Taller de Controlador Basado en Lgica Difusa

Prof. Dr. Gerardo Acosta

Facultad de Ingeniera-UNCPBA Av. del Valle 5737 - (B7400JWI) Olavarra Argentina TE: +54 2284 451055/6 int. 238 FAX: +54 2284 450628 e-mail: ggacosta@fio.unicen.edu.ar URL: http://www.fio.unicen.edu.ar/curriculum/Acosta

Taller de Controlador Basado en Lgica Difusa ______________________________5 1. El Controlador Basado en Lgica Difusa (CBLD) _________________________5
1.1. Introduccin ______________________________________________________________ 5 1.2. Base de Conocimiento ______________________________________________________ 6 1.3. Motor de Inferencias _______________________________________________________ 7 1.4. Emborronador_____________________________________________________________ 7 1.5. Desemborronador __________________________________________________________ 7 1.6. Diseo del Controlador _____________________________________________________ 8 1.6.1 Seleccin de las variables y del universo de discurso ____________________________ 9 1.6.2 Seleccin de la estrategia de emborronamiento _________________________________ 9 1.6.3 Construccin de la Base de Reglas _________________________________________ 13 1.6.3.1 Caractersticas de la Base de Reglas ____________________________________ 20 1.6.3.1.1 Completitud de la base: ____________________________________________ 20 1.6.3.1.2 Interaccin de las reglas de control: ___________________________________ 21 1.6.3.1.3 Consistencia de la base de reglas: ____________________________________ 21 1.6.4 Seleccin de la estrategia de desemborronamiento _____________________________ 21 1.6.4.1 Criterio del Mximo (MAX) __________________________________________ 22 1.6.4.2 Criterio del Medio de Mximos (MOM)_________________________________ 22 1.6.4.3 Criterio del Centro de gravedad (COG) _________________________________ 22 1.7. Tipos de Inferencia________________________________________________________ 23

2. 3.

Algunos comentarios finales _________________________________________25 Referencias _______________________________________________________27

3.1. 3.2. Bibliografa______________________________________________________________ 27 Sitios interesantes _________________________________________________________ 28

Taller de Controlador Basado en Lgica Difusa

1. El Controlador Basado en Lgica Difusa (CBLD)

1.1. Introduccin

Un CBLD es un sistema electrnico e informtico que sirve de soporte fsico para realizar inferencias con lgica difusa. Este dispositivo funcionar en los niveles inferiores de la pirmide de control, cerrando lazos de control en forma similar al PID convencional, aunque como veremos, con ventajas adicionales respecto de ste. Fundamentalmente porque podr aplicarse con sencillez a procesos complejos y pobremente definidos ya sea porque no se dispone de conocimiento cuantitativo de su dinmica o porque la informacin proveniente de sensores es imperfecta (faltante, imprecisa, corrompida por ruido). Sin embargo, estos procesos pueden ser manejados por operadores humanos de un modo eficiente. Este tipo de problemas suele ser bastante corriente en los ambientes industriales. La arquitectura general de un CBLD monolazo, para una sola entrada y una sola salida, se aprecia en la siguiente figura 1.1. Se considera que la variable controlada es de tipo analgica y que debe ser convertida a digital antes de ser usada en los clculos internos del controlador. Por lo tanto, el CBLD ser un caso particular de un controlador digital, cuyo comportamiento ser, como veremos, no lineal. Sus bloques constitutivos son una Base de Conocimiento (BC), una Base de Datos (BD) o memoria de trabajo, un Motor de Inferencias (MI), un Emborronador (F) y un Desemborronador (D)1. A continuacin analizaremos cada uno de estos elementos por separado.

Tanto emborronador como desemborronador son traducciones del ingls al espaol de los trminos referidos en la literatura en este idioma de fuzzificator y defuzzificator, respectivamente. En Argentina suelen traducirse tambin como fuzzificador y defuzzificador.

e(t) r(t) -

BC + MI

u(t)

Planta

y(t)

A/D
FIGURA 1.1: ARQUITECTURA DE UN CONTROLADOR BASADO EN LGICA DIFUSA

1.2.

Base de Conocimiento

La arquitectura que se aprecia en la figura 1.1. para el CBLD es la de un sistema basado en conocimiento, ya que estos controladores pueden considerarse como un caso particular de aquellos sistemas. Para representar el conocimiento existen muchos mtodos [WINST94], aunque para los sistemas de tipo reactivos (que responden a las entradas provenientes de sensores) como los CBLD, el mtodo preferido suele ser la representacin en forma de reglas. Generalmente m reglas del tipo:

Si X 1 es A1 y ... y X n es A n entonces Y es B
donde las Xi son salidas del sistema a controlar, o funciones de dicha salida (errores, derivadas), provenientes de sensores o estimadores; las Y son directamente las variables manipuladas que tendrn que ser convertidos a valores nicos para manejar los actuadores; y los Ai son conjuntos difusos. Mediante reglas de este tipo se codifica en el sistema informtico parte del conocimiento humano en el manejo del proceso, as como tambin los objetivos de control. Por ejemplo: Si error de temperatura es Grande Positivo y la derivada error de temperatura es Grande Positiva entonces aumento de combustible inyectado es Grande Negativo

1.3.

Motor de Inferencias

Es el encargado de concatenar las implicancias de la Base de Conocimiento, aplicando recursivamente una regla de inferencia composicional. Por ejemplo, el operador max/min, presentado previamente.

1.4.

Emborronador

La funcin de este bloque es la de asociar a las entradas una funcin de pertenencia, acorde con el particionamiento del universo de discurso que se haya efectuado. Transforma la medicin del valor determinstico de una variable en valores subjetivos mediante un proceso de verbalizacin. De esta manera, se pueden distinguir las siguientes funciones: medir los valores de las variables de entrada; hacer una adaptacin de escalas desde estas variables de entrada y el universo de discurso, en una suerte de normalizacin; asociar a la entrada un valor lingstico que puede verse como la pertenencia a un dado conjunto difuso.

1.5.

Desemborronador

A partir de los consecuentes de las reglas que se hayan disparado, que seguramente sern ms de una, es necesario obtener una nica accin de control, combinando el resultado propuesto por cada una de ellas. Para ello, este bloque es el encargado de servir de soporte para la aplicacin de alguna de las tcnicas elegidas (el mximo, la
media de mximos, el centroide).

A partir de esta descripcin en bloques, es posible comprender el funcionamiento del CBLD. Para ello se supondr lo que ocurre con el error, una de las entradas a este controlador, en un intervalo de muestreo, entre dos bajadas sucesivas de esa llave que est tomando muestras (como puede considerarse a un conversor A/D ideal). En el instante kT la variable controlada analgica es convertida al tiempo discreto. Luego se compara con la referencia y se obtiene un valor para el error. ste ingresa al emborronador, en el que se le aade una etiqueta lingstica (conjunto difuso) y un valor entre [0,1], asignndole una pertenencia a dicho conjunto difuso. Por ejemplo el error puede haber resultado luego de este procedimiento como PM (positivo medio) con PM=0,3 y PG (positivo grande) con PG=0,7. Con estos valores simblicos se ingresa en la memoria de trabajo. All, el motor de inferencias buscar qu reglas poseen entre sus antecedentes estos patrones en un procedimiento que se conoce en la literatura como pattern matching. Cuando se produce esta coincidencia, la regla se dispara, tornndose verdadero el consecuente de la regla disparada. En el dominio de la lgica difusa, la asercin verdadero tiene toda la gama de matices posibles y se modelan con la funcin de pertenencia. Supngase que una de las reglas que se disparan tiene en su consecuente que la accin de control debe ser, para esos errores, positiva grande, y luego de calcular la funcin de pertenencia correspondiente teniendo en cuenta el

mtodo para modelar las conjunciones y la implicancia, se encuentra que PG=0,6. Este valor tambin se anota en la memoria de trabajo. Seguramente se dispararn ms de una regla, por lo que el motor de inferencias debe combinar la evidencia de cada un de las que se dispar, en el procedimiento que se conoce como agregacin (if...then... ALSO...). El resultado de esta combinacin es un nuevo conjunto difuso, que debe ser desemborronado por el bloque correspondiente para obtener un valor determinado que se aplicar sobre el actuador, completando este ciclo. Con la toma de una nueva muestra para calcular el error en (k+1)T se inicia nuevamente. Como se aprecia en el prrafo anterior, quedaron muchos detalles por definir en cada bloque que constituyen decisiones de diseo. stas pueden dividirse en dos niveles jerrquicos de decisin: el del fabricante de CBLD y el del programador del CBLD. En un nivel superior, los aspectos constructivos de cada bloque (elegir el mtodo para las conjunciones e implicancias, la agregacin, el desemborronado,...). Para esta etapa se deben tener en cuenta las definiciones presentadas en los captulos anteriores. Ahora bien, si esta situacin ya est resuelta porque se est trabajando con una herramienta comercial con estos bloques ya implantados, el programador debe tomar otro tipo de decisiones de diseo, que se presentan a continuacin.

1.6.

Diseo del Controlador

Lamentablemente no existe un procedimiento estndar, pero es posible definir ciertos pasos de trabajo para llegar a un buen diseo del CBLD. La metodologa que se propone sigue los lineamientos generales expuestos en [LEE90] aunque con algunas modificaciones basadas en la experiencia del autor. Como se ver, en cada uno de ellos no existe una solucin nica, y su diseo se asienta en conocimiento heurstico sobre el proceso y pruebas de ensayo-error hasta conseguir una respuesta adecuada a nuestras especificaciones previas, en un proceso de refinamiento que la mayora de las veces requiere una nueva definicin en el criterio de seleccin usado en estos pasos. Esta sintonizacin del controlador puede hacerse tambin en forma automtica, por ejemplo con algoritmos genticos [TODOR2000], o redes neuronales, de modo tal de encontrar un controlador ptimo. Incluso esta optimizacin puede hacerse en lnea, una vez que el controlador est en funcionamiento normal en planta, aunque deben contemplarse especialmente los aspectos de estabilidad. Sin embargo, este tipo especial de CBLD denominados adaptivos, ser objeto de otro trabajo. La metodologa propuesta se resume en los siguientes pasos: 1. Seleccin de las variables y del Universo de Discurso 2. Seleccin de la estrategia de emborronamiento 2.1. Particionamiento de los espacios de entrada y salida 2.2. Eleccin de las funciones de pertenencia 2.3. Discretizacin/normalizacin de los Universos de Discurso 2.4. Completitud 3. Construccin de la base de reglas

3.1 Eleccin de las variables de entrada y las de control 3.2 Eleccin de las reglas de control 4. Seleccin de lgica de toma de decisiones 4.1 Definicin del tipo de implicancia a utilizar 4.2 Interpretacin de los conectivos AND y ALSO 4.3 Definicin del operador de composicin 4.4 Mecanismo de inferencia 5. Seleccin de la estrategia de desemborronamiento

1.6.1

Seleccin de las variables y del universo de discurso

Como en todo lazo de control, el primer paso en su diseo es especificar claramente cules sern las variables de entrada y salida que queremos relacionar a travs del controlador. Adems es necesario conocer de antemano su rango de variacin. Para esto se pueden presentar dos situaciones bien diferentes. El CBLD puede desarrollarse en base al conocimiento de un experto humano, en cuyo caso esta etapa se completa rpidamente a partir de la experiencia previa. Si en cambio es la primera aproximacin que tenemos al problema, habr que elegir las variables que incidan directamente sobre la variable controlada, trabajando generalmente sobre el error o alguna funcin del error. Estas sern las variables provenientes de los sensores. Luego es necesario hacer sencillas maniobras de identificacin de rangos. Por ejemplo desde una posicin de equilibrio como el reposo, puede efectuarse una excursin mxima de la variable manipulada y volverla a cero, para que el proceso evolucione en forma libre a su posicin de equilibrio nuevamente. En esta situacin puede medirse la salida y tenerse una nocin de la amplitud del error y su variacin (construccin de un plano de fase).

1.6.2

Seleccin de la estrategia de emborronamiento

En esta etapa se determina en qu grado las variables de entrada pertenecen a los conjuntos difusos a travs de su funcin de pertenencia. Vale decir, se trata de desarrollar un bloque que tendr en sus entradas los valores numricos elegidos en la etapa anterior, y a su salida dichos valores asociados a conjuntos difusos con sus correspondientes funciones de pertenencia2. Para ello es necesario definir estos conjuntos o universo de discurso, y luego su soporte, en un procedimiento que se conoce como particionamiento del universo de discurso, y obviamente ya requiere de un conocimiento a priori sobre el proceso a controlar, como se muestra a continuacin. La cantidad de conjuntos difusos de nuestro universo de discurso es tambin una decisin de diseo. Cuanto ms cantidad elijamos, mayor poder descriptivo y flexibilidad tendr nuestro lenguaje, pues no olvidemos que estos conjuntos difusos son directamente las etiquetas lingsticas con que nos referiremos a las variables de entrada y de salida. En el caso de trabajar con el error, valores tpicos son positivo pequeo (PP), negativo mediano (NM), y otros. Obviamente, este mayor poder descriptivo tiene su costo en mayor complejidad por la cantidad de reglas involucradas,
2

En rigor, lo que utilizar el motor de inferencias sern los conjuntos difusos y las pertenencias.

que crece proporcionalmente. En la prctica, se suelen elegir entre 2 y 10 etiquetas lingsticas para cada variable de entrada o salida, luego de un procedimiento de prueba y error. Respecto de la forma que tendrn las funciones de pertenencia, no existen diferencias apreciables en los resultados de control entre las diferentes posibilidades (triangulares, trapezoidales, gausseanas, sigmoideas,...). Por ello la mayora de los productos comerciales suelen ofrecer las trapezoidales, entendiendo la triangular como un caso particular, ya que son las de ms fcil implantacin. Para efectuar el particionamiento del universo de discurso de entrada al CBLD es necesario conocer la naturaleza de la medicin de las variables de entrada. En efecto, si estas estn corrompidas por ruido, como en la mayora de las aplicaciones prcticas, es necesario tenerlo en cuenta. Supngase que este ruido puede caracterizarse por una funcin de densidad de probabilidades con una dada desviacin estndar. Luego el soporte de los conjuntos difusos debe ser mayor o igual que dos veces esta desviacin para que tenga sentido fsico, ya que de lo contrario la pertenencia de la medida al conjunto difuso variar de 0 a 1 slo por la dispersin del ruido. Una forma correcta de proceder se muestra en la figura 1.2. La medida puede considerarse como un nmero real (singleton), en cuyo caso conviene tener en cuenta la distribucin de la probabilidad de ruido como se dijo, aunque tambin puede considerarse a la medida como un nmero difuso en s misma. En algunos casos los diseadores suelen tomar directamente esta distribucin de probabilidades como la funcin de pertenencia de este nmero difuso. Sin embargo debe quedar perfectamente claro que la aproximacin con lgica difusa es totalmente determinstica y nada dentro de su cuerpo axiomtico obliga a que guarde relacin con las probabilidades. Tambin hay aplicaciones en las que se suelen combinar la aproximacin de entradas mixtas, es decir nmeros reales y difusos. Esta situacin refleja que en una aplicacin se puede tener ms confianza en algunas medidas que en otras, debido fundamentalmente a las caractersticas propias de los sensores. Si bien hasta el momento toda referencia al particionamiento de los universos de discurso fue hecha con mayor nfasis en el de las entradas, su validez se extiende a las salidas del CBLD. La nica salvedad importante es que las salidas del controlador sern siempre nmeros reales, ya que a partir de estos se generarn los valores de tensin, corriente u otra magnitud fsica que manejen los actuadores del sistema de control bajo diseo.

10

(E)

2 p(E)

FIGURA 1.2: SELECCIN APROPIADA DEL SOPORTE DEL CONJUNTO DIFUSO PARA UNA
ENTRADA

Cuando se desea trabajar con universos de discurso normalizados, para que las funciones de pertenencia de los conjuntos difusos sean simtricas y con la misma longitud de soporte como se ve en la figura 1.3., es necesario multiplicar a alguna o todas las magnitudes de entrada y salida por ciertas ganancias Ki, de modo tal que su evolucin en el transitorio quede perfectamente descripta por las reglas. Por ejemplo, en el caso planteado anteriormente de construir un plano de fase, la evolucin de las entradas debe verse como en la figura 1.4. Si bien es mucho ms intuitivo y autodescriptivo de la situacin que se est modelando, evitar esta normalizacin y que el tratamiento hecho con las entradas se adivine de un golpe de vista en el particionamiento efectuado, se suele emplear mucho esta aproximacin para la sntesis del CBLD en un microprocesador, ya que funciones de pertenencia idnticas y simtricas son mucho ms sencillas de programar.

(E)
NG NM Z PM PG

FIGURA 1.3: PARTICIONAMIENTO SIMTRICO Y SOPORTES EQUIESPACIADOS Tambin en estos casos hay que tener en cuenta la discretizacin o cuantizacin del universo de discurso, que hasta ahora haba sido referido como si se manejasen variables analgicas. Sin embargo el tratamiento de los errores de cuantizacin no

11

difieren en este caso del que se hace con cualquier controlador digital. E E

dE/dt

dE/dt

(A)

(B)

FIGURA 1.4: SELECCIN CORRECTA (A) E INCORRECTA (B) DE LAS GANANCIAS Ki PARA
EL AJUSTE DE ESCALAS

Tanto las ganancias Ki como la cuantizacin, son esenciales en la sensibilidad del controlador conseguido. En este sentido, puede verse al CBLD como un instrumento con el que siempre queremos trabajar en fondo de escala. En la siguiente tabla se presenta un ejemplo [LEE90] de discretizacin, en el que adems hay un mapeo entre valores medidos y el universo de discurso discreto que es no lineal.

Nivel

Rango x0 < -3.2 -3.2 < x0 < -1.6 -1.6 < x0 < -0.8 -0.8 < x0 < -0.4 -0.4 < x0 < -0.2 -02 < x0 < -0.1 -0.1 < x0 < 0.1 0.1 < x0 < 0.2 0.2 < x0 < 0.4 0.4 < x0 < 0.8 0.8 < x0 < 1.6 1.6 < x0 < 3.2 3.2 < x0

NB NM NS ZE PS PM PB
1.0 0.7 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.7 1.0 0.7 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.7 1.0 0.7 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.0 0.7 0.0 1.0 0.3 0.7 0.7 0.3 1.0 0.0 0.7 0.0 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.7 1.0 0.7 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.7 1.0

-6
-5 -4 -3 -2 -1 0 1 2 3 4 5 6

TABLA 1.1.: EJEMPLO DE DISCRETIZACIN Y PARTICIONAMIENTO DE UN UNIVERSO DE

DISCURSO

Finalmente, pero no menos importante, relacionado con el particionamiento del

12

universo de discurso se encuentra el tema de la completitud. Se espera que el controlador provea una salida para todos los estados posibles de la planta a controlar. Para ello, todas las variables de entrada y salida del CBLD deben poder vincularse a un conjunto difuso, y a su vez cada conjunto difuso debe participar del antecedente o consecuente de una regla. Se analizar aqu el primer aspecto de la completitud, dejando para prrafos posteriores la completitud en la base de reglas. Para que las variables, tanto de entrada como de salida se vinculen a un conjunto difuso, la unin de los soportes de todos ellos debe cubrir el universo de discurso respectivo. Ms aun, la gran flexibilidad de la lgica difusa para aplicarse a casos parecidos aunque no previstos, radica justamente en el solapamiento que se produce entre dichos soportes (por ejemplo los conjuntos PM y PG de la figura 1.3). La decisin de diseo en este punto es qu comportamiento se desea para el caso en que no haya una regla francamente dominante. Suele tomarse un punto de cruce (crossover point) entre dos funciones de pertenencia sucesivas al 0,5. Esto es as para que si una regla no es dominante frente a otra, ambas se activen con una funcin de pertenencia mitad. Asimismo, sugiere que cuando una regla es dominante, se est aplicando con una funcin de pertenencia mayor a 0,5. Se ve claramente que se est asociando a la funcin de pertenencia una especie de credibilidad sobre la regla que se est aplicando. Obviamente, esto se modifica si a su vez cada regla tiene asignado un peso para incidir en la salida del controlador.

1.6.3

Construccin de la Base de Reglas

Ya se vio que el conocimiento del controlador se almacenaba en forma de reglas del tipo if...then que se combinaban entre si para formar un nico conjunto difuso de salida. En este apartado se presentarn las diferentes alternativas de obtener dichas reglas, que es el punto ms importante de la programacin del CBLD. 1. Basadas en la experiencia y el conocimiento de un ingeniero de control experto en el proceso a controlar. Esta es quiz la manera ms sencilla de elicitar el conocimiento necesario para resolver el problema, y la situacin para la cual fueron ideados en primera instancia estos controladores. Este conocimiento est organizado en el experto en forma de variables que se describen con el lenguaje natural. De este modo, los trminos de este lenguaje natural se traducen a etiquetas lingsticas y se establecen las relaciones entre los diferentes conceptos, que quedarn plasmadas en las reglas. El procedimiento aplicable en este caso puede ser bien un relato introspectivo del propio experto, como suele presentarse en los manuales de operacin de los hornos de cemento, o bien un interrogatorio guiado, hecho por alguien que tambin conozca sobre el proceso a controlar, que actuar como ingeniero de conocimiento. A partir de un cuerpo mnimo de reglas se implantar el primer prototipo, cuyo crecimiento ser incremental, basado fundamentalmente en prueba y error hasta conseguir la respuesta deseada. 2. Basadas en la observacin de un operario experto. Existen muchas situaciones de control en las que es muy difcil hallar un modelo por la cantidad y complejidad de variables involucradas. Ello hace impensable la aplicacin de una tcnica de control

13

convencional. Sin embargo existen operarios capaces de llevar adelante el control del proceso. Imaginar por un instante en lo complejo que resultara un algoritmo para estacionar un automvil a una distancia de 30 cm. del cordn de la vereda, entre otros dos automviles. Esta tarea de control es bien desempeada por (casi) cualquier ser humano. La idea central entonces de este modo de construir la base de conocimiento consiste en volcar en forma de reglas con variables lingsticas la manera de llevar adelante el control. 3. Basadas en un modelo difuso del proceso. Es posible hacer una descripcin lingstica no slo de la estrategia de control, sino tambin de las caractersticas dinmicas del proceso a controlar. En trminos generales, esto es un modelo difuso del proceso. A partir de este modelo se pueden obtener las reglas difusas para controlarlo, incluso optimizando alguna figura de mrito. Esta forma es aun motivo de investigacin, pero promete muy buenos resultados [TAKAG85]. Un modelo muy utilizado es el paramtrico, propuesto por el Prof. Sugeno, realizado con reglas del tipo:

Ri: IF s1 is S1i AND s2 is S2i AND s3 is S3i AND...sp is Spi THEN vi = a0i + a1i s1 + a2i s2 + .... + api sp
donde las Sji son las etiquetas lingusticas, si las entradas, vi las salidas, y los aji son los parmetros a identificar. 4. Basadas en aprendizaje. Su precursor fue el Prof. Mamdani, con el controlador autoorganizado [PROCY79], que est formado por dos cuerpos de reglas. Uno que hace el control propiamente dicho, y otro, a un nivel supervisor de aquel, que exhibe el comportamiento que seguira un programador humano mejorando las reglas de control. A este tipo de reglas que actan sobre las reglas de control se las suele denominar meta-reglas. Notar que si bien este tipo de CBLD as construidos mostrarn un comportamiento adaptivo, conviene distinguirlos de los ya presentados como tales, en tanto y en cuanto stos se adaptan mediante nuevas reglas, mientras que aquellos lo hacen modificando reglas, aunque tambin las funciones de pertenencia de los conjuntos difusos, tanto de entradas como de salidas. 5. Basadas en el plano de fase. Cuando se dispone de poca experiencia previa con el proceso a controlar, esta metodologa suele ser de gran utilidad porque permite, por una parte conocer el proceso en cuestin y por otra, obtener una ley de control a partir de ideas intuitivas. Por estas razones es la que se desarrollar en mayor detalle a continuacin, siguiendo [LEE90]. A partir de la grfica temporal de la respuesta transitoria de la variable a controlar, se dividen zonas en las que tanto error como su derivada conserven su signo, tal como se aprecia en la figura 1.5. Es conveniente en este paso distinguir los puntos crticos, vale decir, los puntos en los que alguna de las dos variables se hacen cero (a, b, c, d, ... en la figura 1.5). Para cada una de estas zonas as formadas (i, ii, iii, iv, v, ...), se aplicar una accin de control cuyo objetivo ser doble: la reduccin del

14

sobrepico y del tiempo de subida. Para obtener este resultado, cuando la derivada del error tienda a disminuirlo, deber acelerarlo en el mismo sentido para disminuir el tiempo de subida, cuando la derivada tienda a aumentarlo deber propiciar un cambio de esta pendiente para evitar los sobrepicos, y as sucesivamente. De este modo se van obteniendo naturalmente las reglas, que se presentan en la siguiente tabla 1.2. para un particionamiento de slo tres etiquetas lingsticas (N, P, Z) en el error y su derivada. Las reglas se interpretan como Si el Error es Positivo (P) y la Derivada es Cero (Z) entonces la Accin de Control (CTL) es Positiva (P) (Regla N 1), que es aplicable en los puntos a, e, i (valores de referencia), y as sucesivamente para el resto de las diez reglas que siguen.

a 1a
0.8 0.6 0.4 0.2 0 -0.2
i ii iii iv

e e
v vi vii ...

ii jj k k ll

b b

d d

ff

h h

E -0.4 + - - + + - - + + -0.6 E - - c + + - - + + c -0.8

0 50 100

g g

150 200 tiempo[seg.]

250

300

350

FIGURA 1.5: GRFICA TEMPORAL DEL ERROR PARA UNA ENTRADA EN ESCALN DEL
SISTEMA A CONTROLAR Y SU DIVISIN CUALITATIVA

Puede suceder que, como en este caso, el particionamiento del universo de discurso sea muy poco descriptivo. El resultado que se apreciar es que el sistema de control quedar oscilando alrededor de un ciclo lmite. Esta situacin no deseada se soluciona haciendo un control de granularidad ms fina, que involucrar un aumento del nmero de particiones y por ende del nmero de reglas del CBLD. Esta nueva situacin, en la que se han llevado el nmero de particiones del error y de la derivada del error a siete (NB, NM, NS, ZE, PS, PM, PB), se presenta en la tabla 1.3.

15

Regla N0 1 2 3 4 5 Regla N 6 7 8 9 10 11

E P Z N Z Z E P N N P P N

E CTL Valor de Referencia Z N Z P Z P N N P Z a, e, i b, f, j c, g, k d, h, l Valor deseado

E CTL Valor de Referencia N N P P N P P N N P Z Z i (tiempode subida), v ii (sobrepico), vi iii, vii iv, viii ix xi

TABLA 1.2: PRIMER CONJUNTO DE REGLAS

16

Regla N0 1 2 3 4 5 6 7 8 9 10 11 12 13 Regla N0 14 15 16 17 18 19

E PB PM PS ZE ZE ZE NB NM NS ZE ZE ZE ZE E PB PS NB NS PS NS

E ZE ZE ZE NB NM NS ZE ZE ZE PB PM PS ZE E NS NB PS PB NS PS

CTL Valor de Referencia PB a PM e PS i NB b NM f NS j NB c NM g NS k PB d PM h PS l ZE Valor deseado CTL Valor de Referencia PM i (tiempo de subida) NM i (sobrepico) NM iii PM iii ZE ix ZE xi

TABLA 1.3: REGLAS PARA UN AJUSTE FINO DEL CONTROL

17

A partir del sistema anterior es posible construir una tabla de control, de doble entrada en este caso, tambin conocida como matriz de inferencias. Esta matriz de inferencias construye para este caso una superficie tridimensional (apoyada sobre el plano de la hoja) que da las salidas directamente del CBLD. En efecto, para una entrada del error por un lado, y de su derivada por el otro, se obtiene directamente la accin de control. Esta matriz de inferencias, para las 19 reglas anteriores se muestra en la figura 1.6.

NB NM NS ZE PB PM PB PM PM PS NM ZE PS ZE NB NM NS ZE NS NS NM NM NB NB

PS PM PB

PS ZE NM

PM

PB PM

FIGURA 1.6: MATRIZ DE INFERENCIAS Las mismas zonas identificadas en la grfica temporal de la respuesta del sistema se pueden representar en el plano de fase, tal como se aprecia en la siguiente figura 1.7. Por lo tanto, a partir de este plano y con los objetivos propuestos originalmente de reducir el sobrepico y el tiempo de subida simultneamente, se ve cules son las acciones de control a seguir para manipular el actuador. Haciendo previamente una divisin en cinco zonas (A1, A2, A3, A4 y ZE), y considerando los puntos crticos previos (a, b, c,..., algunos suprimidos en la figura 1.7. por claridad), es posible deducir algunas reglas generales que gobiernan a las reglas del CBLD, por lo que se denominan meta-reglas. stas seran las siguientes: Si E = E = 0, mantener la salida del CBLD u=0 Si E tiende a cero a una velocidad apropiada no modificar Si E no se auto-corrige, u 0. Su valor depender del signo y magnitud de E y E En los puntos de cruce de E=0 (b, d, f, ...) sgn(u) = sgn(E) En los picos y valles de E=0 (c, e, g, ...) sgn(u) = sgn(E) En el rea A1 queremos acortar el tiempo de subida cuando E es grande y en el rea A2 queremos prevenir el sobrepico cuando E es pequeo, entonces u > 0 cuando estamos lejanos del cero u 0 cuando nos acercamos al setpoint En el rea A2 queremos prevenir el sobrepico, entonces u < 0

18

En el rea A3 (similar razonamiento que en A1): u 0 cuando nos acercamos al setpoint u < 0 cuando |E| est lejos de cero En el rea A4 queremos reducir el sobrepico en el valle, entonces u >0

reducir sobrepico

dE/dt A3 A3 g g d d h h ZE ff ZE A2 A2 b b A1 A1 e e A4 A4 a a E

c c

reducir tiempo de subida

FIGURA 1.7: PLANO DE FASE DEL SISTEMA A CONTROLAR Y SU DIVISIN CUALITATIVA

Las meta-reglas anteriores permiten determinar el signo de u. En cuanto a su magnitud, se puede considerar que:
Cuando E 0 entonces u = u0, donde u0 adopta los siguientes valores:

E NL NM NS ZE PS PM PL u0 NL NM NS ZE PS PM PL
Cuando E 0 entonces u = (u0 + E) + C, donde C es una compensacin, normalmente cero. La suma se toma como una suma lingstica: PM + PS=PL, PS + PL=PL, PS + NM=NS, etc. Cuando E es grande (NM,NL,PM,PL), E tiene poca influencia, entonces elegimos C para apurar la respuesta. Cuando |E| es pequeo (ZE, PS, NS), E tiene mucha influencia y podemos elegir C para permitir que |u| sea pequeo y prevenir sobrepico. De esta forma, la relacin entre el plano de fase y la matriz de inferencias, con las

19

variables lingsticas del error y su derivada como entradas, adopta la forma que se muestra en la figura 1.8.

E \ E PL PM PS ZE NS NM NL

NL

NM NS

ZE

PS

PM

PL

A3 c A2

d ZE b

A4 a, e A1

FIGURA 1.8: RELACIN PLANO DE FASE - MATRIZ DE INFERENCIAS

1.6.3.1
1.6.3.1.1

Caractersticas de la Base de Reglas

Completitud de la base:

El controlador debe generar salidas para cualquier estado difuso de entrada. Suponiendo que estos estados se representan con x, este atributo de la base de reglas se expresa como [PEDRY88]:

x X X i ( x) >
1i n

donde (0,1]
Es deseable que supere 0,5 para que se pueda hablar del disparo de alguna regla dominante (situacin de control bien prevista en la base de conocimiento). Esta caracterstica complementa la cobertura de todo el universo de discurso por etiquetas lingsticas. En efecto, si para todo valor de las variables de entrada y salida existe un conjunto difuso al que pertenecen y una regla que involucra dichos conjuntos difusos, se satisfar que el controlador genere una salida para cualquier combinacin de las

20

entradas. En cambio si detectamos que este no es el caso, debe incorporarse una regla que cubra la condicin no incluida. Trabajando con la matriz de inferencias, es difcil dejar fuera situaciones como no previstas. En efecto, por simple inspeccin de la figura 1.6. se puede apreciar si hay situaciones para las que no se da salida del CBLD. Del mismo modo esta condicin se viola si alguna etiquete lingstica no est presente o, lo que es lo mismo, no se ha descripto todo el soporte del universo de discurso. 1.6.3.1.2 Interaccin de las reglas de control:

En un CBLD las reglas interactan entre s, vale decir, la presencia de una de ellas modifica el comportamiento del conjunto y vice-versa. Este conjunto es el que forma la superficie de control final. Supngase aadir la regla i-sima a la base. Si esta superficie de control se representa con R y las entradas con X, la composicin de ambas da un nuevo conjunto difuso Y, que es distinto para la nueva situacin de lo que era previamente. Esto puede expresarse formalmente como:

1 j <i n

Xi R Yj

Puede demostrarse [PEDRY88] que la interaccin de las reglas depende del tipo de implicancia que se elija en la materializacin del CBLD. 1.6.3.1.3 Consistencia de la base de reglas:

Las reglas contradictorias, que propongan acciones de control opuestas, deben ser eliminadas o reemplazadas en la base de conocimiento. En un CBLD en el que no interviene una gran cantidad de reglas, la consistencia puede determinarse por simple inspeccin. Sin embargo, para bases con un mayor nmero de reglas es necesario hacer una revisin ms sistemtica. Existen mtodos para ello basados en las definiciones de Posibilidad () y Necesidad (), a partir de las que puede obtenerse un ndice de inconsistencia para cada regla respecto del conjunto de la base [PEDRY88].

1.6.4

Seleccin de la estrategia de desemborronamiento

Una vez cumplidas las etapas anteriores, el resultado de la agregacin de las reglas de la base, es decir, la inferencia, ser tambin un conjunto difuso. Sin embargo, para manejar el actuador es necesaria una magnitud no difusa. En efecto, si dicho actuador es una vlvula automtica, por ejemplo, el controlador no puede dar como salida la aplicacin de una pequea tensin positiva al servomotor que maneje la vlvula, a menos que la vlvula admita este tipo de entradas. De todos modos, si las admite, siempre estamos transfiriendo a otro elemento del sistema de control la solucin del problema. Es por lo tanto necesario un bloque que sea capaz de dar una salida determinada (crisp value) frente a una entrada difusa, y que represente lo mejor

21

posible la distribucin de posibilidades de la accin de control inferida. Este es justamente el rol del desemborronador (defuzzificator). Para desarrollar este bloque, las estrategias ms comnmente empleadas son los criterios del mximo, del medio de mximos y del centro de rea, que se desarrollan brevemente a continuacin y se ilustran en la figura 1.9.

1.6.4.1

Criterio del Mximo (MAX)

Es el valor del soporte del conjunto difuso de salida para el cual la funcin de pertenencia tiene un mximo valor. Suele tener el inconveniente que puede dar ms de un mximo, especialmente en los casos en los que se utiliz la norma de mnimos para desarrollar la implicancia, por lo que el valor final de la salida del CBLD no queda unvocamente fijado.

1.6.4.2

Criterio del Medio de Mximos (MOM)

Genera una accin de control u0 que representa el valor medio de las acciones de control cuya funcin de pertenencia tenga un mximo.

l j =1

w l

Donde wj es el soporte para el cual la funcin de pertenencia alcanza un mximo. Es el criterio que da el mejor comportamiento en el transitorio de la respuesta. Sin embargo posee la desventaja de no tener en cuenta la forma de las funciones de pertenencia de la salida. Esta informacin que se pierde, tiene en cuenta parte del conocimiento elicitado en cada regla y puede resultar necesaria a la hora de obtener una respuesta.

1.6.4.3

Criterio del Centro de gravedad (COG)

Genera el centro de gravedad del conjunto difuso de salida y toma su soporte como salida del CBLD. Con ello se asegura encontrar un nico valor de salida. El valor de salida para el caso discreto, con n niveles de cuantizacin, viene dado por:

u0 =

j =1 n

(w j ) w (w j )

j =1

El comportamiento de una CBLD con este criterio de desemborronamiento es similar al de un controlador PI con ganancias variables. Es el que mejor comportamiento esttico tiene, ya que el error cuadrtico medio es el menor de los tres criterios presentados.

22

COA MOM

MAX

(x)

FIGURA 1.9: CRITERIOS PARA LA IMPLANTACIN DEL BLOQUE DESEMBORRONADOR

1.7.

Tipos de Inferencia

Hasta este punto se ha visto cmo los datos provenientes de sensores son emborronados y de acuerdo con el grado de similitud que presentan con los antecedentes de las reglas, disparan en mayor o menor proporcin a stas. Con los consecuentes de las reglas que han sido disparadas se forma un nico conjunto difuso de salida a travs de la operacin conocida como agregacin. Finalmente, este conjunto difuso es desemborronado en el bloque desemborronador y se obtiene la seal de comando de los actuadores. A todo este procedimiento se lo suele denominar genricamente como mecanismo de inferencia, y se lo resume en la figura 1.10. El hasta aqu descripto es un mecanismo de inferencia de tipo Mamdani, en honor al Prof. Ebrahim Mamdani que lo propuso y us por primera vez [MAMDA75].

if
0 1 1

then
0 1

if
0
Entrada 1

and
0
Entrada 2

then
0 1 0
Salida

FIGURA 1.10: MECANISMO DE INFERENCIA PARA 2 ENTRADAS Y UNA SALIDA

23

Sin embargo, es posible imaginar que en lugar de conjuntos difusos en los consecuentes de las reglas, se tienen valores puntuales3, de altura variable de acuerdo justamente al grado de activacin de la regla, tal como se ve en la figura 1.11. Este mecanismo de inferencia, conocida como de tipo Sugeno [SUGEN85], posee algunas ventajas que pueden apreciarse intuitivamente. En efecto, el proceso de desemborronamiento es mucho ms sencillo desde el punto de vista de esfuerzo de cmputo, ya que cada valor puntual de salida de una regla puede considerarse como previamente desemborronado. Por ello es el tipo de inferencia preferido a la hora de hacer implantaciones en hardware. Dentro del mecanismo de inferencia del tipo Sugeno se definen ordenes. As, una regla tpica en un tipo Sugeno de orden cero, viene dada por:

if x is A and y is B then z = k
donde A y B son conjuntos difusos, y k es un valor de salida constante. Para un Sugeno de orden uno, una regla tpica sera:

if x is A and y is B then z = p * x + q * y + r
donde A y B son nuevamente conjuntos difusos, p, q y r son valores constantes. Pueden pensarse estas salidas como que se desplazan por su soporte de acuerdo al valor que asumen las entradas. Mecanismos de inferencia de tipo Sugeno de orden superior no presentan mayores ventajas, mientras que si una mayor complejidad de clculo por lo que en aplicaciones prcticas no son frecuentes. Otra caracterstica atractiva de este tipo de inferencia es que es posible asegurar continuidad en la superficie de control de salida, y por ende es ms sencillo el anlisis matemtico de dicha superficie. Por ltimo, se adapta bien a los problemas de optimizacin y adaptacin ya que permite incorporar de una manera natural a las tcnicas lineales. En efecto, para el caso de tipo Sugeno de primer orden, se pueden combinar fcilmente en funcin del valor de las entradas, una salida que pase suavemente de una aproximacin lineal a otra. Se aprecia que es ideal para actuar como un supervisor interpolante de mltiples controladores lineales que funcionan correctamente en diferentes puntos de operacin de un sistema dinmico no lineal [JANG96].
3

En la literatura en idioma ingls se los suele referir como singleton.

24

1 Resultado de la agregacin 0
FIGURA 1.11: INFERENCIA DIFUSA DE TIPO SUGENO

2. Algunos comentarios finales

Los CBLD tratan de emular al operario humano en una regin acotada para controlar un proceso complejo o cuyo modelo matemtico es desconocido o de muy laboriosa obtencin. Tienen la gran potencialidad de poder encapsular fcilmente en un microprocesador, la heurstica y el sentido comn necesarios en el control de variables complejas. Por otra parte, aun cuando la superficie de control sea susceptible de ser representada matemtiacmente, la forma en que se obtiene la misma superficie desde el dominio de la lgica difusa es mucho ms sencilla ya que se define verbalmente a travs de las reglas que determina el usuario o programador. Y el nmero de reglas necesarias para obtener una adecuada superficie de control dificilmente supere las 100 reglas (tpicamente alrededor de 20). Adems en la gran mayora de los casos, las conclusiones de unas reglas no se usan como premisas de otras sino que reflejan una correlacin inmediata entre entradas y salidas a la planta bajo control. Dichas entradas

25

son los antecedentes de las reglas (mediciones provenientes de sensores) y las salidas del CBLD son los consecuentes de todas las reglas que se disparan, agregados y luego desemborronados, que se aplican directamente sobre los actuadores. De este modo, en terminos de ingeniera de conocimiento, no se trata de un modelo causal profundo (en el cual se produce la concatenacin de varias reglas en distintos niveles del conocimiento). Estas caractersticas le confieren as una gran velocidad al CBLD para su funcionamiento en tiempo real o eficiente.

Tipo de producto
Hardware Togai

Nombre
Neuralogix HC12 de Motorola Matlab

Observaciones
Chips con reglas y funciones de pertenencia programables

Entornos de programacin

TIL-Shell (Togai) CubiCalc FuzzyTech FuzzyCLIPS

Corren en algn SO (DOS, Windows, Unix,...) y crosscompilan a C estndar

PLC Controlador industrial

S7-300/400 (Siemens) OMRON

Programa de bajo costo desarrollado por la NASA para construir Bases de Conocimiento con manejo de incertidumbre con lgica difusa PLC industrial con la posibilidad de cerrar lazos de control basados en lgica difusa

TABLA 1.4: LISTADO DE ALGUNOS PRODUCTOS COMERCIALES PARA DESARROLLOS CON

LGICA DIFUSA

El xito del CBLD radica en su gran potencialidad para reemplazar al PID clsico, por su mayor generalidad. En efecto, si se realiza una grfica de la superficie de control de un control PD, se obtendr la forma de un plano, mientras que si se tratase de un CBLD, tal superficie puede tener cualquier forma, debido a que las reglas permiten el tratamiento regional del par [e, de/dt]. La lgica difusa tambin es utilizada en el mbito del control a nivel supervisor, fundamentalmente en el manejo de incertidumbres en una base de conocimiento [ACOST92-94]. En estas situaciones aun no se ha probado que sea mejor que otros

26

mtodos de manejo de incertidumbres. Como en todo proceso de toma de decisiones (del cual el control es un subconjunto), la informacin y su tratamiento es de vital importancia. En este sentido, la lgica difusa se emplea en la presencia de informacin imperfecta [Sage]. Algunas de las herramientas ms comunes para efectuar un desarrollo concreto para la resolucin de un problema de control, se muestran en la tabla 1.4.

3. Referencias
3.1. Bibliografa

[ACOST92] Acosta, G.G., Mayosky, M.A. and Catalfo, J.M.: Controlador PID Autoadaptable, Actas del XIII Simposio Nacional de Control Automtico AADECA 92, Buenos Aires, Argentina, 14 al 18 de Setiembre de 1992, pg. 28-32. [ACOST94] Acosta, G.G., Mayosky, M.A. and Catalfo, J.M.: An Expert PID Controller uses Refined Ziegler and Nichols Rules and Fuzzy Logic Ideas, Intl Journal of Applied Intelligence, Vol 4, N 1, February 1994, pp. 64-78, Kluwer Academic Publishers. [JANG96] Jang, R. and Gulley, N.: Fuzzy Logic Toolbox for use with Matlab, The MathWorks Inc., 1996. [LEE90] Lee, Ch. Ch.: Fuzzy Logic Control Systems: Fuzzy Logic Controller Part I and II, IEEE Trans. on SMC, Vol 20, N 2, March/April 1990, pp. 404-435. [MAMDA75] Mamdani, E. and Assilian, S.: An experiment in linguistic synthesis with a fuzzy logic controller, International Journal on Man-Machine Studies, Vol.7, N 1, pp. 1-13, 1975. [PEDRY88]: Pedrycz, W.: Fuzzy Control and Fuzzy Systems, Ed. John Wiley & Sons Inc., 1988. [PROCY79] Procyk, T.J. and Mamdani, E.: A linguistic self-organizing Process Controller, Automatica Vol. 15, pp.15-30, 1979. [SAGE92] Sage, A.P.: On the processing of Imperfect Information using Structured Frameworks, in Fuzzy Expert Systems, Edited by Abraham Kandel, CRC Press, pp. 99112, 1992.

27

[SUGEN85] Sugeno, M.: Industrial Applications of Fuzzy Control, Elsevier Science Pub. Co., 1985. [TAKAG85] Takagi, T. y Sugeno, M.: Fuzzy Identification of Systems and its applications to Modeling and Control, IEEE Trans. on SMC, 15, pp. 116-132. [TODOR00] Todorovich, E., Acosta, N. y Acosta, G.: Generador Automtico de Controladores Difusos, Actas del XVII Congreso Argentino de Control Automtico (AADECA 2000), pg. 315-320. [WINST94] Winston, Iberoamericana, 1994. P.H.: Inteligencia Artificial, 3. Ed., Addison-Wesley

3.2.

Sitios interesantes

http://www. cs.berkeley.edu es la pgina del Proyecto BISC (Berkeley Initiative on Soft Computing), dirigido por el mismsimo Lofti A. Zadeh (zadeh@ cs.berkeley.edu) http://www.mathworks.com es la pgina de Matlab http://www.siemens.com.de es la pgina de siemens que tiene una serie de PLC programables con lgica difusa http://www.abo.fi/~rfuller/persons.html es la pgina con links a sitios y direcciones de investigadores en el tema http://ewh.ieee.org/tc/nnc/fuzzy/ es la pgina de la sociedad del IEEE que abarca estos temas.

28