Control Fuzzy

TAREAS INTELIGENTES
Control fuzzy
ROQUE MARN
Dpto. de Ingeniera de la Informacin y las Comunicaciones
Facultad de Informtica, Universidad de Murcia, Campus de
Espinardo, 30071 Espinardo (Murcia)
roque@dif.um.es
http://perseo.dif.um.es/~roque/ti/index.html
TAREAS INTELIGENTES Control Fuzzy
2
1.- CONTROL FUZZY
Control fuzzy: Control de procesos mediante descripciones
lingsticas fuzzy
Aplicaciones (desde 1974):
Hornos de cemento
Trenes y Suburbanos
Vuelo sin piloto
Robots mviles
Procesos de intercambio de calor
Cmaras digitales (enfoque, estabilizacin de imagen)
Aspiradoras
Aire acondicionado
Lavadoras
...
3
2.- CONTROL FUZZY
La eleccin de un tipo de controlador en una aplicacin de
ingeniera depende de los requerimientos y caractersticas de
la aplicacin

A menudo se aplica un controlador fuzzy en conjuncin con
un controlador PID

Como referencia, introduciremos un ejemplo de proceso a
controlar
El objetivo de un sistema de control de procesos es regular
una o varias variables dinmicas del sistema

4
1.- CONTROL FUZZY
Ejemplo:

La variable dinmica es el nivel L
Depende de otros parmetros:
El flujo de entrada Q
A
depende de la vlvula de control A
El flujo de salida Q
B
depende de la vlvula de control B
El nivel L depende de Q
A
, de Q
B
, de la temperatura ambiente T
a
, y
de la temperatura del lquido T
l

Elegimos un parmetro controlador: vlvula de control A

L = f (Q
A
, Q
B
, T
a
, T
l
)
5
1.- CONTROL FUZZY
En muchos casos, no se conoce la expresin analtica que
describe al proceso:
L = f (Q
A
, Q
B
, T
a
, T
l
)
Usualmente, la entrada al controlador no es L, sino el error e
entre el valor medido (y ) de L y un valor de referencia r
establecido como punto de control:
e = y - r
La salida del controlador (u) es una seal que representa al
accin a aplicar cuando el valor medido y se desva del valor
de referencia r

r
u
y
6
1.- CONTROL FUZZY
En sistemas muestreados, la seal de error e = y - r suele ser
suavizada antes de introducirla al controlador, para evitar
cambios instantneos durante el muestreo.

Por ejemplo, una funcin de suavizado es:
e
k
= 0.9 e
k-1
+ 0.1 e
k
donde e
k
es el valor del error en el tiempo t = k
En el preprocesamiento, tambin se necesita escalar los
valores de las variables a un rango predeterminado
7
1.- CONTROL FUZZY
El controlador PID es el tipo ms usual en la industria.
En nuestro ejemplo, la relacin de control PID asociada a la
funcin L = f (Q
A
, Q
B
, T
a
, T
l
) tendra expresada la forma:
) (
) (
) ( ) ( ) ( 0
0
u
dt
t de
K K dt t e K K t e K t u
D P
t
t
I P P
+ + + =
}
=
Donde:
K
P
es la ganancia de control: una constante de proporcionalidad
entre el error y la salida del controlador
K
I
y K
D
son otras constantes del proceso
u(0) es la salida del controlador en t = 0
8
1.- CONTROL FUZZY
Un controlador PID modela el proceso a controlar
Un controlador fuzzy incorpora conocimiento de un experto
humano sobre como manipular el proceso
Estructura bsica:
9
1.- CONTROL FUZZY
Un sistema de lgica fuzzy puro consta slo de los
elementos bsicos:
Base de reglas fuzzy:
Conjunto de reglas fuzzy IF-THEN expresadas en forma lingstica
Mecanismo de inferencias fuzzy:
Aplica una regla de inferencia a las reglas de implicacin,
proyectando el espacio de entradas en el espacio de salidas

10
1.- CONTROL FUZZY
En control, las entradas y salidas suelen ser nmeros reales
precisos
Hay dos soluciones:
Sistema fuzzy de Takagi-Sugeno:
Sus entradas y salidas son variables con valores reales
Interponer un fuzzificador en la entrada y un defuzzificador en la
salida
11
1.- CONTROL FUZZY
Por tanto, los sistemas fuzzy se clasifican en tres tipos
segn su estructura:
Sistema fuzzy puro
Sistema fuzzy de Takagi-Sugeno
Sistema fuzzy con fuzzificador y defuzzificador
El ms usado en control es el ltimo
Segn el origen de las reglas IF-THEN, se clasifican en:
Sistemas estticos: Reglas proporcionadas por un experto
humano
Sistemas adaptativos: Aplican un algoritmo de entrenamiento a
un conjunto de datos medidos para generar o ajustar las reglas
12
2.- DESARROLLO DE CONTROLADORES FUZZY
En esta seccin, nos restringimos a un modelo esttico con
fuzzificador y defuzzificador
Un controlador fuzzy opera en instantes de tiempo discretos:
En cada instante discreto t = t
k
, aplican todas o algunas de las
reglas de la base de conocimiento y componen los resultados
mediante un operador de agregacin
Pueden operar en paralelo
La frecuencia de muestreo depende del tipo de proceso a
controlar
Llamaremos:
Variables LHS (left-hand side): Variables de entrada usadas en
las reglas de la base de conocimiento
Variables RHS (right-hand side): Variables de salida usadas en
las reglas de la base de conocimiento

13
Para desarrollar un controlador fuzzy, tenemos que
especificar:

Variables de entrada LHS
Variables de salida RHS
Mtodo de fuzzificacin de las entradas
Base de reglas fuzzy
Parmetros del mecanismo de inferencias
Mtodo de defuzzificacin
14
Variables de entrada (LHS):
Se definen sobre una o varias variables del proeceso

Se suele usar:

Error:
Variacin del error entre pasos sucesivos (velocidad):
Velocidad de variacin del error (aceleracin), etc ...:
Suma de los errores:
) ( ) ( k y r k e =
) ( ) ( ) ( 1 = A k e k e k e
) ( ) ( ) ( 1
2
A A = A k e k e k e
) ( ) ( i e k e
k
i 1 =
=
15
Variables de salida (RHS):
Se suele usar alguna variable controladora del proceso

Variable u

Variacin Au:
Indica el cambio a aplicar a la variable controladora
Llamando A
*
u a la defuzzificacin de Au:
) ( ) ( ) (
*
k u k u k u A + = 1
16
A menudo, las variables LHS y RHS:
Son escaladas a un mismo universo de discurso
Se usa el mismo conjunto de valores fuzzy para todas
Por ejemplo, las variables e, Ae y Au se pueden definir as:
17
Los valores fuzzy se suelen discretizar y se almacenan en
una tabla:
18
Fuzzificacin:
Consideremos un conjunto de variables de entrada:
x
1
, ... x
n

Las representamos en forma de un vector columna:
x = (x
1
, ... x
n
)
T

Un fuzzificador proyecta un punto preciso x e U = U
1
x ... U
n
en
un conjunto fuzzy A del universo U
Mtodos de fuzzificacin:
Fuzzificador unitario:
A es un conjunto fuzzy unitario con soporte x, es decir,
A
(x)=1
para x = x, y
A
(x)=0 para x = x
Fuzzificador no unitario:
A
(x)=1 y
A
(x) decrece conforme x se aleja de x
Por ejemplo,
A
(x) dada por una funcin triangular de centro x
19
Base de reglas fuzzy:
Es un conjunto de reglas de la forma:
l l
n n
l l
G is y THEN F is x and and F is x IF R ... :
1 1
F
l
i
es un conjunto fuzzy en un universo U
i
_ R
G
l
es un conjunto fuzzy en un universo V

_ R
x
i
e y son variables lingsticas
Llamaremos M al nmero de reglas en la base de conocimiento
(0 s l s M)
Consideraremos sistemas mltiples-entradas / nica-salida
El caso mltiples-salidas se puede descomponer en un
conjunto de sistemas fuzzy simples
20
Ejemplo de base de reglas fuzzy:
21
Para dos variables LHS, la base de conocimiento se puede
representar en forma de tabla:
Esta representacin se denomina: Matriz de memoria
asociativa fuzzy (FAM)
Para ms de dos variables LHS, se requiere una FAM
multidimensional
22
Mecanismo de inferencias fuzzy:
En cada instante discreto, realiza una proyeccin de un
conjunto fuzzy de entrada definido sobre U = U
1
x ... U
n
en un
conjunto fuzzy de salida definido sobre V, aplicando las reglas
Durante el desarrollo de un sistema fuzzy, hay que
seleccionar:
Una interpretacin de las reglas IF-THEN como algn tipo de
implicacin
Una regla de inferencia: GMP o GMT
Un operador de agregacin de los resultados G
l
de las reglas
23
La eleccin del operador de implicacin condiciona la
eleccin del operador de agregacin:
24
GMP poda verse como una transformacin de la RHS en:
Un grado determinado por el grado de satisfaccin DOF de la
regla
Una forma determinada por el operador de implicacin elegido
Por ejemplo, habamos visto el caso del operador de
implicacin min de Mamdani:
25
Consideremos un ejemplo de clculo para la base de reglas
fuzzy anterior y operador de Mamdani:
En un instante t
k
los valores de las entradas precisas son:
e = -2.7 y Ae = 1.2
Calculamos el DOF para la regla R
3
:
R
3
: IF e is NS AND Ae is ZE THEN Au is PS

Aplicando fuzzificacin unitaria:

NS
(e) =
NS
(-2.7) = 0.8
ZE
(A e) =
NS
(1.2) = 0.6
...

6 0 6 0 8 0
3
. . . ) ' ( ) ' ( = . = A . = e e DOF
ZE NS

26
El valor PS de la RHS de R
3
se transforma de acuerdo con
DOF
3
:
Para el operador de implicacin de Mamdani, el resultado es
recortar PS a la altura DOF
3

Por tanto, R
3
contribuye a la salida global con el conjunto
definido por
PS
(Au)
e
A e
27
La contribucin de las
dems reglas (con
DOF = 0) se calcula de
forma similar
28
En el ejemplo, las reglas R
4
y R
11
contribuyen
con DOF = 0.
Las dems reglas no influyen al tener DOF = 0

R
4
contribuye a la salida global con un valor
fuzzy
ZE
(Au) dado por
ZE
(Au) recortado a la
altura DOF
4
= 0.4
R
11
contribuye a la salida global con un valor
fuzzy
NS
(Au) dado por
NS
(Au) recortado a la
altura DOF
11
= 0.4
La salida global se calcula con el operador de
agregacin OR (ver tabla para implicacin de
Mamdani):
) ( ) ( ) ( ) (
' ' '
u u u u
NS ZE PS OUT
A v A v A = A
29
Finalmente, es necesario defuzzificar la salida global
OUT
(Au)
para obtener un valor preciso Au
k
*
representativo de
OUT
(Au)

Este valor preciso ser el que se aplicar a la variable
controladora del proceso
30
Si en lugar del operador de
implicacin de Mamdani,
usamos el operador de
implicacin de Larsen
(producto), el valor de la
RHS de cada regla es
escalado por su DOF
Para el operador de
implicacin de Larsen,
usamos tambin el
operador de agregacin
OR
31
Defuzzificacin:
Una vez que la entrada ha sido procesada por el algoritmo de
control, se obtiene una salida global dada por un conjunto fuzzy
OUT
(u)
Defuzzificacin es el proceso consistente en obtener un valor
preciso u
*
representativo de
OUT
(u)
Se han propuesto numerosas tcnicas de defuzzificacin
La eleccin de un mtodo concreto tiene un impacto importante
sobre la eficiencia y la precisin del controlador
Las tcnicas de defuzzificacin ms usadas son:

Centroide o Centro de las Areas (COA o Center of Areas)
Centro de las Sumas (COS o Center of Sums)
Media de los Mximos (MOM o Mean of Maxima)
Promedio de los Centros (CA o Center Average)
32
Centroide (COA):

Calcula u
*
como el centro geomtrico del valor fuzzy de salida
OUT
(u), donde
OUT
(u) era la unin de las contribuciones de las
reglas con DOF > 0
El centroide u
*
es el punto que divide el rea bajo la curva en
dos regiones de igual rea

=
=
-
=
N
i
i OUT
N
i
i OUT i
u
u u
u
1
1
) (
) (
Para un universo discreto, se define como:

donde la suma se extiende a todos los N valores discretos u
i
del
universo
Para el caso continuo, el sumatorio se convierte en una integral
33
Inconvenientes del COA:
Complejidad del clculo: ciclos de inferencia lentos
Favorece los valores centrales
Las reas solapadas slo se cuentan una vez, dado que opera
sobre la funcin
OUT
(u) obtenida tras la unin de contribuciones
34
Centro de las Sumas (COS):
En lugar de operar sobre la unin de contribuciones, opera
separadamente sobre cada contribucin
Las reas solapadas cuentan ms de una vez
Es eficiente
Es el mtodo ms usado

= =
= =
-
=
N
i
M
k
i B
N
i
M
k
i B i
u
u u
u
k
k
1 1
1 1
) (
) (
'
'
Para un universo discreto, se define como:

donde es la funcin de pertenencia resultante de
aplicar la regla k-sima

Para el caso continuo, el sumatorio se convierte en una integral
) (
' i B
u
k

35
36
Media de los Mximos (MOM):
Es el valor medio de los puntos de mximo grado de
pertenencia en la salida global
OUT
(u)
Es muy rpido
No muestra preferencia por valores centrales como COA o COS
Pero no tiene en cuenta la forma de
OUT
(u)

=
-
=
P
j
j
P
u
u
1
Se define como:
donde u
j
es el j-simo mximo de
OUT
(u) y P es el nmero total
de mximos
37
38
Promedio de los Centros (CA):
Opera separadamente sobre cada contribucin y calcula un
promedio ponderado de los centros de las contribuciones
Sea un sistema con M reglas de la forma:
El promedio de los centros se define como:
=
=
-
=
M
k
k B
M
k
k B k
u
u u
u
k
k
1
1
) (
) (
'
'
M k G is y THEN F is x and and F is x IF R

k k
n n
k k
... ; ... : 1
1 1
=
Cada regla produce una contribucin: ) (
'
u
k
B
donde:
es el centro del conjunto fuzzy G
k
, o sea, el punto en el que la
funcin alcanza su mximo valor

es el valor que toma la funcin de pertenencia resultante
de aplicar la regla k-sima en el punto
) (
' k B
u
k
k
u
) (u
k
G
k
u
39
3.- EJEMPLO 1: CONTROLADOR DE UNA ENTRADA
Ejemplo 1: Controlador simple de una entrada
Controlar el flujo de lquido en el tanque para mantener su nivel
en un valor de referencia
r
u
y
e = y - r
40
Consideramos la versin ms simple:
Una variable LHS: error e
Una variable RHS: salida de control u
r
u
y
e = y - r
41
Universos de discurso (no normalizamos):
error: % de error entre - 20% y +20%
salida de control: % de fondo de escala entre 0% y 100%
Definicin de valores fuzzy:

42
Reglas de control:
Usamos el operador de implicacin de Mamdani (min) y, por
tanto, el operador de agregacin max
43
Ejemplo:
Supongamos que en t = 0 la salida del controlador estaba en el
50 % de su escala
Se introduce el siguiente error a partir de t = 2 min:
e(t) = 1.25 t - 2.5 %
44
Cual sera la salida del controlador?
En t = 3 la entrada es un error e
k
= 1.25 %
Pertenece al valor Z con grado 0.87
Pertenece al valor PS con grado 0.12
Pertenece a los dems valores con grado 0
Slo se disparan las
reglas R
3
y R
4:
DOF
3
= 0.87
DOF
4
= 0.12
45
Clculo de la salida en t = 3
46
Defuzzificando:
COA: u
3
*
= 47 %
MOM: u
3
*
= 50 % (no tiene en cuenta contribucin de LOW)
47
Repitiendo el ciclo de control en instantes sucesivos se
obtiene la salida de control: Respuesta tipo proporcional
48
Implementacin en Matlab (Fuzzy Toolbox):
49
50
51
52
53
54
55
Superficie de control: Representacin entrada-salida
56
4.- EJEMPLO 2: CONTROLADOR DOS ENTRADAS
Consideramos una versin ms elaborada:
Dos variables LHS:
error: e
variacin del error: Ae
Una variable RHS: salida de control u
r
u
y
e = y - r
57
Definicin de valores fuzzy:

Para Ae:
Creciente: P
Estable: ZE
Decreciente: N

58
Reglas de control:
Usamos el operador de implicacin de Mamdani (min) y, por
tanto, el operador de agregacin max
59
Superficie de control:
Con las reglas R
1
y R
2

60
Con las reglas R
1
a R
8

61
Con todas las reglas R
1
a R
15

62
Clculo de la salida en t = 4 para la misma entrada de error
tipo rampa, e(t) = 1.25 t -2.5:
e(4) = 1.25 t - 2.5 = 2.5 %
Ae = e(4) - e(3) = 2.5 - 1.25 = 1.25 %
63
Repitiendo el ciclo de control en instantes sucesivos se
obtiene la salida de control:
64
5.- MODELO DE SUGENO
El modelo de Sugeno utiliza reglas con:
Parte IF fuzzy
Parte THEN precisa: una funcin de las entradas
...) , , ( ...
2 1 2 2 1 1
x x f u THEN AND A is x AND A is x IF =
Si f(x
1
, x
2
, ...) es una constante, se trata de un controlador de
Sugeno de orden 0
Si f(x
1
, x
2
, ...) es un polinomio de primer orden, se trata de un
controlador de Sugeno de primer orden:
Reglas de la forma:
... ...
2 2 1 1 0 2 2 1 1
x c x c c u THEN AND A is x AND A is x IF + + =
Por ejemplo (salida tipo PI):
e e u THEN AND A is x AND A is x IF A + = 3 2
2 2 1 1
...
65
Estructura bsica:
66
Una aplicacin interesante consiste en poner un controlador
PID en la parte derecha de cada regla
El resultado es un sistema supervisor: cambia los
parmetros del PID en funcin de las entradas
Tambin se aplica para modelar sistemas no-lineales,
interpolando mltiples modelos lineales
67
6.- APROXIMADORES UNIVERSALES
Un sistema de control fuzzy (FLS o Fuzzy Logic System) es
una funcin que proyecta un punto preciso x = (x
1
, ... x
n
)
T
del
espacio de entradas en un punto preciso y del espacio de
salidas, es decir, y = f (x)

Antes hemos visto unos ejemplos para una y dos entradas:

68
Nos planteamos dos preguntas:
Cual es la expresin de la funcin y = f (x) implementada por
un FLS?
Dada una funcin cualquiera y = g (x), podemos aproximarla
bien mediante la funcin y = f (x) de algn FLS?
Vamos a ver:
Cmo calcular la funcin y = f (x) de un FLS
Que un sistema fuzzy puede aproximarse a cualquier funcin no
lineal tanto como se quiera
f
g
69
Lema:
Consideremos un FLS con:
Defuzzificacin promedio de los centros (CA)
Relacin de implicacin producto de Larsen
Fuzzificador unitario
M reglas de la forma:

M l G is y THEN F is x and and F is x IF R
l l
n n
l l
... ; ... : 1
1 1
=
Entonces, la funcin implementada por el FLS es:

( )
( )
[
[
= =
= =
=
M
l
n
i
i
F
M
l
n
i
i
F
l
x
x y
x f
l
i
l
i
1 1
1 1
) (
) (
) (
donde:
es el punto en el que alcanza su mximo valor
Se supone que
l
y l
G
1 = ) (
l
G
y
l

70
Demostracin:
Para la regla:

l l
n n
l l
... ; ... : 1
1 1
=
( ) ) ' ( ) , ' ( sup ) (
'
...
'
x y x y
A
l
G F F F
U x
l
B
l l
n
l l l
- =

e
2 1
la composicin sup-star es:

Y considerando implicacin y t-norma producto:

( )
[
=
e
=
n
i
A
l
G
i
F
U x
l
B
x y x y
l l
i
l
1
) ' ( ) ( ) ' ( sup ) (
'
'

71
Como estamos aplicando fuzzificador unitario al punto preciso x
= (x
1
, ... x
n
)
T
, la funcin de pertenencia del conjunto A que
representa a la entrada fuzzificada es:
= =
= =
x x para x
x x para x
A
A
' ) ' (
' ) ' (
'
'
0
1
Sustituyendo en:
( )
[
=
e
=
n
i
A
l
G
i
F
U x
l
B
x y x y
l l
i
l
1
) ' ( ) ( ) ' ( sup ) (
'

y teniendo en cuenta que queda:
[
=
=
n
i
i
F
l
B
x y
l
i
l
1
) ( ) (
1 = ) (
l
G
y
l

72
( )
( )
=
=
=
M
l
l
B
M
l
l
B
l
y
y y
x f
l
l
1
1
) (
) (
) (
Por otra parte, para un defuzzificador CA:

Como:
[
=
=
n
i
i
F
l
B
x y
l
i
l
1
) ( ) (
queda:
( )
( )
[
[
= =
= =
=
M
l
n
i
i
F
M
l
n
i
i
F
l
x
x y
x f
l
i
l
i
1 1
1 1
) (
) (
) (

73
Lema:
Consideremos un FLS con:
Defuzzificacin promedio de los centros (CA)
Relacin de implicacin producto de Larsen
Fuzzificador unitario
M reglas de la forma:

l l
n n
l l
... ; ... : 1
1 1
=
Entonces, la funcin implementada por el FLS es:

[
[
= =
= =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|

|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|

=
M
l
n
i
l
i
l
i i
l
i
M
l
n
i
l
i
l
i i
l
i
l
x x
a
x x
a y
x f
1 1
2
1 1
2
o
o
exp
exp
) (
Funciones de pertenencia gaussianas de parmetros ajustables:
|
|
.
|
\
|
|
|
.
|
\
|
=
2
l
i
l
i i
l
i i
F
x x
a x
l
i
o
exp ) (
74
El siguiente teorema muestra que un FLS como el del ltimo
lema puede aproximar uniformemente cualquier funcin no-
lineal, es decir, es un aproximador universal
Teorema: Dada cualquier funcin real continua g sobre un
conjunto compacto U _ R
n
y un c > 0 arbitrario, siempre se
puede encontrar un FLS del tipo anterior, tal que:
c <
e
) ( ) ( sup x g x f
U x
75
El teorema garantiza que se puede aplicar control fuzzy a
cualquier problema no-lineal

Existen muchas otras funciones que trabajan como
aproximadores universales, aunque los FLS aportan adems
la capacidad de incorporar informacin lingstica de forma
natural y sistemtica

Es una explicacin del xito practico de los controladores
fuzzy

El teorema slo indica que existe un FLS que puede
aproximar cualquier funcin dada, pero no da un mtodo
constructivo

Control Fuzzy

Hochgeladen von

Dokumentinformationen

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

Control Fuzzy

Hochgeladen von

Copyright:

Verfügbare Formate

TAREAS INTELIGENTES

Para un universo discreto, se define como:

Para un universo discreto, se define como:

TAREAS INTELIGENTES Control Fuzzy

M k G is y THEN F is x and and F is x IF R

TAREAS INTELIGENTES Control Fuzzy

TAREAS INTELIGENTES Control Fuzzy

Por otra parte, para un defuzzificador CA:

TAREAS INTELIGENTES Control Fuzzy

Das könnte Ihnen auch gefallen