Clase 8. Logica Difusa PDF

cristhian.riano@unipamplona.edu.co cristhianivanrj@gmail.
com
Facultad de Ingenieras y Arquitectura
Ingeniera Mecatrnica
Docente Ms(c) Cristhian Ivan Riao Jaimes

UNIVERSIDAD DE PAMPLONA
1 de 19
PROGRAMACIN MECATRNICA
Lgica Difusa
18 de Marzo 2013
1
LOGICA DIFUSA

INTRODUCCION

La primera pregunta que surge sobre lgica difusa o lgica fuzzy es sobre que tan complejo
puede ser realizar un anlisis o un desarrollo teniendo como base esta tcnica. Pues bien las bases
que fundamentan esta teora estn mas cerca de la manera de razonar de los humanos y de su
forma de expresarse que los mismos sistemas lgicos tradicionales por lo que la han posicionado
como bases de sistemas de control. El medio en el que vivimos esta rodeado de inexactitudes y
no precisamente por que sea inexacto sino que no siempre tenemos las herramientas de
cuantificar y la forma ms fcil de dirigirnos a ellos es con adjetivos. Para dar un ejemplo
podramos recordar la ltima vez que nos hallan preguntado sobre el clima que se esta viviendo y
la respuesta que hemos brindado no seria diferente a las siguientes:

- Calor insoportable. En otros trminos seria > 37C.
- Frio Congelante. En otros trminos seria <=0C.

La palabra difusa esta muy bien asignada a esta lgica debido a que su fundamento matemtico
trabaja con conjuntos que no tiene limites bien definidos como la mayora de los fenmenos
naturales que observamos y en lugar de eso asigna grados de perteneca en conjuntos difusos. Es
decir el cambio de si pertenece o no pertenece a un conjunto se da en forma gradual y se
caracteriza por las funciones de pertenencia que dan flexibilidad a la modelacin utilizando
expresiones lingsticas tales como mucho, poco, leve, severo, escaso, suficiente, caliente, fro,
joven, viejo etc. Llegado este punto es bueno subrayar que las aplicaciones de la lgica borrosa
abarcan, adems del control automtico, diferentes campos de la ciencia y la tcnica, desde la
economa y la biologa hasta las ciencias sociales.

cristhian.riano@unipamplona.edu.co cristhianivanrj@gmail.com

2 de 19
Lgica Difusa
18 de Marzo 2013
2

HISTORIA DE LA LGICA DIFUSA.

Ddurante el siglo XX la lgica revela su mayor importancia pero sus inicios detallan desde hace
2,500 aos. Aristteles aceptaba que existan ciertos grados de veracidad y falsedad yPlatn
consideraba grados de pertenencia. La corriente del pragmatismo fundada a principios de ese
siglo por Charles Sanders Peirce, fue la primera en considerar ''vaguedades'', ms que falso o
verdadero, como forma de acercamiento al mundo y al razonamiento humano. [1]
El filsofo y matemtico britnico Bertrand Russell, a principios del siglo XX, estudi las vaguedades
del lenguaje, concluyendo con precisin que la vaguedad es un grado. El filsofo austraco
Ludwing Wittgenstein estudi las formas en las que una palabra puede ser empleada para
muchas cosas que tienen algo en comn. La primera lgica de vaguedades fue desarrollada en
1920 por el filsofo Jan Lukasiewicz, quien visualiz los conjuntos con posibles grados de
pertenencia con valores de 0 y 1; despus los extendi a un nmero infinito de valores entre 0 y 1
[1].
A principios de los aos sesenta, Lotfi Zadeh brillante ingeniero elctrico iran nacionalizado en
Estados Unidos, profesor de Ingeniera Elctrica en la Universidad de California en Berkeley y en
otras prestigiosas universidades norteamericanas, Doctor Honoris Causa de varias instituciones
acadmicas, enunci las bases tericas de la Lgica Difusa, que combina los conceptos de la
lgica y de los conjuntos de Lukasiewicz mediante la definicin de grados de pertenencia. La
motivacin original fue ayudar a manejar aspectos imprecisos del mundo real, creando "un
sistema que proporciona una va natural para tratar los problemas en los que la fuente de
imprecisin es la ausencia de criterios claramente definidos". La Lgica Difusa permiti el desarrollo
de aplicaciones prcticas. [1]
En En 1971, Zadeh publica el artculo, Quantitative Fuzzy Semantics, donde introduce los
elementos formales que acabaran componiendo el cuerpo de la doctrina de la Lgica Difusa y
sus aplicaciones tal como se conocen en la actualidad [1].
Hasta 1973, Zadeh no presenta la teora bsica de los Controladores Difusos. A partir de sta
publicacin, otros investigadores comenzaron a aplicar la Lgica Difusa al control de diversos
procesos, por ejemplo, el britnico Ebrahim Mandani, quien en 1974 desarrolla el primer sistema
de control Fuzzy prctico: la regulacin de un motor de vapor. [1]
La solucin implementada por Mandani introdujo los conceptos necesarios para su aplicacin en
reas industriales. Su aplicacin en el rea de control nace del fundamento de los operadores
humanos son capaces de efectuar en muchos casos un control mas efectivo que los
controladores automticos tradicionales, porque estn capacitados para tomar decisiones
correctas sobre la base de informacin lingstica imprecisa. [1]
En 1978 comienza la publicacin de la revista Fuzzy Sets and Systems, dedicada, con uno o dos
nmeros mensuales, al apoyo y desarrollo de la teora de los conjuntos y sistemas difusos y sus
aplicaciones. Esta revista es publicada por la IFSA (the International Fuzzy Systems Association) [1],
[2].
Tambin se puede resaltar en 1980 el desarrollo del primer sistema de control difuso comercial, al
aplicar esta tcnica al control de hornos rotativos en una cementera, desarrollada por los
ingenieros daneses Lauritz Peter Holmbland y Jens-Jurgen Ostergaard.[1]


3 de 19
Lgica Difusa
18 de Marzo 2013
3
Los occidentales asumieron una actitud reacia principalmente por dos razones: la primera era
porque la palabra Fuzzy sugera algo confuso y sin forma, y la segunda porque no haba forma
de probar analticamente que la teora funcionaba correctamente, ya que el control fuzzy no
estaba basado en modelos matemticos.[1]
Sin embargo, aparecen toda una serie de investigadores japoneses en el campo de la Lgica
Difusa tales como Sugeno, Togai, Bart Kosko (el fuzzsensei ), entre otros.
En 1987, se inaugura en Japn el subterraneo de Sendai, uno de los ms espectaculares sistemas
de control difuso creados por el hombre. Desde entonces el controlador inteligente ha mantenido
los trenes rodando eficientemente. [1]

DEFINICIONES BSICAS

Sea pues U un conjunto clsico de objetos, cuyos elementos genricos se representan como x. La
pertenencia a un sub-conjunto A de U podra verse como una cierta funcin caracterstica A de
U {0,1} tal que
()
()

Esto lo que quiere decir que el objeto x pertenece o no pertenece al sub-conjunto A.A {0,1} se le
conoce como conjunto de evaluacin.

En la lgica borrosa este conjunto se transforma en el intervalo real [0,1] y a A se le denomina
conjunto borroso (estrictamente hablando, se trata de un sub-conjunto),
() es el grado de
pertenencia de x a A. Mientras ms cercano a 1 sea el valor de
() mayor ser esa pertenencia.

As A resulta ser un sub-conjunto de U.

Entonces, A puede definirse como conjunto de pares ordenados
{(
()) }

Al igual que para los conjuntos convencionales, estn definidas las operaciones de unin e
interseccin, que se emplean con mucha frecuencia en control borroso. Recordemos estas
operaciones en conjuntos convencionales.

Unin

Si A y B son conjuntos entonces la unin de A y B, que denotamos A B es el conjunto formado
por los elementos que pertenecen a A o pertenecen a B. Es decir:

{ }

Ilustracin 1. Operacin Unin Conjunto Convencionales.
A B A U B A U B
1 1 1 max(1,1)=1
1 0 1 max(1,0)=1
0 1 1 max(0,1)=1
0 0 0 max(0,0)=0


4 de 19
Lgica Difusa
18 de Marzo 2013
4

Supongamos los conjuntos:
A=[1,2,3,4 ]
B =[5,6,7,8]

Interseccin

Si A y B son conjuntos entonces la interseccin de A y B, que denotamos A B, es el conjunto
formado por los elementos que pertenecen a A y simultneamente pertenecen a B. Es decir:
{ }

Ilustracin 2 Operacin Interseccin.

A=[1,2,3,4,5 ]
B =[4,5,6,7,8]

Complemento.

El complemento del conjunto A con respecto al conjunto universal U es el conjunto de todos los
elementos de U que no estn en A y se denota como A Es decir:

{ | }

Ilustracin 3 Operacin Complemento.

U=[0,1,2,3,4,5,6,7,8,9]
A=[1,2,3,4,5 ]
A=[0,6,7,8,9]
A B
1 1 1 min(1,1)=1
1 0 0 min(1,0)=0
0 1 0 min(0,1)=0
0 0 0 min(0,0)=0
B A B A
A Comp(A)
1 0
0 1


5 de 19
Lgica Difusa
18 de Marzo 2013
5

Conjuntos Difusos

La Lgica Difusa es una lgica que brinda una extensin a la Lgica Clsica, que como vimos
pone nicamente, valores de falso o verdadero. Aunque la Lgica Clsica ha modelado una gran
parte del razonamiento natural, tambin es cierto que el razonamiento humano utiliza valores
de verdad que no necesariamente son deterministas.

Planteemos las siguientes preguntas:

- Qu significa la teora difusa y el porqu del termino difuso?
Frases como: "Nos vemos luego", "no me siento muy bien", son expresiones difusas, decimos que
son difusas porque la difusificacin surge de las diferentes interpretaciones que damos a "luego",
"muy bien". Por ejemplo "luego", para el anlisis de fenmenos rpidos en ingeniera puede ser del
orden de nanosegundos, pero en procesos de criogenia del orden de aos. Como se puede
observar la magnitud del orden es relativa, por lo tanto si se emplea una unidad difusa (fuzzy), hay
que tener bien claro el contexto donde se esta utilizando para as encontrar un punto de
referencia y una unidad de medida.
Conjunto Difuso: Es un conjunto que puede contener elementos con grados parciales de
pertenencia, a diferencia de los Conjuntos Clsicos (Crisp Sets) en los que los elementos pueden
solamente "pertenecer" "No Pertenecer" a dichos conjuntos.

Ejemplo:

Intentemos construir un conjunto B en el conjunto clsico para luego definir el conjunto Difuso.

Sea B = {conjunto de la gente joven}.

Un intento para construir este conjunto es definir un intervalo en aos (conjunto clsico) de la
siguiente manera:

B = [0 , 20 ] = { x | 0s x s 20 }

El grado de pertenencia de este conjunto estara definido por 0 o 1 si es joven o no es joven.

Ilustracin 4 Conjunto Clsico Joven.


6 de 19
Lgica Difusa
18 de Marzo 2013
6

Los problemas que acarrea esta definicin es que una persona sera joven hasta el da de su
cumpleaos nmero 20, pero al siguiente da ya no lo sera. Ahora, si cambiamos el lmite superior
del intervalo y creamos unas clasificaciones nuevas el problema persistira. E problema es que la
lgica clsica tiene ya definido su valor del umbral. Por ejemplo en la lgica binaria o booleana,
existen dos valores de verdad (o de umbral): verdadero falso, 1 0, s no.

Una forma ms natural de construir el conjunto B, es eliminando esa estricta separacin entre ser
joven y no serlo, admitiendo grados de pertenencia intermedios entre [0] y [1]. A diferencia de la
lgica clsica, la lgica difusa no tiene bien definidos sus umbrales de decisin por lo que
podemos expresar los valores de umbral como un rango de valores"0 a .4", "0.2 a 0.8", "0.6 a 1".

Funcin de Pertenencia o Membership Function (MF):

Es una curva que determina el grado de pertenencia de los elementos de un conjunto. Se denota
generalmente por m y puede adoptar valores entre 0 y 1. La funcin de pertenencia que
describe el conjunto B que estamos tratando en el ejemplo anterior sera la siguiente:

Ilustracin 5 Conjunto Difuso Joven.

Funciones de Pertenencia Tpicas

Funcin Singlenton:

Sea a un punto del universo, la Funcin Singlenton (solitaria) es aquella que toma valor 1 solo en a
y 0 en cualquier otro punto.
() {

}

Ilustracin 6 Funcin Singlenton.


7 de 19
Lgica Difusa
18 de Marzo 2013
7
Funcin Triangular

Definido por sus lmites (inferior a y superior b), y el valor modal m, tal que a<m<b.

() {

( )() (
( )( ) (

}

Ilustracin 7 Funcin Triangular.

Funcin G (gamma):

Esta funcin se caracteriza por un rpido crecimiento a partir de a. Cuanto mayor es el valor de k,
el crecimiento es ms rpido an. Nunca toman el valor 1, aunque tienen una asntota horizontal
en 1.

Definida por su lmite inferior a y el valor k>0.

() {

()

}

Ilustracin 8 Funcin Gamma.

Se aproximan linealmente por:

() {

( )() ( )

}


8 de 19
Lgica Difusa
18 de Marzo 2013
8
Funcin Gaussiana:

Definida por su valor medio m y el valor k>0. Es la tpica campana de Gauss. Cuanto mayor es k,
ms estrecha es la campana.
()
()

Ilustracin 9. Funcin Gaussiana.

Funcin Trapezoidal:

Definida por sus lmites inferior a y superior d, y los lmites de su soporte, b y c, inferior y superior
respectivamente.

La funcin Trapezoidal se adapta bastante bien a la definicin de cualquier concepto, con la
ventaja de su fcil definicin, representacin y simplicidad de clculos.

() {

( )( ) (
(
( )( ) ( )
}

Ilustracin 10. Funcin Trapezoidal.

Funcin Pseudo-Exponencial

Definida por su valor medio m y el valor k>1. Cuanto mayor es el valor de k, el crecimiento es ms
rpido an y la campana es ms estrecha.

()
( )


9 de 19
Lgica Difusa
18 de Marzo 2013
9

Ilustracin 11. Funcin Pseudo-Exponencial.

Funcin Trapecio Extendido:

Definida por los cuatro valores de un trapecio [a, b, c, d], y una lista de puntos entre a y b, o entre
c y d, con su valor de pertenencia asociado a cada uno de esos puntos.

Ilustracin 12. Funcin Trapecio Extendido:
En casos particulares, el Trapecio Extendido puede ser de gran utilidad. ste permite gran
expresividad aumentando su complejidad.

Operaciones Conjuntos Difusos

La primera definicin, conocida como mn-mx, fue formulada por Zadeh. La extensin natural
para las operaciones est dada por:

Unin difusa standard

( ) ( ) ) ( ), ( max ) ( x B x A x B A =

Interseccin difusa standard

( ) ( ) ) ( ), ( min ) ( x B x A x B A =

Complemento difuso standard


10 de 19
Lgica Difusa
18 de Marzo 2013
10

( ) ) ( 1 ) ( x A x A Comp =

Pueden usarse los grficos de las funciones de pertenencia para visualizar las operaciones ms
anteriormente definidas.

Ilustracin 13 Diagramas de Venn aplicados a la lgica borrosa

Ejemplo

Sean los conjuntos difusos A y B que se muestran en la ilustracin 7. Definir La interseccin entre A
y B, La unin entre A y B, El complemento del conjunto A.

Ilustracin 14 Conjuntos Difusos.


11 de 19
Lgica Difusa
18 de Marzo 2013
11
Desarrollo

La interseccin entre A y B se define de la siguiente manera:
( ) ( ) ) ( ), ( min ) ( x B x A x B A =

Ilustracin 15. Interseccin entre A y B.
La unin entre A y B se define de la siguiente manera:

( ) ( ) ) ( ), ( max ) ( x B x A x B A =

El complemento de un conjunto se define como sigue:
( ) ) ( 1 ) ( x A x A Comp =

Variable Lingstica

Por ltimo introduciremos la definicin de variable lingstica. Como su nombre lo indica, es una
variable cuyos valores son palabras o sentencias en un lenguaje natural o sinttico. Por ejemplo, la
velocidad de un coche, "Velocidad" es una variable lingstica si sus valores son "alta", "no alta",
"baja", "no baja", "muy baja", y as sucesivamente.

Una variable lingstica est caracterizada de la siguiente forma (x,T(x),U,G,M), en el que
x: nombre de variable,
T(x): conjunto de valores lingsticos (atributos, adjetivos) de x,
U: universo de discurso,
G: regla sintctica para generar los nombres de x,
M: regla semntica para asociar cada valor a su significado.


12 de 19
Lgica Difusa
18 de Marzo 2013
12

Por ejemplo ilustracin 9 si la temperatura es interpretada como una variable lingstica x,
entonces su conjunto de valores lingsticos, es decir la particin de su universo, se elegir entre:
baja, moderada, media, alta, muy alta, etc. Una opcin seria:

T(temperatura)= T(x)= {baja, media, alta}

Ilustracin 16 Variable lingstica temperatura

El universo de discurso sera un conjunto convencional que abarca la gama completa de valores
que en el caso dado puede asumir la temperatura, digamos,

U= [ 100C, 500C ]

Interpretaramos como "baja" una "temperatura por debajo de alrededor de 250C" y "alta" "por
encima de alrededor de 350C". Distinguiendo las reglas

G={ Por debajo de, . . . .}
y
M= { Alrededor de 250C, . . . . .}

Interpretaramos como "baja" una "temperatura por debajo de alrededor de 250C" y "alta" "por
encima de alrededor de 350C". Distinguiendo las reglas

EL CONTROLADOR LGICO BORROSO

El diseo de un regulador se basa en un anlisis del proceso y una vez que se posee un modelo
matemtico de ste, todas las decisiones se calculan usando algoritmos estrictamente numricos.
Es natural pensar que obtener un modelo matemtico es una tarea difcil y depende
directamente de la complejidad del proceso. Por otra parte, existe un nmero de procesos difciles
de controlar automticamente que nos dificultan obtener el modelo matemtico pero para lo
cual operadores humanos realizan excelente control. Saber que existe un buen conocimiento
200 300 400 100
o
1
0
0.5
BAJA MEDIA ALTA
500 u [ C]
(u)


13 de 19
Lgica Difusa
18 de Marzo 2013
13
estrictamente proveniente de la experticia y junto con las herramientas que nos ofrece la teora de
conjuntos borrosos unidos con medios de cmputo promovi la investigacin sobre estrategias
de control para estos procesos empleando las mismas reglas de control que aplican estos
operadores para convertirla en tcnicas de control automtico. El controlado lgico borroso se
basara entonces en el modelo lingstico de la estrategia del operador humano programa
basado en reglas [3]

La regla comnmente tiene la siguiente forma:

SI [precedencia] ENTONCES [consecuencia]
SI [Temperatura en Baja] ENTONCES [Subida pequea]

La precedencia refleja el estado (la salida) del proceso, mediante variables lingsticas como las
antes definidas. La consecuencia representa las acciones de control (variables manipuladas,
entradas) tambin lingsticas que se les hacen corresponder por el experto. De modo que la
precedencia sera de la forma:
SI [Variable de Estado 1] ES [Conjunto Borroso] Y [Variable de Estado 2] ES [Conjunto
Borroso] ENTONCES [Variable de Accin] ES [Conjunto Borroso]
Ejemplo:
SI [presin] ES [alta] Y [temperatura] ES [muy alta] ENTONCES [flujo de petrleo] ES
[disminuir]

Del conocimiento del operador sale un conjunto de reglas como las anteriores y la teora de
conjuntos borrosos provee la matemtica necesaria como para convertirlas en algoritmo. As, la
configuracin bsica de un CLB (Control Lgico Difuso) puede representarse como se muestra en
la Ilustracin 17.[3]

Ilustracin 17. Diagrama en bloques del lazo con regulador borroso.


14 de 19
Lgica Difusa
18 de Marzo 2013
14

El emborronado o fuzzificador representado consiste en la medicin de las variables de entrada al
regulador, eventual normalizacin de los valores de dichas variables y su conversin a valores
lingsticos que puedan ser vistos como de conjuntos difusos, los que se definiran como

A = {A(x),x}
La variable de accin tambin se define en conjuntos borrosos:

B = {B(u),u}

La base de conocimientos o base de reglas comprende el conocimiento de la aplicacin y las
metas de control del operador, dadas por un conjunto de reglas (implicaciones) como las vistas
anteriormente
SI [Variable de Estado 1] ES [Conjunto Borroso] Y [Variable de Estado 2] ES [Conjunto
Borroso] ENTONCES [Variable de Accin] ES [Conjunto Borroso]

La lgica de toma de decisiones es la columna del regulador borroso. Tiene la capacidad
de simular la toma de decisiones humana basada en conceptos borrosos y de inferir acciones de
control borrosas empleando implicaciones borrosas y las reglas de inferencia de la lgica borrosa.
Estas tareas se resuelven utilizando las operaciones lgicas de unin e interseccin, de forma tal
que la evaluacin de una regla vendr dada por:

A
i
= =
=
A A A A
i i im
ij
j
m
1 2
1

Donde Aij es uno de los mj posibles conjuntos borrosos correspondientes a la variable de estado xj.
Luego, la accin de control borrosa se determina a partir de la operacin de unin
S S
i
i
p
=
=1

La accin sobre el proceso exige que el regulador brinde a su salida una magnitud dada, no
borrosa, por ejemplo: una tensin o una presin neumtica dada, por lo que es necesario realizar
una operacin de defuzificacion.

Fuzzificacin

Si bien el operador humano procesa cualitativamente el estado (la salida) del proceso, lo cierto es
que objetivamente cada variable tiene un valor (determinista) dado y tales valores son los que
ingresan al controlador lgico borroso. Por ejemplo, uno de los elementos de medicin, digamos
un termmetro, "informa" al CLB de que la temperatura u=280C, y la primera tarea del CLB es
traducir este valor en trminos de la variable lingstica temperatura. Eso podra significar que, en
ese instante, la temperatura, en lugar de ser 280C, sea "0.2 baja" y "0.8 media" (adems de ser "0


15 de 19
Lgica Difusa
18 de Marzo 2013
15
alta"). Esto, claro est, si la particin del universo de las temperaturas se toma como se esta
mencionando. Salta a la vista la importancia de la seleccin del nmero de conjuntos en que se
parte el universo, as como la forma de las funciones de pertenencia.

La creacin del algoritmo se fundamenta en descripciones verbales de los operadores acerca de
su actuacin en el manejo del proceso y resulta evidente que el nmero de conjuntos borrosos
elegido en un universo tiene una esencia fuertemente subjetiva o relativa al individuo. No sera
extrao que, para un mismo proceso, un operador considere que la variable lingstica tenga, 3
particiones cualitativas y otro considere que son 5 y ambos dirijan "satisfactoriamente" el proceso!.
De manera similar se realiza para la defuzificacion.

Base de conocimiento o Base de Reglas

Se definen en este bloque funcional los datos e informaciones suministrados al CLB, que permitan
el procesamiento matemtico de las variables medidas del proceso a fin de generar las acciones
de control. Entre stos estn, por supuesto, los mencionados ms arriba sobre las variables
lingsticas que ingresan al CLB.

Tareas tpicas en el diseo de sistemas basados en lgica difusa

1. Identificar las variables del dominio:
Variables "de estado": describen las entradas del sistema.
Variables "de control": describen las salidas del sistema.
2. Identificar los trminos lingsticos vinculados a cada variable y su respectiva definicin.

- Definir las "particiones difusas" de cada variable (etiquetas lingsticas).
- Definir las funciones grado de verdad asociadas a cada etiquetas lingsticas.
- Habitualmente se pretender que las particiones definidas "cubran" la totalidad del
espacio de valores de las distintas variables
- Es recomendable que exista solapamiento.

3. Construir las reglas difusas que correspondan. (Crear la representacin simblica).
- Habitualmente se hace uso de las FAM (Fuzzy Association Matrix).
- Se crea una FAM para cada variable "de control", vinculando las posibles combinaciones
de las variables "de estado" (antecedente) con una de sus etiquetas lingsticas
(consecuente).
4. Seleccionar la implementacin y los parmetros de los operadores difusos a utilizar. (parame
trizar el "funcionamiento numrico") y generar su correspondiente salida.

Ejemplo de clculo de la accin borrosa de un CLB.

Consideremos un proceso cuya operacin esta dada por las variables lingsticas presin y
temperatura y una variable de accin representada por la apertura de una vlvula de control.
Como primer paso fijaremos la base de conocimiento del CLB. La variable presin tiene un
universo de [0,10] HPa y 3 particiones segn lo representado en la Ilustracin 18.


16 de 19
Lgica Difusa
18 de Marzo 2013
16

Ilustracin 18. Representacin Variable Presin.

De modo similar, las temperaturas pueden moverse en una gama de 50-200C, con particiones
segn la figura 8. Para la vlvula de control, la apertura y cierre en porciento 100-0-100, respecto a
la posicin dada (valor incremental) se representa como variable lingstica segn la Ilustracin 19.

Ilustracin 19. Representacin Variable Temperatura.

Para la vlvula de control, la apertura y cierre en porciento 100-0-100, respecto a la posicin dada
(valor incremental) se representa como variable lingstica segn la Ilustracin 20.

Ilustracin 20. Representacin Variable Vlvula.


17 de 19
Lgica Difusa
18 de Marzo 2013
17

La base de reglas puede llegar a ser 9 por la combinacin de las tres variables de temperatura y
tres de la variable presin. A continuacin se enuncian:

Tabla 1 Base de Reglas
Regla Base de Reglas
1 SI p es baja Y u es baja ENTONCES u es abrir
2 SI p es media Y u es baja ENTONCES u es abrir
3 SI p es alta Y u es baja ENTONCES u es no operar
4 SI p es baja Y u es media ENTONCES u es abrir
5 SI p es media Y u es media ENTONCES u es no operar
6 SI p es alta Y u es media ENTONCES u es cerrar
7 SI p es baja Y u es alta ENTONCES u es no operar
8 SI p es media Y u es alta ENTONCES u es cerrar
9 SI p es alta Y u es alta ENTONCES u es cerrar
Definida la base de conocimiento consideramos un estado del proceso representado por:

p= 7,5 HPa ; u= 160C
Tras el emborronado quedaran,
p: 0.45 alta y 0.22 media
u: 0.42 alta y 0.3 media
Procedemos a ver cuales reglas se cumplen y cuales no:

Regla Base de Reglas Verificacin Reglas
1 SI p es baja Y u es baja ENTONCES u es abrir DESACTIVADA
2 SI p es media Y u es baja ENTONCES u es abrir DESACTIVADA
3 SI p es alta Y u es baja ENTONCES u es no operar DESACTIVADA
4 SI p es baja Y u es media ENTONCES u es abrir DESACTIVADA
5 SI p es media Y u es media ENTONCES u es no operar ACTIVADA
6 SI p es alta Y u es media ENTONCES u es cerrar ACTIVADA
7 SI p es baja Y u es alta ENTONCES u es no operar DESACTIVADA


18 de 19
Lgica Difusa
18 de Marzo 2013
18
8 SI p es media Y u es alta ENTONCES u es cerrar ACTIVADA
9 SI p es alta Y u es alta ENTONCES u es cerrar ACTIVADA

Supongamos que utilizamos la interseccin (mnimo) para los antecedentes del producto
Cartesiano Ai
A5: mn {0.22,0.3}= 0.3
A6: mn {0.45,0.3}= 0.3
A8: mn {0.22,0.42}= 0.22
A9: mn {0.45,0.42}= 0.42

El resultado de aplicar igual operacin para el producto Cartesiano Ri= Ai x Bi y la unin (sup-mn)
se muestra en la figura 11.

Si en lugar de la interseccin usramos el producto algbrico tendramos.

A5: 0.670.5= 0.33
A6: 0.330.5= 0.17
A8: 0.670.5= 0.33
A9: 0.330.5= 0.17

Ejercicio Propuesto

Se pretende controlar la calefaccin de un recinto o espacio a partir de los parmetros de
temperatura y humedad del mismo. La finalidad es mantener controlada la temperatura e,
implcitamente, la humedad.
Se cuenta con un sensor de temperatura con un rango de funcionamiento desde 0C a 40C.
Se cuenta con un sensor de humedad con un rango de funcionamiento entre 0% y 100% de
humedad relativa.
El calefactor se puede controlar mediante incrementos/decrementos de temperatura, desde -
15C a +15C.


19 de 19
Lgica Difusa
18 de Marzo 2013
19

Bibliografa.

- [1] La lgica difusa. Caractersticas y aplicaciones Ing. Ailn Sabad Hernndez
Universidad de las Ciencias Informticas. Ciudad de la Habana. Cuba.
- [2]http://www.ucm.es/info/eurotheo/diccionario/S/sistemas_difusos.htm, Sistemas
difusos, Julin Velarde Lombraa, Universidad de Oviedo.
- [3] Control Inteligente DR. Faustino Muoz.
- Matlab Aplicado a Robtica y Mecatrnica Fernando Reyes Cortes
- http://es.wikipedia.org/wiki/MATLAB .
- Braspenning, P., Thuijsman, F. and Weijters A. (eds), Artificial Neural Networks,1995
- Winston, Henry P.,Inteligencia Artificial, Addison Welsley, 1994
- Rich, E. and Knight K. Inteligencia Artficial, McGraw Hill, 1997
- Delgado Alberto, Inteligencia Artificial y Minirobots, ECOC Ediciones, 1998
- EBESCO Publishing

Clase 8. Logica Difusa PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Clase 8. Logica Difusa PDF

Încărcat de

Drepturi de autor:

Formate disponibile

cristhian.riano@unipamplona.edu.co cristhianivanrj@gmail.

() mayor ser esa pertenencia.

S-ar putea să vă placă și