0 оценок0% нашли этот документ полезным (0 голосов)
39 просмотров18 страниц
Este documento describe un proyecto de control y gestión de una planta de invernadero utilizando lógica difusa realizado por tres estudiantes de ingeniería mecatrónica. Explica brevemente los conceptos básicos de lógica difusa como representar estados intermedios y valores de verdad continuos, y cómo esto permite un control más preciso de sistemas. También presenta antecedentes históricos de la lógica difusa y algunos de sus principios como conjuntos difusos y conceptos imprecisos.
Este documento describe un proyecto de control y gestión de una planta de invernadero utilizando lógica difusa realizado por tres estudiantes de ingeniería mecatrónica. Explica brevemente los conceptos básicos de lógica difusa como representar estados intermedios y valores de verdad continuos, y cómo esto permite un control más preciso de sistemas. También presenta antecedentes históricos de la lógica difusa y algunos de sus principios como conjuntos difusos y conceptos imprecisos.
Este documento describe un proyecto de control y gestión de una planta de invernadero utilizando lógica difusa realizado por tres estudiantes de ingeniería mecatrónica. Explica brevemente los conceptos básicos de lógica difusa como representar estados intermedios y valores de verdad continuos, y cómo esto permite un control más preciso de sistemas. También presenta antecedentes históricos de la lógica difusa y algunos de sus principios como conjuntos difusos y conceptos imprecisos.
Tema: "Control y gestin de una planta tipo invernadero, utilizando Logica Difusa"
Integrantes del Equipo
Edgar Ivn Castillo Martnez Luis Miguel Almazn Cerda Mauricio Enrique Segura Alvarado
Fecha de Entrega: 31 de mayo de 2012 Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
1 Inteligencia Artificial Introduccin La lgica difusa representa la forma en que los humanos proponemos una solucin a algn problema en el cul no existe un valor o estado exacto que represente dicho resultado. Para poder entender de mejor manera sta definicin, veremos las diferencias entre la lgica tradicional y la lgica difusa. La lgica convencional presenta solo dos valores para definir si un evento se lleva acabo o no, el 1 y 0. stos estados indican que si el evento se lleva acabo se tiene el 100 porciento del valor de salida para activar el estado, y presenta un 0 porciento si el evento no se lleva acabo. sta situacin nos afecta en el sentido de que no podemos expresar un estado intermedio, por ejemplo: al expresar el siguiente enunciado la llave est medio abierta, al querer representar este estado en la lgica convencional se nos hace imposible ya que no podemos expresar un 50 porciento que equivale a un estado de 0.5. La lgica difusa a diferencia de la lgica convencional, nos permite representar estados intermedios de pertenencia de un estado a un evento, teniendo valores de membresa para las variables difusas que se utilizan. Por ejemplo: al expresar el mismo enunciado la llave est medio abierta, podemos expresar que la llave est 0.5 abierta, e incluso se pueden expresar ms valores como 0.3 abierta o 0.7 abierta. Esto nos permite controlar el estado de salida de un sistema de manera ms precisa e incluso nos permite controlar sistemas que hubieran sido imposibles de controlar si ste tipo de representaciones. stos temas se tratarn en ste proyecto.
Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
2 Inteligencia Artificial
Antecedentes El concepto de lgica difusa apareci en 1965, en la Universidad de California en Berkeley, y fu introducido por Lotfi A. Zadeh. Las lgicas difusas, son esencialmente lgicas multivaluadas que extienden a las lgicas clsicas. Estas ltimas imponen a sus enunciados nicamente valores falso o verdadero. Bien que stas han modelado satisfactoriamente a una gran parte del razonamiento natural, es cierto que el razonamiento humano utiliza valores de verdad que no necesariamente son tan deterministas. Por ejemplo, al calificar que el cielo es azul uno est tentado a graduar qu tan azul, en efecto, es el cielo, e igualmente, si un vehculo se mueve rpido, tambin se est obligado a considerar qu tan rpido es el vehculo, aunque esto ltimo no implique necesariamente cuantificar la velocidad del vehculo con toda precisin.
Las lgicas difusas procuran crear aproximaciones matemticas en la resolucin de ciertos tipos de problemas. Pretenden producir resultados exactos a partir de datos imprecisos, por lo cual son particularmente tiles en aplicaciones electrnicas o computacionales. El adjetivo difuso aplicado a ellas se debe a que los valores de verdad no-deterministas utilizados en ellas tienen, por lo general, una connotacin de incertidumbre. Un vaso medio lleno, independientemente de que tambin est medio vaco, no est lleno completamente ni est vaco completamente. Qu tan lleno puede estar es un elemento de incertidumbre, es decir, de difusidad, entendida esta ltima como una propiedad de indeterminismo. Ahora bien, los valores de verdad asumidos por enunciados aunque no son deterministas, no necesariamente son desconocidos. Por otra parte, desde un punto de vista optimista, lo difuso puede entenderse como la posibilidad de asignar ms valores de verdad a los enunciados que los clsicos falso o verdadero. As pues, reiteramos, las lgicas difusas son tipos especiales de lgicas multivaluadas.
La lgica difusa ha tenido aplicaciones de suma relevancia en el procesamiento electrnico de datos. En determinadas reas de conocimiento, a sus enunciados se les asocia valores de verdad que son grados de veracidad o falsedad, mucho ms amplios que los meros verdadero y falso. En un sistema deductivo se distingue enunciados de entrada y enunciados de salida. El objetivo de todo sistema manejador de una lgica difusa es describir los grados de los enunciados de salida en trminos de los de entrada. Ms an, algunos sistemas son capaces de refinar los grados de veracidad de los enunciados de salida conforme se refinan los de los de entrada. Por estas propiedades es que ciertos sistemas de lgica difusa aparentan una labor de aprendizaje, y son excelentes mecanismos de control de procesos. Desde el punto de vista tecnolgico, la lgica difusa se encuadra en el rea de la llamada Inteligencia Artificial y ha dado origen a sistemas expertos de tipo difuso y a sistemas de control automtico. Conjuntos difusos. La mayora de los fenmenos que encontramos cada da son imprecisos, es decir, tienen implcito un cierto grado de difusidad en la descripcin de su naturaleza. Esta imprecisin puede estar asociada con su forma, posicin, momento, color, textura, o incluso en la semntica que describe lo que son. En muchos casos el mismo concepto puede tener diferentes grados de imprecisin en Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
3 Inteligencia Artificial diferentes contextos o tiempo. Un da clido en invierno no es exactamente lo mismo que un da clido en primavera. La definicin exacta de cuando la temperatura va de templada a caliente es imprecisa -no podemos identificar un punto simple de templado, as que emigramos a un simple grado, la temperatura es ahora considerada caliente. Este tipo de imprecisin o difusidad asociado continuamente a los fenmenos es comn en todos los campos de estudio: sociologa, fsica, biologa, finanzas, ingeniera, oceanografa, psicologa, etc. Conceptos imprecisos. Aceptamos la imprecisin como una consecuencia natural de ''la forma de las cosas en el mundo''. La dicotoma entre el rigor y la precisin del modelado matemtico en todo los campos y la intrnseca incertidumbre de ''el mundo real'' no es generalmente aceptada por los cientficos, filsofos y analistas de negocios. Nosotros simplemente aproximamos estos eventos a funciones numricas y escogemos un resultado en lugar de hacer un anlisis del conocimiento emprico. Sin embargo procesamos y entendemos de manera implcita la imprecisin de la informacin fcilmente. Estamos capacitados para formular planes, tomar decisiones y reconocer conceptos compatibles con altos niveles de vaguedad y ambigedad. considere las siguientes sentencias: . La temperatura est caliente . La inflacin actual aumenta rpidamente . Los grandes proyectos generalmente tardan mucho . Nuestros precios estn por abajo de los precios de la competencia . IBM es una compaa grande y agresiva . Alejandro es alto pero Ana no es bajita Estas proposiciones forman el ncleo de nuestras relaciones con ''la forma de las cosas en el mundo''. Sin embargo, son incompatibles con el modelado tradicional y el diseo de sistemas de informacin. Si podemos incorporar estos conceptos logramos que los sistemas sean potentes y se aproximen ms a la realidad. Pero, es la imprecisin un concepto artificial utilizado para aumentar o disminuir en uno o ms las propiedades de los fenmenos? o es una parte intrnseca del fenmeno en s mismo?. Esta es una pregunta importante ya que es la parte fundamental de las medidas de la teora difusa. Como veremos la fusificacin es independiente de cualquier capacidad para medir, ya que un conjunto difuso es un conjunto que no tiene lmites bien definidos. Un conjunto difuso tiene muchas propiedades intrnsecas que afectan la forma del conjunto, su uso y como participa en un modelo. Las propiedades ms importantes de un conjunto difuso son las concernientes a las dimensiones verticales del conjunto difuso (altura y normalizacin) y las dimensiones horizontales (conjunto soporte y cortes "alpha"). La altura de un conjunto difuso es como mximo un grado de pertenencia y es una cota cercana al concepto de normalizacin. La superficie de la regin de un conjunto difuso es el universo de valores. Todos estos conceptos se tratarn ms adelante. Es decir un conjunto difuso A se considera como un conjunto de pares ordenados, en los que el primer componente es un nmero en el rango [0,1] que denota el grado de pertenencia de un elemento u de U en A, y el segundo Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
4 Inteligencia Artificial componente especifica precisamente quin es se elemento de u. En general los grados de pertenencia son subjetivos en el sentido de que su especificacin es una cuestin objetiva. Se debe aclarar que aunque puede interpretarse como el grado de verdad de que la expresin ''u A'' sea cierta, es ms natural considerarlo simplemente como un grado de pertenencia.
Puede notarse adems que: a) Mientras ms prximo est (u) a el valor 1, se dice que u pertenece ms a A (de modo que 0 y 1 denotan la no pertenencia y la pertenencia completa, respectivamente). b) Un conjunto en el sentido usual es tambin difuso pues su funcin caracterstica u es tambin una funcin u [0,1]; o sea que los conjuntos difusos son una generalizacin de los conjuntos usuales. Ejemplo: Sea U =11, 2, 3, 4, 5, 6, 7, 8, 9, entonces los conjuntos definidos a continuacin son difusos: POCOS = (0.4/1, 0.8/2, 1/3,0 .4/4) VARIOS = (0.5/3, 0.8/4, 1/5, 1/6,0 .8/7, 0.5,8) MUCHOS =(0.4/6, .6/7,0 .8/8, 0.9/9,1/10) Note que el elemento 4 pertenece en grado .4 al conjunto POCOS, en grado .8 al conjunto VARIOS y en grado .0 a MUCHOS. Zadeh ha hecho algunas extensiones a los conceptos de conjuntos difusos ordinarios que se han explicado; por ejemplo los conjuntos difusos de nivel-m y los conjuntos difusos tipo-n. Para un conjunto difuso de nivel-m se considera como su universo de discusin al conjunto de conjuntos difusos de nivel-(m-1), sobreentendiendo que los conjuntos difusos de nivel-1 son conjuntos difusos ordinarios. Para los conjuntos difusos tipo-n, los valores de las funciones de pertenencia son conjuntos difusos de tipo-(n-1) del intervalo [0,1] (en lugar de ser puntos de [0,1]). Tambin los conjuntos difusos tipo-1 son equivalentes a los conjuntos difusos ordinarios. Operaciones. En la lgica Booleana tradicional, los conjuntos son considerados como sistemas bivalentes con sus estados alternando entre inclusin y exclusin. La caracterstica de la funcin discriminante refleja este espacio bivaluado Esto indica que la funcin de pertenencia para el conjunto A es cero si x no es un elemento en A y la funcin de pertenencia es si x es un elemento en A. Dado que existen solamente dos estados, la transicin entre estos dos estados es siempre inmediata. La pertenencia de estos conjuntos est siempre totalmente categorizada y no existe ambigedad o dicotoma acerca de la pertenencia. Existen 4 operaciones bsicas de conjuntos en esta lgica: unin, interseccin, complemento y unin exclusiva. Al igual que en los conjuntos convencionales, existen definiciones especficas para Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
5 Inteligencia Artificial combinar y especificar nuevos conjuntos difusos. Este conjunto de funciones tericas provee las herramientas fundamentales de la lgica. En el caso usual, con las operaciones comunes de interseccin, unin y complemento, el conjunto de conjuntos de U forman un lgebra booleana, es decir se cumplen las condiciones de asociatividad, conmutatividad, elementos neutros, dem potencia, absorcin, distributividad, complemento y las leyes de Morgan. Las tres operaciones mencionadas se pueden extender de varias formas a conjuntos difusos, de modo que al restringirlas a los conjuntos usuales, coincidan con las comunes. Estas extensiones resultantes satisfacen en forma general slo a algunas de las condiciones listadas anteriormente, y para mantener la vigencia de alguna, ser obligatorio sacrificar a otras. En el sistema se opt por extender las operaciones en el sentido clsico, es decir, dados dos conjuntos difusos A y B, se definen las operaciones extendidas de la siguiente forma Dado que los conjuntos difusos no se particionan en el mismo sentido que los conjuntos Booleanos, estas operaciones son aplicadas al nivel de pertenencia, como una consecuencia de los conjuntos difusos. Decidir si un valor es o no es miembro de cualquier conjunto difuso en particular, requiere algunas nociones de cmo esta construido el conjunto, del universo y de los lmites de ste. Las etiquetas lingsticas y operadores. El centro de las tcnicas de modelado difuso es la idea de variable lingstica. Desde su raz, una variable lingstica es el nombre de un conjunto difuso. Si tenemos un conjunto difuso llamado ''largo'' ste es una simple variable lingstica y puede ser empleada como una regla-base en un sistema basado en la longitud de un proyecto en particular Si duracin-proyecto es largo entonces la-terminacin-de-tareas es DECRECIENTE; Una variable lingstica encapsula las propiedades de aproximacin o conceptos de imprecisin en un sistema y da una forma de computar adecuada. Esto reduce la aparente complejidad de describir un sistema que debe concordar con su semntica. Una variable lingstica siempre representa un espacio difuso. Lo importante del concepto de variable lingstica es su estimacin de variable de alto orden ms que una variable difusa. En el sentido de que una variable lingstica toma variables difusas como sus valores. En el campo de la semntica difusa cuantitativa al significado de un trmino "x" se le representa como un conjunto difuso M(x) del universo de discusin. Desde este punto de vista, uno de los problemas bsicos en semntica es que se desea calcular el significado de un trmino compuesto La idea bsica sugerida por Zadeh es que una etiqueta lingstica tal como ''muy'', ''ms o menos'', ''ligeramente'', etc... puede considerarse como un operador que acta sobre un conjunto difuso asociado al significado de su operando. Por ejemplo en el caso de un trmino compuesto ''muy alto'', el operador ''muy'' acta en el conjunto difuso asociado al significado del operando ''alto''. Una representacin aproximada para una etiqueta lingstica se puede lograr en trminos de combinaciones o composiciones de las operaciones bsicas explicadas en la seccin anterior. Es importante aclarar que se har mayor nfasis en que estas representaciones se proponen principalmente para ilustrar el enfoque, ms que para proporcionar una definicin exacta de las Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
6 Inteligencia Artificial etiquetas lingsticas. Zadeh tambin considera que las etiquetas lingsticas pueden clasificarse en dos categoras que informalmente se definen como sigue: Tipo I: las que pueden representarse como operadores que actan en un conjunto difuso: ''muy'', ''ms o menos'', ''mucho'', ''ligeramente'', ''altamente'', ''bastante'', etc. y, Tipo II: las que requieren una descripcin de cmo actan en los componentes del conjunto difuso (operando): ''esencialmente'', ''tcnicamente'', ''estrictamente'', ''prcticamente'', ''virtualmente'', etc... En otras palabras, las etiquetas lingsticas pueden ser caracterizadas cmo operadores ms que construcciones complicadas sobre las operaciones primitivas de conjuntos difusos. Ejemplos de etiquetas tipo I. De acuerdo a ste punto de vista y sabiendo que el lenguaje natural es muy rico y complejo, tomamos el operador ''muy'' que podemos caracterizar con un significado de que an cuando no tenga validez universal sea slo una aproximacin. Asumimos que si el significado de un trmino x es un conjunto difuso A, entonces el significado de muy X. Ms y menos Se pueden definir etiquetas lingsticas artificiales, por ejemplo: ms, menos, que son instancias de lo que puede llamarse acentuador y desacentuador respectivamente, cuya funcin es proporcionar ligeras variantes de la concentracin y la dilatacin. Los exponentes se eligen de modo que se de la igualdad aproximada: mas mas x = menos muy x, y que, adems, se pueden utilizar para definir etiquetas lingsticas cuyo significado difiere ligeramente de otras, ejemplo: Mas o menos Otra etiqueta lingstica interesante es ''ms o menos'' que en sus usos ms comunes como ''ms o menos inteligente'', ''ms o menos rectangular'' etc, juega el papel de difusificador. Ligeramente Su efecto es dependiente de la definicin de proximidad u ordenamientos en el dominio del operando. Existen casos, sin embargo, en los que su significado puede definirse en trminos de etiquetas lingsticas tipo I, bajo la suposicin de que el dominio del operando es un conjunto ordenado linealmente. Clase de Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
7 Inteligencia Artificial Es una etiqueta lingstica que tiene el efecto de reducir el grado de pertenencia de los elementos que estn en el ''centro'' (grados de pertenencia grandes) de una clase x e incrementa el de aquellos que estn en su periferia (grados de pertenencia pequeos). Regular Es una etiqueta que tiene el efecto de reducir el grado de pertenencia de aquellos elementos que tienen tanto un alto grado de pertenencia al conjunto como de aquellos que lo tienen pequeo, y slo aumenta el grado de pertenencia de aquellos elementos que tienen un grado de pertenencia cercano. Etiquetas tipo II. Su caracterizacin envuelve una descripcin de forma que afectan a los componentes del operando, y por lo tanto es ms compleja que las del tipo I. En general, la definicin de una etiqueta de este tipo debe formularse como un algoritmo difuso que envuelve etiquetas tipo I. Su efecto puede describirse aproximadamente como una modificacin de los coeficientes de ponderacin de una combinacin convexa. Como la magnitud de las ponderaciones es una medida del atributo asociado, intuitivamente una etiqueta de este tipo tiene el efecto de aumentar las ponderaciones de los atributos importantes y disminuir los que relativamente no lo son.
Desarrollo
Se desarroll un modelo simplificado de una planta que emula el comportamiento de un invernadero tomando como variables de entrada como la temperatura, la humedad, y la luminosidad del medio ambiente controlado. Y se crearon funciones de membresa correspondientes a cada una de las variables de entrada tratando de emular el comportamiento de las mismas en la realidad. De la misma manera se tomaron en cuenta las variables de salida que fueron las variables a controlar, y dichas variables fueron un sistema de calefaccin, un sistema de enfriamiento, un sistema de iluminacin a base de leds, y un sistema de riego con una bomba de agua; adems de que se crearon las funciones de membresa correspondientes a cada una de las salidas.
Para el control de todas las variables se realiz un controlado difuso por medio de labview, e implementando las funciones de membresa creadas para las variables. Dicho controlador monitorea las variables de entrada y de acuerdo a las funciones de membresa ingresadas realiza una accin de salida para cada una de las variables de salida dependiendo tambin de las funciones de membresa de salida.
Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
8 Inteligencia Artificial Para la etapa de adquisicin de datos se utiliz una tarjeta de adquisicin de datos Marca National, con la que se adquieren las variables de entrada y se obtienen las variables de salida; cabe mencionar que todas las variables de salida cuentan con una etapa de potencia debido a la baja corriente que soportan las salidas de la tarjeta de adquisicin.
Para la salida difusa del calefactor se enva un dato en voltaje el cual lo interpreta un microcontrolador y genera una salida correspondiente en PWM para posteriormente pasarlo a la etapa de potencia en donde se encuentra un opto acoplador el cual activa a un triac y a su vez a un foco de 100 W y un ventilador de DC.
Para la salida difusa del ventilador se enva un paquete de datos en binario de 7bits, el cual lo interpreta un microcontrolador y genera una salida correspondiente en PWM para posteriormente pasarlo a la etapa de potencia en donde se encuentra un transistor BJT utilizado como switch y conectado a un ventilador de DC.
Para la salida difusa de los leds se enva un voltaje el cual va directamente conectado a la etapa de potencia, la cual consiste en un transistor BJT trabajando en la regin activa y encendiendo a un arreglo de leds de alta luminosidad.
Para la salida de la bomba de agua se enva un dato en binario a la etapa de potencia, en la cual se encuentra un transistor BTJ conectado como switch y el cual acciona un relevador de CD, y finalmente se acciona la bomba de agua, la cual trabaja con AC.
Funciones de Membresa de Entrada:
Temperatura
Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
9 Inteligencia Artificial Humedad
Luminosidad
Funciones de Membresa de Salida
Calefactor
Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
10 Inteligencia Artificial
Ventilador
Bomba de Agua
Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
11 Inteligencia Artificial
Leds
Imgenes del desarrollo del proyecto
Concepcin y fabricacin del proyecto.
Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
12 Inteligencia Artificial
Ensamble y armado del modelo
Armado y cableado de los circuitos electrnicos. Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
13 Inteligencia Artificial Controlador Arduino uno y tarjeta de adquisicin National Instruments.
Colocacin de los sensores (luz, temperatura y humedad)
Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
14 Inteligencia Artificial
Colocacin de la manguera y aspersor de agua
Vista superior del modelo
Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
15 Inteligencia Artificial
Vista final del modelo funcionando
Universidad Autnoma de San Lus Potos Facultad de Ingeniera ________________________________________________________________________________
Resumen de Diseño Estadístico Para Investigadores en Ciencias Sociales y del Comportamiento. Capítulo 2: Variables Estadísticas: RESÚMENES UNIVERSITARIOS