Bisector de Area, La salida es el valor que separa el area bajo la curva en dos sub- iguales.[7] Se debe recordar que la oper: la etapa de agregado. ion de defusificacién se realiza con el conjunto obtenido de ‘Tabla 1-2. Representacién grafica de los distintos métodos de defusificacién del Fuzzy Logic Toolbox de Matlab ® para sistemas tipo Mamdani, im tot 0 3. Defusificacién con ef método Figura I-4, Defusificacién con el método LOM Centroide. F=37.1 (Largest of Maximun). F= 60 Figura I-S. Defusificacién con el método Bisector. | _ Figura I-6. Defusificacién con el método SOM Fas (Smallest of Maximun). F= 40 dll E=-13 dE=59.1 Figura I-7. Defusificacién con cl método MOM (Middle of Maximum). F= 50 En la Tabla 1-2 se presenta un ejemplo de defusificacién con los distintos métodos empleados por el Fuzzy Logic Toolbox de Matlab 6.5 ‘Toma de decision En la seccién anterior se presentaron los conceptos bisicos de un sistema de inferencia 0 de toma de decisién, Se verd ahora de manera resumida y en forma gréfica los pasos que son llevados a cabo para la toma de decisién en este sistema de inferencia. En forma genérica el esquema de toma de decisién es el siguiente! Se puede usar de manera indistinta el érmino Fuzzificacién y Difusificacién,Funciones dé Pertenencia e s N entradael Evalvacion | Satdas A 1 _f Ofustcacin [senorad "ae tas. [Boosey Detusicacon |_ yt AO] entatas Regis de de les Salas [> 4 8 3 Case de Reglas Figura 1-8, Sistema de inferencia difusa. Del manual del “Fuzzy Logic Toolbox” de Matlab se ha extraido el ej presenta a continuacién mplo que se Ejemplo, Se debe determinar el porcentaje de la propina en una cena en un restaurante, Variables lingitisticas de entrada: servicio y comida Servicio: fexcellent, good, poor}; por lo tanto las funciones de membresia son {Hercstens Heoods poor} Comida: (delicious, rancid}; por lo tanto las funciones de membresia son {}uisicious Hrancd) Tip: {cheap, average, generous}; por lo tanto las funciones de membresia son {Heresy Hoverages Hygenerous } Las reglas son (de! tipo Mamdani): [FTF services poor OR food fy rancld, THEN th i cheap 20 F service is good, THEN e + IP servies i excellent OR food is delicious, THEN tips generousAntecedent Consequent —_—_a___- I! service isexceliont or food is delicious then tip = generous p[or 1. Fuzzity 00 inputs don (eae toad eno) Viseniconnexcelent)=0.0 Hfocdeedeleious)= 0.7 " (00 or ory then tio = generous 2. Apply OR operator or = (max) oo >] max(0.0, 0.7) = 0.7 " (07) then tip = generous 3. Apply implication oF operator (rnin min(07, generous) [ wean Figura 1-9, Ejemplo de evaluacién de la 3° regla, La operacién OR esté definida como max(A,B) E] método de inferencia empleado es el de Mamdani por minimos.1 Ferty note Fallon, tod x i sevicespoor or _fedisrancd_—_iren_——“WB=ehmp sevens oped Ten Wosnere | = oO Tt aly 1 servG2i ealert of feed babikiovs ven saeerten serviow= 3 food = 8 input input 2 ° Result of °* aggregation Figura I-10. Evaluacién de las 3 reglas, Fuzzificacién, reglas, inferencia y agregado. A partir del conjunto resultante del agregado de todas las salidas de reglas al conjunto de salida se procede con la defusificacién por centroide. 5. Defuzay the ‘agregate ouput ° 26% eonteid. Resultof fuzaicaton Figura I-11, Defusificacién con el método del centroide. En conclusién, si al servicio le asignamos una puntuacién de 3 y a la comida una puntuacién de &, la propina sugerida es del 16.7% del monto total de la cena. En resumen, los pasos para la evaluacién de los datos de entrada sonResumen del proceso de inferencia difusa Diagrama de flujo Comentario Dato proveicate del sensor que mide La variable del ( roceso, puede presentar ruido y desviaciones con (Dato de entrada ) Proceso eee pect al vlor es, 1 i 5 Se convicts tm mimaro en valores sorepondientes Fusfioeae fon i as funlones de metres ala cual pertenoce, - ‘as regs defen In eevtegia de contol o Evaluacién de reglas cocina, vairan operon sn los conjunoe I Inferencia ‘Se determina el conjunto de salida de cada regla. t Se obt la fu de ibr deli able de Agregado saldaa partir de alguna operacin entre vdos los | conjutos de salida dele etapa de inferencia. + Defiida ta funein de membresi de a slide Defusificacion termina cal dato es el mi representative dl onjunto de said total E ( Dato de salida >) Es la variable que tomaré el actuador para modificar el estado del proceso, Figura 1-12, Etapas para Ia toma de de 13. Control Borroso 13.1, Introduccién, La teoria de conjuntos difuisos es usado en muchos campos técnicos como control, modelado, procesamiento de imégenes y sefiales, sistemas expertos, ete., pero es quizés en el campo del control su més frecuente y exitosa aplicacién. Se debe tener en cuenta que los sistemas con controladores difusos son naturalmente no lineales, se los puede configurar para ajustarse a cualquier funcién, es decir que pueden emular funciones lineales pero en general se trabaja con configuraciones no lineales. En general, pues, se trabaja con configuraciones no lineales, por lo que las herramientas de disefio y andlisis de control lineal no seran utiles en estos sistemas borrosos, de todos modos se hacen aproximaciones lineales para utilizar en alguna medida las herramientas bien conocidas del control lineal, se puede recurrir a esto ya que atin estin en desarrollo las herramientas de disefio y andlisis de sistemas borrosos.L . Controlador con légica borrosa Un controlador es un dispositive cuya fimcién es hacer que se cumpla algin objetivo planteado en una planta o proceso. Existen distintos métodos para lograr los objetivos de control, aqui nos enfocaremos en el control realimentado por ser muy robust, simple y en general no se necesita conocer tan a fondo el proceso. Demanda poco conocimiento del proceso por parte del ingeniero de control y es el mas ampliamente aplicado de todos los métodos. Para el disciio © implementacién de un controlador debemos tener en cuenta algunos aspectos, en [8] encontramos las siguientes leyes que ayudan en la etapa de disefio 1° Ley: “El mejor sistema de control es aquél mas simple que hard el trabajo”. De todas las soluciones posibles para que el sistema funcione, se debe optar por la mas simple, 2° Ley: “Se debe entender el proceso antes de poder controlarlo”. Ninguna estrategia de control solucionaré el problema si no se conoce como trabaja el proceso. 3° Ley: “El ejemplo tipico de nivel de liquido siempre debe ser controlado”. 31 sistema de control debe ser capaz de solucionar el simple problema de mantener el nivel de liquido en un rango, en otras palabras, se debe garantizar estabilidad. El objetivo del controlador con légica difusa es resolver problemas complejos de control a partir de soluciones simples o mas simples que otras, a partir de la experiencia de trabajar con el proceso, convirtiéndose esta en la base de conocimiento requerida. Este tipo de controlador en ningiin caso intenta desplazar a las técnicas tradicionales de control, por ejemplo PID, se debe emplear control difuso cuando sea necesario, es decir cuando otras, herramientas mas simples no solucionen el problema de control de manera satisfactoria. En la actualidad esta herramienta de control tiene aplicacién en muchos campos, proporcionando una solucién sencilla a problemas complejos. El interés por usar este tipo de controladores es la basqueda de reduccién de costos y mejoras en las prestaciones en los diversos procesos involucrados en una industria. La automatizacién industrial esta presente en todo el mundo, librando al hombre de tareas riesgosa, repetitivas, etc., el paso siguiente en el campo de la automatizacion es la reduccién de costos y aumento en la calidad de los productos ofrecidos al consumidor, este paso es en el que trabajan continuamente muchas industrias en todo el mundo. Otro argumento vilido para la implementacién de controladores difusos es que responden de mejor manera que los controladores lineales ante la variacién de parametros, no linealidades, perturbaciones, tiempos muertos, et Diversos fabricantes de insumos para control, software y hardware, por ejemplo PLCs, estén incorporando médulos con l6gica difusa, hay muchos anuncios y productos nuevos que incorporan en menor o mayor grado légica difusa, De [9] se extraen ocho aplicaciones exitosas en automatizacién industrial usando fuzzyPLC (fuzzyPLC es un Controlador Légico Programable con un médulo de Légica Difusa)* Control de balanceo en grias. © Control de lama en plantas de incineracién de residuos. * Control de dosificacién en plantas de tratamiento de aguas negras. Control de robots en inspeccién de tineles. Control de posicién en prensas. Control de temperatura en maquinas de modelado plastico. Control de clima y automatizacién de edificios * Control en conversores de generadores edlicos. Los ejemplos y casos de estudio son muchisimos, en las secciones siguientes se continuara con la presentacién del controlador con légica difusa. 1.3.3. Estructura de un controlador con légica difusa El controlador tiene como entradas a la referencia y a la salida del proceso, como salida del controlador tenemos a las variables que se conectan a la entrada de los actuadores. Normalmente las variables de entrada (referencia y salida del proceso) necesitan un procesamiento para que Ileguen al corazén del controlador difuso, es decir al sistema de inferencia propiamente dicho, a esta etapa se le lama preprocesado, las operaciones comunes aqui son escalamiento, conversién a digital, eliminacién de ruido y tendencias, obtencién de la sefial de error, derivacién e integracién. La salida también puede requerir algin tipo de procesamiento, a este se le llama post-procesado. El tipo de controlador es determinado por el preprocesado, aunque el post-procesado también puede determinar el tipo de controlador. En la Figura I-13 y Figura I-14 se puede observar un esquema general y otro particular de controlador difuso. Controlador FC Preprocesado | “Posprocesado | Figura I-13. Esquema genérico de un controlador difuso.Setpoint 7 w u Manipulated variable Y u manipulated variables Process x Preprocessing Figura I-14, Esquema muy empleado de FLC. Extraido de [10]. Para definir el tipo de controlador segtin el preprocesamiento llamaremos ¢ al error, de a su derivada y sa su integral. Las definiciones mas comunes son Controlador proporcional: X= fe) Controlador integral: X = f(5) Proporeional derivativo: X = ffe,de) Proporcional integral: X = ffe,s) Con realimentacién no lineal: X = f(R.S) Donde R es la referencia y S es la salida del proceso Le |. Base de conocimientos Se ha indicado anteriormente que el controlador debe emular el comportamiento de un operario. La base de reglas es lo que representa este conocimiento o experiencia, se debe tener en cuenta que las fuentes de conocimiento pueden ser muy variadas, aqui se considerardn solo 2, la experiencia del operario y el conocimiento obtenido a partir de ensayos 0 simulaciones con el modelo del proceso, en particular nos interesa el 2° caso por que contamos con herramientas de simulacién. La informacién que se extrae de las simulaciones esta relacionada con el comportamiento 0 respuesta del sistema en lazo abierto y/o cerrado (usando algin controlador sencillo), con esta informacién se definen las reglas, es decir, la estrategia de control. Es importante observar el comportamiento de las variables de entrada del controlador, una ayuda de esto es tener informacién de su derivada y su integral en el tiempo, en estas se puede tener idea acerca de la velocidad de cambio y el error acumulado. 5. Diseiio 1 primer paso en el disefio del controlador es conocer el comportamiento del proceso a controlar, por lo tanto aqui se evalia la necesidad de un FLC (Fuzzy Logic Controller). Contando con ta base de conocimiento y con la estrategia de control, se procede al disetio del controladorLuego hay que definir es el tipo de controlador, es decir Mamdani o TS. Lo més intuitivo es Mamdani, TS es muy bueno para estructuras con optimizacién, las cuales no se ven en este trabajo. Normalmente, para problemas de seguimiento o regulacién con referencia distinta de cero, las variables que se controlan son el error y su derivada, Para dimensionar el controlador se usa el rango de las variables de entrada y de salida, puede ser necesario pesar las entradas y la salida, principalmente para hacer un ajuste fino. La eleccién de las funciones de membresia no es tan critico como su rango de representacién, con esto se representa el conocimiento de las variables. Naturalmente, en la edicién de la base de reglas se representa la estrategia de control. La eleccién de los métodos de inferencia, agregado, defusificacién y las definiciones en las operaciones entre conjuntos son un procedimiento de prucba y error evaluando el desempefio del controlador, aqui se adoptara la informacién presentada en la literatura, Normalmente lo presentado en I.2-Légica Difusa es lo que da mejores resultados, Los procedimientos de and ceptable. sy disefio pueden ser iterativos hasta lograr un desempefio 13.6. Andlisis A la etapa de andlisis se la puede descomponer en dos, una para la observacién del comportamiento de las variables de entrada (se pueden emplear herramientas estadisticas, Fourier, correlacién, etc.) seguido por la etapa de disefio, y la otra parte del andlisis es para observar los resultados del disefio implementado. En este iltimo caso es comiin que se use el plano fasico y la respuesta temporal del sistema, ademas cuando se trabaja con dos variables de entrada y una de salida se puede representar la salida con una superficie de control y sobre esta se puede montar la trayectoria que siguen las sefiales de entrada. Estas representaciones de la informacién son necesarias para evaluar el desempefio del sistema con el controlador disefiado. A continuacién se presenta un ejemplo sencillo a fin de aplicar lo antes dicho 13.7. Ejemplo Con este ejemplo se pretende aplicar lo expuesto hasta el momento. Se tomara un proceso muy simple y se lo intentard controlar con un FLC y los resultados serén contrastados con los de un PID. En Primer Lugar se presentard el controlador difuso a implementar, luego al proceso, después simulaciones y resultados y finalmente algunas conclusiones sobre este jemplo. Controtador El controlador a implementar es un Fuzzy puro del tipo PD. Preprocesado: e=Ref— Salida; de=de/dt. El ambiente de simulacién es Matlab/Simulink® Fuzzy Logic Toolbox, v2.