Cap.

4 Aplicaciones de Fuzzy
Embebida
Harold Romo
Introduccin
Un modelo lingstico puede tomar ventajas
sobre un modelo matemtico complejo.
La lgica difusa simplifica el modelo.
Existen muchas aplicaciones embebidas de LD
- Control Fuzzy
- Procesamiento de seales Fuzzy.
- Procesamiento de imgenes Fuzzy. Etc.
4.2 Control convencional Vrs. Fuzzy
4.2 Control convencional Vrs. Fuzzy
Las funciones puedes verse en los dominios:
Tiempo el operador diferencial d/dt tpico.
Frecuencia Laplace. s = o+je. G(s) F.d.T

G(s) puede ser:
Ganancia G(s) = K
Derivador 1
er
orden: G(s) = ts
Integrador 1
er
orden: G(s) = (ts)
-1
Segundo orden G(s) = (s
2
+ 2 ,e s+ e
2
)
-1

4.2 Control convencional Vrs. Fuzzy
Representaciones de G(s):

Polos-ceros:



Constantes de tiempo:
4.2 Control convencional Vrs. Fuzzy
Anlisis de Sistemas:

Estabilidad
crecimiento acotado /
oscilacin amortiguada.

Respuesta Transciente.

Respuesta de Estado
Estacionario.
4.2 Control convencional Vrs. Fuzzy
Anlisis de Control Realimentado. requiere

Modelo matemtico de c/bloque (F.d.T).
Representacin Diagrama de Bloques y F.d.T
equivalente.
Estudiar: Respuesta al escaln / mapa de polos y
ceros / lugar geomtrico de raices / Diagramas de
Bode, Nyquist / carta de Nicols.
Ej. Un sistema es estable sii su polos estn en el
SemiPlano Izquierdo del plano s.
4.2 Control convencional Vrs. Fuzzy
Diseo. objetivo

Lograr las especificaciones de desempeo
deseadas ( temporales o frecuenciales).
Ejemplo
Temporales de estado transciente: % de sobreimpulso /
tiempo de subida / tiempo de establecimiento / constante
de tiempo / etc.
Temporales de estado estacionario: error de SS.
Frecuenciales: Mrgenes de ganancia / fase / tasa de
cada / pico a frecuencia de resonancia / etc
4.2 Control convencional Vrs. Fuzzy
Control PID.

Si Kp aumenta, la velocidad de
respuesta del sistema aumenta,
el error de SS disminuye pero no
se elimina.

Si Kd aumenta, el factor de
amortiguamiento aumenta,
reduce el sobreimpulso, pero es
sensible al ruido (nunca usar
derivador solo).

Si Ki aumenta, el error de SS
disminuye, pero el sistema tiende
a ser inestable (nunca usar solo).
(Proportional Integral Derivative)

4.3 Controlador Lgico Difuso FLC
4.3 Controlador Lgico Difuso FLC
Fuzificacin:

Las entradas crisp en U, son convertidas en
conjuntos difusos U*.

El operador de fuzificacin es tal que : E E*
4.3 Controlador Lgico Difuso FLC
Defuzificacin:

Convierte acciones de control fuzzy inferidas en
acciones crisp.
La condicin E implica la condicin U, if E then U
El control fuzzy est basado en un modelo
ligustico.
Definicin de: reglas base y funciones de
pertenencia.
4.3 Controlador Lgico Difuso FLC
Diseo. - se asume que:

Siempre existe una solucin.
Las variables entrada/salida pueden ser medidas.
La solucin es adecuadamente aceptable (no la
ms ptima).
El modelo lingstico puede crearse con la
experticia humana.
4.3 Controlador Lgico Difuso FLC
Modelar un sistema lingusticamente requiere:

Identificar variables entrada/salida. (temp, vel, etc)
Definir subconjuntos fuzzy que describen el
universo del discurso de cada variable y asignar un
nombre lingstico a c/u. ej.
Vel {lenta, media, rpida}.
Formar la base de Reglas que asocian
entradas/salidas.
Determinar mtodos de: fuzificacin / defuzificacin
4.3 Controlador Lgico Difuso FLC
Defuzificacin:
Para una misma entrada, pueden actuar varias
reglas if then simultneamente.
Pero cada regla tiene asociado un peso, as una
misma entrada puede pertenecer a diferentes
conjuntos fuzzy con diferentes valores de
pertenencia.
Ej. Un valor de temperatura: Temp=80
o
c, puede
pertenecer al subconjunto muy alta con =0.8 o
pertenecer al subconjunto media con =0.3
4.3 Controlador Lgico Difuso FLC
Defuzificacin:
Ej. cont.
If very high then accin 1.
If medium then accin 2.
La accin 1 es definida por el conjunto Fuzzy 1, y
La accin 2 es definida por el conjunto Fuzzy 2.
Y la agregacin de los dos conjuntos forman un tercer
conjunto Fuzzy F.
As, la salida del modulo de razonamiento fuzzy
puede involucrar ms de dos conjuntos fuzzy.
F = U F
i
,

i=1,2,,k

4.3 Controlador Lgico Difuso FLC
Defuzificacin:
Asumiendo que el
soporte de F es
X={ x1, x2,}, x
i
c X,
F(x
i
)=w
i
.
Este valor dice que tan
buena es la salida.
La defuzificacin se
aplica en F para
determinar la mejor
salida.
4.3 Controlador Lgico Difuso FLC
Defuzificacin:
Existen muchos mtodos. Incluso identificadas
con diferentes nombres, tcnicas similares.
El seleccionado queda a juicio del diseador.
Factores a tener en cuenta: Costo computacional
/ aplicacin especfica / etc..
Veamos ahora algunos mtodos de defuzificacin
4.3 Controlador Lgico Difuso FLC
Defuzificacin Mtodo del Centroide:
4.3 Controlador Lgico Difuso FLC
Defuzificacin Centro de Area ms Grande
La salida consiste en dos subconjuntos convexos
fuzzy no traslapados.
Defuzificacin Primer Mximo
El menor valor x con mxima funcin de
pertenencia.
Defuzificacin Mxima pertenencia
El valor de x con ms alto
F
(x*)
4.3 Controlador Lgico Difuso FLC
Defuzificacin Media de centros

4.3 Controlador Lgico Difuso FLC
Defuzificacin Pertenencia Media Maxima
En el ejemplo: x*=(a+b)/2
Defuzificacin Centro de sumas
suma algebraica de los subconjuntos fuzzy en
lugar de su unin las intersecciones se
consideran dos veces.
Otros
4.3 Controlador Lgico Difuso FLC
Anlisis Fuzzy:
El anlisis convencional se basa en modelos
matemticos.
En anlisis fuzzy considerar:
1.- Consistencia de las Reglas If Then.
2.- Suficiencia de Reglas asegurar control
suave, tampoco demasiadas.
4.3 Controlador Lgico Difuso FLC
Consideraciones .
3.- Inferir una accin de control apropiada para
cualquier estado del proceso.
4.- Asignacin apropiada de conjuntos fuzzy en el
universo del discurso. El traslape de funciones de
pertenencia asegura robustez y completitud pero
podra introducir distorsin en la salida.
5.- seleccin adecuada de defuzificacin accin
de control suave y apropiada.
4.3 Controlador Lgico Difuso FLC
Criterios de Estabilidad.
Habilidad del sistema para converger o
permanecer cerca de un valor de equilibrio.
Los sistemas difusos son por lo general de
carcter no lineal, lo que hace complejo el
concepto de estabilidad.
Un sistema No lineal es asintticamente estable
si parte de un punto de equilibrio y vuelve a l, o
si solo se mantiene cerca de l es estable en
sentido de lyapunov.
4.3 Controlador Lgico Difuso FLC
Criterio de Estabilidad Energtica.
Ley fsica. Un sistema dinmico es estable si su
energa total decrece con el tiempo hasta un valor
estacionario. Algoritmo Kiszka et al.
Ecuacin bsica de un sistema dinmico:
Xk+1 = Xk
o
U
o
R , k=1,2,
X
k+1
y X
k
conjuntos fuzzy en los instantes K
th
y
(K+1)
th
respectivamente.
R; relacin fuzzy de descripcin del sistema de
control fuzzy.
4.3 Controlador Lgico Difuso FLC
Criterio de Estabilidad
Energtica.

Si no hay entrada, se dice el
sistema est no forzado, esto es
U
k
= zero (conjunto singleton).

4.3 Controlador Lgico Difuso FLC
Energa de una Relacin P fuzzy:
Haciendo P = U
k

o
R, se tiene: Xk+1 = Xk
o
P
Un estado est en equilibrio si: Xk+1 = Xk = Xs ; k
finalmente: Xs = Xs
o
P
La energa E(P) se define segn Kiszca et al.


X e Y conjuntos fuzzy, en los universos del discurso Wx
y Wy.
Mp matriz de la relacin fuzzy P
4.3 Controlador Lgico Difuso FLC
Energa de una Relacin P fuzzy:
Ejemplo:
4.3 Controlador Lgico Difuso FLC
Energa de un sistema dinmico fuzzy




x
o
estado inicial del sistema

Finalmente:

4.3 Controlador Lgico Difuso FLC
1.- La diferencia de energa entre
dos estados consecutivos es:
2.- si E(X
o
) es constante, AE no
depender de la cond. Inicial.
3.- la funcin caracterstica de
energa AE
c
(P,k) se expresa:
4.- De aqu se determina la
estabilidad:
4.3 Controlador Lgico Difuso FLC
4.3 Controlador Lgico Difuso FLC
Ejemplo: determinar la
estabilidad de un
sistema fuzzy
Universos del discurso:
X=Y =[1,2]
Regla de composicin
max-min.
C(i,j)=max[min{(a
i,:
,b
:,j
)}]


Conclusin: Es oscilatorio periodo T=1
4.3 Controlador Lgico Difuso FLC
Ejemplo: determinar la
estabilidad de un
sistema fuzzy
Universos del discurso:
X=Y =[1,2]
Regla de composicin
max-min.
C(i,j)=max[min{(a
i,:
,b
:,j
)}]


Conclusin: Es Estable
4.4 Ejemplos de aplicaciones simplificados
Elementos del diseo de un sistema prctico
con lgica difusa:
Definicin de entradas / salidas / reglas de control
fuzzy.
El anlisis y diseo son asistidos por
herramientas sw.
La base de reglas se determina por experticia
humana o mediante redes neuronales.
Se espera la solucin adecuada, mas no la
ptima de la cual se encargan los algoritmos
genticos.
4.4 Ejemplo 1. Maquina lavadora
Posibles entradas: peso / tipo de tejido /
cantidad de mugre.
Posibles salidas: Cantidad de detergente /
tiempo de lavado / vel. de agitacin / nivel de
agua / temperatura del agua.
El objetivo: Ahorro de agua / Detergente /
Energa / Tiempo / Dinero.
4.4 Ejemplo 1. Maquina lavadora
Solo consideramos por facilidad:
Dos entradas:
Cantidad de mugre: (medido con sensor ptico),
rango [0,100], subconjunto fuzzy {casi-limpia,
sucia, manchada, mugrienta}.
peso: (medida con sensor de presin), rango
[0,100], subconjunto fuzzy {muy-liviana, liviana,
pesada, muy-pesada}
Una salida: Cantidad de detergente, por
simplicidad definida con subconjunto fuzzy singleton.
4.4 Ejemplo 1. Maquina lavadora
X
4.4 Ejemplo 1. Maquina lavadora
Conjunto de Reglas de control fuzzy
4.4 Ejemplo 1. Maquina lavadora
Tabla: Reglas de control fuzzy
4.4 Ejemplo 1. Maquina lavadora
Resultados de salida:
Observaciones:
1. Estas curvas pueden ajustarse en el proceso de pruebas y verificacin
de resultados segn el anlisis del mismo.
2. Estas curvas pueden cambiar con cada diseador y su criterio o juicio.
4.4 Ejemplo 2. Maquina aspiradora
Cap. 5 Crtica a la Lgica Difusa
Harold Romo
5.1 Introduccin
Practicidad en Ingeniera.

Soporte matemtico formal.

Limitaciones en aplicaciones.

Posiciones a favor y en contra.
5.2 Objetivos de la lgica difusa
Opositores que afirman cualquier tipo de
incertidumbre puede manejarse con teora
de la probabilidad.

William Kahan: la lgica difusa es la cocaina
de la ciencia - no se concibe la fuzificacin
como alternativa del mtodo cientfico.
5.2 Objetivos de la lgica difusa
Defensores que afirman la teora de
conjuntos fuzzy y lgica difusa est
cambiando el mundo.

La crtica ms razonable es la que hace su
propio fundador -Lotfi Zadeh- se ha logrado
el objetivo?.

Cual es el objetivo?
5.2 Objetivos de la lgica difusa
Hacer pensar a los computadores como
piensan las personas y hacer computacin
con palabras.

Desde un punto de vista de la ingeniera la
Lgica difusa es muy til, pero como
cualquier otra metodologa tiene sus
limitaciones.
5.3 Que hay con el nombre Fuzzy
No hay nada difuso en la lgica difusa, ni es
difusa la teora en si misma, de hecho en
anlisis y diseo se recurre al conocimiento
experto.


Rene Descartes paralelo con los nmeros I
5.4 Fuzziness Vrs. Probabilidad
Probabilidad : medida de la incertidumbre
individual sobre un evento u objeto.
La controversia nace de la afirmacin No se
ha demostrado que esta metodologa ha
resuelto problemas que no puedan resolverse
con probabilidad.
La LD y probabilidad pueden complementarse
5.4 Fuzziness Vrs. Probabilidad
Definitivamente no son lo mismo.

Ej./ En T. de Probabilidad se cumplen dos
propiedades: AA=I y AA=C.

En LD la ley del medio excluido y ley de
contradiccin respectivamente.
5.4 Fuzziness Vrs. Probabilidad
Tienen parecidos como:
Valores de pertenencia y de probabilidad en [0,1]
Pero la suma de estos para el conjunto fuzzy
definido no necesariamente suma 1.
Las dos manejan conjuntos y conectores lgicos.
Hay ya! Literatura que combina los trminos
Fuzzy-probabilidad para describir dos teoras
conceptualmente distintas en una hibrida.
5.5 Filosofa de la lgica difusa
El hecho de que una teora no aplique bajo
ciertas condiciones no implica que no sea
vlida, ni tampoco que no sea correcta la
teora

Si una teora puede conducir a una solucin
vlida, puede ser usada para propsitos de
ingeniera.
5.5 Filosofa de la lgica difusa
La sabidura del pobre se desprecia y sus
palabras no se escuchan. Ms vale la
sabidura que la fuerza Ecleciasts cap.9.

O como diramos los mortales Todo lo del
pobre es robado.
5.6 Revisin de aplicaciones ingenieriles
La LD tiene sus campos de aplicacin como
limitaciones.
Las solucin que provee no es la ptima
pero es aceptablemente adecuada.
Solo adoptarse en aplicaciones que saquen
ventaja de su utilizacin.

5.6 Revisin de aplicaciones ingenieriles
Limitaciones:
No resuelve problemas que no tengan soluciones
conocidas.- no hay modelo matemtico.
No tiene la habilidad para aprender funciones de
pertenencia o reglas nuevas durante o despus
de resuelto el problema.
Requiere exhaustiva validacin y verificacin de
resultados despus de implementada la solucin.
El asunto de la estabilidad es muy delicado.
5.6 Revisin de aplicaciones ingenieriles
Control fuzzy vrs. Control PID
Se propone comparar desempeo de estas dos
tcnicas para confirmar la aplicabilidad de FLC.
Encontrar aplicaciones donde PID no se pueda
implementar por complejidad y si se pueda FLC.
Complejidad matemtica
La idea es hacer pensar a un PC como piensa la
gente experta y disear un sistema con palabras.
An as en si misma encierra complejidad
matemtica y es complejo su entendimiento.
Conclusiones
A pesar de las crticas desde su aparicin, la
LD ha tenido buena aceptacin y su
implementacin hoy en da es muy
numerosa e ilimitada.
Afirmacin como esta: Los algoritmos
matemticos complejos trabajan en teora
pero no en la prctica y La Lgica difusa
trabaja en la prctica pero no en teora
Personal si le sirve, sela