2

Fundamentos de control de lógica difusa - Fuzzy Sets, reglas

difusas y Defuzzifications

Ying Bai y Wang Dali

2.1 Introducción

idea de la lógica difusa es similar al proceso de sentimiento y la inferencia del ser humano. A diferencia de la
estrategia de control clásico, que es un control de punto a punto, el control de la lógica difusa es un punto de
gama-a-o control-gama-a gama. La salida de un controlador difuso se deriva de fuzzifications de ambas entradas y
salidas utilizando las funciones de pertenencia asociadas. Una entrada de patata a la inglesa se convertirá a los
diferentes miembros de las funciones de pertenencia asociados en base a su valor. Desde este punto de vista, la
salida de un controlador de lógica difusa se basa en sus pertenencias de las diferentes funciones de pertenencia,
que pueden ser considerados como una gama de entradas.

las ideas difusas y la lógica difusa se utilizan con tanta frecuencia en nuestra vida rutinaria que nadie se les
presta atención. Por ejemplo, para responder a algunas preguntas en ciertas encuestas, más tiempo se podría
responder con 'no muy satisfecho' o 'muy satisfecho', que también son respuestas difusas o ambiguas. Exactamente
en qué grado es uno satisfecho o insatisfecho con algún servicio o producto para aquellos encuestas? Estas
respuestas vagas sólo pueden ser creados y ejecutados por los seres humanos, pero no a las máquinas. ¿Es posible
que una computadora para responder a estas preguntas de la encuesta directamente como hizo un ser humano? Es
absolutamente imposible. Ordenadores sólo pueden entender bien '0' o '1' y 'alto' o 'BAJO'. Esos datos se denominan
datos claras o clásicos y pueden ser procesados ​por todas las máquinas.

¿Es posible que las computadoras para manejar esos datos ambiguos con la ayuda de un ser humano? Si es así,
¿cómo pueden las computadoras y máquinas de manejar esos datos vagos? La respuesta a la primera pregunta es sí.
Pero para responder a la segunda pregunta, necesitamos algunas técnicas de lógica difusa y el conocimiento del sistema
de inferencia borrosa.
La idea de la lógica difusa fue inventado por el profesor LA Zadeh, de la Universidad de California en
Berkeley en 1965 [1]. Esta invención no se reconoce bien hasta que el Dr. EH Mamdani, que es profesor de
la Universidad de Londres, se aplica la lógica difusa en una aplicación práctica para controlar un motor de
vapor automática en 1974 [2], que es casi diez años después de la teoría difusa era inventado. Luego, en
1976, Blue Circle Cemento y SIRA en Dinamarca desarrollaron una aplicación industrial para el control de
los hornos de cemento [3]. Ese sistema comenzó a operación en 1982. Cada vez son más difusos
implementaciones se han reportado desde la década de 1980, incluyendo aquellas aplicaciones en la
fabricación industrial, control automático,
 Tecnologías Avanzadas Fuzzy Logic en aplicaciones industriales 18

la producción de automóviles, bancos, hospitales, bibliotecas y la formación académica. técnicas de lógica difusa se han
aplicado ampliamente en todos los aspectos de la sociedad actual.
Para implementar la técnica de lógica difusa para una aplicación real requiere los siguientes tres pasos:

1. Fuzzificación - convertir los datos clásicos o datos nítidos en datos o funciones de pertenencia
difusa (MFS)
2. Proceso de Inferencia Difusa - combinar las funciones de pertenencia con las normas de control
para derivar la salida difusa
3. Defuzzificación - utilizar diferentes métodos para calcular cada salida asociada y ponerlos en una
tabla: la tabla de búsqueda. Recoger la salida de la tabla de consulta basada en la entrada de corriente durante
una aplicación Como se mencionó antes, todas las máquinas pueden procesar datos claras o clásicos como ya
sea '0' o '1'. Con el fin de permitir a las máquinas a manejar la entrada lenguaje vago como 'De alguna manera
satisfecho', la entrada y salida nítido deben ser convertidos a las variables lingüísticas con componentes
difusos. Por ejemplo, para controlar un sistema de aire acondicionado, la temperatura de entrada y las
variables de control de salida debe ser convertido a las variables lingüísticas asociadas tales como 'alto',
'medio', 'BAJO' y 'FAST', 'medio' o 'lento '. La primera se corresponde con la temperatura de entrada y el
segundo está asociado con la velocidad de rotación del motor de funcionamiento. Además de esas
conversiones, tanto la entrada y la salida también deben ser convertidos a partir de datos Crisp a datos
borrosos. Todos estos trabajos se llevan a cabo por el primer paso - fusificación.

En el segundo paso, para iniciar el proceso de inferencia difusa, una necesidad de combinar las funciones de
pertenencia con las normas de control para derivar la salida de control, y organizar dichos resultados en una tabla
denominada la tabla de búsqueda. La regla de control es el centro del proceso de inferencia difusa, y esas reglas
están directamente relacionados con la intuición y el sentimiento de un ser humano. Por ejemplo, todavía en el
sistema de control de acondicionador de aire, si la temperatura es demasiado alta, el calentador debe ser apagado,
o el motor de accionamiento de calor debe ser frenado, que es la intuición de un ser humano o el sentido común.
Diferentes métodos tales como centro de gravedad (COG) o Mean de máxima (MOM) se utilizan para calcular la
salida de control asociado, y cada salida de control deben disponerse en una tabla llamada tabla de búsqueda.

Durante una aplicación real, una salida de control debe ser seleccionado de la tabla de búsqueda
desarrollado a partir de la última etapa basado en la entrada de corriente. Además, que la salida de control
debe ser convertida de la variable lingüística de nuevo a la variable crujiente y de salida para el operador de
control. Este proceso se llama defuzzification o paso 3.

En la mayoría de los casos las variables de entrada son más de una dimensión para aplicaciones
reales, y hay que realizar fusificación o desarrollar una función de pertenencia para cada variable por
separado dimensiones. Realizar la misma operación si el sistema tiene múltiples variables de salida.

Sumariamente, un proceso difuso es un proceso de CRISP-fuzzy-quebradizo para un sistema real. La entrada

original y la salida del terminal deben ser variables de crujientes, pero el proceso intermedio es un proceso de inferencia
difusa. La razón por la que uno tiene que cambiar un nítido a una variable difusa es que, desde el punto de vista del
control difuso o la intuición de un ser humano, no hay absolutamente variable de quebradizo se existía en nuestro
mundo real.
 Fundamentos de control de lógica difusa 19

Cualquier variable física puede contener algunos otros componentes. Por ejemplo, si alguien dice: aquí la
temperatura es alta. Esta alta temperatura contiene algunos componentes de la temperatura media y incluso
bajas. Desde este punto de vista, el control difuso utiliza componentes universales o globales, no sólo una
gama limitada de componentes al igual que las variables clásicas.

Con el rápido desarrollo de las tecnologías difusos, diferentes estrategias de control difuso se han
desarrollado sobre la base de diferentes métodos de control clásicos, como el control PID difuso [4], en modo de
deslizamiento control difuso [5], control difuso neuronal, control difuso adaptador [6 ] y el mapeo de planta fase de
control difuso [7]. Cada vez más nuevas estrategias de control difuso o técnicas de control nítidas y borrosas
combinados se están desarrollando y se pueden aplicar a muchas áreas de nuestra sociedad en el futuro.

Este capítulo comienza con una introducción a control de lógica difusa y la terminología difusa. Los
siguientes apartados ofrecen descripción detallada del proceso de inferencia difusa y la arquitectura de control
de lógica difusa. Sección 2 discute los conjuntos borrosos y conjuntos clásicos. Fuzzifications y la función de
pertenencia se tratan en la Sección
3. Las normas de control difuso y defuzzification se analizan en las secciones 4 y 5, respectivamente. Algunos
métodos de control borroso combinados relacionados se proporcionan en las secciones restantes de este capítulo.

2.2 Fuzzy Sets

El concepto del conjunto difuso es solamente una extensión del concepto de un conjunto clásico o quebradizo. El
conjunto difuso es en realidad un conjunto más amplio, fundamentalmente, en comparación con el conjunto clásico
o quebradizo. El conjunto clásico sólo considera un número limitado de grados de pertenencia como '0' o '1', o una
serie de datos con grados limitados de membresía. Por ejemplo, si una temperatura se define como una alta
crujiente, su gama debe estar entre 80 F y superior y no tiene nada que ver con 70 F o incluso 60

F. Sin embargo, el conjunto difuso se hará cargo de una gama mucho más amplia de esta alta temperatura. En otras
palabras, el conjunto difuso tendrá en cuenta un intervalo de temperatura mucho más grande tal como de 0 F a grados
más altos como una temperatura alta. El grado exacto al que el 0 F puede contribuir a que la alta temperatura depende
de la función de pertenencia. Esto significa que el conjunto difuso utiliza un universo de discurso como su base y se
considera un número infinito de grados de pertenencia a un conjunto. De esta manera, el conjunto clásico o
quebradizo puede ser considerado como un subconjunto del conjunto difuso.

2.2.1 secuencias clásicas y Operaciones

Un conjunto clásico es una colección de objetos en un rango dado con un límite claro. Un objeto puede pertenecer ya sea
para el conjunto o no pertenecen al conjunto. Por ejemplo, suponemos para crear un conjunto facultad o una colección
facultad F con los miembros de la facultad de diez X 1, X 2 ......
X 10, en una universidad:

F = {x 1, X 2, X 3, X 4, X 5, X 6, X 7, X 8, X 9, X 10} (2,1)
 Tecnologías Avanzadas Fuzzy Logic en aplicaciones industriales 20

En general, todo el objeto de discusión F se llama un universo de discurso, y cada miembro X yo se llama un elemento.
Suponiendo que los elementos X 1 ~ X 4 pertenecer al departamento de la informática, que puede ser considerada como
otro conjunto A. Los elementos X 1 ~ X 3 son menores de 40 años, que se puede considerar como un conjunto SEGUNDO. Por
lo tanto, existen las siguientes relaciones:

XFA = {x 1, X 2, X 3, X 4} F
(2,2)
B = {x 1, X 2, X 3} UN

Se puede observar que todos los elementos en conjunto segundo pertenecerá a la serie UN, o el conjunto UN contiene conjunto

SEGUNDO. En este caso, ajuste segundo puede considerarse como un subconjunto de conjunto UN y se puede expresar como

B A.
La relación entre los diferentes conjuntos que se discutió anteriormente puede ser descrito en la Figura 2.1. Las
operaciones básicas de ajuste incluyen clásica del complemento, intersección y unión, que se representa como

complemento de A (A DO) UN DO( x) = 1 - UN (2,3)

intersección de UN y B ( AB) AB = A (x) B (x) (2,4)
Unión de UN y B ( AB) AB = A (x) B (x) (2,5)

miembros de la facultad en la universidad

X 5, X 6, X 7, X 8, X 9, X 10

F UN ( Ciencias de la Computación)

B ( menores de 40 años)
X 1, X 2, X 3 X4

Figura 2.1. El conjunto clásico de miembros de la facultad en una universidad

Las representaciones de las operaciones de conjuntos clásicos se muestran en la Figura 2.2. Está claro que un
elemento pertenece o bien a un conjunto o no pertenece a ese conjunto en el conjunto clásico y su
funcionamiento. Hay un límite claro entre los diferentes elementos de diferentes conjuntos y éstos no se pueden
mezclar entre sí. Sin embargo, para el conjunto difuso, tiene diferentes leyes.

2.2.2 Cartografía de Sets clásica a Funciones

El conjunto clásico que discutimos en la sección anterior se puede representar o mapeado en algunas funciones. Esto
significa que podemos relacionar formas de teoría de conjuntos para automático- representaciones teóricas, y el mapa de
los elementos en un único universo de discurso a elementos o conjuntos en otro universo. Para los conjuntos clásicos o
precisos, esta asignación es
 Fundamentos de control de lógica difusa 21

muy fácil y sencillo. Supongamos que X e Y son dos universos diferentes de discurso. Si un
elemento X pertenece a X y corresponde a un elemento y
perteneciente a Y, el mapeo entre ellos se puede expresar como

1, ( X UN)
UN( x) = (2,6)
0, ( X UN)

dónde UN representa 'pertenencia' en un conjunto A para el elemento X En el universo. Esta idea membresía es
exactamente un mapeo del elemento X en el universo X a uno de dos elementos en el universo Y, o a los
elementos de 0 o 1.

F FA
do

en Letras

licenciado UN

(A) BA (B) A do

F F

UN segundo UN segundo

(taxi (D) AB

Figura 2.2. El conjunto clásico y sus operaciones

Todavía usando el ejemplo en la última sección, un conjunto de miembros de la facultad en una universidad que contiene dos

subconjuntos A y B, queremos definir un nuevo conjunto P (x) como

P (x) = {A, B} (2,7)

y mapear estos dos conjuntos de universo de discurso F a otro universo Y con dos elementos, 0
o 1.

M (P (x)) = {(1, 1, 1, 1, 0, 0, 0, 0, 0, 0), (1, 1, 1, 0, 0, 0, 0, 0, 0, 0)} (2,8) Ahora podemos definir

operaciones de dos conjuntos clásicos, dice a y B, en el universo F como sigue:

Unión: = AB UN( X) SEGUNDO( x) = max ( UN( X), SEGUNDO( X) )

 Tecnologías Avanzadas Fuzzy Logic en aplicaciones industriales 22

Intersección: = AB UN( X) SEGUNDO( x) = min ( UN( X), SEGUNDO( X) )

Complemento: UN C = F \ A (2,9)

2.2.3 Fuzzy Sets y Operaciones

Como hemos comentado en el apartado anterior, el conjunto clásico tiene un límite claro, lo que significa que un
miembro o bien pertenece a ese conjunto o no lo hace. Además, este conjunto clásico puede ser asignada a una
función con dos elementos, 0 o 1. Por ejemplo, en la sección anterior, definimos el miembro de la facultad en el
departamento de ciencias de la computación como conjunto A. Una facultad pertenece ya sea totalmente a este
conjunto ( UN( x) = 1) si uno es una facultad del departamento de informática o tiene nada que ver con el conjunto UN

( UN( x) = 0) si no es una facultad en ese departamento. Esta asignación es directa con la frontera clara y sin
ambigüedades. En otras palabras, este 'perteneciente totalmente a' puede ser mapeada como miembro del
conjunto UN con grado de 1, y 'no pertenecen a' puede ser asignada como miembro del conjunto UN con grado de
0. Este mapeo es similar a una categorización binaria en blanco y negro.

En comparación con un conjunto clásico, un conjunto difuso permite a los miembros tienen un límite suave.
En otras palabras, un conjunto difuso permite a un miembro que pertenezca a un conjunto en cierto grado
parcial. Por ejemplo, todavía utilizando la temperatura como un ejemplo, la temperatura se puede dividir en tres
categorías: LOW (0 ~ 30 F), medio (30 F ~ 70 F) y alta (70 ~ 120 F) desde el punto de vista de el conjunto
clásico, que se muestra en la figura 2.3a.

BAJO ALTO BAJO MEDIO ALTO

MEDIO 1
1

F F

0 30 70 120 0 30 70 120

(A) conjunto Classical (B) conjunto Fuzzy

Figura 2.3. Representaciones de conjuntos clásicos y difusos

En el conjunto clásico, cualquier temperatura sólo se puede clasificar en un subconjunto, ya sea bajo,
medio o alto, y el límite es cristalina. Sin embargo, en el conjunto difuso tal como se muestra en la figura
2.3b, estos límites se vuelve vago o lisa. Una temperatura se pueden clasificar en dos o incluso tres
subconjuntos de forma simultánea. Por ejemplo, la temperatura de 40 F se puede considerar que pertenecen
a LOW hasta un cierto grado, por ejemplo 0,5 grados, pero al mismo tiempo que puede pertenecer a medio a
aproximadamente 0,7 grados. Otra cosa interesante es la temperatura de 50 F, que se puede considerar que
pertenecen a altas y bajas de alrededor de 0,2 grados y pertenecen al medio a casi 1 grado. La línea de
trazos en la figura 2.3b representa el límite conjunto clásico.
 Fundamentos de control de lógica difusa 23

Está claro que un conjunto difuso contiene elementos que tienen diferentes grados de pertenencia en el conjunto, y
esto se contrasta con los conjuntos clásicos o precisos porque los miembros de un conjunto clásico no pueden ser
miembros salvo que su participación es total o completa en ese conjunto. Un conjunto difuso permite a un miembro
para tener un grado parcial de los miembros y esta adhesión parcial grado puede ser asignada a una función o un
universo de valores de pertenencia. Supongamos que tenemos un conjunto difuso UN, y si un elemento X es un miembro
de este conjunto difuso UN, esta asignación se puede denotar como

UN( X) [0, 1] (A = ( X, UN( x) | X X) (2,10)

Un subconjunto borroso UN con un elemento X tiene una función de pertenencia de UN( X). Cuando el universo de
discurso X es discreto y finito, este mapeo se puede expresar como

( 1
) ( 2
) (a I
)
A=
UN UN
...... (2,11)
1
xxxx
2 yo
xxyo

Cuando el universo X es continua e infinita, el conjunto difuso UN puede ser representado como

UN )
(
A= (2,12)
xx

MEDIO ALTO MEDIO

1 MEDIO ALTO 1 1

F F F

0 3 7 12 0 3 7 12 0 3 7 12

(A) la unión de conjuntos difusos (B) intersección de conjuntos Fuzzy (C) Fuzzy conjunto complemento

Figura 2.4. operaciones de conjuntos difusos

Como hemos comentado en el apartado anterior para las operaciones de conjuntos clásicos, las operaciones básicas
de conjuntos difusos también incluyen intersección, unión y complemento, y esas operaciones se definen como

Unión: = AB UN( X) SEGUNDO( x) = max ( UN( X), SEGUNDO( X) )

Intersección: = AB UN( X) SEGUNDO( x) = min ( UN( X), SEGUNDO( X) )
Complemento: UN C = F \ A (2,13)

dónde UN y segundo son dos conjuntos borrosos y X es un elemento en el universo de discurso,

X. Las ilustraciones gráficas de las operaciones se muestran en la Figura 2.4. De acuerdo con la definición de operaciones de
conjuntos difusos, una operación de unión de conjuntos difusos es exactamente equivalente a seleccionar el miembro
máxima de entre los miembros de los conjuntos, y la operación de intersección es seleccionar el número mínimo de
miembros de los conjuntos.
 Tecnologías Avanzadas Fuzzy Logic en aplicaciones industriales 24

2.2.4 Comparación entre secuencias clásicas y Fuzzy

Recordemos que en la Sección 2.2.1 definimos un conjunto facultad de la universidad F, una facultad establecida para el

departamento de informática, establecer UN, y un conjunto de miembros de la facultad que tienen menos de 40 años de edad, o

conjunto SEGUNDO. Ahora podemos hacer una comparación clara para los conjuntos difusos clásicos y utilizando este ejemplo.

De acuerdo con la teoría clásica de conjuntos o crujientes, establecer segundo incluye sólo tres miembros que son
menores de 40 años ( X 1, X 2, X 3), por lo que el límite entre la facultad que son menores de 40 años y la facultad que están por
encima de los 40 años es cristalina (véase de línea continua en la Figura 2.5). Sin embargo, para la teoría de conjuntos difusos,
establecer segundo contiene no sólo esos tres miembros, X 1, X 2, X 3, sino también algunos otros miembros hasta cierto grado
variable. La distribución de la edad real de los diez miembros de la facultad se muestra en el X- eje en la Figura 2.5.

Se puede encontrar a partir de la figura 2.5 que el miembro X 4 y X 5 no pertenecen al conjunto segundo en la vista del
conjunto crujiente, pero pueden ser consideradas como miembros parciales en una membresía parcial de 0,7 y 0,3
grados, respectivamente. Mapeo de esto a una función de pertenencia, que se puede expresar como

0111 . 0 7.3
SEGUNDO( x) = (2,14)
4321
xxxxx
5

conjuntos

difusos clásica

X1 X2 X3X4 X5X6X7 X8 X9 X 10
32 28 38 42 49 51 58 48 52 61 1

Figura 2.5. La comparación entre las series clásicas y difusos

donde el operador de división se llama un separador, y '+' es el operador or. Todos los otros miembros que
puedan ser miembros 0 se omiten de esta función.

2.3 Funciones fusificación y la pertenencia

El conjunto difuso es una herramienta potente y nos permite representar objetos o miembros de una manera vaga o ambigua.
El conjunto difuso también proporciona una manera que es similar a los conceptos de un ser humano y el proceso de
pensamiento. Sin embargo, sólo el propio conjunto difuso no puede llevar a cualquiera de los productos útiles y prácticos
hasta que se aplique el proceso de inferencia difusa. Para llevar a cabo la inferencia difusa para un producto real o para
resolver una real
 Fundamentos de control de lógica difusa 25

problema, como hemos comentado antes, se necesitan tres pasos consecutivos, que son: Fuzzificación,
inferencia difusa y defuzzification.
Fusificación es el primer paso para aplicar un sistema de inferencia borrosa. La mayoría de las variables existentes
en el mundo real son variables nítidas o clásicas. Uno tiene que convertir esas variables nítidas (tanto de entrada y salida)
para variables difusas, y luego aplicar inferencia borrosa para procesar esos datos para obtener la salida deseada. Por
último, en la mayoría de los casos, esas salidas difusas necesitan ser convertida de nuevo a crujientes variables para
completar los objetivos de control deseados.

Generalmente, fuzzification implica dos procesos: derivar las funciones de pertenencia de las variables
de entrada y salida y los representan con variables lingüísticas. Este proceso es equivalente a convertir o
mapeo del conjunto clásico para conjunto difuso en diversos grados.

En la práctica, las funciones de pertenencia pueden tener múltiples tipos diferentes, tales como la forma de onda
triangular, forma de onda trapezoidal, de forma de onda gaussiana, de forma de onda en forma de campana, de forma de
onda sigmoidal y de forma de onda S-curva. El tipo exacto depende de las aplicaciones reales. Para aquellos sistemas que
necesitan variación dinámica significativa en un corto período de tiempo, una forma de onda triangular o trapezoidal debe
ser utilizada. Para aquellos sistema que necesita precisión de control muy alto, una forma de onda gaussiana o S-curva
debe ser seleccionado.

Para ilustrar el proceso de fuzzification, todavía usamos el ejemplo acondicionador de aire desarrollada en la
sección anterior. Supongamos que tenemos un sistema de control de aire acondicionado que está bajo el control de
solamente un calentador. Si la temperatura es alta, el motor de control del calentador debe ser apagado, y si la
temperatura es baja, que el motor calentador debe estar encendido, que son el sentido común.

Regularmente, el intervalo de temperatura normal es de 20 F a 90 F. Este rango puede ser dividida en

tres sub-rango o subconjunto, que son

Baja temperatura: 20 F ~ 40 F, 30 F es el centro

Temperatura del medio: 30 F ~ 80 F, 55 F es el centro
Alta temperatura: 60 F ~ 90 F, 75 F es el centro

Siguiente esos tres rangos necesitan ser convertidos a variables lingüísticas: bajo, medio y alto, que
corresponden a los tres intervalos de temperatura mencionados anteriormente.

La función de pertenencia de estas temperaturas se muestra en la Figura 2.6. Para hacer algo simple, una
forma de onda trapezoidal se utiliza para este tipo de función de pertenencia. Una temperatura baja quebradizo
puede ser considerado como una temperatura media hasta cierto punto en esta representación la función de
pertenencia borrosa. Por ejemplo, 35 F pertenecerá a baja y media a 0,5 grados. Algunas terminologías usadas
para la función de pertenencia se muestran también en la Figura 2.6.

El apoyo de un conjunto difuso, dice LOW, es el conjunto de elementos cuyo grado de pertenencia en LOW
es mayor que 0. Este soporte se puede expresar en una forma de función como

Soporte (BAJO) = {x T | BAJO( x)> 0} (2,15)

Se puede demostrar que el apoyo de un conjunto difuso es un conjunto clásico.

 Tecnologías Avanzadas Fuzzy Logic en aplicaciones industriales 26

ENTRADA - Temperatura
1.0

apoyo MEDIO Core ALTO

30 40 60 F
0
20 80 90
Límite
bajo

(A) la función de miembro de la entrada

Núcleo SALIDA - Velocidad del Motor

1.0

LENTO MEDIO RÁPIDO

30 80 R/M
0
10 60 70 100

Soporte límite 50

(B) la función de miembro de la salida

Figura 2.6. función de pertenencia de entrada y salida

El núcleo de un conjunto difuso es el conjunto de elementos cuyo grado de pertenencia en ese conjunto es
igual a 1, lo que equivale a un conjunto crujiente. El límite de un conjunto difuso indica el rango en el que todos los
elementos cuyo grado de pertenencia en ese conjunto está entre 0 y 1 (0 y 1 están excluidos).

Después de las funciones de pertenencia se definen para la entrada y salida, el paso siguiente es definir la
regla de control difuso.

2.4 Reglas Fuzzy Control

regla de control difuso puede ser considerado como el conocimiento de un experto en cualquier campo relacionado de
aplicación. La regla difusa está representado por una secuencia de la forma IF ENTONCES, lo que lleva a los
algoritmos que describe qué acción o salida deben ser tomadas en términos de la información que actualmente se
observa, que incluye tanto la entrada como la regeneración si se aplica un sistema de control de bucle cerrado. La ley
de diseñar o construir un conjunto de reglas difusas se basa en los conocimientos o la experiencia de un ser humano,
que depende de cada aplicación real diferente.

A fuzzy IF-THEN descarta asociados una condición descrita usando variables lingüísticas y conjuntos difusos a
una salida o una conclusión. La parte IF se utiliza principalmente para capturar el conocimiento mediante el uso de
las condiciones elásticas, y la parte puede entonces utilizarse para dar la conclusión o salida en forma variable
lingüística. Esta regla IF-THEN es ampliamente utilizado por el sistema de inferencia borrosa para calcular el grado
en que los datos de entrada coincide con la condición de una regla. Figura 2.7 ilustra una forma de
 Fundamentos de control de lógica difusa 27

calcular el grado entre una entrada difusa T ( temperatura) y una condición difusa LOW. Aquí seguimos utilizando el
sistema de acondicionador de aire como un ejemplo.

T
1.0
Condición difusa
BAJO

0.4

0 F
20 30 40

Figura 2.7. Coincidencia de una entrada difusa con una condición difusa

Este cálculo también puede ser representada por la función

M (T, LOW) = Apoyo min ( T ( X), BAJO( X)) (2,16)

Hay dos tipos de reglas de control difuso son ampliamente utilizados para la mayoría de las aplicaciones reales. Una de ellas

es reglas de asignación difusos y el otro se llama reglas de implicación difusos.

2.4.1 Asignación de Reglas Fuzzy

reglas de asignación Fuzzy proporcionan un mapeo funcional entre la entrada y la salida utilizando
variables lingüísticas. La base de una regla de asignación difusa es un gráfico fuzzy, que describe
la relación entre la entrada y la salida fuzzy fuzzy. A veces, en aplicaciones reales, es muy difícil
deducir una cierta relación entre la entrada y la salida, o la relación entre las entradas y las salidas
son muy complicadas, incluso cuando se desarrolla esa relación. reglas de asignación difusos son
una buena solución para esas situaciones.

reglas de asignación Fuzzy funcionan de una manera similar a la intuición humana o la penetración, y cada regla de
asignación difusa solamente se aproxima a un número limitado de elementos de la función, de manera que toda la función debe
ser aproximado por un conjunto de reglas de asignación difusos. Aún utilizando nuestro sistema acondicionador de aire como un
ejemplo, una regla de asignación difusa puede derivarse como

Si la temperatura es baja, entonces el motor calentador debe ser girado RÁPIDO. Para otras temperaturas de

entrada, se deben desarrollar reglas diferentes. Para la mayoría de las aplicaciones reales, las variables de entrada son

habitualmente más de una dimensión. Por ejemplo, en nuestro sistema de aire acondicionado, las entradas incluyen tanto

la temperatura actual y la tasa de cambio de la temperatura. Las reglas de control borroso también deben extenderse

para permitir que múltiples entradas a ser considerados para derivar la salida. Tabla 2.1 es un ejemplo de las reglas de

control difusos aplicadas en nuestro sistema acondicionador de aire.

 Tecnologías Avanzadas Fuzzy Logic en aplicaciones industriales 28

Tabla 2.1. Un ejemplo de reglas difusas

T BAJO MEDIO ALTO

T.

BAJO RÁPIDO MEDIO MEDIO

MEDIO RÁPIDO LENTO LENTO

ALTO MEDIO LENTO LENTO

Las filas y las columnas representan las dos entradas, la entrada de temperatura y la tasa de cambio de la
entrada de temperatura, y esas entradas están relacionados con si las piezas en IF entonces las reglas. La salida
conclusión o el control puede ser considerado como una tercera variable dimensional que se encuentra en el punto
de cruce de cada fila (temperatura) y cada columna (tasa de cambio de la temperatura), y que la conclusión se asocia
con la parte ENTONCES en IF-THEN reglas. Por ejemplo, cuando la temperatura actual es baja, y la tasa de cambio
de corriente de la temperatura también es baja, la velocidad del motor calentador debe ser rápido para aumentar la
temperatura tan pronto como sea posible. Esto se puede representar por el SI-ENTONCES gobernar como

Si la temperatura es baja, y la tasa de cambio de la temperatura es baja, entonces la conclusión o salida

(calentador de velocidad del motor) debe ser rápido Todas las demás reglas siguen una estrategia similar,

que es muy similar a la intuición de un ser humano.

En este ejemplo acondicionador de aire, se desarrolló un total de nueve reglas. Para aquellas aplicaciones
que necesitan precisión de control de altura, la entrada y salida deben ser divididos en segmentos más pequeños
y normas más difusos deben aplicarse.

2.4.2 Reglas de implicación Fuzzy

Una regla de inferencia difusa describe una relación lógica implicación generalizada entre entradas y
salidas. La base de una regla de implicación difusa es el sentido estricto de la lógica difusa [8]. reglas de
implicación Fuzzy están relacionados con clásica lógica dos valores-y la lógica valorada múltiple.

Aún utilizando el sistema acondicionador de aire como un ejemplo, la implicación es que si la temperatura es baja,

entonces el motor calentador debe ser rápido. Sobre la base de esta implicación y un hecho: la temperatura es alta.

El resultado de que el motor calentador debe reducir la velocidad o la lenta puede ser inferido.

2,5 Defuzzificación y la tabla de búsqueda

La salida conclusión o de control derivada de la combinación de entrada, las funciones de pertenencia de

salida y reglas difusas es todavía un elemento vaga o difusa, y este proceso en llamada de inferencia
borrosa. Para hacer que la conclusión o salida difusa
 Fundamentos de control de lógica difusa 29

disponible para las aplicaciones reales, se necesita un proceso defuzzification. El proceso defuzzification
está destinado a convertir la salida difusa de nuevo a la salida quebradizo o clásica con el objetivo de
control. Recuerde, la conclusión o salida difusa sigue siendo una variable lingüística, y esta variable
lingüística debe ser convertido a la variable nítido a través del proceso de defuzzification. Tres técnicas de
defuzzificación son de uso común, que son: Media de los máximo, Centro de Gravedad método y el
método de altura.

2.5.1 Media de máxima (MOM) Método

La Media de los máxima (MOM) defuzzification calcula el promedio de esas conclusiones difusos o
salidas que tienen los más altos grados. Por ejemplo, la conclusión difusa es: el motor calentador X se
hace girar RÁPIDO. Al utilizar el método MOM, este defuzzification se puede expresar como

'
X
x'
MOM (FAST) = T
T
T = {x '| RÁPIDO( X ') = Apoyo RÁPIDO( X)} ( 2.17)

dónde T es el conjunto de salida X que cuenta con los más altos grados en el establecimiento rápido.

Una representación gráfica del método MOM se muestra en la Figura 2.8A. Un inconveniente del método
MOM es que no tiene en cuenta toda la forma de la función de pertenencia de salida, y que sólo se ocupa de
los puntos que tienen los más altos grados en esa función. Para aquellas funciones de pertenencia que
tienen diferentes formas pero con los mismos grados más altos, este método producirá el mismo resultado.

X X

X' X'

(A) ejemplo método MOM (B) ejemplo método COG

Figura 2.8. Representación gráfica de las técnicas de defuzzificación

2.5.2 Centro de gravedad Método (COG)

El centro de gravedad del método (COG) es la técnica defuzzification más popular y se utiliza
ampliamente en aplicaciones reales. Este método es similar a la fórmula
 Tecnologías Avanzadas Fuzzy Logic en aplicaciones industriales 30

para el cálculo del centro de gravedad en la física. La media ponderada de la función de pertenencia o el
centro de la gravedad de la zona delimitada por la curva de función de pertenencia se calcula para ser el
valor más nítida de la cantidad difusa. Por ejemplo, para la conclusión: el motor calentador X se hace girar
RÁPIDO. La salida del COG se puede representar como

RÁPIDO
( ) xx
RÁPIDO
COG (FAST) = (2,18)
x
X
( )
X

Si X es una variable continua, este resultado se defuzzification

RÁPIDO
( )
COG (FAST) = xdx x
(2. 19)
RÁPIDO
( ) dx x

Una representación gráfica del método COG se muestra en la figura 2.8b.

2.5.3 El Método Altura (HM)

Este método defuzzification sólo es válido para el caso en que la función de pertenencia de salida es un
resultado unión agregada de funciones simétricas [9]. Este método se puede dividir en dos pasos. En primer
lugar, la función de pertenencia consecuente F yo puede ser convertido en un consiguiente crujiente x = f yo dónde F yo
es el centro de gravedad de F yo. A continuación, el método COG se aplica a las reglas con consecuentes
crujientes, que se pueden expresar como

ii
yo 1
x= METRO (2,20)
wfw
estoy

yo 1

dónde w yo es el grado en que la yo ta regla coincide con los datos de entrada. La ventaja de este método es
su simplicidad. Por lo tanto muchos modelos neuro-fuzzy utilizan este método defuzzification para reducir el
complejo de cálculos.

2.5.4 La tabla de búsqueda

El producto terminal del defuzzification es la tabla de consulta. Defuzzification necesita ser realizado para cada
subconjunto de una función de pertenencia, tanto entradas como salidas. Por ejemplo, en el sistema de aire
acondicionado, hay que realizar defuzzification para cada subconjunto de entrada de temperatura tales como baja,
media y alta en base a las reglas difusas asociadas. El resultado defuzzification para cada subconjunto tiene que ser
almacenado
 Fundamentos de control de lógica difusa 31

en la ubicación asociada en la tabla de búsqueda de acuerdo con la actual tasa de cambio de temperatura y la
temperatura. En la siguiente usamos el sistema acondicionador de aire como un ejemplo para ilustrar el proceso
de defuzzification y la creación de la tabla de búsqueda.

Para hacer esta ilustración simple, hacemos dos supuestos: I. suponer que la función de pertenencia de la
tasa de cambio de la temperatura se puede describir como en la figura 2.9; II. sólo cuatro reglas se aplican a este
sistema de acondicionador de aire, que son

1) si la temperatura es baja, y la tasa de cambio de la temperatura es baja, entonces la velocidad

del motor calentador debe ser rápido
2) Si la temperatura es medio, y la tasa de cambio de la temperatura es MEDIA, entonces la
velocidad del motor calentador debe ser lento
3) Si la temperatura es baja, y la tasa de cambio de la temperatura es MEDIA, entonces la
velocidad del motor calentador debe ser rápido
4) Si la temperatura es medio, y la tasa de cambio de la temperatura es baja, entonces la velocidad del
motor calentador debe ser entre moderada

ENTRADA - tasa de cambio de temperatura

1.0

MEDIO
BAJO ALTO

F / Hora 5
0
0 0.5 1 2 3

Figura 2.9. La función de pertenencia de la tasa de cambio de temperatura

Partiendo del supuesto de hecho para la función de pertenencia y reglas difusas, podemos ilustrar este proceso
defuzzification usando un gráfico. Cuatro reglas difusas pueden interpretarse como diagramas funcionales, como se
muestra en la Figura 2.10.
Como un ejemplo, considere la temperatura de entrada actual es de 35 F y la tasa de cambio de la
temperatura es de 1 F por hora.
De la figura 2.10, se puede encontrar que los puntos de intersección entre los valores de temperatura de
35 F y el gráfico en la primera columna (entrada de temperatura T)
tener las funciones de pertenencia de 0,6, 0,8, 0,5 y 0,8. Del mismo modo, la segunda columna (tasa de cambio
de temperatura T) muestra que una tasa de cambio de temperatura de 1 F por hora tiene las funciones de
pertenencia de 1,0, 0,4, 0,4 y 1,0. La salida difusa para las cuatro reglas es la intersección de los valores
apareados obtenidos a partir de la gráfica, o la y el resultado entre la entrada de temperatura y la entrada de
velocidad de cambio de temperatura. Según la ecuación (2.13), este resultado de la operación debe ser: min
(0.6, 1.0), min (0.8, 0.4), min (0.5, 0.4) y min (0.8, 1.0), que produce a 0,6, 0,4, 0,4 y

0,8, respectivamente.
 Tecnologías Avanzadas Fuzzy Logic en aplicaciones industriales 32

T S
T BAJO BAJO RÁPIDO
1.0

0.6 0.6

0 1 2.5 600 800 1000

20 30 40

T MEDIO T
MEDIO LENTO
0.8 0.8

0.4 0.4

30 55 80
0 1 2 3.5 100 300 S 500

T S
BAJO T MEDIO RÁPIDO

0.5 0.5
0.4
0.4

20 30 40 0 1 2 3.5 600 800 1000

S
T
T
MEDIO BAJO 1.0 MEDIO
0.8
0.8

0 1 2.5 300 500 700

30 55 80

Figura 2.10. Un ejemplo de cálculo de salida difusa

Las funciones de pertenencia que representan el ajuste de control se ponderan de acuerdo con el cambio de
entrada y las diferentes contribuciones de control como se muestra en la Figura 2.11.

Ahora, por un par de temperatura y velocidad de cambio de la temperatura, existen cuatro conjuntos de
salidas difusas. Para determinar el valor nítido de medidas que deben tomarse a partir de estas aportaciones,
se puede elegir el valor máximo utilizando el método MOM o utilizar el Centro de Gravedad método (COG). En
este ejemplo, se utiliza el método COG y la acción está dada por el centro de la zona resumió, que es
aportado por las diferentes salidas difusas. Además, el método COG da una tabla de búsqueda más fiable en
comparación con la operación de MOM.

Por lo tanto, para una temperatura de 35 F y una tasa de cambio de temperatura es 1 F por hora, el elemento de
salida difusa y para este par de entrada es

0. 0 800 6 . 0 300 4 . 0 800 4. 500 8

y= 600 R / M (2.21)
0. 0 6. 0 4. 0 4. 8
 Fundamentos de control de lógica difusa 33

Contribuido por Contribuido por

regla 2 regla 4 Contribuido por
Regla 1
1.0
MEDIO
0.8
RÁPIDO
0.6 Contribuido por
LENTO regla 3
0.4

0.2
R/M

100 300 500 600 700 800 1000

Figura 2.11. Determinación de salida difusa por el centro de gravedad método

Esta salida difusa defuzzificados es un valor nítido o clásica, y debe ser introducido en un lugar
determinado en una tabla llamada tabla de consulta. Dado que este elemento de salida difusa se asocia con un
par de entrada de temperatura con una temperatura de 35 F (perteneciente a LOW en la función de
pertenencia de la temperatura) y una tasa de cambio de temperatura de 1 F / h (también perteneciente a LOW
en la función de pertenencia de cambio tasa de temperatura), este valor de salida debe estar ubicado en el
punto de cruce entre la temperatura LOW T ( fila) y la tasa de cambio BAJO.

T ( columna) como
se muestra en la Tabla 2.2.

Tabla 2.2 muestra un ejemplo de una tabla de búsqueda.

Tabla 2.2. Un ejemplo de una tabla de búsqueda

T BAJO MEDIO ALTO

T.

BAJO 600 ? ?

MEDIO ? ? ?

ALTO ? ? ?

Para llenar esta tabla, hay que utilizar la técnica defuzzification para calcular todos los demás valores de salida
difusa y ubicarlos en las posiciones asociadas en la tabla de búsqueda como lo hicimos en este ejemplo.
Generalmente, las dimensiones de las reglas difusas deben ser idénticas a las dimensiones de la tabla de consulta
como se muestra en este ejemplo. Para obtener valores de los elementos de salida difusos fina precisión de control
más preciso o, se puede dividir a los insumos, dicen que la entrada de la temperatura y la velocidad de cambio de la
temperatura, en múltiples subconjuntos más pequeños para obtener funciones de pertenencia más finos. Por
ejemplo, en este ejemplo, se puede definir un subconjunto MUY BAJO que cubre 20 ~ 30 F para la entrada de
temperatura, un subconjunto LOW que contiene una gama de 30 ~ 40 F, y así sucesivamente. Realizar el mismo
proceso para la velocidad de cambio de temperatura y la salida del motor calentador,
 Tecnologías Avanzadas Fuzzy Logic en aplicaciones industriales 34

Para aplicaciones de precisión de control más altas, un proceso de interpolación se puede añadir después de la tabla de

búsqueda para obtener una salida más fina [10].

Cuando se implementa una técnica de lógica difusa para un sistema real, la tabla de consulta se puede almacenar en
la memoria de un ordenador, y la salida difusa se puede obtener sobre la base de las entradas de corriente. En la práctica,
hay dos maneras de calcular la tabla de consulta utilizando el proceso de inferencia difusa en las aplicaciones de control
de bienes: off-line y on-line métodos.

2.5.5 off-line y on-line Defuzzificación

Como se ha mencionado, el proceso de defuzzification es derivar el valor de salida nítido deseado

usando una técnica defuzzification que combina las funciones de pertenencia con las reglas difusas. El
proceso defuzzification puede dividirse en dos categorías: defuzzificación fuera de línea y defuzzificación
en línea.
El llamado off-line defuzzification significa que todas las funciones de entrada y salida de
miembros, reglas difusas y la tabla de consulta deben desarrollarse sobre la base de las estimaciones
de la aplicación real antes de la aplicación de la técnica de lógica difusa para la aplicación real. Esto
significa que todas las funciones de entrada y de pertenencia de salida se desarrollan sobre la base de
la experiencia real o los rangos de entrada y de parámetros de salida de una aplicación especificada, y
la tabla de consulta se calcula en términos de aquellas definiciones de funciones de entrada y de
miembros de salida. La ventaja de este método es que los cálculos relacionados con la inferencia más
difusos se llevan a cabo antes de la implementación real y, por tanto, el proceso difuso se consume
menos tiempo. La desventaja de esta técnica es que la salida difusa solamente se basa en la
estimación de los parámetros de entrada y salida,

El método en línea tiene capacidad de control en tiempo real. Ambas funciones de entrada y salida de
miembros se desarrollan durante el procesamiento en tiempo real de una aplicación real. También los elementos
de la tabla de conversión se calculan en tiempo real basado en las entradas y salidas reales actuales. En este
método, sólo reglas difusas se desarrollan antes de las aplicaciones reales. La ventaja de este método es que una
mayor precisión de control puede ser obtenido por un proceso y la salida difusa puede ser calculado en tiempo
real. La desventaja de este método es que se requiere un tiempo de procesamiento más largo y es un proceso algo
de tiempo. Sin embargo, con el desarrollo de las nuevas tecnologías informáticas, las CPU de hoy mucho más
rápidas están disponibles, y el tiempo de procesamiento ya no es un problema importante para este método.

2.6 Arquitecturas de controles lógicos borrosos

La combinación de las discusiones que hemos hecho en los apartados anteriores, se da aquí una estructura o
arquitectura del sistema de control de lógica difusa.
Como se muestra en la figura 2.12, que es un sistema de control de bucle cerrado difuso típico, las entradas son la tasa de error
y el error, que se combinan mediante el bloque METRO a la entrada al sistema de inferencia borrosa. La tabla de búsqueda se
deriva sobre la base de la función de pertenencia de las entradas, la salida y las reglas de control borroso. Un factor de
ganancia de control GRAMO se utiliza para sintonizar la salida de la tabla de consulta para obtener los valores de salida
diferentes. los
 Fundamentos de control de lógica difusa 35

interpolación bloque S se utiliza para suavizar el elemento de salida de la tabla de búsqueda. Una señal de realimentación
se obtiene a partir de la salida del sistema.

G = Control de ganancia S = Interpolación

Error de
r=0 entrada Tabla de
METRO GRAMO S PAG
búsqueda
+
- Tasa de
error
Reglas de subconjunto
control difuso P = Plant

Sensor

Figura 2.12. Diagrama de bloques de un sistema de control difuso

Reglas de subconjunto
control difuso

Límites para las

Búsqueda S = Interpolación
bellas Fuzzy
en una tabla
Error de entrada
(grueso)
r=0 GRAMO S
Error Rate METRO PAG
Búsqueda en
+
- una tabla

(finas) Reglas
P = Plant
de Control subconjunto
difuso

Sensor

Figura 2.13. Diagrama de bloques de un sistema de control difuso precisa

Para un sistema que necesita una mayor precisión de control, se necesita un sistema de control difuso múltiples tablas de
búsqueda, que se muestra en la Figura 2.13.
Dos tablas de búsqueda se desarrollan en este sistema de control, una gruesa y una fina mesa. Durante la
aplicación, el conmutador entre el grueso y el fino del vector está bajo el control del límite de error de entrada. Este
valor límite puede ser definido por el usuario en función de la aplicación real. De dos sets funciones de pertenencia y
reglas de control se utilizan en este sistema para satisfacer el requisito de una mayor precisión de control. Cuando el
sistema necesita respuestas rápidas o acciones rápidas, se utiliza la tabla gruesa. Cuando el sistema necesita una
precisión de control alto o pequeños errores de control, se selecciona la tabla de búsqueda fina. El sacrificio de este
método es que se necesita más memoria para almacenar las tablas tanto gruesas y finas, y se necesita un poco de
tiempo más largo para tomar la decisión en la selección de la tabla en términos del valor límite de error de entrada.
 Tecnologías Avanzadas Fuzzy Logic en aplicaciones industriales 36

2.7 Resumen

Una revisión de los fundamentos de conjuntos difusos, reglas difusas y sistemas de inferencia difusos se proporciona
en este capítulo. Comenzando con conjuntos clásicos o clásicos y sus operaciones, derivamos los conjuntos borrosos
y sus operaciones. funciones de pertenencia clásica de conjuntos y funciones de pertenencia difusa se discuten en
detalle siguiendo la teoría de conjuntos. reglas difusas se describen utilizando un ejemplo de control del
acondicionador de aire. Las diferentes técnicas de defuzzificación y sus procesos se discuten con el mismo ejemplo
paso a paso. Por último, algunas otras técnicas difusas se discuten como fuera de línea y en línea los sistemas de
control borroso, así como un sistema de control de bucle cerrado difusa que incluye múltiples tablas de búsqueda.

Debido a las limitaciones de espacio, el autor no puede cubrir todos los diferentes sistemas difusos y sus
aplicaciones como modo inteligente, sistemas de control borroso borrosas y neuronales adaptador deslizante en
un capítulo. Con el desarrollo de nuevas técnicas difusas, control difuso desempeñará un papel cada vez más
importante en nuestra sociedad.

referencias

[1] Zadeh LA (1965) Fuzzy Sets. Intl Information Control J. 8: 338-353. [2] Mamdani EH, Assilion S (1974) un
experimento en lingüística síntesis con una
Controlador de Lógica Difusa, Intl J. Hombre-Máquina Stud 7: 1-13.
[3] Holmblad LP, Ostergaard JJ (1982) Control de horno de cemento por lógica difusa,
Gupta M. M, Sarchez E, información y toma Fuzzy Procesos, Holanda del Norte, pp. 389-399.

[4] Meng Joo Er y Ya Lei Sun, “híbrido difuso proporcional integral más convencional
Control de la derivada de lineales y no lineales Systems”, IEEE Trans. En Electrónica Industrial, vol.48, N °
6 diciembre de 2001, pp. 1109-1117. [5]
JC Wu y TS Liu, “Un enfoque en modo de deslizamiento de Diseño Fuzzy Control”, IEEE Trans. En los sistemas de
control Tecnología, Vol.4, No. 2, marzo de 1996, pp. 141-151. [6]
Feng Yi-Hsu y Li-Chen Fu, “Deburring Robot Inteligente Usando adaptativo borroso híbrido de posición /
control de fuerza”, IEEE Trans. En Robots y Automatización, Vol.16, No.4, agosto de 2000, pp.325-334.

[7] HX Li y HB Gatland, “una nueva metodología para diseñar una lógica Fuzzy
Controller”, IEEE Trans. En Sys., Hombre, y la cibernética, Vol.25, Nº 3, marzo de 1995, pp. 505-512. [8]

John Yen y Reza Langari (1999) Lógica Difusa - Inteligencia, control e información, Prentice Hall.

[9] Mohammad Jamshidi, Nader Vadiee y Timothy J. Ross (1993), la lógica difusa y
Control, Prentice Hall.
[10] Ying Bai, Hanqi Zhuang y Zvi. S Roth, “Control Fuzzy Logic para Suprimir Ruidos
y los efectos de acoplamiento en un sistema de seguimiento láser”, IEEE Trans de Control Systems Technology, Vol.13,
Nº 1, enero de 2005, pp.113-121.
[Link]