Inteligencia Artificial

LOGICA DIFUSA
1. TEMAS A TRATAR

• Conceptos básicos de lógica difusa.

• Algoritmos para implementación de control difuso.
• Resolución de problemas relacionados.

2. OBJETIVOS

• Reforzar los conceptos relacionados con lógica difusa.

• Verificar la sencillez del método en una aplicación de control difuso.
• Comprender e implementar algoritmos para control difuso.

3. REVISIÓN TEÓRICA

Para comprender el concepto de lógica difusa se analizara la situación en la cual un médico debe decidir si
un paciente tiene fiebre alta o no, sin disponer de un umbral preciso para decidir esta cuestión.
Analizando la situación el medico cuenta con 2 prototipos contra los cuales comparar al paciente; un
prototipo es el perfecto paciente con fiebre alta (pálido, tembloroso y sudoroso) y por otro lado el perfecto
paciente sin fiebre. Comparando las condiciones de su paciente con estos 2 extremos el medico evalúa
cuan cerca de uno u otro se encuentra este.
Esta situación se puede modelar matemáticamente utilizando la teoría clásica de conjuntos, definiendo un
conjunto con los pacientes con fiebre alta y otro con los pacientes que no tienen fiebre alta.
Además se define una función matemática o función indicadora que determina cuando el paciente
pertenece a un conjunto o al otro.

1.a- Conjunto de pacientes con fiebre alta. 1.b- Conjunto difuso de pacientes con fiebre alta.

Figura 1- Representación de pacientes con fiebre alta.

En la figura 1.a se muestra un ejemplo de conjunto de pacientes con fiebre alta, donde la función indicadora
utilizada evalúa si la temperatura es mayor que 39°C entonces el paciente tiene fiebre alta. La figura 1.b
muestra un ejemplo donde ciertos elementos pueden ser “más o menos” miembros de los conjuntos. La
forma de variación de los tonos de grises indica el grado de pertenencia de la temperatura corporal del
paciente al conjunto de pacientes con fiebre alta. Esta forma de variación de los grises hace que el área
negra de la figura 1.a se vea difusa infiriéndose el nombre de lógica difusa.
 Inteligencia Artificial

Siguiendo con el ejemplo propuesto se define la variable temperatura corporal con un rango de validez
desde los 37°C hasta los 42°C.

Figura 2 - Representación del conjunto CFA.

Los conjuntos se pueden representar como la relación entre el grado de pertenencia a un conjunto
determinado y la variable en cuestión. En la figura 2 se muestra la representación del conjunto CFA (con
fiebre alta) correspondientes al caso 1, mientras que en la figura 3 se muestra la representación difusa
correspondiente al caso 2.

Figura 3 - Representación difusa de los conjuntos SFA y CFA.

El grado de pertenencia de un elemento x al conjunto difuso C se indica como µC(x), en todos los casos se
utilizaran funciones de pertenencia normalizadas entre 0 y 1. Por ejemplo, si se consideran 39.5 °C de
temperatura corporal, el grado de pertenencia al conjunto CFA es µCFA(39.5) = 0.50.

En este contexto las operaciones entre conjuntos se plantean de forma de operaciones difusas entre las
respectivas funciones de pertenencia, en la tabla 1 se muestra un detalle de estas.

Operaciones entre conjuntos Operaciones difusas

Unión µAUB(x) = max (µA(x), µB(x))
Intersección µA_B(x) = min (µA(x), µB(x))
Complemento µA(x) = 1-µA(x)

Tabla 1 – Operaciones entre conjuntos y funciones de pertenencia.

 Inteligencia Artificial

4. SISTEMA DE CONTROL DIFUSO

Una aplicación muy difundida de lógica difusa es la implementación de sistemas de control; este hecho se
debe a que no es necesario conocer la función de transferencia del sistema y permite diseñar el control
describiendo el comportamiento con lenguaje natural. En la figura 4 se muestra el esquema típico de un
sistema de control difuso con las correspondientes variables de entradas y de salida.

Figura 4 – Esquema general de un sistema de control difuso

Inicialmente se convierten las variables de entradas reales en variables lingüísticas mediante el proceso de
fuzzificacion; utilizando estas variables se evalúa un conjunto de reglas de control que tendrán como
resultado una serie de valores lingüísticos de las variables de salida. Finalmente se realiza el proceso de
defuzzificacion para obtener los valores reales de las variables de salida.

a) Fuzzificacion: es el proceso por el cual se calcula el grado de pertenencia de una entrada a uno o
varios conjuntos difusos en que se divide el rango de valores posibles para dicha entrada. Las funciones de
pertenencia deben definirse a partir de la experiencia o el sentido común tratando en lo posible de generar
conjuntos difusos convexos, normales y de formas definidas. En la figura 5 se muestran algunas de las
funciones de pertenencias más utilizadas.

Figura 5 – (a) tipo Z, (b) tipo S, (c) triangular y (d) trapezoidal.

b) Evaluación de reglas de control: Se trata de un proceso de inferencia para determinar el

comportamiento del sistema. Se establecen una serie de reglas de la forma If (..) -> Then (..) que indican la
acción a realizar en función del conjunto al que pertenece la entrada.
La evaluación de las reglas de control consiste en determinar cuál/es de ellas se activaran ante un
determinado valor de la entrada. Para la determinación se parte del grado de pertenencia del valor de
entrada a cada uno de los conjuntos difuso del dominio de entrada.
Una forma compacta para representar las reglas de control es utilizando la matriz de memoria asociativa
difusa (fuzzy asociative memory, FAM). Es una herramienta muy útil ya que permite expresar las reglas de
control en una forma compacta.

c) Defuzzificacion: es el proceso por el cual se obtiene el valor numérico para cada una de las variables de
salida a partir de los conjuntos difusos a los que pertenecen. Hay varias alternativas para llevar adelante la
defuzzificacion.
 Inteligencia Artificial

La ecuación (1) muestra la expresión para el cálculo del valor real (numérico) de la variable de salida
empleando el método del centroide (o método simplificado), donde CEi es el centroide del conjunto difuso i-
esimo y µi es el grado de pertenencia para el conjunto difuso i-esimo.

La ecuación (2) muestra la expresión para el cálculo de la variable de salida empleando el método de las
áreas. CEi es el centroide del conjunto difuso i-esimo y Ai es el área activada del conjunto difuso i-esimo.

5. EJEMPLO
Para mostrar el proceso de generación de un sistema de control difuso se propone modelar un sistema que
simule el comportamiento de un médico al tratar pacientes con distintos niveles de fiebre alta. En este caso
se definirán como entrada al sistema la temperatura corporal T del paciente y el grado de sudación S; y
como salida la cantidad de medicamento M a suministrar para bajar la fiebre.

Fuzzificacion de las variables de entrada y salida

Fuzzificacion de la variable temperatura corporal T: Se dividirá al rango de la variable T (37°C hasta 42°C)
en 4 conjuntos difusos denominados de la siguiente manera: TRA: temperatura relativamente alta, TA:
temperatura alta, TMA: temperatura muy alta, TPA: temperatura peligrosamente alta.

Figura 6 - Fuzzificacion de la variable T

Fuzzificacion de la variable sudoración S: Se dividirá el rango de la variable S (en una escala subjetiva de 1
hasta 10, a partir de la observación clínica) en 3 conjuntos difusos denominados de la siguiente manera:
SB: sudoración baja, SM: sudoración media, SA: sudoración alta.

Figura 7 - Fuzzificacion de la variable S

 Inteligencia Artificial

Fuzzificacion de la variable medicamento M: Al rango de la variable M (0 mg hasta 10 mg) se lo dividirá en

3 conjuntos difusos denominados de la siguiente manera: DB: dosis baja, DM: dosis media, DA: dosis alta.

Figura 8 - Fuzzificacion de la variable M

Reglas de control

Las reglas que regirán el comportamiento del sistema se resumen en la tabla 2, aquí están presentadas
sólo algunas de las posibilidades para simplificar el análisis del problema.

# Regla
1 If TRA AND SB Then DB
2 If TA AND SM Then DB
3 If TMA AND SM Then DM
4 If TPA AND SA Then DA
Descripción
Si T ϵ TRA y S ϵ SB entonces M ϵ DB
Si T ϵ TA y S ϵ SM entonces M ϵ DB
Si T ϵ TMA y S ϵ SM entonces M ϵ DM
Si T ϵ TPA y S ϵ SA entonces M ϵ DA

Tabla 2 – Reglas de control

La matriz FAM que representa este conjunto de reglas es la siguiente:

S
SB SM SA
TRA DB - -
T TA - DB -
TMA - DM -
TPA - - DA

Defuzzificacion de la variable de salida

Una vez realizados los pasos anteriores se está en condiciones de evaluar la salida el sistema para un
caso particular, por ejemplo 39.3°C de temperatura corporal y un nivel de sudación de 6.5. Del análisis de
las variables involucradas y sus funciones de pertenencia a los conjuntos difusos respectivos se tiene:

µTMA(T) = 0.3 , µTA(T) = 0.7 , µSA(S) = 0.25 , µSM(S) = 0.5

Observando la tabla 2 se concluye que solamente las reglas 2 y 3 se activan para estos valores de T y S, y
en cada caso hay que calcular el grado de pertenencia de la variable M al conjunto que corresponda.

Para la regla 2: µDB(M) = min {µTA(T) , µSM(S)} = 0.5

Para la regla 3: µDM(M) = min {µTMA(T) , µSM(S)} = 0.3

Finalmente el valor real de salida de la variable Medicamento es:

 Inteligencia Artificial

6. EJERCICIOS

1) En un laboratorio de investigación se desea mantener lo más estable posible la condición ambiental,

para lo cual se dispone de un equipo de refrigeración con un rango de potencia de 0 a 2 KW. Además se
cuenta con sensores de temperatura y humedad que permiten saber el estado de estas variables en
instantes de tiempo determinados. El rango de temperatura admisible es desde 5°C hasta 15°C, siendo 7°C
la temperatura optima, 10°C temperatura aceptable y 13°C temperatura peligrosa para el funcionamiento
del microscopio. En forma análoga el rango de humedad permitida es 5 % hasta 25 %, se considera como
humedad optima hasta 10 % y a partir de 15% humedad aceptable.
El conjunto de reglas de control es el siguiente:

Si T ∈ TO y H ∈ HA entonces P ∈ PB Donde T es la variable temperatura y H es la variable humedad

Si T ∈ TA y H ∈ HO entonces P ∈ PM
Si T ∈ TA y H ∈ HA entonces P ∈ PM
Si T ∈ TP y H ∈ HO entonces P ∈ PA
y sus respectivos conjuntos difusos son:
TO: temperatura optima,
TA: temperatura aceptable,
TP: temperatura peligrosa
HO: humedad optima, HA: humedad aceptable

Si T ∈ TP y H ∈ HA entonces P ∈ PA

Además se define la variable de salida potencia P con sus respectivos conjuntos difusos:
PB: potencia baja, PM: potencia media, PA: potencia alta

a) Implemente el sistema de control de la condición ambiental del laboratorio. En la etapa de defuzzificacion

utilice los métodos de las áreas y los centroides para comparar los resultados.

b) ¿Cuál es la potencia entregada por el equipo de refrigeración para una temperatura de 11.2°C y una
humedad de 14%?

c) ¿Cómo evoluciona la potencia entregada en función de la temperatura para una humedad constante del
5%, 13% y 20%?

d) ¿Cuál será la evolución de la potencia entregada si la temperatura y la humedad varían con el tiempo
según las expresiones siguientes? (Considere un tiempo de análisis de 2 segundos).

T(n)= 2.8*(sin(2*pi*1*n*0.01)+sin(2*pi*1.8*n*0.01))+9.2
H(n)= 25*(exp(-0.95*n*0.01)*sin(2*pi*0.5*n*0.01))+8

e) Obtenga la superficie de control. ¿Cuál es la diferencia de la salida al emplear el método del centroide en
vez del método de las áreas para defuzzificar?
f) ¿Cómo varia la superficie de control al modificar el solapamiento de los conjuntos difusos de entrada?
 Inteligencia Artificial

2) Se desea implementar un control de potencia en una esterilizadora midiendo la presión y temperatura

durante el ciclo de trabajo. El rango de variación de la presión (P) es 20 a 32 psi, mientras el de la
temperatura (T) es 121 a 134 °C. En este caso se propone utilizar un control con realimentación, por lo cual
las variables a fuzzificar son _T y _P, que son la diferencia entre el valor de referencia y el valor de salida
del controlador para la temperatura y presión respectivamente.

Para fuzzificar las variables _T y _P se proponen mismos conjuntos difusos: negativo, cero y positivo;
mientras que para la potencia se proponen tres conjuntos: potencia baja, media y alta. Puede ser que no se
aporte energía al sistema (potencia 0).

El conjunto de reglas de control es el que sigue:

Si ∈ ∈ ∈ ∈
T Ny P ∈
N entonces P 0
Si ∈ ∈ ∈ ∈
T Ny P ∈
0 entonces P 0
Si ∈ T ∈ N y ∈ P ∈ P entonces P ∈ 0
Si ∈ T ∈ 0 y ∈ P ∈ N entonces P ∈ PB
Si ∈ T ∈ 0 y ∈ P ∈ 0 entonces P ∈ PB
Si ∈ T ∈ 0 y ∈ P ∈ P entonces P ∈ PB
Si ∈ T ∈ P y ∈ P ∈ N entonces P ∈ PM
Si ∈ T ∈ P y ∈ P ∈ 0 entonces P ∈ PA
Si ∈ T ∈ P y ∈ P ∈ P entonces P ∈ PA

La planta del sistema modifica los valores de temperatura y presión, según la potencia aplicada, de la
siguiente manera:
Ts(n)=0.99*Ts(n-1)+pot(n-1)/500
Ps(n)=0.97*Ps(n-1)+pot(n-1)/900

Finalmente, se dispone de la información sobre las variaciones de la presión y temperatura de referencia

del sistema, las cuales se muestran en la siguiente gráfica.

Figura 9 – Presión y temperatura de referencia en la planta.

Modelar e implementar el sistema de control difuso que resuelve el problema y analice la evolución de la
temperatura y presión de la planta ante los cambios de los valores de referencia correspondientes. Grafique
la evolución de la potencia y obtenga conclusiones.