Vous êtes sur la page 1sur 38

CONTROL BORROSO

Daniel Pizarro Manuel Mazo y Marta Marrn


Departamento de Electrnica. Universidad de Alcal. Email: pizarro@depeca.uah.es mazo@depeca.uah.es, marta@depeca.uah.es
Estas transparencias se han realizado contando con los apuntes confeccionados sobre el tema por los profesores Felipe Espinosa y Luis M. Bergasa

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Contenido
1. 2. 3. Control borroso frente a control convencional. Fundamentos de lgica borrosa. Fundamentos de control borroso.

4.
5. 6.

Aspectos formales de lgica borrosa.


Ajuste de controladores borrosos. Fuzzy toolbox de Matlab (introduccin).

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Control borroso frente a control convencional

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Introduccin al control borroso


So far as the laws of mathematics refer to reality, they are not certain. And so far as they are certain, they do not refer to reality. Albert Einstein As complexity rises, precise statements lose meaning and meaningful statements lose precision Lotfi A. Zadeh

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Introduccin al control borroso


Por qu?: Dar solucin al control de plantas de difcil modelado matemtico. Cmo?: Mediante el uso de la lgica borrosa. Qu permite la lgica borrosa?: Proporciona una metodologa formal para aplicar el conocimiento heurstico humano al control de procesos. Algunos ejemplos cotidianos: Conducir una bicicleta, mantener una escoba en posicin vertical sobre un dedo, conducir un coche.
Controlador borroso
Reference Input r(t) Inputs u(t) Outputs y(t)

Proceso

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Introduccin al control borroso


Algunas razones que justifican el control borroso
Es conceptualmente fcil de entender. Es flexible y tolerante a la imprecisin de datos. Permite modelar funciones no lineales, aunque su complejidad sea elevada. Se describe a partir del conocimiento e intuicin de expertos. Los controladores borrosos no son incompatibles con los convencionales.

Qu se va a abordar en lo que sigue?


El estudio del control borroso como alternativa al control realimentado sincronizado, continuo o peridicamente actualizado.

Control borroso y control convencional


Control convencional: est basado en el modelo del proceso a controlar: lineal y no lineal, continuo y discreto, en el dominio del tiempo o transformado. El lenguaje propio son ecuaciones diferenciales/diferencias. Control borroso: parte del comportamiento del proceso a controlar, donde la intuicin pesa tanto como la razn. El lenguaje propio son las reglas heursticas.
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Diseo de sistemas de control convencional

Reference Input r(t)

Controlador PID, polo-cero, etc

Inputs u(t)

Proceso (Process)
Modelo Matemtico

Outputs y(t)

Modelado matemtico del proceso

Diseo del controlador

Evaluacin diseo
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Diseo de sistemas de control convencional


Modelado matemtico:
Fundamental para obtener un buen comportamiento del sistema realimentado. Es importante conjugar, para obtener el modelo, tanto el estudio fsico como la identificacin utilizando datos experimentales. Por muy bueno que sea el modelo nunca ser un fiel reflejo de la planta (pero en muchos casos un modelo aproximado es suficiente).

Diseo del controlador:


A nivel de algoritmo: estabilidad, rechazo a perturbaciones externas, insensibilidad a variaciones de parmetros de la planta, rgimen transitorio, rgimen permanente. A nivel de implementacin: simplificacin hardware, disponibilidad de sistemas electrnicos, mantenimiento, fiabilidad, costes de desarrollo, etc. A nivel de soluciones: si se trata de sistemas lineales con modelo de funcin de transferencia: PIDs, red cero-polo; si VVEE: realimentacin del vector de estado con o sin observadores. Se pueden usar tcnicas ptimo, robusto y adaptativo.

Evaluacin del diseo:


Estudio matemtico basado en el modelo de la planta. Simulacin del sistema en lazo cerrado. Ensayo experimental.
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Diseo de sistemas de control borroso


Elementos bsicos de un controlador borroso:
Base de conocimiento (rule-base). Mecanismo de inferencia (inference mechanism). Interfaz de borrosificacin (fuzzification). Interfaz de desborrosificacin (defuzzification). Controlador Borroso (Fuzzy Controller)
Entradas borrosificadas
Borrosificacin (Fuzzification) Reference Input r(t)

Conclusiones borrosas
Desborrosificacin (Defuzzification) Inputs u(t) Outputs y(t)

comparador

Inputs e(t)

Mecanismo inferencia (Inference mechanism)

Proceso (Process)

Base conocimientio (Rule-base)

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Fundamentos de la lgica borrosa

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

10

Fundamentos de la lgica borrosa


La lgica borrosa es una extensin de la lgica booleana. Se basa en la experiencia humana, y la pertenencia a un grupo u otro es una cuestin de grado de precisin. En lgica borrosa cada afirmacin es un problema de grado de verdad. Un conjunto borroso es un conjunto sin lmites abruptos ni claramente definidos. Pueden existir elementos con un cierto grado de pertenencia. El conjunto borroso est asociado a un valor lingstico, definido por una palabra, adjetivo o etiqueta lingstica (muy joven, joven, adulto, mayor, muy mayor, etc). La certeza o certidumbre con que una variable x se le puede asignar el valor lingstico (conjunto borroso) i se indica por una funcin de pertenencia i (x).

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

11

Fundamentos de la lgica borrosa


La lgica borrosa es un procedimiento de anlisis del razonamiento aproximado, que utiliza las imprecisiones del mismo.

Incluye (a grandes rasgos): Entradas borrosas


Variables de entrada

Salidas borrosas Conjuntos Borrosos Conjuntos Borrosos Funciones de pertenencia Funciones de pertenencia

Variables de salida

Borrosificador (1) (Fuzzification)

Inferencia (reglas)

Desborrosificador (Defuzzification)

(1) Se puede considerar que es el acto de obtener un valor de entrada y encontrar el valor numrico de la funcin de pertenencia que esta definida para ese valor. Es otra forma de representacin los valores numricos de las variables de entrada.
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

12

Borrosificacin
1.-Definir las variables de entrada y salida: temperatura, edad, estatura, velocidad, fuerza, Definir el margen de variacin (universo de discurso) de cada variable Temperatura: - 40 a 70 C, Edad: 0 a 100 aos, Estatura: 0 a 200 cm. 2.- Definir todos los conjuntos borrosos y el valor lingstico, asociado a cada uno: Variable: Temperatura Valores lingsticos: negativa_alta, negativa_baja, cero, positiva_baja, positiva_alta Variable: Edad Valores lingsticos: muy_joven, joven, maduro, viejo

3.- Para cada conjunto (valor lingstico) definir una funcin de pertenencia o inclusin (membership function) que indique el grado en que una variable x est incluida en los conceptos representados por las variables lingsticas. i (x) indica el grado en que x est incluida en el conjunto i. A i (x) se le conoce como funcin de pertenencia de x en i. El valor de pertenencia tiene que variar entre 0 y 1.
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

13

Borrosificacin: Caso de Lgica clsica


Ejemplo: Edad de las personas
1. Variable: x= edad. Universo de discurso: 0 x 100 aos. 2. Valores lingsticos (conjuntos): MJ = muy_joven, JO= joven, MA=maduro, VI=viejo. 3. Definicin de las funciones de pertenencia, i (x).
MJ MJ(x) JO JO(x) MA MA(x) VI VI(x)

0 0 10 30 60 100 x = edad

Con conjuntos booleanos i(x) slo puede tomar dos valores: 0 1. i(x) = 0 indica negacin, i(x) = 1 indica afirmacin. x = edad = 27 aos: MJ(x) = 0, JO(x) = 1, MA(x) = 0, VI(x) = 0
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

14

Borrosificacin: Caso de Lgica borrosa


Ejemplo: Edad de las personas
1. Variable: x= edad. Universo de discurso: 0 x 100 aos. 2. Valores lingsticos (conjuntos): MJ = muy_joven, JO= joven, MA=maduro, VI=viejo. 3. Definicin de las funciones de pertenencia, i (x).
MJ VI MJ(x) VI(x) JO JO(x) MA MA(x)

1 0.6 0.4 0 0

10

27

30

60

100 x = edad

Al tratarse de conjuntos borrosos i(x) puede tomar cualquier valor entre 0 y 1. x = edad = 27 aos: MJ(x) = 0.4, JO(x) = 0.6, MA(x) = 0, VI(x) = 0

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

15

Funciones de pertenencia
La funcin de pertenencia puede ser una curva arbitraria. Dependiendo de la aplicacin y del diseador se pueden elegir diferentes tipos de funciones de pertenencia (membership function). Las ms frecuentes son: triangular, trapezoidal, gausiana.
1 0.8 0.6 0.4 0.2 0 0
1 0.8 0.6 0.4 0.2 0 0 2 4 6 8 10
mf1

mf1

1 0.8 0.6 0.4 0.2 0

mf1

6
1 0.8 0.6 0.4 0.2 0 0

10

0
mf1

10
mf1

1 0.8 0.6 0.4 0.2 0

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica


2 4 6

10

16

10

Inferencia: Reglas borrosas


Los conjuntos y operadores borrosos se pueden considerar como los sujetos y los verbos de la lgica borrosa. Los conjuntos borrosos se combinan en reglas para definir acciones como por ejemplo, si la temperatura es alta entonces enfra mucho. Para poder expresar algo til es necesario hacer frases completas. Las afirmaciones condicionales, reglas if-then, son las que lo hacen posible. La estructura general de una regla borrosa es: If CONDICIONES then ACTUACIONES If x1 es F1 and x2 es F2 and x3 es F3 then u1 es G1 and u2 es G2
condiciones= antecedentes = premisas: es un escalar comprendido entre 0 y 1 actuaciones = consecuencia = conclusin: es un conjunto borroso
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

17

Inferencia: Reglas borrosas


Las reglas pueden ser tipo SISO, SIMO, MISO, MIMO: SISO: If x es A1 then u es B1. SIMO: If x es A1 then u1 es B1 and u2 es B2 MISO: If x es A1 and y es A2 then u es B1 MIMO: If x es A1 and y es A2 then u1 es B1 and u2 es B2 Las reglas SIMO y MIMO se pueden convertir en SISO y MISO, respectivamente. Ejemplo: If x es A1 and y es A2 then u1 es B1 and u2 es B2 Es equivalente a: If x es A1 and y es A2 then u1 es B1 If x es A1 and y es A2 then u2 es B2

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

18

Inferencia: Operadores borrosos Caso de Lgica clsica


Sean dos conjuntos A y B, asociados a la variable x. Se definen tres funciones bsicas:
Interseccin (AND): Unin (OR): Complemento (NOT):
AND A B A(x) B(x) mn(A,B) AB(x) = min[A(x), B(x) ]

min(A,B): AB(x) =min[A(x), B(x) ] mx(A,B): AB(x) = max[A(x), B(x)] A(x) = 1- A(x)
OR mx(A,B) AB(x) = mx[A(x), B(x) ] NOT(A)

A(x) = 1- A(x)

0 0 1 1

0 1 0 1

0 0 0 1

0 1 1 1

1 1 0 0
19

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Inferencia: Operadores borrosos Caso de Lgica borrosa


1. Sean dos conjuntos A y B, asociados a la variable x. Se definen tres funciones bsicas: interseccin (AND), unin (OR) y complemento B A Interseccin (AND) borrosa (norma triangular):
Alternativa 1: mn (A,B): AB(x) = min[A(x), B(x)] Alternativa 2: prod(A,B): AB(x) = [A(x).B(x)]
min(A,B)

B
prod(A,B)

2.

Unin (OR) borrosa (co-norma triangular):

Alternativa 1: mx(A,B): AB(x) =max[A(x), B(x) ] Alternativa 2 (suma algebraica): probor(A,B): AB(x) =[A(x)+B(x) - A(x).B(x)]

B
max(A, B)

A
probor(A, B)
20

3.

Funcin NOT: A(x) = 1- A(x)

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Inferencia
Se entiende por inferencia borrosa la interpretacin de las reglas if-then, con el objetivo de obtener las conclusiones de las variables lingsticas de salida a partir de los valores actuales de las variables lingsticas de entrada. Conlleva dos fases:
1.- Matching o correspondencia: Evala el grado de certeza de la premisa para los valores actuales de las variables de entrada, determina la funcin de pertenencia de la premisa. Si regla que se evala es la n: el grado de certeza se representa por Premisa(n) 2.- Conclusiones (Inferencia): Establece las conclusiones en funcin de las entradas actuales. Asigna a cada variable de salida del consecuente el conjunto borroso correspondiente modificado en el grado especificado por Premisa(n). La funcin de pertenencia del conjunto modificado se representa por (n)(u). Aqu n es la regla evaluada y u es la variable de salida .
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

21

Inferencia
Cmo se obtiene el grado de certeza de una premisa, premisa (n)? Supongamos la regla (n):
If x1 es F1 and x2 es F2 and x3 es F3 then u1 es G1 1. Evaluar para cada entra (x1, x2, ), en funcin de su valor actual, la funcin de pertenencia: F1(x1), F2(x2), F3(x3) certeza con que la variable de entrada xi pertenece al conjunto borroso Fi 2. Evaluar la funcin and, para obtener premisa (n). Existen dos alternativas: Mnimo: Producto:

premisa ( n ) min{ F 1 ( x1 ), F 2 ( x2 ), F 3 ( x3 )}
premisa ( n ) F 1 ( x1 ) F 2 ( x2 ) F 3 ( x3 )
22

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Inferencia Ejemplo de inferencia Regla 1: If x es A and y es B then u es D


x es A
Cuantificado con A

and

y es B
Cuantificado con
B

A(x)=0.6

A(x)

B(y)=0.4
x

B(y)
y

Valor de x actual

Valor de y actual

premisa(1)= min{A(x) , B(x)} = 0.4: tenemos una certeza de 0.4 de que esta regla (regla 1) es aplicable a la situacin actual (valores actuales)
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

23

Inferencia
Cmo se modifica el conjunto borroso de salida, en el grado especificado por Premisa(n)?. Principio general: La accin no puede tener un nivel de certeza superior al que tiene la premisa . Llamando accion(n)(u1) el conjunto borroso de salida de la accin u1, y regla_n(u1) al conjunto borroso de salida de la accin u1 modificado por Premisa(n), las dos alternativas ms frecuentes son: Truncamiento (chop off the top): regla_n(u) = mn{Premisa(n), accin(n)(u)} Escalado (product): regla_n(u) = Premisa(n).accin(n)(u)
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

24

Inferencia
Truncamiento (chop off the top):
Conjunto borroso de salida: accin (n) (u) Premisa (n) regla_n(u) = min{Premisa(n), accin(n)(u)} Las reas dan idea de certidumbre de la conclusin

Escalado (product):
Premisa(n) Conjunto borroso de salida: accin (n) (u)
regla_n(u) = Premisa(n).accin(n)(u)

u
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

25

Inferencia
Ejemplo: Control de frenado
Control de frenado de un vehculo en funcin de su velocidad y distancia al que le precede. Variables de entrada: x= velocidad, y= distancia Valores entradas de velocidad (conjuntos borrosos):
1 2 3 Ax { Ax , Ax , Ax } {baja , media , alta}

Valores entradas de distancia


1 2 3 Ay {Ay , Ay , Ay } {muy_ pequea, pequea, grande}

Variable de salida: u= fuerza_sobre_ freno Valores de salida:


1 2 3 Bu {Bu , Au , Au } {muy _ fuerte, fuerte, debil}
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

26

Inferencia
Ejemplo: Control de frenado
Baja(x)

Baja

media(x)

Media

Alta

alta(x)

40

80

120

x=Velocidad (Km/h)

muy_pequea(y) pequea(y)

muy_pequea pequea

grande
grande(y)

0
Salidas nunca saturadas

25
Dbil
debil(u)

50
fuerte
fuerte(u)

75
muy_fuerte
muy_fuerte(u)

y= distancia (m)

4 u=Fuerza (N)
27

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Inferencia
Ejemplo: Control de frenado
Supongamos: x=70Km/h, y=10m

Y dos reglas: 1. If x es baja and y muy_pequea then u es fuerte 2. If x es media and y muy_pequea then u es muy_fuerte
Baja(x) media(x) alta(x)

0.8 0.2 0 40 70 80 120 x=Velocidad (Km/h)


grande(y)

muy_pequea(y) pequea(y)

0.4

10 25

50

75 y= distancia (m)
28

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Inferencia
Ejemplo: Control de frenado
premisa(1)=min{Baja(x) , muy_pequea(y)} = 0.2

x es baja
Cuantificado con Baja(x)

and

y muy_pequea
Cuantificado con muy_pequea(y)

0.4
0.2 0 40 70 80 x 0 and
media(x)

10 25

50 y

premisa(1)=min{media(x) , muy_pequea(y)} = 0.4

x es media 0.8

y muy_pequea
muy_pequea(y)

0.4

40

70 80

120 x

10 25

50 y
29

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Inferencia
Ejemplo: Control de frenado
1. If x es baja
Baja(x)

and

y muy_pequea
muy_pequea(y)

then

u es fuerte
fuerte(u) regla_1(u)

0.4

0.2
0 x 2. 0.8 If 40 70 80 0 10 25 50 y 1 u then 2 3

x es media

and
media(x)

y muy_pequea
muy_pequea(y)

u es muy_fuerte
muy_fuerte(u) regla_2(u)

0.4 0 10 25 50 y 2 3

40

70 80

120 x

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

30

Inferencia
Ejemplo: Control de frenado
Premisa(1) =min [baja(x), muy_pequea(y)] =0.2 If x es baja and y muy_pequea then u es fuerte
fuerte(u)

Implicacin 0.2 regla_1(u) 0 1 2 3 u

Premisa(1) =min [media(x), muy_pequea(y)] =0.4 If x es media and y muy_pequea then u es muy_fuerte
muy_fuerte(u)

Implicacin

0.4

regla_2(u) u

4 u

4
31

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

Inferencia: Agregacin de salida de reglas


En general se requieren dos o ms reglas de forma que compitan unas con otras. La salida de cada regla es un conjunto borroso (modificado por la correspondiente premisa premisa(n)). La salida para un conjunto de reglas debe ser un nico nmero. Cmo se agregan (mezclan) los conjuntos borrosos, regla(n)(u), que resultan de cada regla para que la variable de salida sea un nico nmero?: se agregan en un solo conjunto borroso y a partir de este ltimo se obtiene el valor de la salida.
rgla_1(u) regla_2(u) . . . regla_n(u)
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

ucrisp
Agregacin Desborrosificador

32

Inferencia: Agregacin de salida de reglas


Premisa(1) =mn [A(x), B(y)] Premisa (1) Concl. u1 u u1 Conclusin Truncamiento Implicacin C(u) regla_1(u) u Salida ucrisp u1 regla_2(u)=mn [Premisa(2), F (u)] Premisa(2) =mn [D(x), E(y)] Premisa (2) Concl. u2 u

If x es A and y es B then u es C regla_1(u)=mn [Premisa(1), C (u)]

Agregacin de reglas

Conclusin F(u)
Implicacin

Truncamiento regla_2(u)

If x es D and y es E then u es F u2
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

u2

u
33

Inferencia: Agregacin de salida de reglas


Premisa(1) =min [A(x), B(y)] Premisa (1) Concl. Conclusin Implicacin C(u) Escalado regla_1(u) u1 u u1 u Salida ucrisp u1 u2 Escalado Implicacin regla_2(u) u

If x es A and y es B then u es C

regla_1(u)=Premisa(1). C (u)

Agregacin de reglas
regla_2(u)=Premisa(2).F (u)
Premisa(2) =min [D(x), E(y)] Concl. Premisa (2) If x es D and y es E then u es F

Conclusin
F(u)

u2
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

u2
34

Desborrosificacin La entrada para la desborrosificacin es un conjunto borroso, el que resulta de la agregacin, y la salida es un nmero (ucrisp).
Se puede entender como el proceso de decodificacin de la informacin borrosa producida por los procesos de inferencia y agregacin. De entre las diferentes alternativas de desborrosificacin, las dos ms conocidas son:
Centro de gravedad (COG) del rea definida por el conjunto borroso resultante de la agregacin. Centros ponderados (center-average).

Existen otras alternativas de desborrosificacin, pero no existen argumentos para decidir cul es la mejor.
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

35

Desborrosificacin: COG
Se suele utilizar para el caso de truncamiento.
regla_1 regla_2 regla_3 regla_i regla_N

.
b1 b2 b3 bi bN u

crisp

b regla _i i i
regla _ i

bi = centro de las funciones de pertenencia del conjunto para la regla i, regla_i


regla _ i

= rea bajo la funcin de pertenencia regla_i

Hay que asegurar que el denominador sea distinto de cero Recordad: Para un trapecio de base w y altura h, su rea es:
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

h2 w( h ) 2
36

Desborrosificacin: Centros ponderados Se suele utilizar para el caso de escalado


premisa(1)

.
b1 b2 b3 bi bN

premisa(N)

crisp

b
i i i

premisa ( i )

premisa ( i )

Para el clculo de la funcin de pertenencia de la premisa premisa(i) se puede utilizar el mnimo o el producto
Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica

37

Desborrosificacin Ejemplos
COG
(i)

NP

0.75

CE
u
crisp

0.25 -20 -10 0 10 u(t), (N)

b
i i i

regla _ i

regla _ i

u=-6.81
Centros ponderados NP 0.75

( 0.25)2 0.752 0 [ 20 ( 0.25 ] ( 10) [ 20 ( 0.75 ) 2 2 -6 .81 0.252 0.752 20 ( 0.25 ) 20 ( 0.75 ) 2 2

CE
0.25

crisp

b
i i i

premisa ( i )

premisa ( i )

-20

-10

10 u(t), (N)

-7.5

0 (0.25) ( 10) 0.75 7.5 0.25 0.75


38

Daniel Pizarro Manuel Mazo y Marta Marrn. Departamento de Electrnica