FUZZY CONTROL

Ing. Juan Carlos Gómez

Grupo de Inteligencia Artificial y Robótica

Secretaría de Ciencia y Tecnología
Universidad Tecnológica Nacional – FRBA
Instituto Nacional de Tecnología Industrial – Electrónica
e-mail: juanca@[Link]

• Introducción.
Sea por aceptación, curiosidad o desconfianza, uno de los temas que está en la boca de las
personas dedicadas al control es el de fuzzy control. De cualquier forma, a nadie escapa la
importancia y la actualidad del mismo. Esto se observa en los artículos de las revistas
especializadas cuando se lee sobre sus cualidades para desarrollar sistemas de control
robustos, sencillos, económicos y de rápida implementación; cuando aparecen avisos
publicitando cámaras de video fuzzy, lavarropas que emplean fuzzy logic para determinar las
condiciones de lavado, sistemas ABS con fuzzy logic para automóviles, sistemas de aire
acondicionado, subterraneos con controles fuzzy, etc, o que gran cantidad de compañías
japonesas introducen controles fuzzy en sus nuevos productos, y que el furor está llegando a
los [Link]. donde se espera un volumen de mercado de 10.000 millones de dólares para
1998.

• Sistemas basados en reglas.

El desarrollo del fuzzy control tiene, su origen en los sistemas basados en reglas para la toma de
decisiones y en la fuzzy logic para la evaluación de aquellas.

Los controladores fuzzy, al igual que otros, toman los valores de las variables de entrada,
realizan algún procedimiento con ellas, deciden como modificar las variables de salida y lo
realizan, afectando estas últimas a la planta. La diferencia escencial es que no procesan
ecuaciones ni tablas, procesan reglas para decidir como cambiar las salidas. Esto lo hace
una tecnología muy accesible, ya que las reglas están más cerca del sentido común que de
las ecuaciones y los modelos.

Este método de procesamiento de reglas está vinculado con los sistemas expertos, uno de
los frutos tangibles de la Inteligencia Artificial (IA). Estos sistemas nacieron como
consecuencia natural del desarrollo de esta disciplina, ya que era necesario agregar a los
programas ese conocimiento y experiencia, que el experto humano tiene para resolver un
determinado problema. Estos programas de computadora, utilizan conocimiento y algún tipo de
mecanismo de inferencia para resolver un tipo de problema en especial, con el objetivo de
obtener resultados parecidos a los del experto humano, no sólo en cuanto a la conclusión
final, sino también a la forma en que se llega a la misma.

Los problemas atacados con esta técnica son entre otros, los de diagnóstico médico, path
planning, controladores de tráfico, acceso inteligente a bases de datos.

Este conocimiento consta de hechos y heurística, siendo los primeros la información pública y
generalmente disponible, para la resolución de un problema en particular, mientras que la
heurística, es más privativa del experto, es justamente ese conocimiento en particular que lo
hace destacarse en su tarea. Cuando este conocimiento está expresado como reglas del tipo

SI antecedente ENTONCES consecuente o SI condición ENTONCES acción

entonces se dice que es un sistema basado en reglas.

 Fuzzy Control. Ing. Juan Carlos Gómez

En cuanto al mecanismo de inferencia, es la parte de control del programa, encargada de

procesar las reglas contenidas en la base de conocimiento, tomando en cuenta los nuevos
datos y el estado del sistema, y producir como resultado, un nuevo cambio en el estado del
mismo para así comenzar un nuevo ciclo.

En general la evaluación de las reglas se realiza utilizando lógica aristotélica, la cual es muy
“dura” y por lo tanto es a veces dificil representar el conocimiento del experto mediante este
paradigma.

Para ello basta con tratar de describir con un conjunto de reglas, el conocimiento necesario
para realizar una tarea sencilla y cotidiana como por ejemplo, la de estacionar un vehículo. Es
en este punto donde comienza a cobrar importancia la fuzzy logic, ya que enseguida
trataremos de esbozar reglas con calificativos no demasiado precisos, tales como, si el móvil
está muy cerca del cordón y .... entonces .... , o si el ángulo es pequeño y .... entonces .... , o si
.... entonces girar un poco a la izquierda, etc.

• Fuzzy logic.
A mediados de la década del 60 el Profesor Lotfi Zadeh, de la Universidad de California en
Berkeley, introdujo su teoría de los conjuntos fuzzy , donde la idea de pertenencia de un
elemento a un determinado conjunto no era ya pertenece o no pertenece, sino que pertenece en
un cierto grado. Las funciones que vinculan al elemento con su grado de pertenencia, se
llaman membership functions.

Basandose sobre esta idea, se construyó nuevamente toda la teoría de conjuntos,

redefiniendo inclusión, unión, operadores lógicos ( AND, OR ), otras operaciones y sus
propiedades.

En lo referente a la lógica, aparecen nuevas alternativas respecto de la lógica tradicional,

puesto que, al evaluar una proposición, ya no es verdadera o falsa sino que la misma tiene un
cierto grado de veracidad, y que a su vez depende del grado de veracidad de sus premisas.
De aquí que al utilizar fuzzy logic en la evaluación de reglas, todas las reglas cuyas premisas
tengan algún grado de veracidad, influirán también en cierto grado a la solución del problema.
Es decir toda regla que sepa algo opina.

• Controladores fuzzy.
Los controladores fuzzy, igual que otros controladores, toman el valor de las variables de
entrada, procesan, y actúan sobre sus salidas a fin de controlar la planta.

En fuzzy control se utilizan sistemas basados en reglas, que emplean fuzzy logic, como
elemento central.

Dado su estado, y los valores de las variables de entrada, estos sistemas evalúan la
veracidad de cada regla, y así, toman decisión sobre los cambios a realizar en las variables
de salida. Una vez actualizadas las mismas, estas producirán un cambio sobre la planta,
luego se vuelven a obtener los valores de las variables de entrada, comenzando un nuevo
ciclo.

Al utilizar este tipo de resolución de problemas, es importante observar que lo que se está
procesando no son ya ecuaciones, números o tablas crudas sino, reglas, es decir se
procesan cosas tales como:

“SI la temperatura es baja ENTONCES aumente el ciclo de actividad del calefactor”

Tal tipo de procesamiento está mucho mas cercano al razonamiento del experto humano, ya
que permite realizar operaciones entre palabras como mas bajo, subir un poquito etc.

Este proceso cíclico puede ser dividido en tres grandes partes, fuzzification, evaluación de
reglas y defuzzification.

2
 Fuzzy Control. Ing. Juan Carlos Gómez

• Fuzzification.
Esta es la primera parte del proceso, donde luego del procedimiento convencional de adquirir
los valores de las variables del sistema y calcular otras, se procede a calcular el grado de
pertenencia de tales variables a todos los posibles conjuntos fuzzy ( fuzzy inputs ) que se le
han asignado.

Tomando como ejemplo otra vez la variable temperatura, con un valor de 20°c, se cuantifica
su grado de pertenencia a los conjuntos representados con las siguientes etiquetas
lingüisticas, muy_baja, baja, templada, alta y muy_alta. Para ello se debe haber definido, para
cada una de las etiquetas, una membership function, que define qué valores de la variable
temperatura les pertenecen y con qué grado.

Son las membership functions las que permiten cuantificar los conceptos que representan las
etiquetas.

En el gráfico se puede observar la membership function para la fuzzy input baja, y el valor de
pertenencia para 20°c.

grado de baja
pertenencia

20ºc temperatura

Si ahora se realiza el mismo procedimiento para muy_baja, se verá que también, para 20°c, es
parcialmente muy_baja.

muy_baja
grado de baja
pertenencia

20ºc temperatura

Al finalizar este proceso, queda asignado a cada fuzzy input, el grado de pertenencia del valor
actual de la variable que le corresponde.

• Evaluación de reglas.
Una vez realizada la fuzzification, se está en condiciones de evaluar los antecedentes de las
reglas, obteniendo el grado de verdad o “peso”, para cada una de ellas. Si se tiene una regla
como la siguiente:

SI la temperatura es baja ENTONCES aumente el ciclo de actividad del calefactor.

El peso de la regla estará dado por la veracidad de su antecedentes.

Se asigna directamente como peso, el grado de pertenencia del valor leído de temperatura a
la etiqueta lingüística baja.

3
 Fuzzy Control. Ing. Juan Carlos Gómez

En el caso de antecedentes de reglas con conectivos lógicos Y, como por ejemplo:

SI la temperatura es baja Y el cambio de temperatura es ligeramente creciente

ENTONCES aumente el ciclo de actividad del calefactor.

La regla será tan verdadera como lo sea el menos verdadero de sus antecedentes. Es decir,
se le asigna a la regla como peso, el menor de los grados de pertenencia de las variables de
los antecedentes a las respectivas etiquetas lingüísticas.

Este proceso se realiza para cada una de las reglas del sistema, quedando luego de este
ciclo cada regla con su peso correspondiente.

Ahora se trabaja con los consecuentes de las mismas.

Así como para las variables de entrada, a cada variable de salida le corresponde un grupo de
membership functions, representadas con etiquetas lingüísticas. Cada una de ellas es una fuzzy
output. ( subirlo mucho, subirlo, bajarlo, bajarlo mucho ).

A cada una de las fuzzy outputs se le asigna como valor, o grado de aplicabilidad, el máximo
valor entre todas las reglas que la mencionan, de manera que al finalizar toda la evaluación,
queda cada fuzzy output con su valor.

• Defuzzification.
Para el ejemplo se tomará la forma más simple de membership function, esta es la que
considera a un solo elemento del universo de discurso perteneciente totalmente al conjunto.
Este tipo de funciones se denominan singleton.

bajarlo mucho bajarlo subirlo subirlo mucho

grado de
pertenencia

-3s -1s +1s +3s

incremento del ciclo de
actividad del calefactor

A cada fuzzy output, se le asignó el máximo valor de verdad o peso de las reglas que la
mencionan como consecuente.

Ahora quedan varias fuzzy outputs para cada variable de salida, cada una con su valor de
verdad, o grado de aplicabilidad, pero ¿ cuál es el nuevo valor de la variable de salida ?. Una
forma simple y efectiva de determinarlo es realizando un promedio ponderado entre todas las
fuzzy outputs que le corresponden a una variable de salida.

Para el caso en que las membership functions no sean singletons, se procede en forma similar,
pero considerando las superficies de las fuzzy outputs, afectadas por su valor de aplicabilidad,
y tomando el centro de gravedad de las mismas como el nuevo valor de la variable de salida
en consideración.
Una vez actualizada la variable de salida, se está en condiciones de comenzar un nuevo ciclo.

4
 Fuzzy Control. Ing. Juan Carlos Gómez

Conclusiones.
Se ha realizado una breve descripción de los fuzzy controllers, sistemas de control cuyo
funcionamiento está basado en la evaluación de reglas utilizando fuzzy logic.

Se pudo apreciar la sencillez en la implementación del sistema, ya que al describir el

comportamiento del controlador mediante reglas, no es necesario realizar una modelización
exacta, sino que basta con entender conceptualmente su comportamiento, contar con un
modelo muy simplificado o con un operador experimentado que pueda describir cómo realiza
la tarea de control manualmente. Esta característica lo hace particularmente apropiado para
sistemas muy alineales, cuya modelización por los métodos tradicionales suele ser compleja,
acelerando la puesta en el mercado del producto (time to market).

Se comprobó la robustez de los fuzzy controllers, ya que es posible describir reglas para todo
el rango de variación de las variables de entrada, obteniéndose controles que no necesitan un
posicionamiento manual en el arranque, proceso utilizado cuando los parámetros del sistema
son muy diferentes al comienzo, respecto de los que tiene en el punto de funcionamiento.

Finalmente se observa, que mediante el método de evaluación de reglas, resultan acciones

de control suaves, una de las principales características de los fuzzy controllers.

• Referencias.
Creating Fuzzy Micros. James M. Sibigtroth. Embedded Systems Programming, Dec. 91.

Fuzzy Logic for Embedded Microcontrollers. J. Sibigtroth. Circuit Cellar INK. March 95.

Fuzzy Logic Finally Gains Acceptance in the U.S. Richard Nass. Electronic Design. June 92.

Fuzzy Logic. Lotfi A. Zadeh. IEEE Computer. April 88.

Software that can Dethrone Computer Tyranny. Larry Armstrong. Business Week. April 92.

Generating Fuzzy Rules by Learning from Examples. Li-Xin Wang. IEEE Transactions on
Systems, Man and Cybernetics. Nov 92.

Adaptive Fuzzy Systems. Earl Cox. IEEE Spectrum. Feb 93.

Fuzzy Control and introduction to Home Appliances. Techno Japan. September 91.

Fuzzy Set Theory and Its Applications. [Link]. Kluwer-Nijhoff Publishing.

Fuzzy Mathematical Techniques with Applications. Abraham Kandel. Florida State University.
Addison-Wesley Publishing Company.

Artificial Intelligence, Expert Systems. William B. Gevarter. Noyes Publications.

5
Grupo de Inteligencia Artificial y
Robótica
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Secretaría de Ciencia, Tecnología e
Innovación Productiva
[Link]/gia/

Fuzzy Control

JuanCa 1

Fuzzy Control

Temario:

Introducción General.

Sistemas Basados en Reglas.

Fuzzy Logic.

Controladores Fuzzy.

Ejemplos.

Conclusiones.

JuanCa 2

Aplicaciones

Sistemas ABS para vehículos.

Control de equipos de aire acondicionado.

Controles de ascensores.

Controles de puentes grua.

Subterraneos con controles fuzzy.

Lavarropas con sistemas fuzzy para
decidir condiciones de lavado.

Control de navegación para robots.

JuanCa 3

1
 Funcionamiento General
de Controladores

Variables de Variables de
Entrada Salida

Σ Controlador Planta

JuanCa 4

Controladores Basados
sobre µProcesadores

Variables de Variables de
Entrada Salida
Controlador con µP
Filtro S&H A/ D D/A

JuanCa 5

Controladores Basados
sobre µProcesadores
Comportamiento
Adquiere
valores de entrada.

Actúa sobre la Procesa los datos,

planta. acorde a las ecuaciones

JuanCa 6

2
 Controladores Fuzzy

Fuzzy Control

Sistemas Basados Fuzzy Logic

en Reglas

JuanCa 7

Sistemas basados en
reglas
Interfaz con el Usuario

SI antecedente ENTONCES consecuente

Estructura
de control

Base Base de datos

de conocimiento Global

Datos de
Entrada

JuanCa 8

Professor Lotfi A. Zadeh

1921 – Nacido en Irán.

1942 – Electrical Engineering - University of
Teheran.
1946 – Master's degree – Massachusetts
Institute of Technology (MIT).
1949 – Ph.D. – Columbia (New York).
1959 – comenzó en Berkeley (California)
1965 – Fuzzy Sets
Hoy Professor Emeritus - Berkeley

“As Complexity increases, precise statements lose meaning and

meaningful statements lose precision”

JuanCa 9

3
 Conjuntos Fuzzy

Teoría Clásica

Grado de
Pertenencia
Personas
Altas
1

0.5

1.00 1.10 1.20 1.30 1.40 1.50 1.70 1.80 1.90 2.00 2.10 2.20
Estaturas
Posibles
soporte

Universo de discurso. Dominio

JuanCa 10

Conjuntos Fuzzy

Teoría Fuzzy

Grado de
Pertenencia
Membership
Functions Personas Personas
1 Altas Muy Altas

0.5

1.00 1.10 1.20 1.30 1.40 1.50 1.70 1.80 1.90 2.00 2.10 2.20
Estaturas
Posibles

JuanCa 11

Conjuntos Fuzzy

Intersección

Grado de
Pertenencia A B
Membership Personas Personas
Functions Altas Muy Altas
1

0.5

1.00 1.10 1.20 1.30 1.40 1.50 1.70 1.80 1.90 2.00 2.10 2.20
X
Estaturas
Posibles
µ( A ∩ B ) (x) = min (µA (x), µB (x) )

JuanCa 12

4
 Conjuntos Fuzzy

Unión

Grado de
Pertenencia A B
Membership Personas Personas
Functions Altas Muy Altas
1

0.5

1.00 1.10 1.20 1.30 1.40 1.50 1.70 1.80 1.90 2.00 2.10 2.20
X
Estaturas
Posibles
µ( A ∪ B ) (x) = max (µA (x), µB (x) )

JuanCa 13

Conjuntos Fuzzy

Complemento

Grado de
Pertenencia A
Personas
Altas
1

0.5

1.00 1.10 1.20 1.30 1.40 1.50 1.70 1.80 1.90 2.00 2.10 2.20
X
Estaturas
Posibles
¬ µA (x) = 1 - µA (x)

JuanCa 14

Conjuntos Fuzzy

Inclusión

Grado de
Pertenencia A B
Personas Granaderos
Altas
1

0.5

1.00 1.10 1.20 1.30 1.40 1.50 1.70 1.80 1.90 2.00 2.10 2.20
X
Estaturas
Posibles
µB (x) ≤ µA (x) ∀x

JuanCa 15

5
 Fuzzy Logic

Veracidad de las proposiciones

José es muy alto

Homero es de estatura media Y casi calvo
El jugador a contratar debe ser muy alto O muy bueno

JuanCa 16

Fuzzy Logic

Reglas

SI el postulante tiene relativa experiencia Y su condición

física es poco adecuada, ENTONCES el período de
entrenamiento previo es moderado.

JuanCa 17

Fuzzy Logic
Reglas
SI el error de temperatura es bajo Y el cambio de temperatura
es cero ENTONCES aumentar el ciclo de actividad del
calefactor µ

Muy bajo bajo OK alto muy alto

Error de
temperatura [°c]
Antecedentes
µ Fuzzy
muy decrec. decreciente cero creciente muy creciente

∆ temperatura [°c]
µ

Consecuentes
Disminuir mucho disminuir dejar aumentar aumentar mucho Fuzzy
Incremento del ciclo
de actividad del
calefactor [%]
JuanCa 18

6
 Controladores Fuzzy

Fuzzy Control

Sistemas Basados Fuzzy Logic

en Reglas

JuanCa 19

Fuzzy Controllers
Diagrama Conceptual

Interfaz con el Resto del

Programa

Si antecedente entonces consecuente

Estructura
de
Control

Base de Base
Conocimiento de Datos
( Reglas ) Global

JuanCa 20

Fuzzy Controllers
Estructura de Control

Evaluación de Reglas

Se evalúan los Defuzzification

antecedentes de cada
Fuzzification regla, obteniendo el
valor de verdad de las A cada variable de salida
Evaluación de fuzzy mismas. se le asigna el promedio
inputs ponderado, realizado entre
Luego se asigna a todas las fuzzy outputs
cada fuzzy output el que le corresponden.
mayor valor de verdad,
entre todas las reglas
que la mencionan.

JuanCa 21

7
 Fuzzy Controllers
Porqué Fuzzification y Defuzzification

Fuzzification

Evaluación de
Sensores Reglas Actuadores

Defuzzification

JuanCa 22

Fuzzy Controllers
Fuzzification

Error de temperatura = 20 °c

muy bajo bajo

µ
µ1

µ2

-20 °c error de
temperatura [°c]

µ muy bajo ( -20 °c ) = 0.6

µ bajo ( -20 °c ) = 0.2

JuanCa 23

Fuzzy Controllers
Fuzzification

∆ temperatura = 1 °c

µ
µ1

muy decrec. decreciente cero creciente muy creciente

µ2

1 °c ∆ temperatura [°c]

µ cero ( 1 °c ) = 0.7
µ creciente ( 1 °c ) = 0.2

JuanCa 24

8
 Fuzzy Controllers
Evaluación de reglas

1. Si error de temperatura es muy bajo entonces µ muy bajo ( -20 °c ) = 0.6

aumentar mucho el ciclo de actividad del calefactor P1( 20 °c, 1 °c ) = 0.6

2. Si error de temperatura es bajo y el cambio de µ bajo ( -20 °c ) = 0.2

temperatura es cero entonces aumentar el ciclo µ cero ( 1 °c ) = 0.7
de actividad del calefactor P2( -20 °c, 1 °c ) = 0.2

3. Si error de temperatura es muy alto y el cambio µ muy alto ( -20 °c ) = 0

de temperatura es creciente entonces disminuir µ creciente ( 1 °c ) = 0.2
mucho el ciclo de actividad del calefactor P3( -20 °c, 1 °c ) = 0

4. ............................

JuanCa 25

Fuzzy Controllers
Evaluación de reglas
Asignación del grado de aplicabilidad de las fuzzy outputs

Fuzzy outputs

Variable: ciclo de actividad del calefactor

disminuir mucho max ( P #3 , ... ) =0

disminuir max ( P #x , …) =0
dejar max ( P #y, ... ) = 0.2
aumentar max ( P #2 ,P#z ... ) = 0.5
aumentar mucho max ( P #1, ... ) = 0.6

JuanCa 26

Fuzzy Controllers
Defuzzification
C.O.G.

Disminuir mucho disminuir dejar aumentar aumentar mucho

µ

Incremento del ciclo de

actividad del calefactor [%]

u= ∫ u.µ (u )∂u
∫ u∂u

JuanCa 27

9
 Fuzzy Controllers
Defuzzification
C.O.G.
Disminuir mucho disminuir dejar aumentar aumentar mucho
µ

Incremento del ciclo de

actividad del calefactor [%]

Ver que no se explotan los

límites del universo de discurso.
La salida se mantiene alrededor de los valores centrales

JuanCa 28

Fuzzy Controllers
Defuzzification
Promedio Ponderado

Disminuir mucho disminuir dejar aumentar aumentar mucho

µ

Incremento del ciclo de

actividad del calefactor [%]

u = Σ (si . Pesoi) / Σ Pesoi

JuanCa 29

Detalles de la entrada

Es importante cubrir adecuadamente el espacio

de estado del problema

JuanCa 30

10
 Detalles de las reglas

Debe haber reglas que “opinen” en todo el espacio

de estado del problema.

El conjunto de reglas debe ser completo y correcto.

JuanCa 31

Análisis de la salida

Reglas contradictorias

JuanCa 32

Análisis de la salida

Reglas coherentes

JuanCa 33

11
 Análisis de la salida

Falta conocimiento del estado

actual del problema.
µ

JuanCa 34

Fuzzy Controllers
Takagi – Sugeno – Kang
(TSK)
La salida se expresa como una
combinación de las entradas y salidas
u = f(x1, x2, x3, ...., uk-1....)
Un caso particular

u = Kp e + Ki Σe + Kd ∆e

JuanCa 35

Ventajas de los métodos

Mamdani y TSK

Mamdani:
• Es intuitivo.
• Más cercano al “razonamiento” humano.
• Mayor divulgación y aceptación.

Takagi – Sugeno – Kang:

• Garantiza continuidad de la superficie de salida.
• Es apropiado para “mezclar” técnicas lineales. (por ej PID)
• Apropiado para utilizar técnicas adaptativas.

JuanCa 36

12
 Sistemas de desarrollo
Matlab [Link]

fide ™ Aptronix Inc. 2150 North First Street, Suite 300 San José,
California 95131 U.S.A.

FUDGE ™ Motorola. [Link]

Fuzz-C Byte Craft Ltd. 421 King Street N. Waterloo, Ontario N2J
4E4 Canadá.

CubiCalc HiperLogic Corp.1855 East Valley Parkway, Suite 210. Escondido.

California 92027 U.S.A.

JuanCa 37

Sistemas de desarrollo

Edición Gráfica de
fuzzy inputs
fuzzy outputs

IF temperatura alta
AND ∆
Edición de Reglas
temperatura
THEN elevar el
ciclo de actividad
del calefactor.

JuanCa 38

Sistemas de desarrollo

Simulación.
Visualización de
Superficies de Control.

fuzzy.c
fuzzy.h
Generación del Código [Link]
Fuente

JuanCa 39

13
 ¿Por qué Fuzzy Control?
• Es una técnica accesible.
• Complementa a los métodos tradicionales.
• Puede manejar información vaga, imprecisa e incompleta igual que los seres vivos.
• No necesita modelos más y más exactos.
• Son sistemas robustos.
• Se obtienen acciones de control suaves.
• Son inherentemente transparentes, ( procesan reglas ).
• Son fáciles de mantener.
• Son fáciles de ajustar.
• Requieren menos código, y tiempo de proceso cuando los modelos tradicionales son complejos.
• Aptos para sistemas con microcontroladores.
• Permiten bajar costos de desarrollo y de componentes.
• Disminuye el “time to market”.
• Se pueden incrementar las prestaciones de un producto.
• Los sistemas de desarrollo y simulación no son costosos.

JuanCa 40

Fuzzy Pong

¡Gracias por su atención!

JuanCa 41

14