Control Borroso 1 - Introduccion Al Control Borroso 20-5-2001

Control borroso
Introduccin
Jos Villar,
Area de Sistemas Inteligentes (ASI)
Instituto de Investigacin Tecnolgica (IIT)
ETS de Ingeniera, ICAI
Marzo 2001
Contenido
Introduccin
Motivacin
Perspectiva histrica
Control lingstico de una planta

Formulacin matemtica del control borroso
Modelo, simulaciones y resultados
Ms all del PID borroso
Control borroso, Introduccin 2

Jos Villar Collado
Introduccin (1): motivacin

El modelo de la planta o del proceso a controlar no est
disponible (procesos complejos, identificacin de modelos
costosa, etc.)
Operadores expertos controlan o saben controlar
razonablemente bien el proceso
Son capaces de expresar lingsticamente la forma en que
controlan el proceso
Las acciones de control no se pueden disear con PID
convencionales
Jos Villar Collado
Introduccin (2): estructura general

BASE DE REGLAS
(ESTRATEGIA)
DE CONTROL
BORROSIFICACION
INFERENCIA
DESBORROSIFICACION
e, de
E, DE
y
PROCESO
A CONTROLAR
Tipos de controles ms empleados:

Fuzzy P:
R(e,m)
Fuzzy PD
R(e,de,m)
Fuzzy PI
R(e,de,dm)
e=error
de=incremento del error
m=mando
dm=incremento del mando
Jos Villar Collado
Introduccin (3): estrategias de control

Estrategia
e=P
e=N
e=Z
e=Z
e=P
e=N
e=Z
e=N
e=P
de=Z
de=Z
de=N
de=P
de=N
de=P
de=Z
de=N
de=P
m=P
m=N
m=N
m=P
m=Z
m=Z
m=Z
m=N
m=P
(a,i,n)
(e,l)
(c,k)
(g,m)
(b,j)
(f)
(ideal)
(d)
(h)
m
n
j
i
ideal
a
m
de
P
Z
N
N
Z
N
N
e
Z
P
Z
N
P
P
P
Z
estrategia = sentido comn !

Jos Villar Collado
Introduccin (4): otras motivaciones

Acciones de control no realizables con PID
Control supervisor
Seleccin de acciones de control discretas
Identificacin de puntos de operacin o
condiciones de funcionamiento (entorno)

Jos Villar Collado
Introduccin (5): perspectiva histrica
Zadeh 1965: Fuzzy Sets en Information and Control
Aos 70:
Mamdani, UK, 1974: control de una caldera
Blue Circle Cement - SIRA, Alemania, 1976-1982: control horno de cemento
Aos 80: Japn destaca en el terreno industrial, Europa en el terico

Hitachi, Japn, 1987: control del metro de Sendai
Japn, 1987: Creacin de dos agencias gubernamentales, de las que destaca el
Laboratory for International Fuzzy Engineering Research (LIFE)
Yamaichi Fuzzy Fund, 1986: gestin de acciones de 65 compaas (recomend venta
18 das antes del lunes negro de 1987, probado durante 2 aos y en operacin desde 1988).
Togai y Watanabe, Japn, 1986: desarrollan el primer chip para inferencia borrosa
Aos 90:
Matsushita Electric Industrial Co, Japn, 1990: control de una lavadora automtica
Matlab Fuzzy Toolbox en 1994
Industria automovilstica
Jos Villar Collado
Introduccin (6): AI Magazine (1)
Abril 2001:
Dear Friends,
The paper "A new direction in AI: towards a computational theory of
perceptions" by L.A. Zadeh finally appeared in AI Magazine, 2001, No. 1
(Spring 2001), pp. 74-84.
This magazine is sent to every member of the American Association of Artifical

Intelligence, it is extremely widely read in AI community. Last time fuzzy
was mentioned in AI Magazine was when a robot designed by Dr.
Ruspini and others by using fuzzy logic won the AAAI robotic competition.
This paper is the first foundational paper on fuzzy published in this magazine.
Congratulations and thanks to Professor Zadeh for his perseverence!
Vladik
Jos Villar Collado
Introduccin (7): AI Magazine (2)
This message was posted through the fuzzy mailing list.

(1) To subscribe to this mailing list, send a message body of
"SUB FUZZY-MAIL myFirstName mySurname" to listproc@dbai.tuwien.ac.at
(2) To unsubscribe from this mailing list, send a message body of
"UNSUB FUZZY-MAIL" or "UNSUB FUZZY-MAIL
yoursubscription@email.address.com"
to listproc@dbai.tuwien.ac.at
(3) To reach the human who maintains the list, send mail to
fuzzy-owner@dbai.tuwien.ac.at
(4) WWW access and other information on Fuzzy Sets and Logic see
http://www.dbai.tuwien.ac.at/ftp/mlowner/fuzzy-mail.info
(5) WWW archive: http://www.dbai.tuwien.ac.at/marchives/fuzzymail/index.html

Jos Villar Collado
Contenido
Introduccin
descripcin de la planta ejemplo
variables lingsticas
reglas lingsticas

Jos Villar Collado
Control lingstico (1): descripcin de la planta ej.

Ejemplo:pndulo invertido
y
Sistema=Carro+Varilla
Carro:
Varilla:
masa M
masa m
longitud L
m
L
x
F

Jos Villar Collado
Control lingstico (2): variables
Variables que el experto puede emplear para el control:

error.....................e(t)
cambio_error........de(t)/dt
integral_error........e(t)
Por ejemplo, a partir de las dos primeras, se busca la salida:

fuerza....................F
Jos Villar Collado
Control lingstico (3): variables lingsticas

e(t)
r
-
r
d
dt
CONTROL
BORROSO
Variables:
error.....................e(t)
cambio_error........de(t)/dt
fuerza....................F
Valores lingsticos:
neg_grande, neg_peq
cero
pos_grande, pos_peq
Jos Villar Collado
Control lingstico (4): variables lingsticas

Referencia:
Error:
Cambio_error:
r = 0 deseado=0
e(t) = r- = -
de/dt=-d/dt
error=cero
error=neg_grande
error=pos_peq
error=pos_grande
cambio_error=pos_peq
error=neg_peq
cambio_error=pos_peq

Jos Villar Collado
Control lingstico (5): reglas lingsticas

Si error=neg_grande
Y cambio_error=neg_grande
Si error=cero
Y cambio_error=pos_peq
Entonces fuerza=pos_grande
Si error=pos_grande
Entonces fuerza=neg_peq
Jos Villar Collado
Control lingstico (6): base de reglas

Simplificando la notacin
pos_grande =
PG
pos_peq=
PP
cero=
neg_grande =
PG
neg_peq=
PP
Fuerza
Error
NG
NP
Z
PP
PG
NG
PG
PG
PG
PP
Z
Si error=cero
(Z,PP, NP)
Cambio Error
NP
Z
PG
PG
PG
PP
PP
Z
Z
NP
NP
NG
PP
PP
Z
NP
NG
NG
PG
Z
NP
NG
NG
NG

Jos Villar Collado
Control lingstico (7): base de reglas

Fuerza
Error
NG
NP
Z
PP
PG
NG
PG
PG
PG
PP
Z
Cambio Error
NP
Z
PG
PG
PG
PP
PP
Z
Z
NP
NP
NG
PP
PP
Z
NP
NG
NG
PG
Z
NP
NG
NG
NG
Notar simetras:
planta simtrica (notar que si F aumenta disminuye)
notar la orientacin de la diagonal Z
las paralelas a la diagonal Z, corresponden a un mismo valor lingstico
se intuye la existencia de una sistemtica para la obtencin de las reglas
Jos Villar Collado
Contenido
Introduccin
funciones de pertenencia
particiones
borrosificacin-inferencia-desborrosificacin


Jos Villar Collado
Control borroso (1): introduccin

El control borroso es el resultado de cuantificar el
significado de las descripciones lingsticas del control
lingstico de la planta
Para ello se emplea la teora de conjuntos borrosos:
permite establecer un vnculo entre las descripciones
lingsticas y las matemticas para que stas puedan ser
manipuladas y operarlas entre s
permite computar con palabras (Zadeh)

Jos Villar Collado
Control borroso (2): estructura general

BASE DE REGLAS
(ESTRATEGIA)
DE CONTROL
BORROSIFICACION
INFERENCIA
DESBORROSIFICACION
e, de
E, DE
y
PROCESO
A CONTROLAR
Tipos de controles ms empleados:

Fuzzy P:
(E,M)
Fuzzy PD
(E,DE,M)
Fuzzy PI
(E,DE,DM)
E=error
DE=incremento del error
M=mando
DM=incremento del mando
Jos Villar Collado
Control borroso (3): funciones de pertenencia

Para dotarle de significado, al valor lingstico PP se le
asocia un conjunto borroso
PP (pos_peq)
1
/4
/2
e (error en rad)
Un conjunto borroso PP sobre el universo del error E es una

funcin
PP(e): E[0,1]
A cada valor e de error le corresponde un grado de
pertenencia al conjunto PP, dado por PP(e)
Jos Villar Collado

PP (pos_peq)
1
-/2
-/4
/4
/2
e (error en rad)
PP (-/2)=0: -/2 no es pos_peq

-/2 no pertenece a PP
PP (-/8)=0.5: -/8 es pos_peq en grado 0.5
-/8 pertenece a PP en grado 0.5
PP (-/4)=1: -/4 es pos_peq
-/4 pertenece a PP en grado 1
Jos Villar Collado

PP (pos_peq)
PP (pos_peq)
/4
/2
e (rad)
PP (pos_peq)
/4
/2
e (rad)
PP (pos_peq)
1
e (rad)
/4
/2
e (rad)
/4
/2
3/4

Jos Villar Collado
Control borroso (6): particiones

Para cada variable, y para cada posible valor lingstico de la
variable, hay que definir el conjunto borroso que cuantifica su
significado.
Se obtiene una particin borrosa para la variable:
NG
-/2
NP
-/4
PP
/4
PG
/2
error (rad)
Los significados de NP para las variable error y cambio de

error son (en general) distintos.
El significado de NP para la variable error depende del
contexto, esto es, de la planta a controlar.
Jos Villar Collado

NG
NP
Notar la forma de los

conjuntos extremos
-/2
NG
-/4
NP
PP
PG
/4
/2
PP
PG
/8
/4
error (rad)
Notar la distinta
escala de los ejes
-/4
-/8
cambio
error (rad.s-1)

Jos Villar Collado

NG
NP
PP
PG
fuerza (N)
-30
-20
-10
10
20
30
Aspectos a considerar en una particin:
Numero etiquetas lingsticas

Solape / condicion activacin reglas / borrosificacin / completitud
Ancho universo error / apreciacin subjetiva / error de medida
Ancho universo cambio_error o incremento error / error medida
Ancho universo mando / saturacin mando
Jos Villar Collado
Control borroso (9): borrosificacin

Es la conversin de las entradas en conjuntos (clsicos o borrosos) para llevar a
cabo la posterior inferencia (obtencin de conclusiones=acciones de mando)
0 si e emed
E(e) =
1 si e = emed
Xmed
1
xmed
a = e med ?
E(e) = TRG(a,b,c) (e) con b = e med

c = e
med + ?
aprox Xmed
1
xmed-
xmed
xmed+
se puede utilizar para modelar la precisin de las medidas

(,tipo de inferencia) deben ser tenidos en cuenta para el solape de las particiones
Jos Villar Collado
Control borroso (10): disparo de las reglas

Todos los antecedentes (parte Si) de las reglas son comprobados
de acuerdo a las observaciones disponibles o entradas
Para cada uno de ellos se determina el grado en que se cumplen
El grado de cumplimiento de los antecedentes dan como resultado
un grado de cumplimiento global de la regla
Se disparan aquellas reglas que tenga un grado de cumplimiento
no nulo (o superior a un umbral)
Se combinan las acciones de mando recomendadas por cada
regla (parte Entonces), obteniendo un conjunto borroso resultante
para el mando
Jos Villar Collado
Control borroso (11): comprobacin de antecedentes

Regla (Z,PP,NP):
Si el Error es Cero (Z) y el Cambio Error es Pos_peq (PP)
Entonces la Fuerza es Neg_peq (NP)
Observaciones:
Error es /8
Cambio error es /32
Error es Cero: en grado 0.5
1
0.5
-/4
1
e (rad)
/4
/8
Cambio Error es Pos_peq: en grado 0.25
PP
de (rad.s-1)
0.25
0
/32
/4

Jos Villar Collado
Control borroso (12): certeza de una regla

1
0.5
-/4
PP
1
e (rad)
0.25
/4
/8
Error es Cero: 0.5
de (rad.s-1)
0
/32
/4
Cambio Error es Pos_peq: 0.25
AND
(Error es Cero) Y (Cambio Error es Pos_peq):
min(0.5,0.25)=0.25
prod(0.5,0.25)=0.125
AND(x,y)=T-norm(x,y)
La regla se dispara, ya que min(0.5,0.25) > 0
Jos Villar Collado
Control borroso (13): resultado de una regla

OBSERVACION:
Error es /8
Cambio error es /32
COMPROBACION DE LA REGLA:
Si el error es Z (0.5) y el cambio de error es PP (0.25)
Entonces la fuerza es NP
CONCLUSION DE LA REGLA:
la fuerza es NP min(0.5,0.25)=0.25
NP
fuerza (N)
0.25
-20
La fuerza es NP : 0.25
Jos Villar Collado
Control borroso (14): resultado de varias reglas

OBSERVACION:
Error es /8
Cambio error es /32
COMPROBACION DE LA REGLA (Z,PP,NP):
Si el error es Z (0.5) y el cambio de error es PP (0.25)
Entonces la fuerza es NP ( min(0.5,0.25)=0.25 )
COMPROBACION DE LA REGLA (Z,Z,Z):
Si el error es Z (0.5) y el cambio de error es Z (0.75)
Entonces la fuerza es Z ( min(0.5,0.75)=0.5 )
NP
Z
0.5
0.25
-10
10
20
fuerza (N)
La fuerza es:
(NP en grado 0.25) OR (Z en grado 0.5)
REGLA MAX-MIN:
max(min(NP,0.25),min(Z,0.5))

Jos Villar Collado
Control borroso (15): max-min con dos reglas

regla (Z,Z,Z)
error
-/4
-/4
-/8
emed= /8
regla (Z,PP,NP)
cambio
-/8 error
-10
10
demed= /32
Z
PP
error
-/4
fuerza
-/4
-/8
cambio
-/8 error
NP
fuerza
-20 -10
0
Fres
fuerza
-20
-10
-10

Jos Villar Collado
Control borroso (16): desborrosificacin

Es la obtencin de una accin de mando numrica a partir del resultado
proporcionado por las combinacin de las reglas de control
Fres
fuerza
-20
-10
-10
f .Fres (f )
COA (center of area): f =
=
Fres ( f )
F
fi
fi .Fres ( fi )
Fres (fi )

Jos Villar Collado
Control borroso (17): disparo de reglas
NG
-/2
NG
-/4
NP
-/4
NP
-/8
PP
PG
/4
/2
PP
PG
/8
/4
Observaciones:
Error es /8
Cambio error es /32
error (rad)
cambio
error (rad.s -1)
Posibles reglas a disparar (hasta 4):

(Z,Z,__) (Z,PP,__) (PP,Z,__) (PP,PP,__)
Jos Villar Collado

Fuerza
Error
NG
NP
Z
PP
PG
NG
PG
PG
PG
PP
Z
Cambio Error
NP
Z
PG
PG
PG
PP
PP
Z
Z
NP
NP
NG
PP
PP
Z
NP
NG
NG
PG
Z
NP
NG
NG
NG
Reglas a disparar (mximo 4):

(Z,Z,Z)
(Z,PP,NP)
(PP,Z,NP)
(PP,PP,NG)

Jos Villar Collado
NG
-/2
NG
-/4
NP
-/4
NP
-/8
PP
PG
/4
/2
PP
PG
/8
/4
Observaciones:
Error es 0
Cambio error es 0
error (rad)
cambio
error (rad.s -1)
Posibles reglas a disparar (slo una):

(Z,Z,__) en la tabla (Z,Z,Z)
Jos Villar Collado
Control borroso (20): conclusiones preliminares

No se requieren conocimientos significativos de la teora
de control clsica para disear un control borroso
El diseo del control se basa en proponer un conjunto

de reglas lingsticas a las que posteriormente hay que
asociar un significado matemtico mediante las
particiones borrosas de las variables de entrada y salida
No se ha utilizado ningn modelo de la planta para
desarrollar el control, aunque se desconoce su
comportamiento

Jos Villar Collado
Contenido
Introduccin
modelo matemtico
simulink y la toolbox fuzzy
resultados

Jos Villar Collado
Simulaciones (1): modelo

Ejemplo:pndulo invertido
y
Carro:
Varilla:
masa M
masa m
longitud L
m
L
x
F

Jos Villar Collado

En el carro :
F
F
..
..
=Mx
F = M x + R x + N
=0
N = Mg + Ry
M : masa carro
N : fuerza normal, N rozamiento
R : reaccin del pndulo
mg
Rx
x
F
Ry
N
Mg
Jos Villar Collado

En el pndulo :
= ma xG
= may G
L
mg
Rx
d2
L
Rx = m 2 ( x + sen( ))
2
dt
d2 L
Ry = mg + 2 ( cos( ))
dt 2
xG = x +
yG =
L
sen (? )
2
L
cos (? )
2
x
F
Ry
N
Mg
Jos Villar Collado
Derivando :
d
d
(sen( )) = cos( )
dt
dt
2
d2
d 2
d
(sen( )) = sen( )
+ cos( ) 2
2
dt
dt
dt
d
d
(cos( )) = sen( )
dt
dt
2
d
d 2
d
(cos( )) = cos( )
sin( ) 2
2
dt
dt
dt
2
x
F
M
Jos Villar Collado
..
= I
Ry
..
L
L
mL
sen( ) Rx cos( ) =
2
2
12
2
x
F
M
Jos Villar Collado
Simulaciones (6): modelo final

..
..
Finalmente despejando x y :
F
Carro: masa M
Varilla: masa m, longitud L
x
. 2
mL sen( ) 3mg sen( ) cos( )
..
2
8
x=
2
3 m cos ( )
M +m
4
. 2
mL sen( ) 3mg sen( ) cos( )

3 cos( ) F
2
8
..
3g sen( )
2L
3m cos 2 ( )
2L M + m

Jos Villar Collado
Simulaciones (7): datos modelo simulado
Carro: masa M
Varilla: masa m, longitud L
F
x
DATOS UTILIZADOS:
M=1
m=0.1*L
L=1
g=9.8
Jos Villar Collado
Simulaciones (8): modelo simulink
Longitud
longitud
varilla
ref, error
Mux
referencia
Referencia 0.0
dinmica del sistema
vehculo + varilla
error
Inicializacin de variables
Kde
-1
Ke
error
Km
1
fuerza
Mux
cambio error
Controlador
borroso
lazo de control
Jos Villar Collado
Simulaciones (9): modelo simulink
1
in_1
sin(u[1])
Mux
Mux
cos(u[1])
f(u)
1/s
1/s
theta dot
theta
out_1
2
out_2
3
out_3
half pole length

2
in_2
0.5
Mux
0.1
Gain
Gain1
Mux
f(u)
1/s
1/s
x dot
out_4
pole mass
modelo vehculo+varilla
Jos Villar Collado
Simulaciones (10): fuzzy toolbox

Jos Villar Collado
Simulaciones (11): fuzzy toolbox, rule viewer

Jos Villar Collado
Simulaciones (12): fuzzy toolbox, rule viewer

Jos Villar Collado
Simulaciones (13): resultados

Jos Villar Collado
Simulaciones (14): resultados

Jos Villar Collado
Simulaciones (15): conclusiones

Se requieren ajustes para mejorar el comportamiento del control
Longitud
longitud
varilla
ref, error
Mux
referencia
Referencia 0.0
dinmica del sistema
vehculo + varilla
error
Inicializacin de variables
Kde
-1
Ke
error
Km
1
fuerza
Mux
cambio error
Controlador
borroso

Jos Villar Collado
Contenido
Introduccin
controles no realizables con PID
evaluacin inteligente del entorno
ejemplo
Jos Villar Collado
Ms all del PID (1)

Acciones de control no realizables con PID
Control supervisor
Seleccin de acciones de control discretas
Identificacin de puntos de operacin o
condiciones de funcionamiento, evaluacin del
entorno, etc.

Jos Villar Collado
Ms all del PID (2): control supervisor

consigna
real
FLC
consigna
artificial
cr
PLANTA
PID
ca4
ca3
ca2
Ajuste de consignas
ca1

Jos Villar Collado
P, I, E
PID
FLC
SOBREPASO
OSCILACIONES
ERROR
PLANTA
Ajuste de parmetros
Jos Villar Collado

Seleccin de controles clsicos mediante estrategia de
reglas borrosas, en funcin de la zona de operacin de la
planta
si condiciones1 entonces PID1
PLANTA
Seleccin de controladores
Jos Villar Collado
Ms all del PID (5): acciones discretas
Girar a la izquierda o a la derecha

Cambiar de marcha
...
PID ?

Jos Villar Collado
Ms all del PID (6): evaluacin del entorno

Evaluacinooinferencia
inferenciainteligente,
inteligente,mediante
mediantecriterios
criterios
Evaluacin
borrosos,del
delentorno
entornopara:
para:
borrosos,
estadoptimo
ptimo
elelestado
convenienciade
deun
uncambio
cambiode
deestado
estado
lalaconveniencia
Ej.1):
1): cambio
cambioautomtico
automticode
deNissan
Nissanoptimizado
optimizadopara
para
Ej.
conduccinpor
porautopista,
autopista,carreteras
carreterascon
concurvas,
curvas,etc.
etc.
conduccin
autopista=movimientossuaves
suavesyyde
depoca
pocaamplitud
amplitudde
delalapalanca
palanca
autopista=movimientos
delacelerador
acelerador
del
carreteracon
concurvas=fluctuaciones
curvas=fluctuacionesimportantes
importantesyyfrecuentes
frecuentesen
enlala
carretera
posicinde
delalapalanca
palancadel
delacelerador
acelerador
posicin
Elsensor
sensores
eselelconductor:
conductor:lalainferencia
inferenciainteligente
inteligentenicamente
nicamente
El
interpretasu
sucomportamiento
comportamiento
interpreta
Jos Villar Collado
Ms all del PID (7): evaluacin del entorno

Ej2):
2):ajuste
ajusteautomtico
automticode
dela
lapotencia
potenciade
deabsorcin
absorcinde
deuna
una
Ej
aspiradora (tipo
(tipode
desuelo,
suelo,cantidad
cantidadde
depolvo)
polvo)::
aspiradora
alfombra=muchopolvo=variacin
polvo=variacinlenta
lentade
delalacantidad
cantidadde
depolvo
polvo
alfombra=mucho
absorbido
absorbido
suelopulido=la
pulido=lacantidad
cantidadde
depolvo
polvoabsorbido
absorbidodecrece
decrececon
conrapidez
rapidez
suelo
Ej3):
3):ajuste
ajusteautomtico
automticode
delas
las caractersticas
caractersticasde
delavado
lavadode
de
Ej
unalavadora
lavadoraautomtica
automtica (tipo
(tipode
detejidos,
tejidos,tipo
tipode
demanchas,
manchas,etc)
etc)::
una
manchasfciles=aumento
fciles=aumentorpido
rpidode
delalaturbidez
turbidezdel
delagua
agua
manchas
manchasdifciles=aumento
difciles=aumentolento
lentode
delalaturbidez
turbidezdel
delagua
agua
manchas

Jos Villar Collado
Ejemplo: termostato inteligente (1)

Termostato convencional:
TREF
ON/OFF
Bomba
de calor
Termostatointeligente:
inteligente:
Termostato
Esms
msconfortable
confortabletener
tenertemperaturas
temperaturasms
msaltas
altasdurante
durante
Es
elda
daque
quedurante
durantela
lanoche
noche
el
Unamisma
mismatemperatura
temperaturaresulta
resultams
msclida
clidasisila
la
Una
habitacinest
estsoleada
soleada
habitacin
Sila
lareferencia
referenciase
sebaja
bajasignificativamente
significativamentese
sebusca
buscauna
una
Si
refrigeracin intensa
intensa
refrigeracin
Jos Villar Collado

T
TREF
ON/OFF
+
-
Bomba
de calor
FLC
Errorpositivo
positivo ==TTref>>TTreal==fro
fro
Error
ref
real
Errornegativo
negativo==TTref<<TTreal==calor
calor
Error
ref
real
Luminosidad
Jos Villar Collado

Correccin Tref
Luminosidad
Cambios de consigna
frecuencia
amplitud
Error (Tref-Treal)
Reglas
Histresis
Sicambios
cambiosfrecuentes
frecuentesde
deconsigna
consignase
sebusca
buscaprecisin
precisin
Si
histresispequea
pequea
histresis
Sicambio
cambiode
deconsigna
consignapequeo
pequeose
sebusca
buscaprecisin
precisin
Si
histresispequea
pequea
histresis
Sierror
errormuy
muygrande,
grande,para
paraincrementar
incrementarrapidez
rapidez
Si
amplificar
amplificarerror
erroreehistresis
histresis
Sihay
haymucha
muchaluminosidad
luminosidadlalasensacin
sensacinde
decalor
calorse
seincrementa
incrementa
Si
reducir
reducirconsigna
consigna
Sihay
haypoca
pocaluminosidad
luminosidadlalasensacin
sensacinde
defro
frose
seincremente
incremente
Si
incrementar
incrementarconsigna
consigna

Jos Villar Collado

Luminosidad
R1
luminosa
(luz artificial, de da)
R2
muy luminosa
(sol directo)
Cambios de
consigna
Temp (Error) Correccin Histrsesis

ms fro
Tref
ms calor
Tref
pequea
normal
R3
pequeo
Ninguna
pequea
R4
frecuentes
Ninguna
pequea
Mucho fro
Tref >> Treal
Mucho calor
Tref << Treal
ms calor
Tref
Ms fro
Tref
grande
zero
Ninguna
pequea
R5
R6
R7
zero
grande

Jos Villar Collado
Algunas referencias
Teora de conjuntos borrosos + aplicaciones:

Fuzzy Sets and Fuzzy Logic, Theory and Applications, Prentice Hall, George J. Klir, Bo
Yuan, 1995. (libro)
Fuzzy Sets and Systems: Theory and Applications, Mathematic in science and
engineering vol 144, Didier Dubois, Henri Prade, 1980. (libro)
Fuzzy Systems Theory and its applications, Academic Press, T. Terano, K. Asai, M.
Sugeno, 1992 (libro)
Razonamiento aproximado:
Fuzzy sets in approximate reasoning, Part 1 and Part 2 (Fuzzy Sets and Systems 40)
Didier Dubois, Henri Prade, 1991 (paper)
Representation and combination of uncertainty with belief functions and possibility
measures, Computational Intelligence vol 4, Didier Dubois, Henri Prade, 1988 (paper)
On logic and Fuzzy Logic, International Journal of Uncertainty and knowledge-based
systems vol 1 n2, Enric Trillas, 1993 (paper)
Control borroso:
Fuzzy Control, Addison-Wesley, Kevin M. Passino, Stephen Yurovich, 1997 (libro)
Fuzzy Control and Fuzzy Systems, Research Studies Press, Witold Pedrycz, 1993 (libro)
Fuzzy Logic in Control Systems, Part 1 and 2, IEEE Transaction on systems, man and
cybernectis, vol 20, Chuen Chien Lee, 1990 (paper).
Jos Villar Collado

Control Borroso 1 - Introduccion Al Control Borroso 20-5-2001

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Control Borroso 1 - Introduccion Al Control Borroso 20-5-2001

Transféré par

Droits d'auteur :

Formats disponibles

Control borroso

Control lingstico de una planta

Control borroso, Introduccin 2

Introduccin (1): motivacin

Introduccin (2): estructura general

Tipos de controles ms empleados:

Introduccin (3): estrategias de control

estrategia = sentido comn !

Introduccin (4): otras motivaciones

Control borroso, Introduccin 6

Introduccin (5): perspectiva histrica

Zadeh 1965: Fuzzy Sets en Information and Control

Aos 80: Japn destaca en el terreno industrial, Europa en el terico

Introduccin (6): AI Magazine (1)

This magazine is sent to every member of the American Association of Artifical

Introduccin (7): AI Magazine (2)

This message was posted through the fuzzy mailing list.

Control borroso, Introduccin 9

Formulacin matemtica del control borroso

Control lingstico (1): descripcin de la planta ej.

Control borroso, Introduccin 11

Control lingstico (2): variables

Variables que el experto puede emplear para el control:

Por ejemplo, a partir de las dos primeras, se busca la salida:

Control lingstico (3): variables lingsticas

Control lingstico (4): variables lingsticas

Control borroso, Introduccin 14

Control lingstico (5): reglas lingsticas

Control lingstico (6): base de reglas

Control borroso, Introduccin 16

Control lingstico (7): base de reglas

Modelo, simulaciones y resultados

Control borroso, Introduccin 18

Control borroso (1): introduccin

Control borroso, Introduccin 19

Control borroso (2): estructura general

Tipos de controles ms empleados:

Control borroso (3): funciones de pertenencia

Un conjunto borroso PP sobre el universo del error E es una

Control borroso (4): funciones de pertenencia

PP (-/2)=0: -/2 no es pos_peq

Control borroso (5): funciones de pertenencia

Control borroso, Introduccin 23

Control borroso (6): particiones

Los significados de NP para las variable error y cambio de

Control borroso (7): particiones

Notar la forma de los

Control borroso, Introduccin 25

Control borroso (8): particiones

Aspectos a considerar en una particin:

Numero etiquetas lingsticas

Control borroso (9): borrosificacin

E(e) = TRG(a,b,c) (e) con b = e med

se puede utilizar para modelar la precisin de las medidas

Control borroso (10): disparo de las reglas

Control borroso (11): comprobacin de antecedentes

Cambio Error es Pos_peq: en grado 0.25

Control borroso, Introduccin 29

Control borroso (12): certeza de una regla

Error es Cero: 0.5

Cambio Error es Pos_peq: 0.25

Control borroso (13): resultado de una regla

Control borroso (14): resultado de varias reglas