Beruflich Dokumente
Kultur Dokumente
• Una de las principales cualidades de los seres • El nexo de unión entre estos dos mundos, el
h
humanos es lla d
de poder
d ttomar ddecisiones
i i ante
t i
impreciso
i y ell numérico,
éi se b
basa en lla ló
lógica
i
situaciones con altos niveles de incertidumbre y borrosa.
en ocasiones pobremente definidas. • El objetivo de la lógica borrosa es el de la
• El control borroso trata de implantar en el formalización del razonamiento con
computador, intrínsecamente numérico, las incertidumbre.
estrategias de control de los operadores de • Intenta
I abordar
b d problemas
bl d
definidos
fi id en términos
é i
proceso, expresadas normalmente en términos lingüísticos, con datos expresados en términos
lingüísticos, y por tanto imprecisos. cualitativos.
3 4
1
ORIGENES DEL PENSAMIENTO
Sumario BORROSO
• Orígenes
g del pensamiento borroso • Contraposición a la lógica clásica:
– cualquier
l i enunciado
i d o proposición
i ió puede
d ttomar un valor
l
• Lógica y lógicas lógico VERDADERO o FALSO
• En lógica borrosa los valores lógicos son • En teoría clásica de conjuntos los elementos del
conjuntos
j t b borrosos d i i ((universo)
dominio i ) pertenecen,
t o no, a un
– Lotfi Zadeh (1965) La Teoría de los Conjuntos determinado conjunto
Borrosos • En conjuntos borrosos todos los elementos del
• Los valores lógicos se corresponden a términos dominio pertenecen a todos los conjuntos
lingüísticos como a medias, bastante, casi, borrosos
poco mucho
poco, mucho, algo
algo, etc
etc. –CCon un gradod d
de pertenencia
t i d
determinado
t i d por lla
• Permite plantear el problema en los mismos función de pertenencia característica de cada
términos en los que lo haría un experto humano. conjunto
– Entre 0 y 1
7 8
2
Conjuntos Borrosos Conjuntos Borrosos
3
Conjuntos Borrosos Sumario
• la operación de complemento no da, • Orígenes del pensamiento borroso
A A
en general, un conjunto disjunto ni
complementario en el sentido
clásico:
A A X • Lógica y lógicas
• Lógica borrosa
• Controladores PID borrosos
• Modelado Borroso
• A li
Aplicación
ió all control
t l
13 14
4
LOGICA Y LOGICAS LOGICA DE PREDICADOS
• Formaliza el concepto de propiedad ("Alberto es un
Proposiciones ser vivo")
vivo ) y el de relación ("Juan
( Juan vive en Madrid
Madrid"))
Clásicas
Predicados
Predicados de orden superior
Predicados con identidad
• Variables:
– Colectivos ("los peces", "los seres vivos"), con la notación usual
Clases x, y, z para los miembros genéricos del colectivo, denominadas
Ampliaciones variables propiamente dichas.
Lógicas Relaciones
No lá i
N clásicas Modal
M d l • universo del discurso (dominio): conjunto de posibles valores
particulares que pueden tomar las variables
Temporal – miembros("Juan", "Madrid"), con la notación usual a, b, c,
Valores finitos
denominadas constantes
Multivaloradas Bayesiana
Borrosa
17 18
5
LOGICA DE PREDICADOS Sumario
• valores semánticos : {verdadero,falso} o bien {1,0} • Orígenes del pensamiento borroso
• operaciones semánticas:
– Álgebra de Boole
• Lógica y lógicas
– interpretación del cuantificador
• Lógica borrosa
I( x (P(x))) = I(P(a) P(b) P(c) ...)
– interpretación del cuantificador • Controladores PID borrosos
I( x (P(x))) = I(P(a) P(b) P(c) ...) • Modelado Borroso
• Aplicación
A li ió all control
t l
• completa
• consistente
21 22
6
LOGICA BORROSA Sumario
• operaciones semánticas: Dado que la interpretación de un
predicado es un conjunto borroso, las operaciones semánticas • Orígenes del pensamiento borroso
para interpretar
i t t una sentencia
t i serán
á llas correspondientes
di t a llos
conjuntos borrosos • Lógica y lógicas
I (A) I ( A) • Lógica borrosa
I ( A B) I ( A) I (B)
I ( A B) I ( A) I (B)
• Controladores PID borrosos
• tautologías de la lógica de proposiciones, como ¬AA, dejan de • Modelado Borroso
serlo en lógica borrosa
• Aplicación
A li ió all control
t l
• CONCLUSIÓN:
la lógica borrosa no será ni completa ni consistente.
25 26
27 ng nm np ze pp pm pg 28
7
Controladores PID borrosos Controladores PID borrosos
• FP
– Las variables físicas toman valores numéricos mientras
IF E = ... THEN U=...
que en las reglas toman valores borrosos:
• FPI BORROSIFICACIÓN
IF E = ... AND SE=... THEN U=... – El resultado de la inferencia borrosa será un conjunto
IF E = ... AND CE = ... THEN CU=... borroso, pero necesitamos un valor numérico de control:
• FPD DESBORROSIFICACIÓN
IF E = ... AND CE = ... THEN U=...
• FPID
IF E = ... AND CE = ... AND SE=... THEN U=...
29 30
os ificación
_
sif icación
Valor
clusión
Control
CE
Aplicación
Desborro
Conc
Borros
SE ng nm np ze ppe(t) pm pg
31 32
8
Controladores PID borrosos Controladores PID borrosos
35 36
9
Controladores PID borrosos Controladores PID borrosos
• Desborrosificación (Defuzzyfication). Conclusión numérica.
– A partir del conjunto de funciones de pertenencia de salida, se ze m(ze,ze)
( ) ze
zee
procede al cálculo del valor numérico de la conclusión.
– métodos:
• tomar como valor para la variable de control el correspondiente al
máximo de la curva suma de todas las funciones de pertenencia
• calcular el centro de gravedad del área de la curva suma pp pp
ze m(ze,pp)
– en este caso no importa la forma de las funciones de pertenencia de
las etiquetas lingüísticas de la función de control. Únicamente su
centro de ggravedad y su área,, qque normalmente será unitaria.
e ce cu
c m ij ij
cdg i j
m i j
ij
cdg
37 38
39 40
10
Controladores PID borrosos Controladores PID borrosos
• Generalización • Ventajas
– Uso de otras variables para control – No es necesario un MODELO preciso del sistema a controlar.
– Se utiliza la misma estructura de control – Se implementan fácilmente los CONOCIMIENTOS del operador
humano (reglas expresadas en términos lingüísticos).
– Resulta posible alcanzar con facilidad las ESPECIFICACIONES
SI la temperatura es caliente de tiempo y transitorio fijadas.
Y el oxígeno un poco bajo – El controlador borroso es POCO SENSIBLE a cambios de los
parámetros del sistema a controlar ((no es lineal).
p )
ENTONCES abrirb i un poco la
l ventilación
til ió
– Permiten contemplar situaciones excepcionales del estado del
proceso, gracias a su forma de representar el conocimiento.
41 42
43 44
11
Sumario Modelado Borroso
45 46
f:
n
y f ( x1,x2 , ,xn ) f: n y f ( x1,x2 , ,xn )
En la que se supone que existen un conjunto de variables – Se modela como un conjunto de reglas de la forma
medibles S i1in : if z1 is M11 and z2 is M 22 and zm is M m
i i im
i i
then yˆ c 1 m
47 48
12
Modelado Borroso Modelado Borroso
• Si ji j ( z j ) son las distintas funciones de pertenencia • Modelo de Takagi-Sugeno
– Dada
D d lla ffunción
ió
• Se define
wi1im ( z ) jj ( z j )
m i
f: n y f ( x1,x2 , ,xn )
j 1
– Se modela como un conjunto de reglas de la forma
• Y entonces
r1 rm S i1im : iff z1 is M1i1 and z2 is M 2i2 and zm is M m
im
wi1im ( z )c i1im i i i i i i
i1 1 im 1 then yˆ p0 1 m p1 1 m x1 p2 1 m x2 pni1im xn
yˆ r1 rm
i i
w 1 m ( z)
i1 1 im 1
49 50
13
Identificación T-S Identificación T-S
• Si tenemos un conjunto de muestras entrada/salida • Donde
x1k , x2k , , xnk , yk , z1k , z2k , , zmk
Y y1 y2 y t
• Los parámetros del sistema borroso se pueden
r r
P p011 p111 p211 pn11 p0 1 m pnr1rm t
determinar minimizando 11 11x 11x r1rm r1rm x
1 1 11 1 n1 1 1 n1
X
J ( yk yˆ k )2 Y XP
2 11 11x 11x r1rm r1rm x
1 n n
k 1
53 54
J 2(Y XP ) X 2 2 ( P P0 )t 0
t
X t (Y XP ) 2 ( P P0 ) X tY 2 P0 ( X t X 2 I ) P 0
P ( X t X 2 I ) 1( X tY 2 P0 )
55 56
14
Sumario Aplicación a control
57 58
• A cada regla del modelo se le asocia una regla del • El sistema borroso lo representamos como
controlador
Si z1 es M1i1 y z2 es M 2i2 y y zm es M m
im
entonces
x x x x ( n1 t
(i i im )
u k0 1 2
(i i im )
k1 1 2 x kn(i1i2 im ) x ( n 1 S i1in : if z1 is M1i1 and z2 is M 2i2 and zm is M m
im
then
– k0 se puede utilizar para eliminar el término independiente
x ( n A0 1
i im A i1im x B i1im u
(i i im ) (i i im )
a0 1 2 B (i1i2 im )k0 1 2 0
0 0 1 0 0 0
– La matriz de realimentación se puede diseñar por cualquier método, 0 0 0
0 1 0
p.e. mediante LQR i i
A0 1 m ,
Ai1im
, B i1im
• Es un refinamiento del Control Adaptativo por 0
i1im
0 0 0
i1im a i1im a i1im
1 0
bi1im
a0 a1 ani1im
tabla de reguladores 2 3
59 60
15
Fuzzy--LQR
Fuzzy Ejemplo
Ejemplo Ejemplo
x1 x1 x2
u ml x22 sen x1
g sen x1 cosx1
M m
x2 x2
4 mcos x1
2
l
3 M m
63 64
16
Ejemplo Ejemplo
R 22 : si x1 es M12 y x2 es M 22 entonces
x2 15.78 x1 1.46u 65 66
Ejemplo Ejemplo
• Control LQR • Respuesta a estado inicial no nulo
R : u(t) -11.9200 24.2446x1 7.3058x 2
11
17
Ejemplo
69
18