Control Inteligente

• Serie de técnicas, tomadas fundamentalmente

d lla iinteligencia
de t li i artificial,
tifi i l con llas que se
Sistemas de Control Borroso pretenden resolver problemas de control
inabordables por los métodos clásicos.
– Control Experto
Agustín Jiménez Avello – Control Borroso
– Redes Neuronales Artificiales
– Algoritmos Genéticos
– …

Control Borroso Control Borroso

• 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

• Lógica borrosa p  p es simpre falso

• Controladores PID borrosos p  p es simpre verdadero
• Modelado Borroso
(p  q)  p ppor tanto q
• A li
Aplicación
ió all control
t l
( p  q)  q por tanto p
etc.
5 6

ORIGENES DEL PENSAMIENTO

BORROSO Conjuntos Borrosos

• 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

• Un subconjunto borroso A de un dominio X={x} es

un conjunto
j t dde pares ordenados
d d
A={(x ;A(x))  xX},
donde
A:X  [0,1]
pertenencia característica de A
es la función de p
• No es probabilidad
• grado de compatibilidad de un cierto predicado
• grado de posibilidad de que éste sea cierto
9 10

Conjuntos Borrosos Conjuntos Borrosos

• operaciones básicas • Los conjuntos clásicos se pueden considerar un

igualdad A  B  x  X  A ( x)   B ( x)
caso particular de los conjuntos borrosos
borrosos, en los que la
función de pertenencia toma exclusivamente valores 0
inclusión A  B  x  X  A ( x)   B ( x) ó1
unión  A B ( x)  max( A ( x),  A ( x)) x  X • conjunto vacío  : será aquel cuya función de
intersección  A B ( x)  min(  A ( x),  A ( x)) x  X pertenencia sea constante e igual a cero
complemento A  B  x  X  A ( x)  1   B ( x) • conjunto completo (el dominio X) : el que tiene
• Se suelen definir otras operaciones de unión e intersección f
función
ió dde pertenencia
t i constante
t t e igual
i l a uno.
– En vez de max suma acotada por la unidad
– En vez de min también se utiliza producto
• operaciones adicionales: producto, potenciación, distancia,
etc.
11 12

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

LOGICA Y LOGICAS LOGICA Y LOGICAS

• Ciencia que estudia las condiciones formales de
validez de una inferencia y, en general, de una
argumentación
t ió cualquiera
l i
• SINTAXIS
– variables: enunciados elementales
– conectivas: elementos que pueden unir a las variables
– sentencias: enunciados compuestos de variables y conectivas
– axiomas: sentencias básicas pertenecientes a la lógica que
estemos definiendo
– reglas operativas: permiten derivar una sentencia de otra
– teoremas: sentencias que mediante demostración, esto es,
aplicación consecutiva de reglas operativas, se pueden obtener a
partir de los axiomas
– tesis: sentencia que es o bien un axioma o bien un teorema
15
• SEMANTICA
– conjunto
j de valores semánticos: p posibles interpretaciones
p de una
variable o de una sentencia, con un mínimo de dos elementos
– operaciones semánticas: operaciones con los elementos de la
lógica, de modo que a cada variable le corresponda un valor
semántico y a cada conectiva una operación
– tautología: cuando dentro del conjunto de valores semánticos
está el valor '1' o 'verdadero',se define como tautología como
aquella sentencia que para cualquier interpretación de sus
variables la interpretación de la sentencia siempre es verdadera
– contradicción: cuando la interpretación es siempre 'falsa'
• completa: cuanto toda tautología es una tesis
• consistente: cuando toda tesis es una tautología
16

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

LOGICA DE PREDICADOS LOGICA DE PREDICADOS

• conectivas: • Axiomas
– las
l d de lla ló
lógica
i d de proposiciones
i i
• Negación, conjunción, disyunción ( p  p)  p
• Condicional, bicondicional
– propiedad: da lugar a un predicado monádico q  ( p  q)
• "Alberto es un ser vivo": S(a)
– relación: da lugar a un predicado poliádico
( p  q)  (q  p)
• "Juan
Juan vive en Madrid":
Madrid : V(j,m)
– cuantificador universal 
V(j m)
( p  q )  (r  p)  (r  q)
• formaliza la idea de "para todo elemento ... se verifica ..." x ( P( x))  P(a )
– cuantificador existencial 
• formaliza la idea de "existe un elemento ... tal que ..." x ( p  P( x))  ( p  x P( x))
19 20

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

LOGICA BORROSA LOGICA BORROSA

• SINTAXIS • Semántica Borrosa

– mismo aspecto sintáctico de la lógica de predicados (variables, – valores semánticos: subconjuntos borrosos, siendo necesario
constantes, conectivas y cuantificadores) definir para cada predicado los correspondientes subconjuntos
– universo de discurso (dominio): conjunto de posibles valores
• SEMÁNTICA particulares que pueden tomar las variables que intervienen en el
– basada en el concepto de borrosidad que se formaliza en la predicado
teoría de conjuntos borrosos – etiquetas lingüísticas los valores semánticos correspondientes a
un predicado (del orden de 5)
• granularidad como la capacidad de discernir entre dos términos lingüísticos
– funciones de pertenencia de un término lingüístico: cada término
lingüístico corresponde a un subconjunto borroso que lleva
asociada una función de pertenencia. Esta representa el grado de
asociación de un valor numérico x con ese término.
23 24

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 ¬AA, 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

Controladores PID borrosos Controladores PID borrosos

• Equivalentes a los PID convencionales • El conocimiento del experto se estructura en forma de

reglas
 1 t de(t ) 
u ( t )  K R e( t ) 
 TI  e( )d  TD dt 
SI el error es positivo pequeño Y
el cambio del error es positivo pequeño
ENTONCES la acción de control es positiva grande
• En función de
• Es preciso definir
– e(t): variable de error
• el universo de discurso
– ce(t): función derivada o cambio en el error
• las etiquetas lingüísticas
– se(t): función integral o suma del error
• la función de pertenencia asociada a cada una de ellas
• Se obtiene
– u(t): acción de control o bien
– cu(t): cambio en la acción de control

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

Controladores PID borrosos Controladores PID borrosos

• Estructura • Borrosificación (fuzzyfication )

– consiste en calcular el grado de pertenencia de las variables de
entrada a cada una de las etiquetas lingüísticas mediante las
funciones de pertenencia. Este será un número comprendido entre 0
Consigna Error y 1 para cada etiqueta.
n de reglas

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

• Forma de las funciones de pertenencia • Planteamiento de las CE

– Trapezoidales reglas (p
(p.e.
e PI)
• Pueden derivar en rectangulares o en triangulares – IF E = ZE AND CE = ZE ng np ze pp pg
THEN CU = ZE
– Rectangulares ng ng ng ng np np
– IF E = PG AND CE = NP
• Corresponden a los conjuntos clásicos
THEN CU = PP
– Exponenciales (distribución normal) np ng np np np ze
– ...
• muestran un comportamiento muy adecuado y no presentan
discontinuidad en la derivada
derivada, aunque tienen el inconveniente • Tabla de reglas
g E p np
ze np p ze pp pp
de su lentitud de cálculo
pp ze pp pp pp pg
– Polinómicas
• son funciones sencillas de calcular y tienen una forma similar pg pp pp pg pg pg
a la de las funciones de densidad normales, siendo más
rápidas de calcular.
33 34

Controladores PID borrosos Controladores PID borrosos

• Aplicación de las reglas
– Después de la borrosificación, para cada etiqueta lingüística
tenemos un grado de pertenencia de E y otro de CE.
– Al ser reglas del tipo
IF E = .. AND CE = .. THEN ...
el grado de cumplimiento de la premisa será el menor de cada
una de sus condiciones (o el producto) y se toma este grado
como p peso en la conclusión final.
mij = min( μi(e(t)), μj(ce(t) )
– Se pueden eliminar reglas con bajo peso
• Conclusión borrosa.
– La acción de control que concluye cada regla es una etiqueta
lingüística de la variable de control (conjunto borroso) al que
se le dado un peso
• Interpretación de la conclusión de una regla
– otro conjunto borroso con función de pertenencia producto del
peso por la función de pertenencia primitiva
ij (u(t))  mij  k (u(t))
• Conclusión del conjunto de reglas
– conjunto de conjuntos borrosos con sus respectivas funciones
de pertenencia

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

Controladores PID borrosos Controladores PID borrosos

• La relación entrada-salida no es borrosa • Múltiples entradas

• Múltiples salidas: cada salida un regulador

monovariable

• Estabilidad de Reguladores Borrosos:

Problema de demostración

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

Controladores PID borrosos Controladores PID borrosos

• Inconvenientes • APLICACIONES INDUSTRIALES
– R
Resulta
lt iimprescindible
i dibl lla presencia
i dde un experto
t que – P
Procesos difíciles
difí il dde AUTOMATIZAR y que, paradójicamente,
dóji t
suministre el conocimiento necesario son controlados fácilmente por operadores humanos.
– Una modificación en los parámetros del controlador obliga a una – Procesos con INCERTIDUMBRE, poco definidos.
revisión de todo el conjunto de reglas para detectar la aparición – Difícil ESTIMACIÓN de los parámetros que definen el proceso.
de nuevas inconsistencias o tendencias hacia la inestabilidad – Sistemas COMPLEJOS, no lineales, de orden elevado,
variantes con el tiempo.
– Situaciones en las que resulta difícil la MEDICIÓN del valor de
las variables a controlar (procesos biológicos, reacciones
químicas complejas).

43 44

11
 Sumario Modelado Borroso

• Orígenes del pensamiento borroso • Obtener un modelo borroso de un sistema

• Lógica y lógicas di á i
dinámico
• Lógica borrosa – Modelo de la planta
– Modelo del regulador
• Controladores PID borrosos
• Tipos de modelos
• Modelado Borroso – Mamdani
• Aplicación
A li ió all control
t l – Takagi-Sugeno

45 46

Modelado Borroso Modelado Borroso

• Supuesta una función • Modelo de Mamdani

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 i1in  : if z1 is M11 and z2 is M 22 and  zm is M m
i i im

z1, z2 ,  zm  then yˆ is M yi1im 

que pueden ser alguna o todas las variables xi o variables – O en función del centro de gravedad
asociadas que permiten determinar la función
S i1im  : if z1 is M1i1 and z2 is M 2i2 and  zm is M mim

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
wi1im  ( 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 i1im  : iff z1 is M1i1 and z2 is M 2i2 and  zm is M m
im

   wi1im  ( z )c i1im  i i  i i  i i 
i1 1 im 1 then yˆ  p0 1 m  p1 1 m x1  p2 1 m x2    pni1im xn
yˆ  r1 rm
i i 
   w 1 m ( z)
i1 1 im 1
49 50

Modelado Borroso Modelado Borroso

• Si  ji j ( z j ) son las distintas funciones de pertenencia • Llamando
wi1im ( zk )
• Se define  ki1im  
wi1im  ( x )    jj ( z j )
m r1 rm
i i i 
   w 1 m ( zk )
j 1 i1 1 im 1

• Y entonces • Se puede expresar como

r1 rm
i i  i i  i i   i i 
   w 1 m ( x ) p0 1 m  p1 1 m x1    pn 1 m xn
i1 1 im 1
 r r
m i i 

i i  i i 
yˆ      k 1 m p0 1 m  p1 1 m x1    pni1im xn
1

yˆ  r1 rm i1 1 im 1
i i 
   w 1 m ( z)
i1 1 im 1
51 52

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  p011 p111 p211  pn11  p0 1 m  pnr1rm  t 
determinar minimizando   11  11x   11x   r1rm    r1rm x 
 1 1 11 1 n1 1 1 n1

 X   
J   ( yk  yˆ k )2  Y  XP
2   11  11x   11x   r1rm    r1rm x 
   1  n   n 
k 1

53 54

Identificación T-S Identificación T-S

• Si la matriz X es de rango completo • Si X no es de rango completo se puede

J  Y  XP
2 t
 (Y  XP ) (Y  XP ) extender
t d lal ffunción
ió objetivo
bj ti iincluyendo
l d una
ponderación de la distancia de los parámetros a
J  2(Y  XP )t X  0 los parámetros lineales
X t (Y  XP )  X tY  X t XP  0
1


J   ( yk  yˆ k )2   2  p j  p j 0   Y  XP
2 2
  2 P  P0
2
t t k 1
P  (X X ) X Y j

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

• Orígenes del pensamiento borroso • Aplicable a control de sistemas no lineales

– Caso
C sencillo:
ill D Dado
d ell sistema
i t no lilineall
• Lógica y lógicas
• Lógica borrosa x ( n )  f ( x, x, x,, x ( n 1) , u )
• Controladores PID borrosos • Modelo de Takagi-Sugeno
• Modelado Borroso – Se modela como un conjunto de reglas de la forma
Si z1 es M1i1 y z2 es M 2i2 y  y zm es M m
im

• Aplicación al control entonces

(i i im )
x ( n  a0 1 2
(i i im )
 a1 1 2
(i i im )
x  a2 1 2 x    b(i1i2 im )u

57 58

Aplicación a control Fuzzy--LQR

Fuzzy

• 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 ( n1  t

(i i im )
u  k0 1 2
(i i im )
 k1 1 2 x    kn(i1i2 im ) x ( n 1 S i1in  : 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 i1im  x  B i1im 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    ,
 
Ai1im       

 , B i1im     
     
• Es un refinamiento del Control Adaptativo por  0 
i1im  
 0 0 0
i1im  a i1im  a i1im 
 1   0 
bi1im  
a0  a1  ani1im  
 
tabla de reguladores 2 3

59 60

15
 Fuzzy--LQR
Fuzzy Ejemplo

• Se aplica la metodología LQR para cada • Control de un péndulo invertido

subsistema
b i t d
dell modelo,
d l utilizando
tili d una matriz
ti Q
de ponderación del estado y R de ponderación de  u  ml 2 sen 
g sen  cos 
la entrada comunes para todas las reglas.  M  m 
 
• Se resuelve la ecuación de Riccati para cada  4 m cos2  
l  
subsistema 3 M m 
0  Q  Li1im B i1im R 1B i1im  Li1im   Li1im  Ai1im   Ai1im  Li1im 
t t

• Y se obtiene los parámetros de la regla de control


K i1im   k1 1
i im 
  
i im   k i1im   R 1 Bi1im  t Li1im 
k2 1 m
61 62

Ejemplo Ejemplo

• Modelo de estado • Funciones de pertenencia asociadas z1  x1 z2  x2

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

• Modelo de Takagi-Sugeno • En primer lugar el término afín del control se

S 11 : si x1 es M11 y x2 es M 12 entonces S 23 : si x1 es M12 y x2 es M 23 entonces utiliza
tili para eliminar
li i ell té
término
i afín
fí d
dell sistema
i t
x2  11.92  10.06 x1  0.35 x2  u x2  13.95 x1  1.46u
a0(i1i2 )
a0( i1i2 )  b (i1i2 ) k 0(i1i2 )  0  k 0( i1i2 )  
S 12 : si x1 es M11 y x2 es M 22 entonces S 31 : si x1 es M13 y x2 es M 21 entonces b ( i1i2 )
x2  10.76  10 x1  u x2  11.37  10.06 x1  0.35 x2  u
• Los otros términos se calculan mediante LQR
S 13 : si x1 es M11 y x2 es M 23 entonces S 32 : si x1 es M13 y x2 es M 22 entonces
x2  11.36  10.06 x1  0.35 x2  u x2  10.76  10 x1  u
minimizando el índice

S 21 : si x1 es M12 y x2 es M 12 entonces S 33 : si x1 es M13 y x2 es M 23 entonces 
J   100 x12  10 x 22  u 2 dt 
x2  13.95 x1  1.46u x2  11.92  10.06 x1  0.35 x2  u t0

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

R 12 : u(t)  -10.7600  24.1421x1  7.6344x 2

R 13 : u(t)  -11.3600  24.2446x1  8.0058x 2
R 21 : u(t)  23.3857x1  6.4835x 2
R 22 : u(t)  25.5329x1  6.7065x 2
R 23 : u(t)  23.3857x1  6.4835x 2
R 31 : u(t)  11.3700  24.2446 x1  7.3058x 2
R 32 : u(t)  10.7600  24.1421 x1  7.6344x 2
R 33 : u(t)  11.9200  24.2446x1  8.0058x 2
67 68

17
Ejemplo

Sistemas de Control Borroso

69

18