
John Jairo Toro Londoño
Dirección de Nuevas Tecnologías y Educación Virtual

Vicerrectoría Académica
Universidad del Valle

©2009
Tabla de Contenido
Introducción 4
Tema 1. Introducción a la Lógica Difusa 5
Tema 2. Control de Sistemas Usando Lógica Difusa 30
Tema 3. Modelado Difuso 39
Resumen 51
Bibliografía 51
Control Inteligente
Introducción
E n los métodos clásicos de análisis y diseño de controladores automáticos, la

información del sistema a controlar proviene de un grupo de sensores, pero no
es fácil incluir el conocimiento que los operarios tengan del sistema. Podemos
afirmar que la información numérica que la proveen los sensores, es la fuente única de
información en las aproximaciones convencionales a problemas de ingeniería, mientras
que difícilmente incorporamos la información lingüística que puede provenir de los
expertos u operarios del sistema.
Debido a que hay una gran cantidad de conocimiento almacenado en términos

lingüísticos, es muy importante incorporarlo dentro de los problemas de ingeniería de
manera sistemática y eficiente, máxime cuando corresponde a una forma muy cercana
de describir el conocimiento humano.
Una aproximación a la forma como manejamos la información y la procesamos los

humanos, fue presentada por Lofti Zadeh por medio de su Lógica Difusa, la cual
permite incluir el razonamiento impreciso y el manejo de la incertidumbre, desde su
misma concepción, bajo una connotación de procesamiento de datos aproximado y con
palabras.
A lo largo de esta unidad revisaremos esta técnica de la Inteligencia Computacional

para el análisis y síntesis de controladores difusos. Como en el tema correspondiente
a los neurocontroladores, tomaremos un ejemplo para ilustrar la aplicación de estos
conceptos.
4 Universidad del Valle Unidad 3.

Control y Modelado con Lógica Difusa
Control Inteligente
Contenido
Tema 1: Introducción a la Lógica Difusa
Introducción
P ara la mayoría de sistemas en ingeniería, hay dos

fuentes importantes de información: los sensores
que proveen medidas numéricas de variables, y los
expertos humanos que proveen instrucciones y descripciones
lingüísticas acerca del sistema.
La información numérica que la proveen los sensores,

es la fuente única de información en las aproximaciones
convencionales a problemas de ingeniería, mientras que
difícilmente incorporamos la información lingüística. Debido
a que hay gran cantidad de conocimiento almacenado en términos lingüísticos, es muy
importante incorporarlo dentro de los problemas de ingeniería de manera sistemática
y eficiente, máxime cuando corresponde a una forma muy cercana de describir el
conocimiento humano.
Una aproximación a la forma como manejamos la información y la procesamos los

humanos, fue presentada por Lofti Zadeh por medio de su lógica difusa1, la cual
permite incluir el razonamiento impreciso y el manejo de la incertidumbre, desde su
misma concepción, bajo una connotación de procesamiento de datos aproximado y con
palabras.
¿Por qué la información lingüística puede ser representada usando

Lógica Difusa?
Podemos entre otras, citar tres razones

principales pero usted puede adicionar algunas
más:
• Los humanos comunicamos nuestro

conocimiento de manera conveniente y
eficaz por medio del lenguaje natural.
• Nuestro conocimiento sobre los problemas
que nos rodean es en esencia impreciso,
pero no por ello dejamos de solucionarlos
satisfactoriamente. Por ejemplo, cuando
manejamos una bicicleta, la información
que disponemos no es exacta, sino ¿quién de nosotros conoce la velocidad
a la que conducimos?, ¿el coeficiente de rozamiento del piso?, ¿el
1 Tipo de lógica que en contraposición a la lógica binaria, los eventos pueden tener valores de
verdad o pertenencia intermedios tales como 0.3 o 0.8.
Unidad 3. 5 Universidad del Valle

Control Inteligente
ángulo de giro para sobrepasar una curva?, etc. Aunque toda esta
información una máquina convencional la requeriría para solucionar
el problema, nosotros los humanos con base en apreciaciones o
percepciones imprecisas del entorno podemos ir desde un sitio a otro
en nuestra bicicleta sin mayores dificultades. Este enfoque de solución
a los problemas es lo que inspira a los sistemas difusos.
• Finalmente, muchos sistemas son demasiado complejos para ser

descritos en términos puramente matemáticos y una descripción
lingüística es posible gracias al conocimiento que de éste tenga un ser
humano, como por ejemplo, su operador.
Orígenes
1965 Conjuntos Difusos
En 1964 Zadeh propone por primera vez la noción de conjuntos difusos en

un memorando interno de investigación. En 1965, la revista “Information
and Control” publica el memorando anterior, como el artículo “Fuzzy
Sets”.

Control Inteligente
1974 Controladores Difusos
En 1974, el Británico Ebrahim Mandani, demuestra la aplicabilidad de

la lógica difusa en el campo del control. desarrolla el primer sistema de
control Difuso práctico: La Regulación de un Motor de Vapor.
Modelado Difuso
El modelado difuso fue propuesto con el sistema Takagi Sugeno y a través

de él podemos intentar acercar los paradigmas matemáticos y lingüísticos
para describir un problema o un sistema.
Fuzzy Boom
• Los japoneses empiezan

a explotar la lógica difusa de
forma masiva, mientras que los
occidentales asumen una
actitud reacia, frente a estos
nuevos desarrollos.
• Aparece toda una serie de

investigadores japoneses en el
campo de la lógica difusa
tales como Sugeno, Togai, y el
estadounidense Bart Kosko.
• En 1986, Yamakawa, “Fuzzy Controller hardware system”. Desarrolla

controladores fuzzy en circuitos integrados.
• En 1987, en el Japón se inaugura el tren subterráneo de Sendai, lo

que representa un gran hito en la historia de los sistemas difusos,
Control Inteligente
pues el tren es controlado y guiado por us sistema difuso, siendo

famosa su suavidad para los pasajeros, sobretodo en el frenado.
• En 1987, aparece el concepto de “Fuzzy Boom”, ya que se comercializa

una multitud de productos basados en la lógica difusa, sobretodo en el
Japón, pero ya para son bien conocidos productos como las cámaras
de fotografía y video con ajuste de imagen difusos, entre otros.
1990 Modelado Neuro-Difuso
El modelado difuso fue propuesto con el sistema Takagi Sugeno y en él se

integran las potencialidades de los sistemas difusos y las redes neuronales
artificiales. El primero aporta la claridad en cuanto a la descripción del
modelo y las segundas su capacidad de adaptación gracias al aprendizaje.
2000 Lógica Difusa Tipo 2
Aunque esta nueva forma de modelar el conocimiento impreciso fue

propuesta en 1975 por Zadeh, solo a partir del año 2000 se ha empezado
a formular una serie de aplicaciones en el ámbito del control de procesos,
Control Inteligente
procesamiento digital de señales y robótica. En este nuevo paradigma la

imprecisión se intenta modelar de una manera más ajustada a la realidad
recurriendo a generación de niveles de pertenencia también imprecisos.
Conjunto Binario vs. Conjunto Difuso
Conjunto Binario
También conocido como

conjunto crisp, es aquel
conjunto que posee dos
niveles de pertenencia, 0 ó
1, es decir, que un elemento
puede o no, pertenecer a
este conjunto. En este caso,
podemos definir si una
persona es alta o no, a partir
de un nivel de umbral de 175
cm. Siendo alto, todo aquel
que sobrepase este umbral y bajo el que no. Pero cuál es la verdadera
diferencia, desde el punto de vista de altura, de dos personas que miden
174 cm. y 176 cm.?. Para un clasificador fundamentado en este tipo de
conjuntos, las dos personas son totalmente diferentes, pues una es baja
y la otra es alta, pero si lo contrastamos con el concepto que tenemos de
altura en nuestra vida cotidiana, la diferencia no es apreciable entre estos
dos sujetos.
Conjunto Difuso
Un conjunto difuso permite

que los elementos asociados
a él puedan poseer niveles
de pertenencia diferentes a
0 ó 1, es decir, un elemento
puede tener un nivel de
membresía al conjunto
con valores no enteros
(0 ó 1) sino decimales o
parciales. Si retomamos
el ejemplo anterior de un
clasificador de personas por su estatura, en este caso, no hay un umbral
definido para separar entre altos y bajos, simplemente se define un nivel
de pertenencia al conjunto según la estatura, por ejemplo, una persona de
170 cm. de estatura tiene un nivel de pertenencia de aproximadamente
0.25 al conjunto de personas altas, mientras que una persona de 190

Control Inteligente
cm. de estatura, su pertenencia es de 0.95. En este caso, un clasificador

diseñado con este tipo de conjuntos, le asignaría prácticamente el mismo
nivel de pertenencia a dos personas con estatura de 174 cm. y 176 cm.,
lo cual se ajusta mucho más al concepto cotidiano de lo que entendemos
por “persona alta”.
¿Cómo podemos representar matemáticamente un conjunto

difuso?
Supongamos que tenemos un posible rango de valores al cual llamaremos

X, por ejemplo X=Rn, donde Rn es un espacio real de n dimensiones, a
X se le denominará Universo de Discurso. Ahora supongamos que en X se
tendrá un conjunto difuso de valores llamado A el cual es caracterizado
por una función de pertenencia μA(x) que establece una relación entre
el universo de discurso y el rango [0 1] (μA:X→[0 1],) donde μA(x)
representa el grado de pertenencia de un x que pertenece a X en el conjunto
difuso A. Esta se puede considerar una generalización del concepto de un
conjunto ordinario, en el cual su función de pertenencia tiene solamente
dos valores: 0 o 1. En general un Conjunto Difuso se expresa en términos
de pares ordenados y es completamente caracterizado por una función de
pertenencia y su notación es:
A = {(x, μA(x)) | x ε X}
Conjuntos Difusos con Universos Discretos
Los universos de discurso no siempre están definidos dentro de un espacio real, existen
ocasiones en las cuales se define un número finito de valores dentro del universo,
tomemos dos ejemplos en los cuales se pretende modelar qué tan deseable es una
ciudad para vivir o cuál es el número ideal de hijos en una familia.
Ciudad Deseable para vivir Número aceptable de hijos

x µA x µA
Cali 0.9 0 0.1
Medellín 0.9 1 0.5
San Vicente 0.3 2 1.0
3 0.7
A= ({Cali, 0.9}, {Medellín, 0.9}, {San Vicente, 0.3}...)
4 0.3
5 0.2
6 0.1
{0,0.1}, {1,0.5}, {2,1.0}, {3,0.7},

A=
{4,0.3}, {5,0.2}, {6,0.1})
Ciudad deseable para vivir: Para explicar este concepto, vamos a tratar
de modelar la idea de cuan deseable puede ser una ciudad para vivir,
asignándole un valor entre 0 y 1 como nivel de pertenencia a este conjunto.
Control Inteligente
El valor 1 corresponde a la ciudad ideal y el 0 a la ciudad en donde nadie

querría vivir (naturalmente, los valores asignados son subjetivos y no
tienen otro valor que el de ilustrar el ejemplo). Observemos el conjunto
difuso de Ciudades Deseables para Vivir, de la tabla, supongamos que al
universo de discurso pertenecen todas las ciudades de Colombia, el cual
es un número finito y por tanto su rango no corresponde a los reales, por
lo tanto, este universo de discurso es discreto. En la tabla se muestran
algunos niveles de pertenencia, por ejemplo, se considera que Cali es
una ciudad con un 0.9 de pertenencia al concepto de ciudad deseable,
mientras que San Vicente, solo alcanza un nivel de 0.3.
Número aceptable de hijos: Ahora, observemos el conjunto de Número

Aceptable de Hijos. Debido a la situación económica y a cuestiones
culturales, el número de hijos que normalmente tiene una pareja se ha
reducido a dos, por lo tanto en el modelo este valor se representa con el
máximo nivel de pertenencia correspondiente a 1.0. Como no se pueden
tener fracciones de hijos, por ejemplo 1.5 hijos, este conjunto también
corresponde a un universo de discurso discreto. Como en el caso anterior,
los valores solo se asignan para ilustrar el ejemplo.
Conjuntos Difusos con Universos Continuos
Contrario al caso anterior, el universo de discurso se define de manera continua en

un intervalo de valores reales, y por tanto, se tiene una cantidad infinita de posibles
valores para la evaluación del la función de pertenencia, en este caso podemos afirmar
que tenemos un conjunto difuso continuo. Para dar mayor claridad al concepto de
conjunto difuso continuo, presentamos el siguiente ejemplo en cual se trata de modelar
el conjunto de personas que tienen una edad alrededor de los 30 años.
Edad alrededor de 30 años

X µA
x > 0, X Є Rn e -((X - 30) / 2)^2
Edad Alrededor de 30 Años: Si deseamos construir un conjunto difuso

de personas que caracterice aquellas que posean una edad alrededor
de 30 años, debemos considerar todos los individuos vivos. El universo
de discurso está compuesto por los posibles valores que puede tomar
la edad de una persona. La edad de una persona se comienza a contar

Control Inteligente
desde su nacimiento por lo que el universo de discurso estará conformado

solamente por valores positivos, si suponemos que la edad máxima que
una persona puede vivir es por ejemplo 150 años el universo de discurso
estará compuesto por todos los posibles valores desde 0 hasta 150. Además,
como las personas pueden tener fracciones de edad (meses, días, inclusive
horas y minutos), el universo de discurso es continuo.
En la figura mostramos una posible selección de la función de pertenencia,

en este caso la seleccionamos del tipo Campana de Gauss. Es fácil verificar
que el máximo nivel de pertenencia (1) se tiene cuando la edad de la
persona es exactamente 30 años. A medida que nos alejamos de los 30
años el nivel de pertenencia comienza a decrecer hasta que paulatinamente
llegará a cero.
Categorización de una variable con conjuntos difusos
En general las variables que trabajamos en

Altura de una persona
aplicaciones de ingeniería son de naturaleza
x = [140,200] cm
continua, las cuales requieren la definición de
Etiqueta Rango (cm)
universos de discurso continuos. Para trabajar con
Muy Baja (MB) [140, 160]
estas variables usando lógica difusa, es necesario
Baja (B) [150, 170]
definir una serie de categorías a las cuales se
Norma (N) [160, 180]
les asignará una etiqueta que corresponde una
palabra que utilizamos en el lenguaje cotidiano Alta (A) [170, 190]
y representa nuestra percepción de un rango de Muy Alta (MA) [180, 200]
valores de la variable.
Altura de una persona: Ahora consideremos un ejemplo donde deseamos

categorizar con conjuntos difusos el espacio continuo de altura de una
persona. Inicialmente pensemos en las posibles etiquetas para describir la
altura de una persona. Por lo general, cuando pensamos en esta cualidad
física, tendemos a utilizar las palabras Alto, Bajo o Promedio. Utilizando
esta idea, proponemos cinco etiquetas: Muy Baja (MB), Baja (B), Normal
(N), Alta (A) y Muy Alta (MA). Para cada etiqueta, definimos un rango de
valores que preferimos sean entrelazados para garantizar que en cualquier
valor la suma de los niveles de pertenencia sea igual a uno.
Ahora, el ultimo paso es definir el tipo de función de pertenencia. Por

simplicidad en el ejemplo, utilizamos funciones de pertenencia trapezoidales
para MB y MA, y funciones de pertenencia triangulares para B, N y A. En
la tabla podemos observar como las etiquetas han sido relacionadas con
su respectivo rango, adicionalmente en la figura, podemos observar como
queda descrita la variable “Altura de una Persona”, usando los conjuntos
difusos que hemos definido.

Control Inteligente
Tanto la definición de la etiqueta como su rango de valores y función de pertenencia,

define un conjunto difuso. Un aspecto a tener en cuenta es el número de conjuntos
difusos que definiremos para categorizar la variable. Esto corresponderá al número de
etiquetas que asignamos la cual es por lo general un número impar y en aplicaciones
prácticas usualmente es menor que once, siendo lo recomendable el tomar 5 ó 7. Para
ilustrar con un ejemplo, retomemos el caso de describir la altura de una persona.
Funciones de Pertenencia
Ahora vamos a responder una pregunta que tal vez ya se ha suscitado luego de estudiar
el concepto de conjunto difuso: ¿Cómo seleccionamos una función de pertenencia
adecuada para las diferentes etiquetas en las que hemos descrito una variable? En
general, cualquier función puede ser considerada una función de pertenencia, sin
embargo, en la práctica se recomiendan especialmente cuatro.
Triangular: Las funciones de pertenencia más simples están conformadas

por líneas rectas. Una de ellas es la función Triangular. Esta función se
define por medio de tres puntos que conforman un triángulo. El primer
punto (a) nos define la vértice izquierdo del triángulo, el segundo punto
(b) nos define el vértice superior del triángulo y el tercer punto (c) nos
define el vértice derecho del triángulo. Para evaluar el nivel de pertenencia
de un valor x a una función de este tipo, utilizamos la ecuación trimf.
Control Inteligente
Trapezoidal: La función Trapezoidal tiene un borde superior recto y

puede considerarse simplemente como una función triangular truncada.
Esta función, al igual que la triangular, se define por varios puntos, en
este caso cuatro. El punto (a) nos define el vértice izquierdo inferior del
trapecio, el punto (b) nos define el vértice superior izquierdo, el punto (c)
nos define el vértice superior derecho y el punto (d) nos define el vértice
inferior derecho. Para evaluar el nivel de pertenencia de un valor x a una
función de este tipo, utilizamos la ecuación trapmf.
Gaussiana: Otra función de pertenencia muy utilizada es la Gaussiana, la

cual es una campana de gauss definida por su centro o media representada
Control Inteligente
por el parámetro c y por la desviación estándar representada por el

parámetro σ. Para evaluar el nivel de pertenencia de un valor x a una
función de este tipo, utilizamos la ecuación gaussmf.
Campana Generalizada: La Campana Generalizada es la última función

que sugerimos, está definida por medio de dos parámetros: El primero
denominado c que corresponde al centro de la campana y el segundo
denominado b, que nos define la amplitud de la campana y además nos
permite aproximar esta función a un conjunto no difuso o crisp. Para
evaluar el nivel de pertenencia de un valor x a una función de este tipo,
utilizamos la ecuación gbellmf.
A nivel de implementación, las funciones de pertenencia gaussiana

y campana generalizada son muy populares ya que son fácilmente
realizables con métodos computacionales, su comportamiento es
continuo, diferenciable y su notación es concisa, permitiendo de una
manera directa la evaluación de la misma, lo cual no es posible con las
funciones triangulares y trapezoidales, ya que requieren condiciones de
evaluación como máximos y mínimos que por lo general son evaluadas
por estructuras de decisión.
Operaciones entre Conjuntos Difusos
Ya hemos presentado algunos conceptos básicos de la lógica difusa tales como conjunto
difuso, universo de discurso y función de pertenencia, pero muy seguramente nos
preguntamos ¿Cómo se define o trabaja esta nueva Lógica Difusa?
Control Inteligente
Lo más importante que debemos saber sobre el razonamiento difuso es que de hecho,
es una generalización de la lógica booleana. En otras palabras, si mantenemos los
valores difusos a sus extremos de 1 o 0, las operaciones lógicas tradicionales deben
mantenerse.
Existen tres operaciones básicas en lógica booleana: AND, OR y NOT. Nuestro objetivo es
aplicar estas mismas operaciones a la lógica difusa, en este caso lo que vamos a buscar
es poder calcular el grado o nivel de pertenencia de un valor del universo de discurso a
los conjuntos resultantes al aplicar las operaciones mencionadas.
Con el fin de ilustrar estas funciones en el marco de la Lógica Difusa, usaremos como
conjuntos difusos representativos para aplicar las operaciones AND, OR y NOT los
conjuntos difusos A y B mostrados en la figura, cuyo conjunto universo es X.
Intersección
C = A ∩ B = {x:x A ^ x B, x X}
A ∩ B = min{μA (x), μB (x)} μA∩B = μA (x) • μB (x)

Mínimo Producto
Intersección: La primera operación que trabajaremos entre conjuntos

difusos es la intersección. En la ecuación mostramos la definición clásica
que nos permite caracterizar el conjunto intersección. Como se puede
Control Inteligente
observar, para que un elemento pertenezca al conjunto intersección se

necesita que el elemento pertenezca al conjunto A y simultáneamente
también pertenezca al conjunto B. Debido a la manera como hemos
definido la intersección una primera conclusión que podemos tener es
que esta operación está ligada a la operación lógica AND. De hecho, cuando
en lógica difusa se habla de calcular la función AND entre dos etiquetas
lingüísticas, se calcula la intersección entre los conjuntos difusos que
representan a cada una de las etiquetas. Al igual que en la función AND
definida en la Lógica de Boole, la salida es diferente de cero, si el nivel
de pertenencia entre los dos conjuntos es simultáneamente diferente de
cero.
Recordemos que cuando se tiene un valor x del universo de discurso X,

este x tendrá dos valores de pertenencia asociados a los conjuntos A y B,
definidos como μA(x) y μB(x) respectivamente. Desde el punto de vista
operativo, lo que buscamos es obtener unas expresiones para calcular el
nivel de pertenencia del valor x al conjunto resultante de intersectar los
conjuntos A y B. Para realizar este cálculo vamos a utilizar la operación
mínimo y la operación producto.

Mínimo: Una primera alternativa que tenemos para calcular el nivel de
pertenencia de una valor x del universo de discurso X al conjunto intersección
es calculando el mínimo de los diferentes niveles de pertenencia que
presenta dicho valor a los conjuntos que se están intersectando. En la
figura podemos observar los dos conjuntos difusos A de color amarillo y
B de color azul que son intersectados aplicando la definición del mínimo
mostrada en la ecuación. El resultado de la operación es el conjunto
intersección que lo observamos de color verde.

Producto: Otra manera que tenemos para calcular el nivel de pertenencia
de una valor x del universo de discurso X al conjunto intersección es
calculando el producto de los diferentes niveles de pertenencia que
presenta dicho valor a los conjuntos que se están intersectando. En la
figura podemos observar lo dos conjuntos difusos A de color amarillo y B
de color azul que son intersectados aplicando la definición del producto
que es mostrada en la ecuación. El resultado de la operación es el conjunto
intersección que lo observamos de color verde.

Control Inteligente
Unión
C=A B = {x:x A x B, x X}
A B = max{μA (x), μB (x)} μA B = μA (x) + μB (x) – μA (x) • μB (x)
Máximo Suma Algebraica
Unión: La segunda operación que trabajaremos entre conjuntos difusos

es la unión. En la ecuación mostramos la definición clásica que nos
permite caracterizar el conjunto unión. Como se puede observar, para
que un elemento pertenezca a este conjunto se necesita que el elemento
pertenezca al conjunto A o que pertenezca al conjunto B. Debido a la
manera como hemos definido la intersección una primera conclusión
que podemos tener es que esta operación está ligada a la operación lógica
OR. De hecho, cuando en lógica difusa se habla de calcular el OR entre
dos etiquetas lingüísticas, lo realizamos calculando la unión entre los
conjuntos difusos que representan a cada una de las etiquetas.
Recordemos que cuando se tiene un valor x del universo de discurso X, el

elemento x tendrá dos valores de pertenencia asociados a los conjuntos A
y B, μA(x) y μB(x) respectivamente. Desde un punto de vista operativo
lo que buscamos son expresiones para calcular el nivel de pertenencia del
valor x al conjunto resultante de unir los conjuntos A y B. Para realizar
este cálculo las alternativas más usadas son usando la operación máximo
y la operación suma algebraica.
Máximo: Una primera alternativa que tenemos para calcular el nivel de

pertenencia de una valor x del universo de discurso X al conjunto unión
es calculando el máximo de los diferentes niveles de pertenencia que
presenta dicho valor a los conjuntos que se están uniendo. En la figura
podemos observar los dos conjuntos difusos A de color amarillo y B de
color azul que son unidos aplicando la definición del máximo mostrada
en la ecuación. El resultado de la operación es el conjunto unión que lo
observamos de color verde.

Control Inteligente
Suma Algebraica: Otra manera que tenemos para calcular el nivel de

pertenencia de una valor x del universo de discurso X al conjunto unión
es calculando la suma algebraica de los diferentes niveles de pertenencia
que presenta dicho valor a los conjuntos que se están uniendo. En la figura
podemos observar lo dos conjuntos difusos A de color amarillo y B de color
azul que son unidos aplicando la definición de suma algebraica que es
mostrada en la ecuación. El resultado de la operación es el conjunto unión
que lo observamos de color verde.
Operaciones entre Conjuntos Difusos: NOT o Complemento
C = A’ = {x:x A, x X}
μA = 1 – μA
Conjunto complemento
Conjunto complemento: La última operación que vamos a presentar es

la función lógica NOT, esta operación se puede relacionar con el conjunto
complemento. En la ecuación mostramos la definición clásica del conjunto
complemento, donde un elemento pertenece al complemento del conjunto
A si está dentro del universo de discurso X, pero no pertenece al conjunto A.
Recordemos que cuando se tiene un valor x del universo de discurso

X, el elemento x tendrá un valor de pertenencia asociado al conjunto
A que denotamos por μA(x). Desde un punto de vista operativo lo que
buscamos es una expresión para calcular el nivel de pertenencia del valor
x al conjunto complemento de A. La forma que presentamos para calcular
el nivel de pertenencia de una valor x del universo de discurso al conjunto
complemento de un conjunto difuso por ejemplo A, es calculando la resta
de 1 menos el nivel de pertenencia de x al conjunto difuso A, tal como
es mostrado en el ecuación. En la figura podemos observar el conjunto
difuso A de color amarillo y aplicando la definición de complemento
anteriormente presentada podemos observar el conjunto complemento
de A en color verde.
Control Inteligente
Razonamiento Difuso
El razonamiento difuso está basado en la regla de inferencia Modus Ponens

Generalizado (del latín modo que afirma) es una regla de inferencia simple que esta
definido como:
Modus Ponens Generalizado: Vamos a ilustrar esta regla de inferencia

con un ejemplo. Propongamos como premisa 1: “El tomate está casi
rojo”. Como premisa 2: “Si un tomate está rojo entonces el tomate está
maduro”.
Con base en esta información nosotros podemos inferir que un tomate
está casi maduro, cuando tenemos la información de que está casi rojo.
Si extendemos la inferencia difusa con base en el paradigma de “Modus
Ponens Generalizado”, podemos proponer las siguientes conclusiones:
• Si “el tomate está muy rojo” entonces “el tomate está muy maduro”
• Si “el tomate está mas o menos rojo” entonces “el tomate está más o
menos maduro”
• Si “ el tomate no está rojo” entonces “el tomate no está maduro”
Donde A, A’ , B, B’ son conjuntos difusos, x, y son variables lingüísticas. El modus

ponems generalizado es usado ya que permite realizar una inferencia cuando el
antecedente es parcialmente conocido o cuando es similar pero no igual a A.
Sistemas de Lógica Difusa Puro
Un sistema de lógica difusa puro, está compuesto por una base de reglas y un mecanismo
de inferencia con los cuales se determina una transformación desde los conjuntos
difusos en un universo de discurso de entrada , hacia los conjuntos difusos en un
universo de discurso de salida.
Control Inteligente
Tienen la desventaja de que sus entradas y salidas son conjuntos difusos, cuando la
mayoría de problemas en ingeniería las entradas y salidas son valores numéricos reales.
Sin embargo, son útiles para hacer uso sistemático de información lingüística.
Sistemas de Lógica Difusa Takagi Sugeno
En los sistemas de lógica difusa tipo Takagi Sugeno, la base de reglas de inferencia
poseen consecuentes de tipo numérico. Podemos considerar que el antecedente de
estas reglas es difuso, mientras que el consecuente es determinístico.
Sistemas de Lógica Difusa con Fuzzificador y Defuzzificador
Este tipo de sistemas utilizan dos elementos, uno que transforma las variables numéricas
a conjuntos difusos (Fuzzificador) y un segundo, que transforma las variables difusas
en numéricas (defuzzificador). El mecanismo de inferencia internamente, corresponde
a un sistema difuso puro, ya que procesa variables difusas.
1. Fuzzyficador: El fuzzificador es la etapa de entrada de un sistema de

inferencia difusa. Los elementos fundamentales de este bloque son las
funciones de pertenencia que segmentan las variables de entrada. Los

Control Inteligente
valores de las variables de entrada se evalúan en la funciones de pertenencia

para generar el nivel de pertenencia de estas variables a los diferentes
conjuntos difusos. Mediante este procedimiento, el fuzzificador establece
una relación entre los puntos de entrada crisp y sus correspondientes
conjuntos difusos en el universo de discurso X. Existen dos tipos de
fuzzificadores: El Singleton, el cual define un nivel de pertenencia de 1 si
x esta dentro de la función de pertenencia y 0 en cualquier otro caso; El
Non-singleton, establece un valor de pertenencia difuso para x.
2. Defuzzificador: El defuzzificador realiza el proceso inverso de convertir

la salida difusa del mecanismo de inferencia en valores numéricos que
puedan ser fácilmente usados en aplicaciones en el mundo real.
3. Base de Reglas Difusas: La base de reglas esta compuesta por

sentencias del tipo “SI antecedente ENTONCES consecuente”, que describen
las condiciones necesarias para que se cumpla una acción. El antecedente
de una regla puede tener varias partes, unidas por conjunciones Y, O y NO,
las cuales corresponden a las operaciones lógicas difusas. Las acciones a
tomar cuando un antecedente se cumple, es lo que hemos denominado
el consecuente. Si recordamos el concepto de inferencia difusa, cuando es
antecedente se cumple parcialmente, en consecuencia la acción se cumplirá
parcialmente. La base de reglas difusas constituye el conocimiento que
nos permite caracterizar completamente el comportamiento del sistema
difuso.
A estos sistemas también se les denomina Controladores Difusos ya que son usualmente
utilizados para controlar sistemas dinámicos recurriendo a la modificación de la señal
de salida hacia un actuador, mediante una reglas difusas. Este sistema tiene varias
características interesantes: Primero, es útil para sistemas en ingeniería, ya que sus
entradas y salidas son numéricas; segundo, provee un entorno natural para incorporar
información lingüística; tercero, hay diferentes tipos de fuzzificadores, defuzzificadores
y sistemas de inferencia. Finalmente, se pueden generar algunos algoritmos de
entrenamiento para este sistema, permitiendo su adaptación.
Sistemas Difusos

Control Inteligente
Takagi-Sugeno-Kang: En este tipo de sistemas difusos, representamos

los consecuentes como funciones polinomiales, siendo su principal
ventaja la facilidad en el diseño ya que pueden aplicarse técnicas clásicas
para estimar los parámetros de salida.
Mamdani: En este sistema, representamos los consecuentes como

variables lingüísticas, siendo sus principales ventajas el uso de variables
del “mundo real” en su funcionamiento, la inclusión de conocimiento
de un experto y la mayor flexibilidad al seleccionar un mecanismo de
fuzificacion y defuzificacion. En general, existen dos clases de sistemas
Mamdani, los lingüísticos cuyo uso es más extendido para el modelado por
entendimiento debido a su mejor interpretabilidad, y los aproximados que
poseen una mayor precisión.
Inferencia Difusa
Nos han contratado para diseñar un

sistema que prediga el número de
posibles asistentes a una sala múltiple
de cine, ubicada en un centro comercial
muy popular de nuestra ciudad. ¿Cómo
podríamos predecir el número de
espectadores que asistirá a una película
en particular, con base en un sistema de
inferencia difuso?
Inferencia Mamdani
Sistema de Inferencia Difuso: Definamos las variables de nuestro

sistema que predice el número de posibles asistentes a una película en
particular.

Control Inteligente
VARIABLES LINGÜÍSTICAS
Pocos Promedio Muchos
1. Número de visitantes al Centro Comercial.
0 2000 4000 6000 8000 10000
Mala Regular Buena
2. Calidad de la película en calificación

promedio por parte del público.
0 1 2 3 4 5
Bajo Medio Alto
3. Cantidad de público asistente a la película.

Lo definimos en términos de porcentaje
de ocupación de la sala.
0 20% 40% 60% 80% 100%
Un estudio de mercado, la observación del comportamiento del público

y la experiencia del personal de la sala múltiple de cine nos permiten
plantear las siguientes reglas de comportamiento de nuestro sistema de
predicción.
REGLAS DE COMPORTAMIENTO

Control Inteligente
Inferencia Difusa: Predicción del público 3.500 visitantes y el público

califica con 3.0 a la película
Inferencia Mamdani
En un sistema de inferencia tipo Mamdani, tanto las entradas como la salidas las
definimos como conjuntos difusos, lo que trae como ventaja el utilizar completamente
la información lingüística para describir el problema a solucionar. Observemos las reglas
de inferencia que definen el comportamiento del problema y luego su representación
gráfica, donde visualizamos de manera general los pasos que se llevan a cabo para
generar la salida a partir de unos valores de entrada.
Si x1 es A11 AND x2 es A11 ENTONCES y es B1

Si x1 es A21 AND x2 es A22 ENTONCES y es B2

Control Inteligente
En la figura, los valores de entrada de x1 y x2 los evaluamos en sus respectivos conjuntos

difusos lo que genera sus valores de pertenencia. Con base en estos niveles de pertenencia
evaluamos el nivel de activación del antecedente de cada una de las reglas. En la figura
esta operación la realizamos aplicando el operador AND, que se traduce para fines
prácticos, en calcular el valor mínimo de estos niveles de pertenencia.
Como resultado los conjuntos difusos de salida B1 y B2 son truncados a una altura
igual al valor mínimo que calculamos. Estas figuras truncadas se fusionan aplicando el
concepto de agregación y dan origen al conjunto difuso resultante, cuyo centro de masa
lo utilizaremos para generar el valor de salida del sistema de inferencia difusa.
Inferencia Sugeno
OR fALTO (x, y) = 0.01x + 20y – 55
mucho buena
AND fMEDIO (x, y) = 50
promedio regular
OR fBAJO (x, y) = –0.01x + –10y + 80
pocos mala
VISITANTE CALIDAD PÚBLICO

CENTRO COMERCIAL
Sistema de Inferencia Difuso: Definamos las variables de nuestro

sistema que predice el número de posibles asistentes a una película en
particular.

Control Inteligente
VARIABLES LINGÜÍSTICAS
1. Número de visitantes al Centro Comercial.
Pocos Promedio Muchos
0 2000 4000 6000 8000 10000
2. Calidad de la película en calificación promedio por parte del público.
Mala Regular Buena
0 1 2 3 4 5
3. En la inferencia tipo Sugeno las salidas se definen como funciones y

les proponemos las siguientes:
fBAJO (x, y) = –0.01x – 10y + 80

fMEDIO (x, y) = 50
fALTO (x, y) = 0.01x + 20y – 55
Donde x e y son las variables de entrada del sistema que en nuestro caso
corresponden a visitantes al centro comercial (x) y público asistente a la
película (y).
Un estudio de mercado, la observación del comportamiento del público

y la experiencia del personal de la sala múltiple de cine nos permiten
plantear las siguientes reglas de comportamiento de nuestro sistema de
predicción.

Control Inteligente
OR fALTO (x, y) = 0.01x + 20y – 55
mucho buena
AND fMEDIO (x, y) = 50
promedio regular
OR fBAJO (x, y) = –0.01x + –10y + 80
pocos mala
VISITANTE CALIDAD PÚBLICO

CENTRO COMERCIAL
Cálculo de Salida
En un sistema de inferencia Sugeno la salida global del sistema (z) se

calcula con la siguiente expresión:
n
Wi fi
i=1
z= n
Wi
i=1

Control Inteligente
donde,
n: Número de reglas definidas en el sistema
w1: Nivel de activación del antecedente en la regla i-ésima
f1: Evaluación de la salida de la i-ésima regla
0.2*40 + 0.75*50 + 0.25*15 49.25

z= = = 41
0.2 + 0.75 + 0.25 1.2
En un sistema de inferencia tipo Sugeno las entradas se definen como conjuntos

difusos, pero las salidas se definen en función de las entradas, usualmente como una
combinación lineal. La principal ventaja de este sistema es su simplicidad a la hora de
ser implementado.
Observemos las reglas de inferencia que definen el comportamiento del problema y

luego su representación gráfica, donde visualizamos de manera general los pasos que
se llevan a cabo para generar la salida a partir de unos valores de entrada.
Si x1 es A11 AND x2 es A11 ENTONCES y es y1 = F(x1 • x2)

Si x1 es A21 AND x2 es A22 ENTONCES y es y2 = F(x1 • x2)
En la figura los valores de entrada de x1 y x2 se evalúan en sus respectivos conjuntos

difusos lo que genera sus valores de pertenencia. Con base en estos niveles de pertenencia
evaluamos el nivel de activación del antecedente de cada una de las reglas. En la figura
esta operación la realizamos aplicando el operador AND, que se traduce para fines
prácticos, en calcular el producto de estos niveles de pertenencia.
Los consecuentes de las diferentes reglas los calculamos evaluando las respectivas
funciones que los representan. Finalmente, la salida del sistema la obtenemos con base
en la suma ponderada de las salidas de las diferentes reglas dividido entre la suma de
los niveles de los niveles de activación de los antecedentes.

Control Inteligente
Tema 2: Control de Sistemas Usando Lógica Difusa
Control Difuso
Revise el video de este material, publicado en el campus virtual.
E l control difuso es una estrategia que pertenece al Control Inteligente1, cuyas

decisiones las toma utilizando un sistema de inferencia basado en lógica difusa.
Un controlador difuso es por naturaleza no lineal y existen diversos tipos. En
general se define un conjunto de estructuras básicas cuyo comportamiento se aproxima
a los controladores clásicos del tipo Proporcional (P), Integral (I) o Derivativo (D).
Donde estas denominaciones dependen del procesamiento que se realice sobre la señal
de error antes de entrar al sistema de inferencia difuso.
En este texto estudiaremos los siguientes esquemas de controladores difusos:
• Controlador P difuso
• Controlador PD difuso con Acción de Control Incremental
• Controlador PD difuso con derivada de la salida
• Controlador PI difuso
• Controlador PID difuso
Control P Difuso
En este esquema de control la señal de error e(k) entra directamente al sistema de

lógica difusa, y pasando por el mecanismo de inferencia, generamos la acción de control
u(k). Con el fin de diseñar las reglas es necesario considerar que la señal de error puede
tomar valores positivos, cuando la señal de referencia es mayor que la salida de la planta
a controlar; y negativos, cuando la señal de referencia es menor que la salida de la
planta. Cuando las señales de salida y referencia son iguales, el error es cero.
1 Área del control automático que utiliza técnicas de inteligencia computacional para el diseño y/o
sintonización de las estrategias de control a utilizar.

Control Inteligente
Es importante recalcar, desde el punto de vista práctico, que para facilitar la sintonización
del sistema debemos incluir bloques de ganancia en la señal de error y en la acción de
control.
Control PD Difuso
En este esquema de control, al sistema de lógica difusa entran la señal de error y su

derivada, y pasando por el mecanismo de inferencia, generan una acción de control.
Como en el caso anterior la señal de error puede ser positiva, negativa o cero. La
derivada del error nos proporciona información sobre la tendencia que tiene esta
variable, es decir si el error evoluciona aumentando o disminuyendo. La derivada del
error se define como positiva, negativa y cero; pero su interpretación física depende del
valor del error que tenga en el instante de análisis. Si el error es positivo, una derivada
positiva significa que el error está aumentando y una derivada negativa significa que el
error está disminuyendo y por ende estaría acercándose a cero. Si el error en el instante
de análisis es negativo, una derivada positiva implica que el sistema evoluciona hacia
cero y esto significa que el error está disminuyendo, en el caso contrario, una derivada
negativa implica que el error tiende a aumentar negativamente y por tanto se aleja del
valor de referencia. La derivada cero se interpreta como que el error no evoluciona, es
decir el sistema se ha quedado estático desde el punto de vista del error. Es importante
recalcar, desde el punto de vista práctico, que para facilitar la sintonización del sistema
debemos incluir bloques de ganancia en la señal de error y en la acción de control.
Controlador PD Difuso con Acción de Control Incremental
Este esquema de control es similar al PD Difuso, pues incluimos como entrada al sistema
de lógica difusa la señal de error y su derivada. La diferencia sustancial estriba en como
modificamos la acción de control gracias a que incluimos un bloque de integración
(1/s), como el que se observa en la figura.
Normalmente la acción incremental la utilizamos en procesos en los cuales una acción

de control nula debe cambiar la salida de la planta. Un ejemplo de esto sucede cuando
vamos a controlar la velocidad de un motor de corriente continua. En este caso, la acción

Control Inteligente
de control está dada por el voltaje que aplicamos al motor. Si tenemos la velocidad del
motor en un valor deseado, un voltaje nulo en lugar de mantener el motor a la velocidad
deseada, lo que haría es detenerlo.
En el caso de que la acción de control nula no afecte la salida de la planta no se hace

necesario hacer uso de la acción incremental. Un ejemplo de esto lo podemos observar
cuando vamos a controlar la posición del eje de un motor de corriente continua. Como
en el caso anterior, la acción de control está dada por el voltaje que apliquemos al motor.
Si tenemos la posición del eje del motor en un valor deseado, un voltaje nulo hará que el
eje se detenga, y la posición del mismo se mantendrá donde queremos.
Cuando hacemos uso de la acción incremental, el sistema de lógica difusa modifica la

manera como se va a manipular la acción de control, es decir, este elemento incremental
1/s definirá si la acción de control se aumenta, se disminuye o se deja igual. Desde este
punto de vista, la salida del sistema de lógica difusa la consideraremos como la derivada
de la acción de control que se aplicara sobre la planta. Por lo tanto para obtener la
acción de control debemos integrar esta salida.
Es importante recalcar, desde el punto de vista práctico, que para facilitar la sintonización
del sistema se incluyen bloques de ganancia en la señales de control, error y derivada
del error.
Análisis temporal de la acción Incremental
En la figura se muestra la salida del controlador difuso antes y después de la integración.

Como ejemplo vamos a considerar que el actuador es una válvula proporcional. Como
podemos observar de la figura, si la salida del controlador difuso es positiva, la acción
de control que se opera sobre la planta se va incrementando paulatinamente, lo que
equivaldría a ir abriendo la válvula con el objetivo de incrementar el fluido que pasa a
través de la misma.
Si consideramos que esta cantidad de fluido que pasa a través de la válvula es elevada,
la manera de disminuirla seria ir cerrando paulatinamente la válvula y esto se lograría
con una salida del controlador difuso negativa.
Si la cantidad de fluido que suministra la válvula es adecuada, no necesitamos ni abrir

ni cerrar la válvula, lo que necesitamos es dejar la válvula en una posición fija. Esto lo
podemos obtener haciendo que la salida del controlador difuso sea cero.

Control Inteligente
Controlador PD Difuso con derivada de la salida
En este esquema de control, al sistema de lógica difusa entran la señal de error y la

derivada de la salida de la planta, y pasando por el mecanismo de inferencia, generan
una acción de control. Como explicamos anteriormente la señal de error puede ser
positiva, negativa o cero. La derivada de la salida nos proporciona información sobre
la tendencia que tiene esta variable, es decir si la salida evoluciona aumentando o
disminuyendo.
En algunas situaciones es conveniente trabajar con la derivada de la salida de la planta,

pues desde el punto de vista físico es más fácil entender el comportamiento de esta
variable que el de la derivada del error.
La derivada de la salida se define como positiva, negativa y cero y tiene la ventaja de no

depender del estado actual del error. Una derivada positiva significa que la salida de
la planta está aumentando y una derivada negativa significa que la salida de la planta
está disminuyendo. La derivada cero se interpreta como que el sistema se ha quedado
estático. Es importante recalcar, desde el punto de vista práctico, que para facilitar la
sintonización del sistema se incluyen bloques de ganancia en la señales de control,
error y derivada de la salida.
Controlador PI Difuso
En este esquema de control, al sistema de lógica difusa entran la señal de error y su

integral, y pasando por el mecanismo de inferencia, generan una acción de control.
Como en los casos anteriores la señal de error puede ser positiva, negativa o cero.
Control Inteligente
La integral del error nos proporciona información sobre la historia que tiene esta
variable, utilizando el conocimiento pasado para inferir la acción de control. Al igual
que su equivalente convencional, nos garantiza que podemos reducir el error de estado
estacionario, sin embargo se pueden producir sobrepasos, que afectan la vida útil de
nuestros actuadores.
Los valores positivos de la integral indican que ha existido históricamente una mayor
cantidad de errores positivos, que implican que la salida del sistema está por debajo
de los valores de referencia. Los valores negativos de la integral indican que ha existido
históricamente una mayor cantidad de errores negativos, que implica que la salida del
sistema está por encima de los valores de referencia. Un valor igual o muy cercano
a cero, implica dos situaciones, la primera es que históricamente los errores se han
compensado con valores positivos y negativos, lo que podría suponer un problema de
estabilidad; la segunda es que el error se ha mantenido históricamente en cero, lo cual
implica que se ha logrado llegar a la referencia. Es importante recalcar, desde el punto
de vista práctico, que para facilitar la sintonización del sistema se incluyen bloques de
ganancia en la señales de control, error e integral del error.
Controlador PID Difuso
En este esquema de control, al sistema de lógica difusa entran la señal de error, su

derivada e integral, y pasando por el mecanismo de inferencia, generan una acción de
control. Como en los casos anteriores estas variables pueden ser positivas, negativas o
cero. Al combinar los tres esquemas de corrección (Proporcional, Integral y Derivativo)
se obtiene un controlador que sustenta las desventajas que poseen individualmente.
Este sistema requiere de tres conjuntos difusos de entrada, lo que lo hace un poco mas
complejo que los anteriores. Es importante recalcar, desde el punto de vista práctico,
que para facilitar la sintonización del sistema se incluyen bloques de ganancia en la
señales de control, error, derivada e integral del error. Finalmente, debemos mencionar
que dependiendo del tipo de aplicación, todos los esquemas de controladores estudiados
anteriormente pueden hacer uso de un acción de control de tipo incremental.

Control Inteligente
Ejemplo: Control de Nivel
Definición del Problema
Como ejemplo para ilustrar el diseño de un controlador difuso, proponemos el problema

de controlar el nivel de un líquido en un tanque. Esta es un situación muy común en
ambientes industriales, en donde las variables de entrada del controlador corresponden
al error en el nivel y a la derivada del nivel. Como variable de salida consideraremos la
acción incremental sobre la apertura de la válvula.
Supongamos que debemos controlar el nivel de un líquido en un tanque de un metro

de altura. Como actuador tenemos una válvula que regula la cantidad de líquido que
entra al tanque. Si deseamos aumentar el nivel del líquido en el tanque, lo que debemos
hacer es abrir la válvula de suministro; si por el contrario se desea disminuir el nivel
de líquido en el tanque tenemos que cerrar la misma válvula. Teniendo en cuenta que
hay un flujo constante de líquido en la salida, con el fin de mantener su nivel constante,
debemos mantener un flujo regulado de líquido a la entrada con el fin de igualar al
de salida; esta situación la garantizamos si ajustamos la válvula de suministro en una
posición adecuada.
Ejemplo: Control de Nivel
Conjuntos Difusos
El siguiente paso en el diseño del controlador difuso es categorizar nuestras variables de

entrada y de salida. Utilizaremos para la salida una inferencia de tipo Mamdani.
Definimos cinco categorías para el error y la derivada del nivel: Muy Negativo (MN),
Negativo (N), Cero (C), Positivo (P) y Muy Positivo (MP). Además, definimos cinco
categorías para la salida: Cerrar Mucho (CM), Cerrar (C), Quieto (Q), Abrir (A) y Abrir
Mucho (AM).

Control Inteligente
Control de Nivel
Base de Reglas
El siguiente paso en nuestro diseño es generar la base de reglas a partir del conocimiento
intuitivo del comportamiento de la planta que tengamos del problema o que hayamos
extraído de algún operario experto. Con este propósito, debemos analizar cual es la
acción de control más adecuada a partir del análisis que realicemos del estado real de
la planta, el resultado de este análisis lo representaremos por medio de las etiquetas
Control Inteligente
lingüísticas del error y de la derivada del nivel. Las posibles acciones de control sobre
la planta resultan al realizar todas las posibles combinaciones entre las etiquetas
lingüísticas de las variables de entrada.
En las filas manejaremos las etiquetas lingüísticas del error y en las columnas se
manejaran las etiquetas lingüísticas de la derivada del nivel. En la intersección de una
fila y una columna se establece el valor deseado de la acción de control usando las
etiquetas lingüísticas para esta variable.
A modo de ejemplo en la tabla hemos resaltado la siguiente regla: Si el error es cero y

la derivada del nivel es positiva, debemos cerrar la válvula para lograr mantener el nivel
del líquido en su valor y contrarrestar la tendencia que tiene de subir. De igual manera
se puede interpretar la tabla para deducir toda la base de reglas que conforman la lógica
implementada en el controlador.
Si hacemos un barrido por los posibles valores del error y la derivada del nivel y calculamos
la acción de control generada, podemos obtener una superficie tridimensional como la
mostrada, la cual representa la función no lineal implementada por el controlador.

Control Inteligente
Control de Nivel
Simulación del Controlador
Para comprobar si el controlador es adecuado, generamos un modelo de la planta

a controlar y por medio de Simulink de Matlab, simulamos el comportamiento del
sistema de control y la planta. El controlador se compone de los bloques de substracción,
derivada, ganancias, evaluación del sistema difuso e integrador. El modelo de la planta
corresponde a la función de transferencia del nivel del líquido es 1.5/(10s+1). Para
el correcto funcionamiento del controlador dependiendo de la respuesta deseada,
ajustamos las constantes de proporcionalidad del controlador.
Control de Nivel
Análisis de Desempeño
Para comprobar el funcionamiento del controlador realizamos dos experimentos de

seguimiento de referencia. El primer experimento es la aplicación de un escalón de
amplitud 0.2 y observar como es la respuesta del sistema. Podemos observar como el
sistema alcanza el nivel de referencia y ejerce una acción de control moderada.

Control Inteligente
En el segundo experimento, variamos la referencia para observar que tan efectivo es

el controlador cuando el sistema tiene este tipo de variaciones. Nuevamente podemos
observar que la referencia es seguida de manera adecuada. Además, la acción de control
no es excesiva y esta dentro de un rango que podríamos considerar permisibles.
Tema 3: Modelado Difuso
Introducción
P ara todos es claro que una de las más importantes características de la inteligencia
humana, es la habilidad para crear grupos de datos con base en algún criterio
de agrupación. Donde un grupo lo definimos como un conjunto de objetos cuyo
nivel de similitud es mayor respecto de los demás objetos asociados a un conjunto
universo de discusión.
Las técnicas de agrupamiento son usadas en aplicaciones de reconocimiento y

clasificación de patrones.
Tanto el modelado paramétrico esencialmente basado en regresión lineal, como el

modelado tipo caja negra, por ejemplo las redes neuronales artificiales, pueden utilizar
el agrupamiento de los datos para generar un modelo del sistema.
En este tema abordaremos el modelado usando técnicas de agrupamiento difuso como

punto de partida, para luego obtener un modelo lineal para cada uno de los grupos
generados utilizando los consecuentes de un sistema difuso tipo Sugeno.

Control Inteligente
Inicialmente presentaremos los conceptos básicos de agrupamiento (“clustering”), que

ilustraremos con ejemplos para facilitar su comprensión. Como algoritmo básico de
agrupamiento usaremos el de k-medias, el cual nos servirá de referencia para evaluar el
desempeño del agrupamiento difuso. Finalmente proponemos una técnica de modelado
difuso que igualmente se ilustrará con ejemplos.
Agrupamiento: Definición
El agrupamiento es una técnica de clasificación para descubrir si los individuos de

una población se pueden distribuir en diferentes grupos haciendo una comparación
cuantitativa de sus diferentes características. Es la clasificación de objetos en diferentes
grupos, en otras palabras, lo que busca es particionar el conjunto de datos en
subconjuntos, llamados grupos, de tal manera que cada subconjuto comparta algún
rasgo común generalmente de proximidad de acuerdo a alguna medida de distancia.
Agrupamiento en Plano: Un grupo (cluster en inglés) es un conjunto

de elementos que tienen
características comunes.
En el caso de la figura,
si tenemos una serie de
puntos en el plano, una
manera de agrupar estos
puntos es colocando en
un mismo grupo aquellos
que tengan una posición
similar. De acuerdo a
esto, se tendrían cinco
Agrupamiento en Plano
grupos bien diferenciados
los cuales se han diferenciado coloreando los puntos de cada grupo con
diferente color.
Agrupamiento en Espacio: Un grupo (cluster en inglés) es un conjunto

Agrupamiento en Espacio
de elementos que tienen
características comunes.
En el caso de la figura,
si tenemos una serie de
puntos en el espacio, una
manera de agrupar estos
puntos es colocando en
un mismo grupo aquellos
que tengan una posición
similar. De acuerdo a
esto, se tendrían cinco
grupos bien diferenciados los cuales se han diferenciado coloreando los
puntos de cada grupo con diferente color.

Control Inteligente
Agrupamiento: Ejemplo Básico
Nos proponen concebir un sistema que clasifique un grupo de automóviles con base un
algunas características relevantes:
• Velocidad máxima del vehículo.

• Color.
• Aerodinámica del automóvil medida en función de su resistencia al aire.
• Peso del vehículo.
En la tabla condensamos los valores y el propósito es encontrar tres tipos diferentes de

vehículos y seleccionar cuales de estas características tienen mayor relevancia para la
identificación y el modelado de los tipos de vehículos.
Velocidad
Vehículo Color Resistencia al aire Peso Kg
Máxima Km / h
V1 220 Rojo 0.30 1300
V2 230 Negro 0.32 1400
V3 260 Blanco 0.29 1500
V4 140 Gris 0.35 800
V5 155 Azul 0.33 950
V6 130 Blanco 0.40 600
V7 100 Negro 0.50 3000
V8 105 Rojo 0.60 2500
V9 110 Gris 0.55 3500
Mayor Relevancia: Un análisis inicial de las características tabuladas

muestra que el color es el que tiene la menor relevancia, puesto que
hay una gran variabilidad en ella y no es un factor determinante en el
agrupamiento de los vehículos. Clasificación de automóviles. En segunda
instancia, la resistencia al aire, también nos muestra un comportamiento
similar, fruto del alto grado de avance en el diseño aerodinámico de los
vehículos modernos, que garantizan un desempeño similar desde este
punto de vista. En síntesis proponemos modelar el sistema con base en la
velocidad máxima y el peso de los vehículos, cuyo resultado se observa en
la tabla anterior.

Control Inteligente
Agrupamiento: Terminología
Objeto o Dato: Es un vector que describe a cada uno de los objetos en el

espacio de las características que se utilizarán para modelar el sistema.
Etiqueta: nombre que asignamos a un grupo con el fin de identificarlo.
Grupo: conjunto de objetos que comparten características similares

(“Cluster”). Conjunto de patrones que poseen características comunes que
los diferencian de otros elementos pertenecientes a un mismo conjunto
universo
Espacio de características: espacio definido por el conjunto de

características utilizadas para describir a los objetos, para su posterior
modelado
Características: Variable medible en el mundo real que utilizaremos para

describir un objeto.
En el gráfico observamos como se agrupan los vehículos a partir de las dos características
seleccionadas: Peso y Velocidad Máxima. En ella se diferencian claramente tres grupos
correspondientes a aquellos cuyo peso es grande y su velocidad es baja, por lo que
consideramos que son del tipo “camión”. Un segundo grupo tiene bajo peso y velocidad
moderada, que se asocia a un automóvil promedio, mientras que el tercero tiene igual
un bajo peso pero su velocidad máxima es la más alta, lo que caracteriza a un “Automóvil
Deportivo”.

Control Inteligente
Descripción del problema
En el proceso de fabricación de baldosas de cerámica,

tomamos la arcilla para ponerla en los moldes que le
dan la forma deseada. Luego pasan por un proceso de
pulido y esmaltado, para finalizar con la fase de cocción
en los hornos. En esta etapa final es imposible evitar la
formación de grietas invisibles a simple vista, por lo que
para efectos de control de calidad debemos recurrir a un
método acústico para detectar las piezas defectuosas.
En la inspección los operarios golpean suavemente con

un martillo las piezas y con un sistema automático se
captura el sonido que estas emiten; tras una etapa de
filtrado y de procesamiento se extraen las frecuencias
representativas tal como se ve en el pequeño conjunto
de datos de la tabla (adaptada de MIT, 1997).
En la tabla hemos separado aquellas piezas que pasan la prueba de las que están
defectuosas, utilizando para su caracterización la magnitud de las componentes de
frecuencia 475Hz y 557Hz.
475Hz 0.958 1.043 1.907 0.78 0.579 0.003 0.001 0.014 0.007 0.04
457 Hz 0.003 0.001 0.003 0.002 0.001 0.105 0.148 1.839 1.021 0.214
Aprobado Si Si Si Si Si No No No No No
Intensidad de frecuencia en diez baldosas
Agrupamiento por Métodos Clásicos
Si al anterior conjunto de datos le aplicamos un método de agrupamiento como el de

k-medias, el resultado obtenido es similar al de la figura donde la pertenencia o no a
cada uno de los grupos se da con relación a la cercanía de los datos respecto de los
vectores centroides C1 y C2.

Control Inteligente
Para evaluar la pertenencia o no a cada uno de los grupos se toma un dato y se mide la
distancia respecto de cada uno de los centroides. Un objeto pertenece a un grupo si la
distancia respecto al centroide que caracteriza a ese grupo es la mínima. Por ejemplo
si tomamos el primer elemento de la tabla, claramente vemos que la menor distancia
se da con respecto al centroide C2, por esta razón marcamos con un uno esta casilla, y
con cero la casilla asociada al centroide C1. Este proceso se repite para todos los datos
y obtenemos la siguiente tabla que resume la pertenencia de las baldosas en prueba a
los grupos C1 o C2.
Es importante destacar que la pertenencia a un grupo es del tipo 1 o 0, siendo

completamente excluyente la posibilidad de pertenecer a cualquier otro grupo una vez
se le haya asignado al grupo más cercano.
475Hz 0.958 1.043 1.907 0.78 0.579 0.003 0.001 0.014 0.007 0.004
557 Hz 0.003 0.001 0.003 0.002 0.001 0.105 1.748 1.839 1.021 0.214
Pertenece C1 0 0 0 0 0 1 1 1 1 1
Pertenece C2 1 1 1 1 1 0 0 0 0 0
Agrupamiento Difuso
Ahora al conjunto de datos le aplicamos un método de agrupamiento difuso como el

Fuzzy C-Means, el resultado obtenido es similar al de la figura. En este caso los objetos,
no se asignan de manera exclusiva a uno de los grupos, sino que poseen niveles de
pertenencia a cada uno de ellos, donde el mayor nivel de pertenencia lo define su
respectivo centroide.

Control Inteligente
Es importante destacar que en el caso del agrupamiento difuso la pertenencia a un grupo

ya no es del tipo 1 o 0, sino que tenemos niveles parciales de pertenencia, permitiendo
la posibilidad de que un objeto pertenezca a diferentes grupos.
Por ejemplo si tomamos nuevamente el primer caso, el sistema nos dice que esta
baldosa pertenece al grupo C2 con un nivel de 0.9955 y al grupo C1 con un nivel de
0.0045. Este proceso se repite para todos los datos y obtenemos la siguiente tabla que
resume la pertenencia de las baldosas en prueba a los grupos C1 o C2.
475Hz 0.958 1.043 1.907 0.78 0.579 0.003 0.001 0.014 0.007 0.004
557 Hz 0.003 0.001 0.003 0.002 0.001 0.105 1.748 1.839 1.021 0.214
Pertinencia C1 0.0045 0.0049 0.0110 0.0009 0.0091 0.9404 0.9678 0.9602 0.9915 0.9801
Pertinencia C2 0.9955 0.9951 0.9890 0.9991 0.9909 0.0596 0.0322 0.0398 0.0085 0.0189
Aplicación del Agrupamiento Difuso al Aprendizaje de

Funciones
Concepción General
El propósito del modelado difuso es encontrar un sistema de inferencia, por lo general

de tipo Sugeno, que nos permita representar una relación entrada-salida. Este proceso
de modelado difuso encuentra los parámetros del antecedente y del consecuente. Para
el sistema tipo Sugeno, los parámetros de los antecedentes corresponden a las funciones
de pertenencia que caracterizan a los conjuntos difusos de las variables de entrada.
Los parámetros del consecuente corresponden a los valores que definen las funciones
lineales de las salidas de cada una de las reglas.

Control Inteligente
En la figura presentamos como usando técnicas de agrupamiento podemos encontrar

los parámetros del antecedente y con base en los grupos ya establecidos se obtienen los
parámetros de los consecuentes.
Parámetros del antecedente: Los datos de entrada se usan para

encontrar en ellos posible grupos que compartan características similares.
Teniendo los grupos establecidos, se proyectan sobre las diferentes variables
de entrada para de esta manera encontrar las funciones de pertenencia
que caracterizan estas variables.
Parámetros del consecuente: Con los parámetros de los antecedentes ya

establecidos, procedemos a encontrar los parámetros de los consecuentes
que corresponden a las variables que caracterizan las funciones lineales
que definen el consecuente de cada una de las reglas. Para esto se usa
la salida que deseamos genere el sistema de inferencia difuso y usando
una metodología basada en gradiente o en mínimos cuadrados, podemos
encontrar estos parámetros.
Aprendizaje de una Función Senoidal
Como un primer ejemplo de aplicación del modelado difuso, veremos como esta técnica
se puede aplicar en la aproximación de una función senoidal, a partir de una serie de
muestras de la misma como se observa en la figura. El objetivo es el de obtener un
modelo difuso de la señal senoidal a partir de los datos entrada / salida.
Un parámetro fundamental a
definir inicialmente en el modelado
difuso basado en agrupamiento, es
la cantidad de grupos que vamos
a utilizar. Para efectos de este
ejemplo el número de grupos es de
cinco, que a su vez definirán cinco
modelos lineales para modelar la
señal senoidal.

Control Inteligente
Una vez definidos los cinco grupos, la técnica inicialmente nos entrega los centroides
de los mismos distribuidos a lo largo de la señal de entrenamiento, tal como se observa
en la figura superior. Con estos grupos obtenemos las funciones de pertenencia de los
conjuntos difusos que caracterizarán la variable de entrada, tal como se observa en la
figura inferior.
Con las funciones de pertenencia resultantes del paso anterior, procedemos a encontrar
los parámetros de los consecuentes y como resultado obtenemos un modelo lineal para
cada uno de los grupos generados en la etapa de agrupamiento difuso. Estos modelos
lineales los podemos observar en la gráfica.

Control Inteligente
Una vez encontrados los modelos lineales asociados a cada uno de los grupos, podemos
visualizar en la figura, la capacidad de aproximación del modelo difuso obtenido. En la
gráfica superior vemos en rojo la curva de aproximación a los datos representados con
círculos azules, cuando utilizamos cinco grupos. Aunque el resultado es satisfactorio lo
podemos mejorar si utilizamos diez grupos, tal como se muestra en la gráfica inferior.

Control Inteligente
Ejemplo: Identificación de sistemas
Extracción de Datos E/S
En este ejemplo, veamos como podemos llevar a cabo la identificación de un sistema

dinámico utilizando el modelado por agrupamiento difuso. Primero, extraeremos los
datos de entrada-salida de una planta representada por la función de transferencia
5/(s2+2s+10). Considerando las características físicas del sistema, seleccionamos un
periodo de muestreo de 0.1s para el experimento. Para observar las señales de entrada
y salida, ver imagen a continuación.
Modelo de Primer Orden

Control Inteligente
Luego de obtener los datos de entrada salida, construimos un modelo similar a los ARX
trabajados en tema de identificación con redes neuronales. El regresor a utilizar es del
tipo Y(k)=[Y(k-1), U(k-1)] que determina un modelo de primer orden. En este caso
decidimos trabajar con tres grupos, y los modelos lineales generados para cada uno de
los tres grupos definidos se ilustran en la gráfica de la izquierda, en donde cada color
representa el rango de activación de cada uno de los tres modelos lineales.En la gráfica
de la derecha presentamos el resultado final de la aproximación del modelo difuso
obtenido.
Modelo de Segundo Orden
Al verificar que un modelo de primer orden no fue suficiente para modelar los
datos obtenidos, recurrimos a un modelo más complejo definido por el regresor
Y(k) = [Y(k–1), Y(k–2), U(k–1)] que representa a un modelo de segundo orden. Si
trabajamos con los mismos tres grupos del caso anterior, los modelos lineales generados
para cada uno de los grupos se activan como se muestra en la gráfica de la izquierda.
En la gráfica de la derecha mostramos el resultado final de la aproximación del modelo
difuso obtenido, el cual es superior frente al de primer orden.

Control Inteligente
Resumen
L uego de hacer una breve revisión a la evolución histórica de la lógica difusa y

su aplicación en control, pasamos a realizar un repaso a los conceptos básicos
de lógica difusa para comprender los mecanismos de inferencia más utilizados.
Finalmente, nos detenemos en el diseño e implementación de los controladores difusos
con inferencia tipo Mamdani y Sugeno; con base en algunos esquemas de control clásico
lineal.
En el último tema, abordaremos la aplicación de las técnicas de agrupamiento difuso

al problema de modelar un sistema dinámico. El agrupamiento difuso se encarga de
encontrar grupos en los datos experimentales obtenidos del sistema, donde dichos
grupos pueden ser descritos por los consecuentes de un sistema de inferencia tipo
sugeno.
Bibliografía
• PASSINO Kevin, YURKOVICH Stephen, Fuzzy Control, Addison – Wesley, USA, 1997.


U3 Controlint Ebook

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

U3 Controlint Ebook

Hochgeladen von

Copyright:

Verfügbare Formate

Control Inteligente

Dirección de Nuevas Tecnologías y Educación Virtual

Universidad del Valle

Coordinador de Programa Académico

Coordinación Diseño Gráfico

Dirección de Nuevas Tecnologías y Educación Virtual

Universidad del Valle

E n los métodos clásicos de análisis y diseño de controladores automáticos, la

Debido a que hay una gran cantidad de conocimiento almacenado en términos

Una aproximación a la forma como manejamos la información y la procesamos los

A lo largo de esta unidad revisaremos esta técnica de la Inteligencia Computacional

4 Universidad del Valle Unidad 3.

Tema 1: Introducción a la Lógica Difusa

P ara la mayoría de sistemas en ingeniería, hay dos

La información numérica que la proveen los sensores,

Una aproximación a la forma como manejamos la información y la procesamos los

¿Por qué la información lingüística puede ser representada usando

Podemos entre otras, citar tres razones

• Los humanos comunicamos nuestro

Unidad 3. 5 Universidad del Valle

• Finalmente, muchos sistemas son demasiado complejos para ser

1965 Conjuntos Difusos

En 1964 Zadeh propone por primera vez la noción de conjuntos difusos en

6 Universidad del Valle Unidad 3.

1974 Controladores Difusos

En 1974, el Británico Ebrahim Mandani, demuestra la aplicabilidad de

El modelado difuso fue propuesto con el sistema Takagi Sugeno y a través

• Los japoneses empiezan

• Aparece toda una serie de

• En 1986, Yamakawa, “Fuzzy Controller hardware system”. Desarrolla

• En 1987, en el Japón se inaugura el tren subterráneo de Sendai, lo

pues el tren es controlado y guiado por us sistema difuso, siendo

• En 1987, aparece el concepto de “Fuzzy Boom”, ya que se comercializa

1990 Modelado Neuro-Difuso

El modelado difuso fue propuesto con el sistema Takagi Sugeno y en él se

2000 Lógica Difusa Tipo 2

Aunque esta nueva forma de modelar el conocimiento impreciso fue

procesamiento digital de señales y robótica. En este nuevo paradigma la

Conjunto Binario vs. Conjunto Difuso

También conocido como

Un conjunto difuso permite

Unidad 3. 9 Universidad del Valle

cm. de estatura, su pertenencia es de 0.95. En este caso, un clasificador

¿Cómo podemos representar matemáticamente un conjunto

Supongamos que tenemos un posible rango de valores al cual llamaremos

Conjuntos Difusos con Universos Discretos

Ciudad Deseable para vivir Número aceptable de hijos

{0,0.1}, {1,0.5}, {2,1.0}, {3,0.7},

El valor 1 corresponde a la ciudad ideal y el 0 a la ciudad en donde nadie

Número aceptable de hijos: Ahora, observemos el conjunto de Número

Conjuntos Difusos con Universos Continuos

Contrario al caso anterior, el universo de discurso se define de manera continua en

Edad alrededor de 30 años

Edad Alrededor de 30 Años: Si deseamos construir un conjunto difuso

Unidad 3. 11 Universidad del Valle

desde su nacimiento por lo que el universo de discurso estará conformado

En la figura mostramos una posible selección de la función de pertenencia,

Categorización de una variable con conjuntos difusos

En general las variables que trabajamos en

y representa nuestra percepción de un rango de Muy Alta (MA) [180, 200]

Altura de una persona: Ahora consideremos un ejemplo donde deseamos

Ahora, el ultimo paso es definir el tipo de función de pertenencia. Por

12 Universidad del Valle Unidad 3.