GENERADOR AUTOMÁTICO DE CONTROLADORES

DIFUSOS

Elías Todorovich1 & Nelson Acosta Gerardo Acosta2

INCA (INvestigación en Computación Aplicada) Grupo ADQDAT

Fac. Cs. Exactas, Univ. Nac. del Centro, Tandil, Arg. Fac. de Ingeniería, Universidad Nacional del Centro,
http://www.exa.unicen.edu.ar/inca/ Olavarría, Argentina.
email: {nacosta ; etodorov@exa.unicen.edu.ar} email: ggacosta@fio.unicen.edu.a r

Resumen. El objetivo de este artículo es mostrar una primer experiencia en el diseño

automático de controladores difusos. Para ello se genera automáticamente la descripción del
controlador utilizando un algoritmo evolutivo (AE). A partir de dicha definición se obtiene
una descripción VHDL sintetizable del controlador para su materialización en hardware a
medida de la aplicación sobre plataformas ASIC o FPGA; incluyendo el (micro)programa que
realiza el control de la ruta de datos. En este trabajo el énfasis está puesto sobre el AE que
genera las funciones de pertenencia y reglas de inferencia del controlador difuso. Como caso
de estudio se diseña el controlador de un motor de inducción.

Keywords. Controladores difusos, Síntesis automática de controladores difusos, Algoritmos

evolutivos.

1. INTRODUCCIÓN algoritmo capaz de generar automáticamente la

Bien sabido es que la lógica difusa puede ser una
solución para la modelización y control de procesos
no lineales o variantes en el tiempo (Costa et al.,
1995; Mendel, 1995; Togai & Watanabe, 1986;
Sasaki & Inoue, 1993; Ungering et al., 1993). Los
controladores difusos (CLD) de alto rendimiento
pueden ser materializados por circuitos específicos
(Hung, 1995; Costa et al., 1996; Acosta et al., 1997a)
y además, para procesar un número elevado de reglas
rápidamente, se han utilizado técnicas de
optimización (Toms et al., 1996; Ascia et al., 1996;
Acosta et al., 1998a y 1998b; Deschamps & Acosta,
1996; Chung & Lee, 1996). Todos estos trabajos se
enfocan en el diseño de la arquitectura que realiza el
cálculo del algoritmo de control, pero en todos los
casos se parte de una definición ya establecida y
probada del CLD (conjunto de reglas y funciones de
pertenencia). En éste artículo se presenta un
definición del conjunto óptimo de funciones de
pertenencia y de reglas de inferencia para la posterior
obtención de una materialización hardware, y el
(micro)programa a partir de ella.
La sección 2 describe el algoritmo de cálculo de los
controladores difusos y los pasos para la generación
de un controlador a partir de una especificación. La
sección 3 presenta brevemente la idea de los
Algoritmos Genéticos Jerárquicos (AGJ) y se explica
el AE propuesto aplicado a la generación de CLD. La
sección 4 ilustra estas técnicas mediante un caso de
estudio y presenta los resultados obtenidos.
Finalmente se escriben conclusiones y comentarios.
2. GENERADOR DE CONTROLADORES
Sea un algoritmo de cálculo de m funciones f0, f1, ...,

1
Becario CONICET de Argentina.
2
Investigador Asistente CONICET de Argentina.
fm-1 de n variables x0, x1, ..., xn1. El valor de xi
pertenece al conjunto Si, y el valor de fk al conjunto
de los números reales R. A cada variable xi
corresponden pi funciones de pertenencia: Aij: Si →
[0,1], 0 ≤ j ≤ pi-1; a cada función fk corresponden
qk funciones de decodificación: Bkl: [0,1] → R, 0 ≤
l ≤ qk-1; el cálculo de fk se basa en sentencias (reglas
de inferencia) tales como: “IF x0 is A0 j0 AND x1 is A1
j1 AND ... AND xn-1 is An-1 jn-1 THEN fk is Bkl”. Se
define un conjunto de coeficientes r, tal que: r(j0, j1,
..., jn-1, k, l) =1 si la regla previamente mencionada se
aplica; de lo contrario r(j0, j1, ..., jn-1, k, l) = 0. El
algoritmo de cálculo de la función fk es (ver Acosta et
al., 1997b):
∀i:0 ≤ i ≤ n-1, ∀j:0 ≤ j ≤ pi-1,
calcule, yij = Aij (xi);
∀k:0 ≤ k ≤ m-1, ∀l:0 ≤ l ≤ qk-1,
calcule3, wkl = ∨r (j0, j1, ..., jn-1, k, l) . y0 j0 . y1 j1 .
... . . .... yn-1 jn--1, ∀ j0, j1, ..., jn-1
vkl = Bkl (wkl); ∀k:0 ≤ k ≤ m-1, calcule,
Nk = vk 0 + vk 1 + ... + vk qk-1,
Dk = wk 0 + wk 1 + ... + wk qk-1,
fk = Nk / Dk
Para materializar controladores difusos por medio de
un procesador estándar o de un circuito específico, es
conveniente que todas las operaciones sean unarias o
binarias. Las unarias corresponden a las funciones de
pertenencia (fusificación) y decodificación
(defusificación); que pueden ser materializadas por
bloques de memoria. Las binarias corresponden a
funciones reticulares (máximo y mínimo) y
aritméticas (suma, producto, división); que son
materializadas por la(s) unidad(es) aritmético-
lógica(s). Un CLD se compone de 3 bloques
principales: a) Fusificador, que traduce los valores
(crisp) de las variables de entrada a valores difusos
(materializados por bloques ROM). b) Motor de
Inferencias, es el encargado de realizar la evaluación
de las reglas. c) Defusificador, que traduce los
valores difusos, que son salida del motor de
inferencia, en el valor de la variable de salida (crisp).
El sistema desarrollado (Fig. 1) cubre la brecha entre
la especificación del problema y su materialización
por un circuito específico. Se utiliza un lenguaje de
especificación que por medio de reglas y conjuntos
difusos, permite describir el problema. A partir de la
definición del problema descrito se genera un primer
esquema de cálculo, que permite ejecutar el
algoritmo; mientras que las funciones de pertenencia
son generadas en un formato tal que puedan ser
almacenadas en memorias. Los pasos siguientes
permiten la transformación del esquema inicial en un
programa (transformando el esquema para el cálculo
3
El símbolo (.) representa el operador mínimo, y ∨
el máximo.
utilizando operadores binarios, realizando la
minimización de las operaciones reticulares y
aritméticas (Deschamps & Acosta, 1996), y
asignando los registros a posiciones reales de
memoria). La traducción de ese programa en el
(micro)programa sólo incluye la materialización de
operaciones de múltiples anchos de palabra en la
secuencia que permita su cálculo utilizando
instrucciones de ancho simple en múltiples ciclos.
El lenguaje de entrada permite la definición hardware
de la plataforma (tamaño de palabra, cantidad de
señales de entrada y salida), la definición de señales
y conjuntos difusos de entrada y salida, y por
supuesto el conjunto de reglas. Pero aún resta obtener
esta definición, lo cual se resuelve mediante el uso
del AE.
3. ALGORITMO GENÉTICO JERÁRQUICO
La primer propuesta encontrada en la literatura para
obtener los conjunto de reglas y funciones de
pertenencia, es el procedimiento heurístico,
reiterativo y subóptimo que altera el número de
funciones de pertenencia hasta mejorar
suficientemente el rendimiento (Procyk & Mamdani,
1979). Recientemente se han aplicado varias técnicas
basadas en redes neuronales (Jang & Sun, 1995) y
algoritmos genéticos (AG) en el diseño automático
(Homaifar & McCormick, 1995; Karr & Gentry,
1993; Yoshikawa et al., 1996). Tang et al. (1998) usa
un AGJ. En este algoritmo, se mantiene el cómputo
del AG convencional pero la estructura genética del
cromosoma se organiza jerárquicamente. El
cromosoma consiste ahora de genes paramétricos y
genes de control. La activación de los genes
paramétricos es gobernada por el valor de los genes
del control, si el gen de control está en '1' entonces el
gen paramétrico que éste gobierna estará activo; un
'0' desactiva el gen paramétrico (anula esa
característica en el fenotipo). Esta estructura
jerárquica implica que el cromosoma tiene más
Archivo de especificación
Esquema de cálculo
Optimización reticular y aritmética
Asignación de registros
(Micro)programa + código VHDL
Fig. 1 - Diagrama de operaciones para obtener un
controlador difuso
 Control Parámetros
110101 351847 → Xa = (3, 5, 8, 7)
100101 351847 → Xb = (3, 8, 7)
Fig. 2: Representación de los cromosomas
información que en las codificaciones de un AG
convencional, técnica que permite obtener una
solución con el número mínimo de funciones de
pertenencia y reglas. No obstante todavía resta el
problema de sintonizar los parámetros. En este
artículo se utiliza una estrategia de control de
parámetros para resolver este problema (véase Eiben
et al., 1999).
Los AG son un tipo particular de AE. Los AG usan
el código binario para representar los genes en el
cromosoma mientras que en los AE se permiten otras
codificaciones. Los AE son algoritmos estocásticos
donde se optimiza una función (fitness) que tiene
como entrada las representaciones de las soluciones
del problema (cromosoma). Los AE operan sobre un
conjunto de cromosomas (población) sobre el cual se
aplican iterativamente (generaciones) operadores de
recombinación a las representaciones para obtener
nuevos individuos (cruzamiento, mutación), hasta
que se cumpla algún criterio de terminación, como
encontrar una solución lo
 α1a ( E ), α1b ( E ), α1c ( E ), L , α ma ( E ), α mb ( E ), α mc ( E ), 
suficientemente buena. Los AGJ operan  
con una estructura adaptable que permite Z M =  β1a (∆E ), β1b ( ∆E ), β1c ( ∆E ), L , β na ( ∆E ), β nb ( ∆E ), β nc ( ∆E ), 
al algoritmo explorar en un espacio γ ( ∆U ), γ ( ∆U ), γ (∆U ), L , γ ( ∆U ), γ (∆U ), γ (∆U ) 
 1a
mucho más grande y le permite encontrar
mejores soluciones. En la Fig. 2 hay un
cromosoma formado con 6 genes de
control binarios y los respectivos 6 enteros para los
genes paramétricos. Las longitudes de Xa y Xb son
respectivamente 4 y 3. Esto significa que existen
fenotipos de longitud diferente disponibles dentro de
la misma formulación del cromosoma. El AGJ no
sólo puede explorar en el espacio de los parámetros,
sino también dentro de las posibles
longitudes para perfeccionar la función
objetivo; y reducir el número de reglas y
funciones de pertenencia implica reducir
la cantidad de recursos necesarios para
su implementación y por ende el costo
del controlador.
representación de los cromosomas. No obstante, la
idea del control de parámetros se aplica para otros de
los parámetros del AE en este trabajo.
Para entender la manera en que pueden generarse
automáticamente controladores difusos con AE es
fundamental conocer la manera en que los
controladores son codificados. Pero además, el uso
de un AE requiere la definición de varios elementos:
la representación del cromosoma, la función de
selección, los operadores genéticos que constituyen
la función de la reproducción, la creación de la
población inicial, el criterio de terminación y la
función de evaluación. Cada uno de estos puntos
tiene parámetros que deben ser tratados. Pero no
todos ellos pueden implementarse de forma
adaptable debido al compromiso que debe observarse
entre tiempo de ejecución y flexibilidad.
El cromosoma consiste de dos partes: la de control, y
la de parámetros. La parte de parámetros del
cromosoma se subdivide en una parte para las
funciones de pertenencia y una parte para las reglas.
Cuando el caso particular de aplicación es un CLD,
usualmente se emplean como entradas el error (E) y
su derivada (∆E), y como salida la variable
manipulada (∆U). La parte del cromosoma
correspondiente a las funciones de pertenencia tiene
la forma dada en la Ec. 1 (Ver Fig. 3):
1b 1c pa pb pc 
(Ec. 1)
donde:
• α, β y γ son números reales y limitados por
[αmin, αmax], [βmin, βmax] y [γmin, γmax]
respectivamente.
• m, n y p son los máximos números aceptables de
subconjuntos difusos E, ∆E y ∆U
respectivamente.

Un cambio en los genes de control

impacta en los genes nivelados más
abajo en la jerarquía cuando se evalúe y
decodifique el genotipo. Ésta es la razón
de por qué el AGJ puede alcanzar una
topología del sistema mínima. En el
contexto de control de parámetros en
AE, un AGJ puede ser considerado
como un mecanismo de adaptación de la Fig. 3: Codificación de las funciones de pertenencia
 • αia(E), αib(E), αic(E) función de pertenencia de
entrada del i-ésimo subconjunto difuso de E.
• βja(∆E), βjb(∆E), βjc(∆E) función de pertenencia
de entrada del j-ésimo subconjunto difuso de ∆E.
• γka(∆U), γkb(∆U), γkc(∆U) función de pertenencia
de salida del j-ésimo subconjunto difuso de ∆U.
La parte de reglas en el cromosoma tiene un tamaño
de n×m y toma la forma:
r11 , r12 ,L, r1m ,
 
ZR =  L  (Ec. 2)
r , r , L , r 
 n1 n 2 nm 
donde, cada rij es un entero en [1, p]; i y j pertenecen
a [1, n], [1, m] respectivamente, y rij representa la
siguiente regla de lógica difusa:
si E es Ei y ∆E es Dj, entonces ∆U es Urij (Ec. 3)
La selección se realiza en base al fitness del
individuo tal que los mejores individuos tienen una
mayor probabilidad de ser seleccionados. Ha sido
escogido un método de ranking normalizado para la
función de selección porque sólo exigen que la
función de evaluación mapee las soluciones a un
conjunto parcialmente ordenado y permiten la
minimización y negatividad
Se han elegido diferentes operadores genéticos para
cada parte del cromosoma. Un cruzamiento simple se
aplica a los genes de control y a las reglas
separadamente, mientras que un cruzamiento
aritmético se aplica a la parte de funciones de
pertenencia.
Una mutación de bit se aplica a los genes de control.
Para las reglas se aplica una mutación delta shift que
altera cada elemento del cromosoma en la parte de
las reglas como sigue:
rij = rij + d (Ec. 4)
donde d tienen igual probabilidad de ser 1 o –1; y rij
se mantiene entre 1 y p. Para las funciones de
pertenencia se usa una mutación múltiple-no-
uniforme que se define como sigue. Para un padre X,
si se selecciona el elemento xk para mutación, el
individuo resultante será X' = (x1,…, xk', …xq)
siendo:
Si el numero
 binario aleatorio es

′  x + ∆(t , right (k ) − x k ) 1 al principio del proceso evolutivo mientras que se
xk =  k
 Si el numero
 x k − ∆(t , x k − left (k ))
binario aleatorio es
0 evolución cuando no se cumple con alguna
(Ec. 5)
La función ∆ (t; y) retorna un valor en el rango [0; y]
tal que la probabilidad que ∆ (t; y) esté cerca de 0
aumenta a medida que aumenta t (t es el número de
generación). Esta propiedad hace que este operador
busque uniformemente al principio (cuando t es
pequeño), y muy localmente en el espacio de
soluciones en las fases más tardías. Aquí se ha usado
la función siguiente:
b
 t
∆(t , y ) = y ⋅ r ⋅ 1 −  (Ec. 6)
 T
donde:
• r es un número aleatorio en [0 ..1],
• T es el número máximo de generaciones, y
• b es un parámetro del sistema que determina el
grado de no-uniformidad. Un valor de 6 se usó
en este trabajo. Esta operación se aplica varias
veces para que muten múltiples valores de los
parámetros triangulares de las funciones de
pertenencia.
Antes de evaluar el fitness del cromosoma, debe
obtenerse el fenotipo correspondiente. En muchos
casos una decodificación directa puede producir un
controlador difuso inválido. Los posibles problemas
observados en los cromosomas son:
• que el número de funciones de pertenencia
activas sea menor de dos para una variable.
• zonas no cubiertas para las variables de entrada
y salida.
• los parámetros de las funciones triangulares
estén desordenados.
• que no haya ninguna regla activa.
• que algún rij sea mayor que el número de
funciones de pertenencia activas para la variable
de salida.
Una vez obtenido un fenotipo válido, puede
aplicársele la función de evaluación para conseguir el
valor de fitness. Esta función modela el sistema de
control para el que el CLD es diseñado. También la
evaluación de fitness debe implementar las
especificaciones y restricciones de diseño. Por
ejemplo, alcanzar un mínimo de error estacionario a
la salida y no permitir picos por abajo ni por arriba;
mientras que el controlador resultante tenga un costo
mínimo o una velocidad máxima. Pero, como la
evaluación del CLD es computacionalmente costosa,
se emplea un enfoque adaptativo para la evaluación
de fitness. La duración de la simulación crece con el
tiempo de evolución: se ejecuta una evaluación ligera
alarga la evaluación después que la población haya
alcanzado un grado de madurez suficiente. También,
la presión de la penalización crece con el tiempo de
restricción.
 4. CASO DE ESTUDIO
Para evaluar y desarrollar el algoritmo, se trabaja en
simulación con un motor de inducción trifásico ( ¼
HP; 380vca) más su actuador manejado por tensión
[0-10v.], que fue modelado en Matlab mediante la
siguiente ecuación recursiva:
n( k ) = 0,4787 n( k −1) − 0,0408 n( k − 2 ) + 0,4107 u ( k − 2 ) + 0,1417 u ( k −3 ) simulación, sin embargo se prevé su
Ec. 4
Al validar este modelo se obtuvo un error porcentual
< 0.5%. Si bien esta planta, linealizada como una
función de transferencia en el plano Z, es muy bien
controlada con una simple estrategia PID, el motor
asincrónico real para el cual se desarrolla el
controlador difuso, funcionará con cargas variables y
es en este tipo de situaciones donde cobran interés
los controladores de ganancia tabulada como éste.
Todas las simulaciones se realizaron en un PC,
Pentium II 366 MHz con 128 MB de RAM. Los
parámetros para el AGJ fueron:
Tamaño de la población
número de padres en cada generación
nro. de mutaciones en cada generación
número de generaciones
El problema es obtener un controlador difuso que
minimice el error estacionario de salida y también
minimice los sobrepicos y bajopicos. El último
requisito se implementa como una restricción que
penaliza al fitness del individuo. Para verificar el
rendimiento del diseño obtenido, se aplicó una señal
cuadrada en la referencia de velocidad de giro del
rotor. La respuesta puede verse en la Fig. 4.
Al finalizar el AGJ, el universo de discurso de
entrada del controlador difuso quedó con 3 conjuntos
difusos para el Error, 4 conjuntos difusos para la
Derivada del Error; y para la salida, 5 conjuntos
Fig. 4: Seguimiento del set point.
difusos para la Variable Manipulada.
5. CONCLUSIONES Y TRABAJOS FUTUROS
En este primer trabajo se presentan los resultados de
aplicar el ajuste del controlador difuso mediante
algoritmos genéticos jerárquicos (AGJ) en
evaluación sobre un prototipo
experimental, comparando estos resultados
con un controlador difuso desarrollado a partir de
conocimiento experto, y con un controlador PID.
Se ha aplicado un AE con enfoque adaptativo en
longitud del cromosoma, función de evaluación y
operador de mutación. Los EA permiten la
introducción de objetivos y restricciones de diseño.
La codificación jerárquica permite una búsqueda
dentro de un espacio más amplio, tal que puede
reducirse la complejidad del controlador mediante la
exploración de su topología: tanto se minimiza el
costo del dispositivo como se aumenta su velocidad
al máximo.
70
Por otro lado, se ha logrado generar automáticamente
20
la descripción del hardware a medida de la aplicación
40
a partir de la especificación del CLD. Esto produce
1000
una reducción del costo del desarrollo de
controladores con altas exigencias de velocidad, al
generarse automáticamente la plataforma hardware,
el (micro)programa de control, y muy importante: la
puesta a punto del conjunto de funciones de
pertenencia y reglas.
Evidentemente, debe hacerse un desarrollo más
extenso y más experimentación para obtener una
herramienta más rápida mejorando el prototipo
actual. Éste y trabajos anteriores muestran que el
enfoque es lo suficientemente prometedor como para
indicar que la investigación en esta dirección debe
continuarse.
REFERENCIAS
Acosta N. y Garrido J. y Deschamps J-P
(1998a), “Segment representation for
membership-functions”, Int. Symp. on
Engineering of Intelligent Systems, Tenerife,
España.
Acosta N., Deschamps J-P y Garrido J.
(1998b), “Optimized active rule fuzzy logic
custom controller architecture synthesis”, Int.
Symp. on Engineering of Intelligent Systems,
Tenerife, España.
Acosta N., Deschamps J-P. and Sutter G.
(1997a). “Customized Fuzzy Logic
Controller Generator”. Proc. of IFAC-
MIM´97, Vienna, Austria, pp: 93-98.
Acosta N., Deschamps J-P. and Sutter G.
(1997b). “Automatic Program Generator for
Customized Fuzzy Logic Controllers”. Proc.
of IFAC-AART´97, Vilamoura, Portugal, pp:
259-265.
Ascia G., Catania V., Russo M. and Vita L.
(1996). “Rule-driven VLSI Fuzzy Processor”.
IEEE Micro, June, pp: 62-74.
Chung F. and Lee T. (1996). “On Fuzzy
Associative Memory with Multiple-rule
Storage Capacity”. IEEE Trans. on Fuzzy
Systems, vol. 4, Nro. 3, August, pp: 375-384.
Costa A., A. De Gloria, P. Faraboschi, A.
Pagni and G. Rizzotto (1995), “Hardware
Solution for Fuzzy Control”, Proc. of the
IEEE, vol. 83, nº 3, pp. 422 - 434.
Costa A., De Gloria A. and Olivieri M. (1996).
“Hardware design of Asynchronous Fuzzy
Controllers”. IEEE Trans. on Fuzzy Systems,
vol. 4, Nro. 3, pp.: 328-338.
Deschamps J.-P. y N. Acosta (1996),
“Algoritmo de Optimización de Funciones
Reticulares aplicado al Diseño de
Controladores Difusos”, 25as JAIIO, BsAs,
Arg..
Eiben, A.E., Hinterding, R. and Michalewicz,
Z. (1999), “Parameter Control in
Evolutionary Algorithms”, IEEE Trans. on
Evolutionary Computation, Vol.3, No.2.
Homaifar A. and E. McCormick (1995),
“Simultaneous design of membership
functions and rule sets for fuzzy controllers
using genetic algorithms”, IEEE Trans. Fuzzy
Systems, vol. 3, pp. 129-139.
Hung D.L. (1995), “Dedicated Digital Fuzzy
Hardware”, IEEE Micro, vol. 15, nº 4, pp.31
- 39.
Jang J.-S. R. and C.-T. Sun (1995) “Neuro-
fuzzy modeling and control”, Proc. IEEE,
fuzzy modeling and control”, Proc. IEEE,
vol. 83, pp. 378-406.
Karr C.L. and E.J. Gentry (1993), “Fuzzy
control of pH using genetic algorithms”,
IEEE Trans. Fuzzy Systems, vol. 1, pp. 46-53.
Mendel J.M. (1995), “Fuzzy Logic Systems for
engineering: A Tutorial”, Proc. of the IEEE,
vol. 83,nº 3, pp. 345 - 377.
Procyk T.J. and E.M. Mamdani (1979), “A
linguistic self-organizing process controller”
Automatica, vol. 15, no. 1, pp 15-30.
Sasaki M., Uenoand F. Inoue T. (1993), “7.5
MFLIPS Fuzzy Microprocessor Using SIMD
and Logic-in-Memory Structure”, Proc. of
IEEE International Conference on Fuzzy
Systems, pp. 527 – 534.
Tang K.-S., K.-F. Man, Z.-F. Liu and S.
Kwong (1998), “Minimal fuzzy memberships
and rules using hierarchical genetic
algorithms”, IEEE Trans. on Industrial
Electronics, vol. 45, no. 1.
Togai M. and H. Watanabe (1986), “Expert
System on a Chip: An Engine for Real-Time
Approximate Reasoning”, IEEE EXPERT,
vol. 1, nº 3, pp. 55 – 62.
Tombs J., Torralba A. and Franquelo L. (1996).
“A PWM Fuzzy Logic Controller”. IEEE
Micro, October, pp: 68-71.
Ungering A.P., K. Thuener and K. Goser
(1993), “Architecture of a PDM VLSI Fuzzy
Logic Controller with Pipelining and
Optimized Chip area”, Proc. of IEEE Int.
Conference on Fuzzy Systems, pp. 447 – 452.
Yoshikawa T., T. Furuhashi and Y. Uchikawa
(1996), “Emergence of effective fuzzy rules
for controlling mobile robots using DNA
coding method”, Proc. ICEC’96, Nagoya,
Japan, pp. 581-586.