Introducción al

Control Difuso
Introducción
Para la mayoría de sistemas en ingeniería, hay dos fuentes
importantes de información: los sensores que proveen medidas
numéricas de variables, y los expertos humanos que proveen
instrucciones y descripciones lingüísticas acerca del sistema.

La información numérica que la proveen los sensores, es la

fuente única de información en las aproximaciones
convencionales a problemas de ingeniería, mientras que
difícilmente incorporamos la información lingüística. Debido a
que hay gran cantidad de conocimiento almacenado en términos
lingüísticos, es muy importante incorporarlo dentro de los
problemas de ingeniería de manera sistemática y eficiente,
máxime cuando corresponde a una forma muy cercana de
describir el conocimiento humano.

Una aproximación a la forma como manejamos la información y

la procesamos los humanos, fue presentada por Lofti Zadeh por
medio de su Lógica Difusa, la cual permite incluir el razonamiento
impreciso y el manejo de la incertidumbre, desde su misma
concepción, bajo una connotación de procesamiento de datos
aproximado y con palabras.

¿Por qué la información lingüística puede ser representada

usando Lógica Difusa?
Conjuntos Difusos

En 1964 Zadeh propone por

primera vez la noción de
conjuntos difusos en un
memorando interno de
investigación.
En 1965, la revista "Information
and Control" publica el
memorando anterior, como el
artículo "Fuzzy Sets".
Controladores Difusos

En 1974, el Británico
Ebrahim Mandani,
demuestra la
aplicabilidad de la
lógica difusa en el
campo del control.
desarrolla el primer
sistema de Control
Difuso práctico: La
Regulación de un
Motor de Vapor.
Modelado Difuso

El modelado difuso fue propuesto con el sistema Takagi Sugeno y a través

de él podemos intentar acercar los paradigmas matemáticos y lingüísticos
para describir un problema o un sistema.
Fuzzy Boom

Los japoneses empiezan a explotar la lógica difusa
de forma masiva, mientras que los occidentales
asumen una actitud reacia, frente a estos nuevos
desarrollos.

Aparece toda una serie de investigadores
japoneses en el campo de la lógica difusa tales
como Sugeno, Togai, Bart Kosko.

En 1986, Yamakawa, "Fuzzy Controller hardware
system". Desarrolla controladores fuzzy en circuitos
integrados.

En 1987, en el Japón se inaugura el tren
subterráneo de Sendai, lo que representa un gran
hito en la historia de los sistemas difusos, pues el
tren es controlado y guiado por us sistema difuso,
siendo famosa su suavidad para los pasajeros,
sobretodo en el frenado.

En 1987, aparece el concepto de “Fuzzy Boom", ya
que se comercializa una multitud de productos
basados en la lógica difusa, sobretodo en el Japón,
pero ya para son bien conocidos productos como
las cámaras de fotografía y video con ajuste de
imagen difusos, entre otros.
Modelado Neuro-Difuso

El modelado difuso fue

propuesto con el sistema
Takagi Sugeno y en él se
integran las potencialidades
de los sistemas difusos y las
redes neuronales artificiales.
El primero aporta la claridad
en cuanto a la descripción
del modelo y las segundas
su capacidad de adaptación
gracias al aprendizaje.
Lógica Difusa Tipo 2

Aunque esta nueva forma de

modelar el conocimiento impreciso
fue propuesta en 1975 por Zadeh,
solo a partir del año 2000 se ha
empezado a formular una serie de
aplicaciones en el ámbito del
control de procesos,
procesamiento digital de señales y
robótica.
En este nuevo paradigma la
imprecisión se intenta modelar de
una manera más ajustada a la
realidad recurriendo a generación
de niveles de pertenencia también
imprecisos.
Conceptos de Lógica Difusa
Conjunto Binario vs. Conjunto
Difuso

1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0
150 155 160 165 170 175 180 185 190 195 200 150 155 160 165 170 175 180 185 190 195 200
Altura (cm)

Conjunto Binario Conjunto Difuso

¿Cómo podemos representar matemáticamente un conjunto difuso?

Conjuntos Difusos con
Universos Discretos
Número aceptable de hijos
Ciudad deseable para vivir
x µA

x µA 0 0.1
1 0.5
Cali 0.9 2 1.0
3 0.7
Medellín 0.9 4 0.3
5 0.2
San Vicente 0.3
6 0.1

 {0,0.1}{
, 1,0.5}{, 2,1.0}{
, 3,0.7}, 
A = ({Cali,0.9}{
, Medellin,0.9}{
, San Vicente,0.3}...) A =  
 {4,0.3}{ , 5,0.2}{, 6,0.1} 
Conjuntos Difusos con
Universos Continuos

Edad alrededor de 30 años

1

0.8

0.6
X µA
0.4

0.2

x≥0, x∈Rn e-((x-30)/2)^2 0

20 22 24 26 28 30 32 34 36 38 40
Edad
Categorización de una variable con
conjuntos difusos

Altura de una persona

X = [140,200] cm

Etiqueta Rango (cm)

Muy Baja
[140,160]
(MB)
Baja (B) [150,170]
Normal (N) [160,180]

Alta (A) [170,190]

Muy Alta Conjuntos Difusos
[180,200]
(MA)
Funciones de Pertenencia
Triangular Trapezoidal
1.2 1.2

1 1

0.8 0.8
Nivel de Pertenencia

Nivel de Pertenencia
0.6 0.6

0.4 0.4

0.2 0.2

0 0

-0.2 -0.2
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
(a) (b) (c) (a) (b) (c) (d)

  x−a c−x    x−a d −x 

trimf(x;a,b,c) = max min ,  ,0  trapmf(x;a,b,c,d) = max min ,1,  ,0 
  b− a c −b    b−a d −c  

Triangular Trapezoidal
Funciones de Pertenencia
Gaussiana Campana Generalizada

1 1

0.8 0.8
Nivel de Pertenencia

Nivel de Pertenencia
0.6 0.6

0.4 0.4

0.2 0.2

0 0

-0.2 -0.2
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100

2
1  x −c 
−  
1
2 σ  gbellmf(x;b,c) =
gaussmf(x;c, σ) = e x−c
2b

1+
b

Gaussiana Campana Generalizada

Operaciones entre Conjuntos
Difusos

Conjunto A Conjunto B
Operaciones entre Conjuntos Difusos
Intersección
C = A ∩ B = {x : x ∈ A ∧ x ∈ B, ∀x ∈ X }

A∩ B = min{µ A ( x ), µ B (x )} µ A∩ B = µ A ( x ) ⋅ µ B ( x )
Mínimo Producto
Operaciones entre Conjuntos Difusos
Unión

C = A ∪ B = {x : x ∈ A ∨ x ∈ B, ∀x ∈ X }

A∪ B = max{µ A ( x ), µ B (x )} µ A∪ B = µ A ( x ) + µ B ( x ) − µ A ( x ) ⋅ µ B ( x )

Máximo Suma Algebraica

Operaciones entre Conjuntos Difusos:
NOT o Complemento
C = A' = {x : x ∉ A, ∀x ∈ X }

µA = 1− µA
Razonamiento Difuso

El razonamiento difuso está basado en la regla de inferencia

Modus Ponens Generalizado (del latín modo que afirma) es una
regla de inferencia simple que esta definido como:

Premisa 1: x es A’
Premisa 2: SI x es A, ENTONCES y es B
Consecuente: y es B’

Donde A, A’ , B, B’ son conjuntos difusos, x, y son variables

lingüísticas. El modus ponems generalizado es usado ya que
permite realizar una inferencia cuando el antecedente es
parcialmente conocido o cuando es similar pero no igual a A.
Sistemas de Lógica Difusa
Puro
Un sistema de lógica difusa puro,
está compuesto por una base de
reglas y un mecanismo de
BASE DE REGLAS
DIFUSAS
inferencia con los cuales se
determina una transformación
desde los conjuntos difusos en un
universo de discurso de entrada U
∈ Rn, hacia los conjuntos difusos en
un universo de discurso de salida
V∈Rn.
Tienen la desventaja de que sus
entradas y salidas son conjuntos
difusos, cuando la mayoría de
MECANISMO DE
INFERENCIA DIFUSA
problemas en ingeniería las
entradas y salidas son valores
ENTRADA DIFUSA SALIDA DIFUSA EN numéricos reales. Sin embargo,
EN U V son útiles para hacer uso
sistemático de información
lingüística.
Sistemas de Lógica Difusa
Takagi Sugeno

En los sistemas de lógica difusa tipo Takagi Sugeno, la base

de reglas de inferencia poseen consecuentes de tipo
numérico. Podemos considerar que el antecedente de estas
reglas es difuso, mientras que el consecuente es
determinístico.
Sistemas de Lógica Difusa con
Fuzzificador y Defuzzificador

BASE DE REGLAS
DIFUSAS

MECANISMO DE
FUZZIFICADOR DEFUZZIFICADOR
INFERENCIA DIFUSA

X EN U ENTRADA DIFUSA SALIDA DIFUSA EN Y EN V

EN U V
Sistemas Difusos

Sistemas Difusos

Takagi-Sugeno-Kang Mamdani

Lingüísticos Aproximados
Inferencia Difusa

Nos han llamado para diseñar

un sistema que prediga el
número de posibles asistentes a
una sala múltiple de cine
ubicada en un centro comercial
muy popular de nuestra ciudad.
Cómo podríamos predecir el
público que asistiría a una
película en particular, con base
en un sistema de inferencia
difuso?
Inferencia Mamdani
REGLAS DE Si x1 es A11 AND x2 es A12 ENTONCES y es B1
INFERENCIA Si x1 es A21 AND x2 es A22 ENTONCES y es B2

A11 A12 B1
A12(X2)

A11(X1)

x1 x2 M
X1 X2 I
N AGREGACIÓN

A21 A22 B2

A21(X1)

A22(X2)

COG

x1 x2
X1 X2
Inferencia Sugeno
REGLAS DE Si x1 es A11 AND x2 es A12 ENTONCES y1=F(x1,x2)
INFERENCIA Si x1 es A21 AND x2 es A22 ENTONCES y2=F(x1,x2)

A11 A12
A12(X2)

A11(X1) W1 Y1=F(X1,X2)

P
x1 x2 R W1Y1 + W2Y2
X1 X2
O AGREGACIÓN Y=
D
W1 + W2
A21 A22

A21(X1)
W2 Y2=F(X1,X2)
A22(X2)

x1 x2
X1 X2
Control Difuso
El control difuso es una estrategia que pertenece al
Control Inteligente cuyas decisiones las toma
utilizando un sistema de inferencia basado en
lógica difusa.
Un controlador Difuso es por naturaleza no lineal y
existen diversos tipos, en general se define un
conjunto de estructuras básicas cuyo
comportamiento se aproxima a los controladores
clásicos del tipo Proporcional (P), Integral (I) o
Derivativo (D). Donde estas denominaciones
dependen del procesamiento que se realice sobre
la señal de error antes de entrar al sistema de
inferencia difuso.
En este curso estudiaremos los siguientes
esquemas:
 Controlador P difuso
 Controlador PD difuso con Acción de Control
Incremental
 Controlador PD difuso con derivada de la salida
 Controlador PI difuso
 Controlador PID difuso
Control P Difuso

+ SISTEMA DE
ENTRADA e(k) u(k) PLANTA SALIDA
LÓGICA DIFUSA
-

y(k)
 Control PD Difuso

+
ENTRADA e(k)
SISTEMA DE
- u(k) PLANTA SALIDA
LÓGICA DIFUSA
de/dt

y(k)
Controlador PD Difuso con
Acción de Control Incremental
Controlador PD Difuso con
Acción de Control Incremental

Acción de Control
luego de la integración

Salida incremental del

sistema difuso
Controlador PD Difuso con
derivada de la salida

+
ENTRADA e(k)
SISTEMA DE
- u(k) PLANTA SALIDA
LÓGICA DIFUSA
dy/dt

y(k)
Controlador PI Difuso

+
ENTRADA e(k)
SISTEMA DE
- u(k) PLANTA SALIDA
LÓGICA DIFUSA
1/s

y(k)
Controlador PID Difuso

+ e(k)
ENTRADA
SISTEMA DE
- 1/s u(k) PLANTA SALIDA
LÓGICA DIFUSA

de/dt

y(k)
Control de Nivel
Definición del Problema
Como ejemplo vamos a
controlar el nivel de un
liquido en un tanque
usando un controlador
difuso, en donde las
variables de entrada del
controlador corresponden
al error en el nivel y a la
derivada del nivel.
Como variable de salida
consideraremos la acción
incremental sobre la
apertura de la válvula.
Control de Nivel
Conjuntos Difusos

Error

Acción Incremental

Derivada del Nivel

Control de Nivel
Base de Reglas

DERIVADA DEL NIVEL

REGLAS
MN N C P MP

0.6
MN CM CM CM CM CM 0.4
0.2
0

ctrl
E N C C C C CM -0.2
-0.4
R -0.6

R C AM A Q C CM 1
0.5 1
O 0
0
0.5

-0.5
R P AM A A A A derivada -1 -1
-0.5
error

MP AM AM AM AM AM
Control de Nivel
Simulación del Controlador

u
r
To Workspace2
To Workspace

1.5 MATLAB 1 1.5

Step 1.1 y
Function s 10s+1
Subtract Gain1
MATLAB Fcn Gain2 Integrator Transfer Fcn To Workspace1
du/dt 10

Derivative Gain t
Clock
tiempo
Control de Nivel
Análisis de Desempeño

0.25 0.4
Referencia y Salida

Referencia y Salida
0.2
0.3
0.15
0.2
0.1
0.1
0.05

0 0
0 10 20 30 40 50 60 70 80 90 100 0 50 100 150 200 250 300 350 400

0.5 0.5
Acción de Control

Acción de Control
0.4

0.3
0
0.2

0.1

0 -0.5
0 10 20 30 40 50 60 70 80 90 100 0 50 100 150 200 250 300 350 400
tiempo tiempo