You are on page 1of 23

Notas en Control Difuso

Gilberto Reynoso Meza ITESM Campus Monterrey Departamento de Mecatr onica y Automatizaci on greynosom@exatec.itesm.mx Junio 2005

Indice general
1. Fundamentos del control difuso 1.1. Introducci on . . . . . . . . . . . . . . . 1.2. Preliminares . . . . . . . . . . . . . . . 1.2.1. Conjuntos difusos . . . . . . . . 1.2.2. L ogica difusa . . . . . . . . . . 1.3. Control difuso . . . . . . . . . . . . . . 1.3.1. Proceso de Fuzzicaci on . . . . 1.3.2. Mecanismo de Inferencia Difusa 1.3.3. Proceso de Defuzzicaci on . . . 1.4. Conclusiones . . . . . . . . . . . . . . 3 3 3 3 4 4 4 7 9 11

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

2. Identicaci on de sistemas difusos 12 2.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.2. Identicaci on de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.3. Sistemas Difusos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.4. Identicaci on de Sistemas Difusos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.4.1. Retropropagaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.4.2. Identicaci on de modelo TS por medio de Agrupaci on (Clustering) y Transformada de Hough . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.4.3. Proceso de Identicaci on Difuso Gen etico de Modelos Tipo Mamdani . . . . . . . . . 15 2.4.4. Identicaci on de Modelos Difusos basados en aprendizaje . . . . . . . . . . . . . . . . 15 2.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3. Desarrollo de aplicaci on 3.1. Introducci on . . . . . . . . . . . . . . . . . . . . 3.2. Descripci on del Proceso a Controlar . . . . . . 3.3. Descripci on del Controlador Difuso . . . . . . . 3.3.1. Proceso de Fuzzicaci on . . . . . . . . . 3.3.2. Mecanismo de Inferencia Difusa . . . . . 3.3.3. Proceso de Defuzzicaci on . . . . . . . . 3.4. Desarrollo de Interfaz M aquina-Usuario (HMI) 3.5. Pruebas de Desempe no . . . . . . . . . . . . . . 3.5.1. Simulaci on: Sistema 1 . . . . . . . . . . 3.5.2. Simulaci on: Sistema 2 . . . . . . . . . . 3.5.3. Proceso Real: Sistema 1 . . . . . . . . . 3.5.4. Proceso Real: Sistema 2 . . . . . . . . . 3.6. Conclusiones . . . . . . . . . . . . . . . . . . . 16 16 16 16 16 17 17 17 18 19 21 21 21 22

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

Fundamentos del control difuso


1.1. Introducci on

La soluci on com unmente empleada y difundida en el control de procesos industriales de variable continua es el controlador PID. Dicho controlador sigue gozando de popularidad como soluci on en las acciones de control pese a haber sido desarrollado hace m as de 60 a nos. Se le conoce como controlador PID debido a las tres acciones de manipulaci on que lleva a cabo sobre el error generado entre la Referencia y la variable a controlar. Dichas acciones son Proporcional, Integral y Derivativa. Cuando los procesos demandan acciones m as complejas de control, la PC ha brindado soluciones diversas. En primera instancia, da la oportunidad de generar un controlador PID discretizado, sin embargo, es posible programar algoritmos de mayor complejidad en busca de una acci on de control m as eciente y robusta. En tal caso, se habla de control no-convencional, donde destacan estrategias como son el dise no de controladores en espacio de estado y el control difuso. El control difuso es una estrategia de control basada en conceptos de la l ogica difusa, la cual procesa informaci on de forma cualitativa en lugar de hacerlo cuantitativamente. Lo anterior permite emular y reproducir la experiencia y el conocimiento de expertos en un sistema. Tales caracter sticas han permitido que dicho esquema de control, en ciertas aplicaciones, brinde mejores resultados que las estrategias convencionales. El presente cap tulo busca brindar una introducci on al control difuso, de manera que expone los conceptos requeridos para su comprensi on. Se encuentra distribuido como sigue: primeramente la secci on 1.2 da una breve explicaci on de lo que se entiende por conjuntos difusos y l ogica difusa, la secci on 1.3 explica los pasos que deben seguirse para la implementaci on de un controlador difuso a la vez que desarrolla un caso de estudio. Finalmente, se exponen las conclusiones de este cap tulo.

1.2.
1.2.1.

Preliminares
Conjuntos difusos

En la Teor a de Conjuntos Cl asica se tiene que, dado un Conjunto bien denido, un elemento pertenece o no pertenece al mismo, de forma que es posible asignar a cualquier elemento un valor entre {0, 1} para poder indicar si pertenece a determinado conjunto o no. En el caso de Conjuntos Difusos, el valor que se le asigna a un elemento se encuentra entre [0, 1], es decir, un intervalo en (N umeros Reales), de manera que ahora se habla de la posibilidad de pertenencia de un elemento en un conjunto determinado. Dado lo anterior, mientras que un conjunto en la teor a cl asica se representaba con la simple enumeraci on o caracterizaci on de sus elementos, un conjunto en la teor a difusa se representa como el conjunto de pares ordenados de elementos con su correspondiente valor de posibilidad de pertenencia al conjunto, es decir, siendo F un conjunto difuso, este se dene como F = {(u, F (u))|u U }. El valor de posibilidad de pertenencia a un conjunto se conoce como grado de membres a i (j ), la cual es una funci on que asigna a un elemento 3

j un real en el intervalo [0, 1] que dene la posibilidad de pertenencia al conjunto i. En otras palabras, F : U [0, 1].

1.2.2.

L ogica difusa

La l ogica cl asica (formal) se encarga del estudio de un lenguaje simb olico, de manera que es capaz de abstraer del mismo sus contenidos. De tal manera a cualquier proposici on se le es posible asignar un valor de verdad (falso o verdadero). Usualmente, se conviene asignar un 1 a la proposici on si es verdadera y un 0 si es falsa. La l ogica formal dene tambi en operadores de manera que es capaz de relacionar proposiciones entre s . Cuando esto sucede, las proposiciones se conocer an como antecedentes que generan como resultado un consecuente con un valor de verdad. Una de las aportaciones directas de la misma es el algebra booleana, ampliamente utilizada en el desarrollo de ordenadores y m aquinas de estado nito. En el contexto de la l ogica difusa, proposiciones, antecedentes y consecuentes ahora toman valores en el intervalo [0, 1], de manera que ya no se habla del valor de verdad, sino de la posibilidad de ser verdadero o de la posibilidad de ser falso. Los operadores son similares a los de la l ogica formal y ser an expuestos en la secci on 1.3.2.

1.3.

Control difuso

Por control difuso no debe entenderse un control en el que la(s) variables de manipulaci on son desconocidas o que se cuente con incertidumbre en las mismas. Por control difuso debe entenderse un control en el que las variables de entrada y de salida dejan de manejarse de forma cuantitativa para ser procesadas en forma cualitativa. De tal forma, una acci on de control que recibe como retroalimentaci on un nivel de temperatura, deja de procesarla cuantitativamente (ya fuese en t erminos de o C,o F o K ) para procesarla cualitativamente, por ejemplo, normal, caliente, muy caliente, extremadamente caliente. Lo mismo sucede con la variable de control, ujo de gas por ejemplo, que tomar a valores como pueden ser mucho f lujo, pocoF lujo, masomenosmuchof lujo, por mencionar algunos. Un controlador como este, se observa entonces, puede ser dise nado de manera que se logre emigrar la experiencia emp rica de un operador a un sistema que lo emule de forma autom atica. Se dicen tres los pasos para poder llevar a implementaci on un controlador difuso: la fuzzicaci on, el mecanismo de inferencia y la defuzzicaci on. El primero de ellos consiste en la traducci on de variables medibles en elementos difusos (cualitativos). El Mecanismo de inferencia desprende conclusiones a partir de las variables fuzzicadas en el paso anterior. Dichas conclusiones no son cuanticables a un, y deben pasar por un proceso de defuzzicaci on para poder ser empleadas como acciones de control de forma autom atica. A lo largo de esta secci on ser an expuestos los pasos anteriores para la implementaci on del controlador difuso. Con objeto de claricarlos, se considerar a un caso de estudio, que describe una situaci on (sistema) el cual se desea controlar. Dicho caso se expone a continuaci on: Caso de Estudio: Una abuelita, experta en el cuidado de rosales, comenta que vierte agua en los mismos dependiendo del calor que hace en el d a y que tan seca est a la tierra por el tiempo que se ha tenido en la semana. Se desea tener un controlador que emule este trabajo, dado que sus rosales son los mejores y son los que entregan las mejores rosas.

1.3.1.

Proceso de Fuzzicaci on

Para poder llevar a cabo el proceso de Fuzzicaci on, es necesario denir los conjuntos difusos que ser an empleados, de forma que puedan ser catalogadas las variables de entrada. As mismo, es necesario denir los grados de membres a para las variables de control. Si fuera el caso se tratase de una variable discreta, basta con denir los grados de membres a de cada uno de los valores de la variable. En el caso de tratarse de una variable continua, es necesario denir entonces una funci on de membres a que asigne la posibilidad de pertenencia a cualquier valor. 4

Funciones de Pertenencia Las funciones de pertenencia empleadas con mayor frecuencia se exponen a continuaci on. Es posible emplear funciones de membres a mas complejas, sin embargo, las siguientes son f acilmente implementables y entregan buenos resultados en el control. Funci on : U [0, 1]: Es una funci on seccionada denida por dos par ametros (, ). El primero de ellos dene el valor m aximo de la variable a fuzzicar con grado de membres a 0. El segundo, dene el valor a partir del cual el grado de membres a de la variable es 1 (gura 1.1). u< 0 (u )/( ) u (u; , ) = (1.1) 1 u>

Figura 1.1: Funci on Gamma Funci on L : U [0, 1]: Es una funci on seccionada denida por dos par ametros (, ). El primero de ellos dene el valor m aximo de la variable a fuzzicar con grado de membres a 1. El segundo, dene el valor a partir del cual el grado de membres a de la variable es 0 (gura 1.2). u< 1 ( u)/( ) u L(u; , ) = (1.2) 0 u>

Figura 1.2: Funci on L Funci on : U [0, 1]: Es una funci on seccionada denida por tres par ametros (, , ) que describen un tri angulo (gura 1.3). El primer y tercer par ametros determinan la base del tri angulo, mientras que el segundo par ametro determina el valor u nico de la variable con grado de membres a 1. 0 u< (u )/( ) u (u; , , ) = (1.3) ( u)/( ) u 0 u>

Figura 1.3: Funci on Triangular () Funci on : U [0, 1]: Es una funci on seccionada denida por cuatro par ametros (, , , ) que describen un trapecio(gura 1.4).El primer y cuarto par ametros denen la base del trapecio, mientras que el segundo y tercer par ametro denen la regi on donde la variable posee grado de membres a de 1. Mediante una correcta selecci on de los par ametros, la funci on trapezoidal puede emular las tres anteriores: Si = , se logra la funci on . Si = , se logra la funci on L. Si = , se logra la funci on . 0 (u )/( ) 1 (u; , , , ) = ( u)/( ) 0 u< u< u <u u>

(1.4)

Figura 1.4: Funci on Trapezoidal ()

Fuzzicaci on del Caso de Estudio Acorde con el ejemplo propuesto, se procede a determinar tantos los conjuntos difusos de entrada como los de salida. Lo anterior solo se puede lograr en virtud de un alto conocimiento del sistema, que s olo el experto puede brindar. Por lo anterior, tras varias pl aticas con la abuelita experta, se determinan valores cuanticables con sus funciones de membres a para poder asignar a las variables de entrada y salida valores cualitativos. En la gura 1.5 se muestran las funciones de pertenencia para el caso de estudio. Primeramente se denen los tres conjuntos difusos para denir lo caluroso del d a: Fr o (F ), Templado (T ), Caluroso(C ). La variable cuantitativa de entrada es la temperatura, de manera que cada valor de temperatura en grados cent grados recibir a un grado de membres a en cada conjunto. Posteriormente, se establece la funci on de membres a que asigna la variaci on en el porcentaje de humedad de la tierra del rosal a los conjuntos difusos Tierra H umeda (H ), Tierra Normal (N ), Tierra Seca (S ). Finalmente se encuentra la variable de manipulaci on, tazas de agua que se vierten en el rosal. Se denen cinco conjuntos difusos: Casi nada de agua (- -), Poca agua (-), Lo normal (0), Mucha agua (+) y Bastante Agua (++). 6

Figura 1.5: Funciones de membres a del caso de estudio: temperatura (superior izquierda), humedad (superior derecha) y tazas de agua (inferior). Supongamos se desea fuzzicar la dos situaciones diferentes para determinar dos diferentes acciones de control: 1. Sea el clima en el d a de 28.5o C y el cambio en porcentaje de humedad de -2.5 %. Con esas condiciones, se observa que el grado de membres a de la temperatura en el conjunto F es 0.0, en el conjunto T es de 0.75 y en el conjunto C de 0.25. A su vez, el cambio en humedad lograr a un grado de membres a en el conjunto N de 0.5, en el S de 0.5 y de 0.0 en H . 2. Sea el clima en el d a de 21.5o C y el cambio en porcentaje de humedad de 0.0 %. Con esas condiciones, se observa que el grado de membres a de la temperatura en el conjunto F es 0.5, en el conjunto T es de 0.5 y en el conjunto C de 0.0. A su vez, el cambio en humedad lograr a un grado de membres a en el conjunto N de 1.0, en el S de 0.0 al igual que en H .

1.3.2.

Mecanismo de Inferencia Difusa

En el mecanismo de inferencia difusa, se emplean las variables que han sido fuzzicadas (conoci endose ahora como antecedentes) para desprender conclusiones (consecuentes). El mecanismo es similar al de la l ogica formal, que usa la conjunci on, la disyunci on, el complemento y la implicaci on. Sin embargo, deben ser tomados en cuenta de alguna forma en este mecanismo los grados de membres a que logran las variables de entrada. Ser a necesario denir entonces la forma en que trabajan dichos operadores en el contexto de la l ogica difuso y la forma en que los implicantes son generados. Operadores Difusos Los tres operadores son sencillos de manejar. En el caso de los dos u ltimos, se hace referencia a Zadeh debido a que el deni o de tal forma a los dos operadores. Se dice esto, pues es posible denir de alguna otra forma a los mismos y seguir siendo consistentes en el terreno de la l ogica difusa. Las propiedades que deben cumplir los operadores para garantizar la consistencia se conocen como normas T en el caso de la conjunci on y normas S en el de la disyunci on. Ambas se exponen a continuaci on: Normas T: Las Normas T son identicadas con el operador Conjunci on. Las propiedades con las que debe cumplir un operador conjunci on son las siguientes: T1 : a T2 : (a b=b b) a c=a (b c) bc d 7

T3 : a c b d a

T4 : a

1=a

Normas S: Hacen referencia al operador disyunci on. Un operador disyunci on debe cumplir con las siguientes porpiedades: S1 : a b = b a S2 : (a b) c = a (b c) S3 : a c b d a b c d S4 : a 0 = a Complemento: Un operador complemento C (x)debe cumplir con las siguientes propiedades: C1 : C (0) = 1 C2 : a < b C (a) > C (b) C3 : C (C (a)) = a Respetando las condiciones anteriores, Zadeh dene los operadores difusos de la siguiente forma: Operador Complemento: A (u) = 1 A (u) Operador Conjunci on: AB (u) = m n(A (u), B (u)) Operador Disyunci on: AB (u) = m ax(A (u), B (u)) Implicaciones Difusas La forma en que se relacionan antecedentes y consecuentes es por medio de implicaciones difusas. Como sucedi o con los operadores difusos, es posible denir de formas diferentes a la implicaci on difusa. Las m as relevantes se muestran a continuaci on: Implicaci on de Zadeh Rc (x, y ) = m ax(min(A (x), B (y )), 1 A (x)) (1.8) (1.7) (1.6) (1.5)

Implicaci on de Mamdani Rm (x, y ) = m n(A (x), B (y )) (1.9)

Implicaci on de G odel Rg (x, y ) = 1 si (x) (y ) (y ) de otra f orma (1.10)

Figura 1.6: Relaci on de implicaciones del Caso de Estudio Mecanismo de Inferencia del Caso de Estudio Se le pide a la abuelita ahora comente, dada su experiencia, la cantidad de agua que vertir a en el rosal dadas las condiciones que detecta en el mismo. De acuerdo a las dos condiciones de entrada (temperatura y humedad en la tierra) ella toma las decisiones seg un la gura 1.6. Dados los grados de membres a del paso anterior, corresponde ahora determinar el grado de membres a en los implicantes. Es claro que las reglas que se disparan en las dos situaciones propuestas con anterioridad son: 1. a ) D a templado con tierra normal, por lo que se debe verter lo normal de agua. b ) D a templado con tierra seca, por lo que se debe verter bastante agua. c ) D a caluroso con tierra normal, por lo que se debe verter bastante agua. d ) D a caluroso con tierra seca, por lo que se debe verter bastante agua. 2. a ) D a fr o con tierra normal, por lo que se debe verter poca agua. b ) D a templado con tierra normal, por lo que se debe verter lo normal de agua. En cada caso es necesario primero determinar el antecedente, que deber a emplear el operador conjunci on en cada caso. Aplicando el operador conjunci on de Zadeh se logran los respectivos antecedentes 0.5, 0.5, 0.25, 0.25 para el primer caso, y 0.5, 0.5 para el segundo. Ahora, toca el turno de generar los consecuentes. Aplicando el implicante de Mamdani se logra lo anterior. En la gura 1.7 se expone, por ejemplo, el conjunto de salida para la primer situaci on propuesta en el caso denido.

1.3.3.

Proceso de Defuzzicaci on

Una vez que el proceso de inferencia difusa dene un grado de membres a para los consecuentes, estos deben ser traducidos en variables cuanticables, para poder ser usados como acciones de control. Los m as empleados son: Singletons, Centroide, Promedio de areas, Centroide area m axima, Primer m aximo, entre otros. Se describir an a continuaci on los empleados frecuentemente para el control: Singletons Este m etodo busca sustituir el area que abarca el conjunto difuso y concentrarlo en un solo punto, de manera que el proceso de defuzzicaci on se convierte ahora en el c alculo de una media ponderada, 9

Figura 1.7: Implicantes generados por los antecedentes en la situaci on 1: regla 1(superior izquierda), regla 2(superior derecha), reglas 3 y 4 (inferior izquierda) y la implicaci on nal (inferior derecha). determinando as la manipulaci on a llevar a cabo a partir del grado de membres a del implicante generado en el proceso de inferencia. u =
K i=1 i ui K i=1 i

(1.11)

Centroide Consiste en determinar el centro de gravedad de todas las areas generadas por el mecanismo de inferencia difusa, y con ello, la manipulaci on en forma cuantitativa que debe ser llevada a cabo de acuerdo al mecanismo de inferencia difusa. u = Promedio del centro de areas Se trata de un m etodo de defuzzicaci on similar al del centroide, pero es mucho m as r apido de computar. En este algoritmo, se c alcula la contribuci on de cada area en los conjuntos de salida, sin importar los traslapes que pudieran existir entre conjuntos adyacentes. u = Centroide del area m axima Este algoritmo se utiliza cuando el conjunto de salida representa una regi on no convexa. El mismo calcula el area m axima de entre todos los conjuntos de salida, y lo utiliza para determinar el valor cuantitativo de la variable a defuzzicar. Primer m aximo Similar al anterior, este algoritmo determina el valor de area m axima en los conjuntos de salida, y en vez de utilizar su centroide para cuanticar la variable, lo hace con el valor que representa su primer m aximo en la dimensi on de la membres a. 10
U U

u U (u)du (u)du U U

(1.12)

u
U

n k=1 n k=1

U (u)du U (u)du

(1.13)

Defuzzicaci on del Caso de Estudio Aplicando el m etodo de fuzzicaci on del centroide y deniendo una saturaci on de diez tazas de agua para verter al rosal, se logran las siguientes areas: Situaci on 1: area del Conjunto N= 0.75, area del Conjunto ++= 3.25. Singletons: asumiendo que los mismos se encuentran en los valores 0.5, 1.0, 2.0, 3.0 y 5.0, se logra que se deben verter 3.25 tazas de agua (se observa que de esta manera, al colocar el u ltimo singleton no en el centro de masa del trapecio, sino en un valor menor, se puede lograr una manipulaci on m as conservadora). Centroide: el centro de masa se encuentra en seis tazas de agua, que corresponde al punto que divide el area activada por el mecanismo de inferencia. Promedio de areas: el centro de masa se encuentra en seis tazas de agua, que corresponde al punto que divide el area activada por el mecanismo de inferencia. El mismo corresponde con el anterior, debido a que no se traslaparon a reas en el conjunto de salida. Centro del area m axima: El area m axima la corresponde el u ltimo conjunto de salida, cuyo centro de masa se encuentra en 7.250 tazas de agua. Situaci on 2: area del Conjunto (-)= 0.5625, area del Conjunto (N)= 0.75, traslape en [1, 2] de 0.25. Singletons: asumiendo la posici on de los mismos como en el caso anterior, se logra una manipulaci on de 1.5 tazas de agua. Centroide: el centro de masa se encuentra en 1.75 tazas de agua, que corresponde al punto que divide el area activada por el mecanismo de inferencia. Promedio de areas: el centro de masa se encuentra en 1.95 tazas de agua, que corresponde al punto que divide el area activada por el mecanismo de inferencia. Centro del area m axima: el area m axima corresponde al conjunto N, por lo que el valor cuantitativo se valora en 2.0 tazas de agua.

1.4.

Conclusiones

Se han expuesto los fundamentos b asicos de la teor a de conjuntos difusos, la l ogica difusa y su aplicaci on en el control autom atico de sistemas, de manera que se cuenta ahora con una plataforma que permitir a el desarrollo de aplicaciones de controladores difusos, tal y como se desarrollar a en el cap tulo 3 de este documento.

11

Identicaci on de sistemas difusos


2.1. Introducci on

Para que un sistema de control trabaje adecuadamente la arquitectura del mismo debi o haberse dise nado con un buen modelo del sistema para poder garantizar as su correcto desempe no. Dicho modelo puede obtenerse por m etodos anal ticos, que requieren de un profundo conocimiento te orico de los procesos involucrados en el sistema y deben cuidar el tipo de simplicaciones que llevan a cabo, con la nalidad de no sacricar la exactitud del modelo. Es dif cil que el ingeniero en control sea un experto en el conocimientos de todas las leyes f sicas involucradas en todos los sistemas que se pretenda automatizar. Por ello, la identicaci on de sistemas es una herramienta que, con base en datos provenientes del mismo sistema, busca el modelo que mejor lo represente, permitiendo as elaborar el dise no de la arquitectura de control. Uno de los esquemas de control que ha mostrado buenos resultados es el Control Difuso, que modela al sistema con base en reglas ling u sticas y procesa la acci on de control de la misma forma. El esquema de identicaci on requerido para este tipo de control diere de los conocidos, por lo que es necesario tomar en cuenta herramientas de otros campos como redes neuronales, inteligencia articial, algoritmos gen eticos, entre otros, para lograr la identicaci on en t erminos que el control difuso pueda procesar. Este apartado expone los conceptos necesarios para llevar a cabo una identicaci on de un sistema en el contexto del control difuso. Las secciones 2.2 y 2.3 presentan introducen los conceptos de identicaci on y de sistemas difusos respectivamente. La secci on 2.4 expone la manera en que debe llevarse a cabo la identicaci on difusa.

2.2.

Identicaci on de Sistemas

Con objeto de lograr una exitosa acci on de control sobre un sistema cualquiera, es necesario contar con un buen modelo din amico del mismo. Dicho modelo din amico puede ser obtenido ya sea anal ticamente o por identicaci on directa. El primero de ellos, el modelo din amico Anal tico del sistema requiere de un conocimiento extenso y basto de las relaciones f sicas, qu micas, biol ogicas que tienen lugar en el sistema. La identicaci on consiste en obtener un modelo din amico del sistema que se desea controlar. M etodos ampliamente utilizados los constituyen el algoritmo de M nimos Cuadrados, Algoritmo de M nimos cuadrados recursivos, Variable Instrumental entre otros. Estos algoritmos no son objeto de discusi on en este documento y pueden ser consultados en [4]. Para llevar a cabo una identicaci on, el sistema debe ser sometido a una prueba, de manera que puedan documentarse y registrarse las entradas al sistema y sus correspondientes salidas. Con estos datos se alimentan al algoritmo de identicaci on, que buscar a el modelo que mejor se adapte a los datos. Tras la identicaci on, siempre es necesario llevar a cabo una validaci on del modelo con nuevos datos. 12

2.3.

Sistemas Difusos

Los Sistemas Difusos son sistemas que se modelan y procesan en base a reglas ling u sticas, donde variables de entrada y salida adquieren un valor cualitativo en lugar de uno cuantitativo. Usualmente, estos sistemas se modelan por medio de reglas de implicaci on SI EN T ON CES (IF T HEN ), donde los elementos de la izquierda son conocidos como antecedentes y los de la derecha como consecuentes. Puede consultarse la secci on 1.3 para una introducci on a los sistemas y al control difuso. Dado que los anteriores modelos trabajan en la identicaci on de modelos cuantitativos, es necesario hacer adecuaciones y modicaciones que permitan llevar a cabo la identicaci on cualitativa que caracteriza al Control Difuso.

2.4.

Identicaci on de Sistemas Difusos

Como se ha comentado, la identicaci on de un sistema difuso requiere se logre denir a las variables de entrada y de salida como variables cualitativas. Para ello, la identicaci on debe ser capaz de computar los conjuntos difusos que participar an en la etapa de fuzzicaci on y defuzzicaci on.

2.4.1.

Retropropagaci on

El algoritmo de retropropagaci on es un algoritmo que fue implementado primeramente en la identicaci on de sistemas no lineales en el contexto de redes neuronales. Sin embargo, es posible emplear este algoritmo para la identicaci on de sistemas no lineales como sistemas difusos ([6],[5]). Este algoritmo se basa en la existencia de un modelo difuso de la forma descrita en las ecuaciones (2.1) y (2.2), que describen un sistema difuso con defuzzicador de promedio central, regla del producto para la inferencia y funciones de membres a tipo S (modelos difusos conocidos como Takani-Sugeno, TS). f (x) =
M l i=1 y M i=1 [

n i=1 n i=1

t i (xi )]

t i (xi )]
xi xl i l2 i

(2.1) (2.2)

l l i (xi ) = i

1 1 + exp

Dicha funci on puede ser representadas con una red neural de 3 capas (g.2.1), donde representa una funci on de membres a y los tri angulos ganancias en la red. Se dene ahora el algoritmo de entrenamiento de retropropagaci on: Sea el par de entradas y salida (xp , dp ) donde xp n y dp . Se dene como criterio de minimizaci on p p 2 | f ( x ) d | . Para lograr la minimizaci o n de este error, los del mismo con la siguiente estructura: E = 1 2 par ametros del sistema difuso son variados de acuerdo a las siguientes reglas de retropropagaci on: y l (k + 1) = y l (k )
l xl i (k + 1) = xi (k )

f d l z b

(2.3)

l f d l 2(xp i xi (k )) (y f )z l l2 (k ) b i

(2.4)

l l i (k + 1) = i (k )

l 2 f d l 2(xp i xi (k )) (y f )z l l 3 b i (k )

(2.5)

Dichas reglas de retropropagaci on trabajan de la siguiente d normalizado f es enviado hacia atr as a la capa I ; despu es y l b l l l entrada para y . Para lograr entrenar a xi y a i , el producto enviado a la unidad de procesamiento de la capa I cuya salida (2.4) y (2.5). 13

forma: Para lograr entrenar a y l el error es actualizada usando (2.3) donde z l es la del error normalizado con (y l f ) y z l es es z l ; despu es ambas son actualizadas con

Figura 2.1: Arquitectura Neural para la Identicaci on del Sistema Difuso[6] Existen dos ventajas principales de utilizar estos identicadores difusos en vez de utilizar un identicador neural [6]: Los par ametros de los identicadores difusos se asocian f acilmente con par ametros f sicos: Cada y l es el centro de un Consecuente en el conjunto difuso de las reglas IF-THEN. El t ermino xl i se asocia al centro del Antecedente. l El componente i representa los anchos de los Antecedentes. Los identicadores difusos ofrecen un esquema natural y directo para incorporar la descripci on ling u stica de los expertos. Aplicaci on Documentada: Robot Serial articulado El algoritmo de retropropagaci on puede ser empleado para la identicaci on del modelo din amico inverso de un manipulador serial. En [5] se presentan los resultados de la implementaci on de este algoritmo en un manipulador MAMROB/Er15 de 6 gdl. para la identicaci on de los primeros 3 grados de libertad.

2.4.2.

Identicaci on de modelo TS por medio de Agrupaci on (Clustering) y Transformada de Hough

Para lograr la identicaci on de Modelos Difusos del tipo TS, Min-Kee en [3, pp.93-108] propone un algoritmo que puede ser condensado en cinco pasos: 1. Determinar las variables de entrada. 2. Identicaci on de los consecuentes por medio de alguna de las siguientes estrategias: a ) HPC-MEANS (HyperPlan-Based C-MEANS). b ) Transformaci on de Hough 3. Determinaci on del n umero de agrupadores (clusters). 4. Construcci on de los Antecedentes del Sistema Difuso TS. 5. Optimizaci on, donde los antecedentes y consecuentes son anados usando el m etodo de la gradiente. . 14

2.4.3.

Proceso de Identicaci on Difuso Gen etico de Modelos Tipo Mamdani

En [3, pp. 216-250] se trata el problema de identicar sistemas difusos del tipo Mamdani con m ultiples entradas y m ultiples salidas. Este proceso se compone de tres partes: 1. La construcci on de reglas difusas gen eticas basadas en algoritmos evolutivos y un m etodo que sea capaz de cubrir el conjunto entradas-salidas que se usa para identicar al modelo. 2. Una simplicaci on gen etica de las reglas difusas basados en algoritmos gen eticos. 3. La renaci on de los par ametros difusos basado en RCGA (real-code genetic algorithms).

2.4.4.

Identicaci on de Modelos Difusos basados en aprendizaje

En [3, pp. 281-319] se expone la metodolog a a seguir para implementar un algoritmo de identicaci on de modelos difusos del tipo Mamdani por medio del concepto de aprendizaje. El procedimiento para ello es el siguiente: 1. Condicionamiento de los datos de entrenamiento. 2. Construcci on un modelo inicial. 3. Evaluaci on del modelo, donde el modelo actual es puesto a prueba con todo el conjunto de entrenamiento, determinando cu al es el dato que induce el m aximo error, el cual se convierte en el candidato para el proceso de aprendizaje. Si el error es menor a la cota determinada, el algoritmo termina (paso 7). 4. Modicaci on de la estructura del modelo. 5. Determinar los par ametros que se adicionar an al modelo. Despu es de este paso, el candidato de aprendizaje del paso 3 ha sido asimilado. 6. Ir al paso 3. 7. Validaci on del modelo.

2.5.

Conclusiones

Se han presentado cuatro estrategias para la identicaci on de diferentes sistemas difusos, lo cual facilita el dise no de esquemas de fuzzicaci on y defuzzicaci on. Lo anterior facilita as mismo el dise no de esquemas apropiados de control.

15

Desarrollo de aplicaci on
3.1. Introducci on

El control difuso es una de la t ecnicas de control conocidas como no convencionales. Dicho esquema ha mostrado buenos resultados en procesos industriales donde se ha buscado traducir la experiencia y conocimiento de los operadores de forma que se puedan emular las mismas de forma autom atica. Dicho esquema, como se nala Driankov en su texto [2], ha sido capaz de minimizar el tiempo de dise no en algunos procesos industriales. El siguiente cap tulo expone la implementaci on de un controlador difuso con objeto de monitorear y controlar un proceso de temperatura. Primeramente describir a el proceso a controlar y el esquema del controlador difuso a implementar. Posteriormente presenta el desarrollo de la HMI y las pruebas llevadas a cabo. Finalmente, se exponen las conclusiones de esta secci on.

3.2.

Descripci on del Proceso a Controlar

En la gura 3.1 se muestra la estaci on de temperatura que se desea controlar. Dicha estaci on fue dise nada y construida por personal acad emico del Departamento de Mecatr onica y Automatizaci on del ITESM Campus Monterrey. La comunicaci on por PC se realiza a trav es del puerto serial RS232, en el cual se tiene una resoluci on de ocho bits, permitiendo relacionar valores de la se nal de manipulaci on entre 0 y 100 % en valores del puerto entre 0 y 255. La estaci on trabaja con una alimentaci on de 127VCA. Utiliza un sensor/transductor de temperatura LM36, el cual entrega una salida de 10mV/C. El mismo toma el nivel de temperatura en la salida de la pistola y la transmite hacia los convertidores de voltaje (0-10V) o corriente (4-20mA) del transductor.

3.3.

Descripci on del Controlador Difuso

Para la implementaci on del Controlador Difuso, se ha desarrollado la librer a Dif uso.h en lenguaje C. La misma contiene declaraciones de diversas funciones para los procesos de fuzzicaci on, inferencia y defuzzicaci on.

3.3.1.

Proceso de Fuzzicaci on

Para el proceso de Fuzzicaci on, se ha desarrollado la funci on f uzzif ica contenida en la librer a Dif uso.h desarrollada para la aplicaci on. El dise no de esta funci on contempla siete funciones de membres a para cada variable de entrada, as como para la manipulaci on. Cada funci on de membres a debe denirse como una funci on trapezoidal de cuatro 16

Figura 3.1: Estaci on de Control de Temperatura par ametros , , , . Se emplea este tipo de funci on, pues mediante una correcta selecci on de par ametros puede comportarse como una funci on triangular.

3.3.2.

Mecanismo de Inferencia Difusa

La librer a Dif uso.h contiene la funci on inf iere que desarrolla el mecanismo de inferencia dentro del controlador difuso. Actualmente, la funci on trabaja con la operaci on conjuntiva denida por Zadeh y la regla implicante desarrollada por Mamdani. La librer a permite, con modicaciones menores, incluir otro tipo de reglas para la conjunci on y la implicaci on difusa.

3.3.3.

Proceso de Defuzzicaci on

El proceso de Defuzzicaci on hace uso de la funci on def uzzif ica para determinar el cambio en porcentaje de manipulaci on que debe ser aplicado. Emplea uno de dos mecanismos de inferencia posibles: Singleton y Gravicentro. Para el primero de ellos, es necesario denir un m aximo de 7 singletons distribuidos en el rango de -100 a 100 % en el cambio de manipulaci on. En el caso del gravicentro, la funci on determina el area en los conjuntos de salida por medio de una discretizaci on, de modo que se calcula el area de 200 segmentos rectangulares de base la unidad, para determinar as el area total. Finalmente, se contabiliza la ubicaci on del valor de la manipulaci on donde se encuentra el centro de masa.

3.4.

Desarrollo de Interfaz M aquina-Usuario (HMI)

El Desarrollo de la HMI se llev o a cabo en LabWindows CVI para ser implementada en una computadora Compaq Presario 1277 con 60MB en memoria RAM corriendo sobre la plataforma Windows 98. En la gura 3.2 se muestra la ventana principal de la aplicaci on. Como puede observarse, la aplicaci on permite efectuar pruebas en simulaci on y proceso real. Cuenta con dos p aneles de gracado: el primero para mostrar Referencia y Variable de Control mientras que la segunda para mostrar el porcentaje de la manipulaci on empleada y el error generado al trabajar en modo autom atico. En la esquina superior derecha, puede observarse la selecci on de la estrategia de control. Por defecto, se emplea el controlador PID discreto. Al seleccionar la estrategia de control difuso, aparace la ventana referida en la gura 3.3. En la misma, es necesario denir tanto las funciones de membres a de las variables de entrada y del cambio en la 17

Figura 3.2: Sistema de Monitoreo y Control Sistemas POCTM: Ventana Principal de la Aplicaci on manipulaci on (fase de fuzzicaci on), las reglas que disparan las diversas combinaciones en las variables de entrada (mecanismo de inferencia) y la forma en que se determinar a el cambio en la manipulaci on (fase de defuzzicaci on). En la secci on de fuzzicaci on, es necesario determinar 28 par ametros para cada variable. Los mismos determinan las 7 funciones de membres a para cada una de ellas. Las primeras cuatro variables denen la primer funci on trapezoidal de membres a, las variables 5,6,7,8 denen la segunda funci on de membres a trapezoidal y as sucesivamente. El mecanismo de inferencia requiere se llene la tabla para poder indicar que reglas disparan las 49 combinaciones de las variables de entrada. En cada celda debe denirse un n umero entre 0 y 6 que denen el m aximo de 7 reglas que pueden ser disparadas por el controlador. Los c odigos que aparecen en la tabla son los siguientes: BN : Bastante negativo. MN : Muy Negativo. N : Negativo. 0 : Nada. P : Positivo. MP : Muy Positivo. BP : Bastante Positivo. Finalmente, el controlador requiere se dena el mecanismo de defuzzicaci on. De ser seleccionado Singleton es necesario denir la ubicaci on de los mismos (un m aximo de siete). Al seleccionar OK , la HMI regresa a la pantalla principal mostrando la ventana que aparece en la gura 3.4. Se aprecia que aparece el arreglo rectangular denido en el mecanismo de inferencia difusa. Este recuadro solo es expositivo, y muestra las reglas difusas que son disparadas durante el funcionamiento del esquema de control.

3.5.

Pruebas de Desempe no

Se comprob o el desempe no del controlador difuso en 4 sistemas: dos es simulaci on y dos en tiempo real. Se denieron las funciones de membres a que expone la gura 3.5 y las reglas de inferencia que propone Driankov en su libro [2] para emular a un controlador PI (gura 3.6). 18

Figura 3.3: Especicaciones del Controlador Difuso

Figura 3.4: Monitoreo del Desempe no del Controlador Difuso

Los 4 procesos fueron sometidos al mismo cambio en referencia (40 - 60) con el mismo tiempo de muestreo (1 segundo). Los sistemas simulados corresponden a un POCTM. El primero de ellos tiene una relaci on / de 0.1 mientras que el segundo una relaci on de 0.2. Los dos experimentos en tiempo real se hicieron en la misma estaci on. La diferencia entre ambos experimentos ha sido la velocidad de la pistola de aire (posici on 1 a 2). El m etodo de defuzzicaci on por medio del c alculo del centro de masa no entreg o buenos resultados, por lo que solamente se exponen los resultados utilizando singletons como m etodo de defuzzicaci on (lo anterior solo indica que no fueron seleccionados adecuadamente los conjuntos difusos de salida). Los resultados se exponen a continuaci on:

3.5.1.

Simulaci on: Sistema 1

El primer sistema para pruebas es un primer orden con par ametros K = 1,25 , = 15,0 y = 1,5 con tiempo de muestreo de 1 segundo. Su tiempo de estabilizaci on fue de 77 segundos y su porcentaje de sobretiro de 50 % (gura 3.7). 19

Figura 3.5: Funciones de membres a implementadas para el control de temperatura

Figura 3.6: Reglas de inferencia difusas para emular un controlador PI

Figura 3.7: Respuesta del Proceso a un cambio en referencia de 40C a 60C. K = 1,25, = 15,0, = 1,5, muestreo de 1.0 segundos.

20

3.5.2.

Simulaci on: Sistema 2

El segundo sistema para pruebas es un primer orden con par ametros K = 1,25 , = 15,0 y = 3,0 con tiempo de muestreo de 1 segundo. Su tiempo de estabilizaci on fue de 148 segundos y su porcentaje de sobretiro de 70 % (gura 3.8).

Figura 3.8: Respuesta del Proceso a un cambio en referencia de 40C a 60C. K = 1,25, = 15,0, = 3,0, muestreo de 1.0 segundos.

3.5.3.

Proceso Real: Sistema 1

En tiempo real, para la perilla de velocidad en su nivel m as bajo, se logr o un tiempo de estabilizaci on de 195 segundos y su porcentaje de sobretiro de 65 % (gura 3.9).

Figura 3.9: Respuesta del Proceso Real a un cambio en referencia de 40C a 60C. Muestreo de 1.0 segundos.

3.5.4.

Proceso Real: Sistema 2

En tiempo real, para la perilla de velocidad en su nivel m as alto, se logr o un tiempo de estabilizaci on de 155 segundos y su porcentaje de sobretiro de 19.5 % (gura 3.10). 21

Figura 3.10: Respuesta del Proceso Real a un cambio en referencia de 40C a 60C. Muestreo de 1.0 segundos.

3.6.

Conclusiones

En el anterior cap tulo se presenta la implementaci on de un controlador en plataforma LabWindows CVI para el monitoreo y control de un proceso de temperatura. El sistema mostr o ser capaz de controlar los procesos descritos en la secci on anterior. Dicho controlador difuso a un presenta areas de oportunidad para lograr un mejor desempe no en el control. La implementaci on se logr o por medio de la programaci on de una librer a en plataforma C, la cual es posible utilizar en proyectos o programas posteriores que involucren el desarrollo de controladores difusos. As mismo, dicha librer a cuenta con el grado de exibilidad necesario para dar de alta nuevas reglas de conjunci on, implicaci on y de defuzzicaci on. En el desarrollo de la HMI fueron contempladas herramientas para asistir al dise no del controlador difuso, como lo es el gr aco de reglas que muestra las inferencias que son activadas en cada tiempo de muestreo. Se tienen contemplados as mismo gr acos que aporten una visualizaci on de los conjuntos difusos que son denidos para cada una de las variables. Como trabajo posterior, se recomienda lograr la optimizaci on del controlador mediante otras selecciones de los conjuntos difusos y evaluar el desempe no del mismo con un controlador PID sintonizado por medio de alguno de los criterios integrales. As mismo, comparar su desempe no contra arquitecturas de control m as sosticadas como son predictores Smith, lazos cascada y de antealimentaci on.

22

Bibliograf a
[1] Robert Babuska. Fuzzy Modeling for Control. International Series in intelligent Technologies. KAP, 1998. [2] M. Reinfrank D. Driankov, H.Hellendoorn. An introduction to Fuzzy Control. Springer, 1993. [3] D Driankov H. Hellendoorn, editor. Fuzzy Model Identication, Selected Approaches. Springer, 1997. [4] Landau I.D. System Identication and Control Design. Prentice Hall, 1990. [5] Imre Rudas Kermalettin Erbatur, Okyay Kaynak. Fuzzy identier based inverse dynamics control for a 3-dof articulated manipulator. 1997. [6] Li-Xin-Wang. Adaptive Fuzzy Systems and Control: Design and Stability Analisys. Prentice Hall, 1994. [7] Dimiter Driankov Rainer Palm. Fuzzy switched hybrid systems - modeling and identication. Proceedings of the IEEE. [8] Max Suell Dutra Salvador M.C.Netto, Alexandre Evsuko. Fuzzy systems to solve inverse kinematics problem in robots control: Application to an hexapod robotsleg. Proceedings of the IEEE.

23