Beruflich Dokumente
Kultur Dokumente
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
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
Diagramación
John Jairo Toro Londoño
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
Contenido
Introducción
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.
Orígenes
Modelado Difuso
Fuzzy Boom
Conjunto Binario
Conjunto Difuso
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: 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.
10 Universidad del Valle Unidad 3.
Control y Modelado con Lógica Difusa
Control Inteligente
valores de la variable.
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.
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?
Unidad 3. 15 Universidad del Valle
Control y Modelado con 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}
Unión
C=A B = {x:x A x B, x X}
C = A’ = {x:x A, x X}
μA = 1 – μA
Conjunto complemento
Razonamiento Difuso
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.
20 Universidad del Valle Unidad 3.
Control y Modelado con Lógica Difusa
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.
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.
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.
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
Inferencia Difusa
Inferencia Mamdani
VARIABLES LINGÜÍSTICAS
Pocos Promedio Muchos
0 1 2 3 4 5
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.
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
mucho buena
promedio regular
pocos mala
VARIABLES LINGÜÍSTICAS
0 1 2 3 4 5
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).
REGLAS DE COMPORTAMIENTO
REGLAS DE COMPORTAMIENTO
mucho buena
promedio regular
pocos mala
Cálculo de Salida
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
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 Difuso
• 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
1 Área del control automático que utiliza técnicas de inteligencia computacional para el diseño y/o
sintonización de las estrategias de control a utilizar.
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
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.
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.
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.
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.
Controlador PI Difuso
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.
Conjuntos Difusos
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 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
36 Universidad del Valle Unidad 3.
Control y Modelado con Lógica Difusa
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.
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 de Nivel
Control de Nivel
Análisis de Desempeño
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.
Agrupamiento: Definición
Nos proponen concebir un sistema que clasifique un grupo de automóviles con base un
algunas características relevantes:
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
Agrupamiento: Terminología
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”.
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
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.
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
Aprobado Si Si Si Si Si No No No No No
Agrupamiento Difuso
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
Aprobado Si Si Si Si Si No No No No No
Concepción General
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.
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.
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.
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.
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.
Resumen
Bibliografía
• PASSINO Kevin, YURKOVICH Stephen, Fuzzy Control, Addison – Wesley, USA, 1997.