Empecemos por plantearnos las siguientes preguntas: qu significa la teora difusa?, Porqu utilizar el trmino difuso? : El trmino fuzziness que en espaol entenderemos como difusificar, se encuentra en nuestras decisiones, en nuestro pensamiento, esto es, en la forma de cmo procesamos la informacin, pero particularmente en nuestro lenguaje, ya que en muchas ocasiones no expresamos con claridad lo que queremos comunicar. Frases como: "Nos vemos luego", "un poco ms", "no me siento muy bien", son expresiones difusas, decimos que son difusas porque la difusificacin surge de las diferentes interpretaciones que damos a "luego", "un poco ms", "muy bien". Por ejemplo "luego", para el anlisis de fenmenos rpidos en ingeniera puede ser del orden de nanosegundos, pero para paleontlogos del orden de miles de aos. Como se puede observar la magnitud del orden es relativa, por lo tanto si se emplea una unidad difusa (fuzzy), hay que tener bien claro el contexto donde se esta utilizando para as encontrar un punto de referencia y una unidad de medida. En ocasiones, enunciados difusos indican unidades relativas y subunidades ms no unidades absolutas. Consideremos el siguiente ejemplo: "El corredor A es rpido." "El corredor B es ms rpido que el corredor A." y "El corredor C es ms lento comparado con B." Con base a lo anterior podemos hacer dos observaciones: la oracin difusa puede establecer: B es ms rpido que A y C es lento comparado con B. de la misma manera podemos caer en una ambigedad de modo que no nos quede claro si A es ms rpido que C o si C es ms rpido que A; por tanto no se tiene una medida de la velocidad de A, B C.
Figura 1. Ejemplo de enunciados difusos. Otro ejemplo donde no se hace referencia a medida alguna sera el enunciado "Francisco es muy alto".
Figura 2. Valores de la Lgica binaria La lgica trivalente es una lgica de tres respuestas definitivas:
Figura 3. Valores de la Lgica Trivalente A diferencia de la lgica clsica, la lgica difusa no tiene bien definidos sus umbrales de decisin. Por ejemplo, si tomamos la lgica trivalente y la difusificamos (cambiamos los niveles de decisin), entonces podemos expresar los
valores de umbral como un rango de valores, esto es, 0, .5, 1 sern reemplazados por intervalos de: "0 a .4", "0.2 a 0.8", "0.6 a 1", respectivamente. Recordemos que "lgica es la ciencia que estudia las leyes, los modos y las formas del razonamiento". De esta forma la "lgica difusa estudia las leyes, los modos y las formas del razonamiento aproximado". Lgica difusa proporciona un medio para enfrentar situaciones del mundo real, situaciones complejas y dinmicas, que son ms fcilmente caracterizadas por palabras que por matemticas. Por ejemplo, la estatura:
SISTEMAS DIFUSOS.
La vida real est llena de situaciones que requieren del razonamiento aproximado para manipular informacin cualitativa ms que cuantitativa. Un sistema difuso puede resolver problemas tal como lo hara un experto humano, problemas tales como controlar la presin y temperatura de una caldera en la industria, procesar y reconocer imgenes o controlar una lavadora de ropa son situaciones que tienen en comn el ser complejas y dinmicas y tambin que son ms fcilmente caracterizadas por palabras que por expresiones matemticas. Mientras que los sistemas de lgica clsica no pueden actuar en problemas de este tipo:
No hay ningn sistema para representar proposiciones en lenguaje natural cuando el significado es impreciso. S el significado puede representarse, no hay un mecanismo para poder evaluarlo y obtener una respuesta.
Hasta este momento ya tenemos una idea de lo que es la lgica difusa, pero de donde surge el trmino fuzzy?, Quin lo introdujo?, veamos: En la dcada de los aos veinte del siglo pasado, J. Lukasiewicz desarroll los principios de la lgica multivaluada, cuyos enunciados pueden tener valores de verdad comprendidos entre el 0 (falso) y el 1 (cierto) de la lgica binaria clsica. En 1965 Lofti A. Zadeh, aplic la lgica multivaluada a la teora de conjuntos, estableciendo la posibilidad de que los elementos pudieran tener diferentes grados de pertenencia a un conjunto. Zadeh introdujo el trmino fuzzy (difuso) y desarrollo un lgebra completa para los conjuntos difusos. Desde sus inicios la teora de conjuntos difusos caus controversisas y debates, por lo que sus primeras aplicaciones prcticas surgieron hasta mediados de los aos setenta.
Control de un horno de cemento. Estabilizacin de imgenes en cmaras de video. Lavatrastes y lavadoras de ropa. Conduccin automtica de trenes metropolitanos. Control de aire acondicionado.
Pero Cundo utilizar lgica difusa?. Lgica difusa tiene la habilidad de proporcionar un control inteligente en aplicaciones difciles, especialmente aquellas que requieren de la optimizacin de muchas variables o el control de sistemas no lineales difciles de modelar.
CONCEPTOS BASICOS.
Comenzaremos a hablar de conjuntos tratando de ponernos de acuerdo acerca de lo que vamos a entender por conjunto. Esto no es nada simple ya que conjunto es un concepto bastante primitivo, anlogo al concepto de punto o de recta. De ahora en adelante, para nosotros un conjunto ser algo que puede o no tener elementos, pero con la propiedad de que se puede decir si un objeto dado cualquiera es o no elemento del conjunto en cuestin. A los objetos (si los hay) que forman un conjunto, les llamamos "elementos" de dicho conjunto. En la teora de conjuntos que estamos recordando, trabajaremos a veces con varios conjuntos cuyos elementos son todos del mismo tipo, es decir, pertenecen todos a un mismo conglomerado de cosas al que podremos llamar conjunto universal. Ahora bien, S A es un conjunto la proposicin "x es un elemento de A" se denotar por x A. La negacin de esta proposicin es decir "x no es un elemento de A" se denotar por x A. Por ejemplo, s A es el conjunto de los primeros tres nmeros naturales pares, entonces 2 A, 4 A, 6 A, 24 A, 9 A, son proposiciones verdaderas. Note que "pertenencia" es una relacin que vincula cada elemento con un conjunto, no es una relacin entre elementos de un conjunto.
S enumeramos todos los elementos de un conjunto, decimos que los hemos representado por extensin mientras que si enunciamos una propiedad definitoria de los elementos del conjunto, se dice que est representado por comprensin. Por ejemplo s B es el conjunto cuyos elementos son: Oaxaca, Tlaxcala, Morelos, Hidalgo, Estado de Mxico, Guerrero y Veracruz, se puede escribir: B={Oaxaca, Tlaxcala, Morelos, Hidalgo, Estado de Mxico, Guerrero, Veracruz} B={x | x es un estado que colinda con el estado de Puebla}
Funcin de membresa.
Como ya se mencion la pertenencia o membresa es una relacin que vincula a cada elemento con un conjunto. En otra palabras, en un conjunto bien definido (lgica clsica), la pertenencia o no pertenencia de un elemento x a un conjunto A se describe mediante la funcin caracterstica A (x) donde:
Dicha funcin es llamada funcin de membresa funcin caracterstica de A y esta definida para todos los elementos del universo. La funcin de membresa hace un mapeo de todo el universo U a su conjunto de evaluacin de dos elementos {0,1}, esto se escribe: A (x) : U { 0, 1} Con una identificacin de {0,1} y {verdadero, falso}, esta funcin caracterstica puede jugar un papel importante en la asignacin de valores de verdad a proposiciones referentes al conjunto A.
CONJUNTOS DIFUSOS.
La lgica difusa trabaja con conjuntos a los cuales llamamos conjuntos difusos, estos conjuntos estn definidos por sus funciones de pertenencia, la cual expresa la distribucin de verdad de una variable. Tericamente un conjunto difuso A de un universo de discurso X={x} se define como un mapeo A (x) : X [0, ] donde cada x es asignada a un nmero en el rango comprendido entre [0, ] el cual indica que tanto del atributo A tiene x. Cuando se normaliza la funcin de membresa ( =1), se tiene A (x) : X [0, 1]. De aqu en adelante consideraremos valores normalizados. Para los casos extremos, donde la distribucin de verdad es "cero", la funcin de membresa se reduce a singularidades, en otras palabras, la lgica difusa pasa a ser lgica clsica. Por ejemplo, si las singularidades tienen dos posibilidades, entonces hablamos de lgica binaria. La normalizacin del conjunto difuso A se expresa:
Por ejemplo, obtengamos los valores normalizados de un conjunto de nmeros, para ello lo que hay que hacer es dividir cada nmero entre el nmero de mayor valor, as la divisin del nmero ms grande entre el mismo nos dar un valor de 1, que es lo que se expresa en la relacin anterior. Sea el conjunto (30, 50, 80, 100, 70, 40), del cual normalizando obtenemos (.3, .5, .8, 1, .7, .4). Para un conjunto difuso el conjunto de evaluacin es un intervalo real:
(x) : U [0, 1]
La funcin caracterstica de un conjunto difuso permite una continuidad de opciones posibles. El grado de membresa no es probabilidad. Bsicamente es una medida de la compatibilidad de un objeto con el concepto representado por un conjunto difuso. Un conjunto difuso D en un universo U puede ser definido como un conjunto de pares ordenados; cada par formado por un elemento y su grado de membresa al conjunto D: D = {(x (x) ) | x U}
Para el caso de universos discretos U = {x1, x 2, , x n}, una notacin ms conveniente es:
En lgica difusa los valores no estn definidos y su difusificacin exhibe una distribucin descrita por su funcin de membresa. Si tratamos de aplicar las
reglas de la lgica binaria a dos variables difusas cul crees que sera el resultado?. Para poder contestar esta pregunta, consideraremos una lgica de valores mximos y mnimos, en otras palabras emplearemos operaciones definidas en lgica difusa. Como ya se dijo, en lgica difusa se emplean conjuntos as que aqu tambin contamos con operaciones de complemento, unin e interseccin. Cuando a dos variables difusas se les aplica una operacin de "unin" (que en lgica binaria es equivalente a una operacin OR), el resultado se obtiene tomando el valor ms grande de entre las variables de entrada, max(x1, x2, , xn). Por ejemplo, s A=0.5, B=0.7 y C=A OR B, entonces C = max(0.5, 0.7) = 0.7. Para el caso de la "interseccin" (que equivale a la operacin AND) el valor resultante de la operacin corresponde al mnimo valor de alguna de las entradas: min(x1, x2, , xn). En este caso, s C=A AND B, entonces C= min(0.5, 0.7) = 0.5. En la operacin "complemento" (equivale a una operacin NOT), se toma el valor que complemente a 1, de esta forma: x= 1-x para nuestro ejemplo: s C= B, entonces C=1-0.7 =0.3. (x1) AND B (x2), evaluadas en x1= 2 y x2= 2 con funciones de pertenencia: A (x1= 2)=.72 y B (x2= 4)=.45. As: A (x1) AND B (x2) = min(.72,.45) =.45
A
(x1) OR
para el complemento: A (x1=2) = 1-.72 = .72 Ahora, asumamos que A y B son dos conjuntos difusos cuyas funciones de membresa son A y B respectivamente, as, definimos las siguientes operaciones:
(x) = 1 -
(x)
La figura 6 muestra las grficas de la funcin de membresa de dos conjuntos difusos y sus conjuntos complementos.
(x),
(x)) /x | x esta en U}
La funcin de membresa del conjunto interseccin de A y B es: A B(x) = min { A(x), B(x)} donde la funcin min{} selecciona el valor mnimo de los grados de membresa que tiene el mismo elemento x en los conjuntos A y B. En la figura 8 se muestra la grfica de la funcin de membresa de la interseccin de dos conjuntos difusos.
Variables lingsticas.
Una variable lingstica, como su nombre lo sugiere, es una variable cuyos valores son palabras o sentencias en un lenguaje natural o sinttico. Por ejemplo, la velocidad de un coche, "Velocidad" es una variable lingstica si sus valores son "alta", "no alta", "baja", "no baja", "muy baja", y as sucesivamente.
Figura 9. Valores lingsticos de la variable difusa "Velocidad". Cada valor de una variable lingstica representa un conjunto difuso en un universo determinado como lo muestra la figura 10.
Figura 10. Conjuntos difusos de la variable lingstica "Velocidad". Estrictamente, una variable lingstica esto formada por cinco partes (x, T(x), U, G, M) donde: x: nombre de la variable. T(x): conjunto de valores lingsticos de x. U: universo de discurso donde se define T(x). G: regla sintctica para generar los nombres de los valores de x. M: regla semntica para asociar cada valor a su significado.
Por ejemplo, de la figura 10, "Velocidad" se puede considerar una variable lingstica x. El conjunto de valores lingsticos (particin difusa de su universo) es:
T(Velocidad) = {muy veloz, veloz, no veloz, lento, muy lento} Cada termino en T(Velocidad) est caracterizado por un conjunto difuso en el universo de discurso U=[0,200] km/hr. La regla sintctica G determina el orden de las palabras de los valores lingsticos de Velocidad: como en alta, no alta y muyalta, donde no y muy son modificadores que preceden al trmino primario alta. La regla semntico M asocia cada valor lingstico con su significado: {alta es mayor alrededor de 180}, y {baja es menor alrededor de 30}, etc.
CONCEPTOS BASICOS.
A la fecha se han desarrollado diferentes mtodos para el diseo de controladores que emplean lgica difusa, para tal fin, es muy importante que se identifiquen bien los parmetros de control as como determinar con mucho cuidado el conjunto de trminos (variables lingsticas) que describirn el comportamiento correcto del sistema. En el control lgico difuso se emplean funciones de membresa para el diseo, los cuatro tipos ms comunes son:
Figura 11. Funciones de membresa ms utilizadas. (a).Monotonica, (b).Triangular,(c).Trapezoidal, (d).Forma de Campana La arquitectura bsica de un control difuso se muestra a continuacin:
(a).Funcin de membresa de una seal sin ruido. (b). Funcin de membresa de una seal con ruido El mtodo ms utilizado es aquel donde se analiza a una seal sin ruido.
Experiencia y conocimiento de un operador humano. Modelado de las acciones de control del operador. Modelado del proceso. Auto-sintonizacin
De los mtodos anteriores, el primero es el ms utilizado, cuando modelamos el conocimiento del operador las reglas de control toman la forma: IF [el error es pequeo y su cambio es pequeo] THEN [el esfuerzo es pequeo] lo que es lo mismo: SI [el error es pequeo y su cambio es pequeo] ENTONCES [el esfuerzo es pequeo] Donde la primera parte de la regla se conoce como antecedente y la segunda consecuente. Por ejemplo en la regla anterior, el antecedente es: [el error es pequeo y su cambio es pequeo], mientras que el consecuente esta formado por: [el esfuerzo es pequeo]. La efectividad del mtodo se basa en que el operador puede expresar los conocimientos que utiliza en el control del procesos en trminos de reglas que tienen la forma descrita anteriormente. El segundo mtodo modela directamente la accin de control del operador.
El tercer mtodo trata con el modelo difuso del proceso, aqu se configura el modelo de una planta como una aproximacin utilizando implicaciones que describen los posibles estados del sistema. En este mtodo se desarrolla un modelo y se construye un controlador difuso para controlar el modelo difuso, lo descrito anteriormente es similar a lo que se hace en teora de control clsica. Aqu, por ende, se necesita identificar la estructura y los parmetros del proceso. Por ejemplo:
SI x1 es
, x2 es
, , ENTONCES y =
Para i=1,, n donde n es el nmero correspondiente a la implicacin y la consecuencia es una funcin lineal de m variables de entrada. La idea principal del cuarto mtodo es el desarrollo de reglas que pueden ajustarse aun y cuando el controlador este en uso para lograr mejorar su desempeo.
REGLA #1: si x es A1 y y es B1 ENTONCES Z es C1 REGLA #2: si x es A2 y y es B2 ENTONCES Z es C2 Ahora consideraremos que x0 y y0 son los sensores de las variables difusas x e y, y que sus valores de verdad se representan por respectivamente, donde (x0) y
B1
(x0)
(y0)
donde es el operador de conjuncin, que como ya se dijo es igual al valor del operando mnimo. De igual forma para la regla 2:
(x0)
(y0)
El valor de control para la regla 1 se calcula utilizando el valor obtenido en el paso anterior y el valor del consecuente de la regla:
para la regla 2:
donde w corresponde al cambio de valores que puede tener el consecuente de la regla. Lo anterior significa que como resultado del valor obtenido en los sensores x0 y y0, la regla 1 recomienda una accin de control que corresponde al valor de la funcin de membresa , del mismo modo para la regla 2.
(w) =
(w)
(w) = [
] [
donde c (w) es el mejor punto de la funcin de membresa para las dos conclusiones. El resultado de esta operacin es una funcin de membresa la cual va a tener que desdifusificarse.
S empleamos una funcin de membresa monotnica , entonces la accin de control puede calcularse mediante:
donde n es el nmero de reglas cuyo valor de la funcin de membresa es mayor que cero(Wi), y Xi es la suma de la accin de control recomendada por la regla i.
Este mtodo es sensible al resultado de todas las reglas al momento de hacer la desdifusificacin, lo que produce una salida de control ms suave. Asumimos que se produce una accin de control con una funcin de membresa dada por C. El mtodo de centro del rea calcula el centro de gravedad de la distribucin para la accin de control. Asumiendo un universo de discurso discreto:
donde q es el nmero de niveles de cuantizacin de salida, Zj es la suma de las salidas de control en el nivel de cuantizacin j y c(Zj) representa los valores de la funcin de membresa en c. En otras palabras, este mtodo asigna el centro del rea de la salida difusa final al valor desdifusificado. El centro de rea tambin es llamado centro de gravedad o centroide.
Figura 15. Mtodo de desdifusificacin de Media del Mximo (MOM). Para un universo discreto, se calcula:
Adems supngase que se los valores obtenidos de las mediciones son x0 = 4 y y0 = 8. En el presente ejemplo ilustraremos como calcular:
La funcin de membresa para la accin de control recomendada por la combinacin de las dos reglas.
El primer paso es relacionar las lecturas de los sensores x0 y y0 con los correspondientes valores de los antecedentes A1 y B1, lo cual produce:
= Min ( = Min (
(x0), (x0),
Aplicando 1 a la conclusin de la regla 1 se obtiene el rea trapezoidal sombreada de la figura 17 para C1, de forma similar para C2.
mientras que si se utiliza la estrategia de desdifusificacin MOM (Mtodo del mximo de la media), tenemos 3 valores cuantizados cuyas funciones de membresa corresponden con el mximo valor (ejemplo: 3,4,5 con 2/3). As:
INTRODUCCION.
Los modelos difusos empleados en el control de procesos tienden a seguir la misma metodologa empleada en el diseo de sistemas de control clsico, esto es: en primer lugar el diseo conceptual es hecho en papel una vez que se ha entendido tanto la mecnica del comportamiento del sistema como su dinmica en trminos de entrada/salida; acto seguido se procede a un ciclo de modelado y simulacin, y as sucesivamente hasta obtener el resultado deseado. Cabe aclarar que el proceso descrito anteriormente puede apoyarse en herramientas de cmputo especializadas. Para los sistemas difusos, el mtodo de diseo se efecta de acuerdo con el siguiente ciclo:
Figura 18. Ciclo de la metodologa de diseo. Ahora procederemos a explicar cada una de las etapas consideradas en el diagrama anterior.
Los datos de entrada al sistema. Las transformaciones bsicas que se aplicarn a los datos. Los datos de salida del sistema.
Tambin deben se debe definir donde exactamente embona el sistema difuso en la arquitectura total del sistema, lo anterior con la finalidad de proporcionar una clara visin de la forma en que los datos estarn fluyendo hacia y desde el sistema difuso, adems de que se proporciona una gran ayuda al diseador para la estimacin de los nmeros y rangos de las entradas y salidas difusas requeridas.
Entrada: Temperatura [110, 330]C, Presin [100,2300] Pa Salida: Accin de vlvula [-600, +600] mm/s
Como segundo punto, cada variable es descompuesta en un grupo de trminos difusos. Cada trmino representa un conjunto difuso en el universo de discurso de la variable.
Figura 19. Descomposicin de una variable en sus trminos difusos. Citemos algunas recomendaciones para la definicin de los conjuntos difusos: * El nmero de trminos difusos (conjuntos) asociados a cada variable debe ser, generalmente un nmero impar entre 5 y 9. * Para producir una accin de control suave, cada conjunto debe traslaparse un poco sobre los conjuntos vecinos. El traslapamiento debe ser entre 10% y 50% del espacio ocupado por el conjunto vecino. La suma de las membresas de los puntos verticales del traslapamiento siempre debe ser igual o menor a 1:
Figura 20. Traslape de las particiones de los conjuntos difusos.(a). Particin difusa traslapada correctamente. (b). Particin difusa traslapada incorrectamente.
*La densidad de los conjuntos difusos debe ser mayor alrededor del punto ptimo de control del sistema y menor conforme aumenta la distancia a ese punto. De acuerdo con las recomendaciones anteriores un ejemplo de conjuntos de entrada y salida es:
Donde "Estado del proceso" y "Accin de control" es una proposicin (o un grupo de proposiciones ligadas por un conectivo Y), de la forma: v es T con v una variable y T un trmino difuso. Como ejemplo de regla de control tenemos: SI Temperatura Es Fra Y Presin Es Alta ENTONCES Accin de vlvula Es Positiva Media.
Nmero de reglas.
El nmero de reglas que requiere un controlador difuso se halla multiplicando el nmero de trminos difusos de las variables de entrada. De esta manera las reglas cubrirn todas las posibles combinaciones provenientes de las distintas entrada.
Como ejemplo, para un sistema con dos variables de entrada cada una con 5 trminos difusos existen 5 * 5 = 25 combinaciones de entrada y por lo tanto 25 reglas de control.
Figura 22. Ejemplo de diseo de una base de reglas. En algunos casos es posible utilizar menos reglas pero no es recomendable hacerlo, puesto que las reglas representan conocimiento, si alguna es eliminada, se remueve conocimiento del sistema, conocimiento que puede volverse importante si el sistema es modificado despus.
Aqu se selecciona uno de los varios mtodos para convertir un conjunto difuso de salida en una variable solucin no difusa.
INTRODUCCION
En este parte se presenta una aplicacin de diseo de un controlador difuso, aplicado al problema del pndulo invertido, el cual se tomo de una tesis de licenciatura realizada en la Universidad de las Amricas Puebla, por el alumno Ignacio Alfonso Quijano Arellano siendo dirigida por el Dr. Rubn Alejos Palomares en 1995. Nos limitaremos a presentar slo la parte del trabajo desarrollado que nos interesa y que es el diseo del controlador difuso
Las primeras mquinas que se balanceaban activamente fueron automticamente controladas por pndulos invertidos. Es sabido por cada uno de nosotros que un humano puede balancear una escoba en su mano o en un dedo con relativa facilidad. Por qu no utilizar control automtico para construir una escoba (pndulo invertido) que se balance por si misma? Claude Shannon fue probablemente el primero en hacerlo. En 1951 us las partes de un juego erector para construir una mquina que balanceara un pndulo invertido que estaba arriba de un pequeo carrito de poder. El manejador del carro iba en direcciones atrs y adelante, en respuesta a los tipos de movimiento del pndulo, ste era sensado por un par de interruptores en su base. Para lograr moverlo de un lugar a otro, el carro primero tena que manejarse fuera del destino para poder desbalancear al pndulo, para proceder en direccin del destino. Para balancear nuevamente hacia el destino, el carro se mova pasando el destino hasta que el pndulo se encontrar otra vez completamente perpendicular a la horizontal sin velocidad hacia delante, entonces se mova en sentido inverso del destino y as lo lograba balancear. La importancia del balance activo en extremidades para la locomocin no es un problema nuevo, pero el progreso en la construccin de sistemas con extremidades fsicas que ocuparan estos principios fue retardado por la evidente dificultad del trabajo. No fue sino a finales de los aos setenta que los experimentos en balance comenzaron a salir adelante. Otra de las principales aplicaciones que podemos encontrar para el pndulo invertido adems de los robots, es el posicionamiento de un satlite con respecto a la tierra, en este caso el satlite esta en movimiento y las antenas que se encuentran en la tierra no pueden dejar que se mueva demasiado, ya que sino se saldra del rango de comunicacin entre ellos. Es as como podramos decir que estn sujetos estos dos cuerpos (satlite y antena) por un vector virtual el cul en la parte de la tierra se encuentra fijo y la parte en movimiento en el espacio, haciendo as la funcin del pndulo invertido. Existen ms aplicaciones para el pndulo invertido como lo es la estabilidad en gras, edificios, aplicaciones didcticas, etc.
LOGICA DIFUSA COMO ALTERNATIVA AL PROBLEMA DEL PENDULO INVERTIDO. COMPARACION CLASICA DIFUSA.
El control clsico proporcional integral derivativo (PID) es ampliamente empleado para controlar sistemas dinmicos. La idea bsica es que la seal de control es calculada en base a la diferencia entre un valor deseado de salida y un valor actual de salida como una funcin del tiempo. El controlador PID tiene atributos de una respuesta muy rpida reduciendo oscilaciones etc. Sin embargo controladores proporcionales y derivativos son muy sensibles a seales con ruido y es necesario un ajuste muy preciso para hacerlos funcionar adecuadamente. Tambin, la accin proporcional tiene una posibilidad de introducir oscilaciones
cuando existe un compromiso con el tiempo y esto hace que se retrase la respuesta en tiempo de la misma. El PID es un controlador lineal, esto es, las ecuaciones del PID asumen valores lineales. Sin embargo cuando la dinmica del proceso no es lineal, hay que tener especial cuidado para compensar la no linealidad del sistema, y el controlador PID por si mismo no es suficiente para logar esta compensacin. Este "cuidado especial" no puede ser siempre explcito ni describirse en forma de ecuaciones, pero es frecuente tener un operador humano que lo controle de modo emprico, como se dice "la regla del dedazo". La escencia del control difuso es explotada en este tipo de hechos conocidos. Los sistemas de control difuso usan las mismas entradas que un PID (ej. error y su derivada), pero procesan la no linealidad del sistema. De aqu que el controlador difuso puede ser usado como un controlador PID no lineal. En un ejemplo se tiene un controlador de temperatura y aqu se presenta la respuesta que tienen los sistemas tanto un controlador difuso como un PID y se puede apreciar perfectamente que el controlador difuso es ms rpido y se estabiliza tambin ms rpido que un PID.
CONOCIENDO EL SISTEMA.
En la figura 24 podemos ver el sistema balanceando el pndulo el cul es libre en movimiento en una dimensin de direccin y podemos notar tambin sus diferentes variables fsicas.
Las ecuaciones del movimiento del carro junto con el pndulo no son conocidas para el controlador, el cual hace que el sistema se vea como una caja negra. Lo que es conocido es un vector que describe el sistema paso a paso. S el pndulo cae este recibe una seal de fracaso. Despus de que una seal de fracaso ha sido recibida, el sistema se inicializa a su estado inicial y un nuevo evento es realizado. En la masa se evala la retroalimentacin, el controlador puede realizar su propio control y trata de poder balancear el pndulo lo mejor posible. Esto no es pocible y no se logra balancear ya que el carro tiene nicamente dos acciones de control y siempre se mueve a la misma velocidad as es que posiblemente slo le cambie de direccin al pndulo pero con suficiente fuerza para que este vuelva a caer hacia el lado contrario haciendo as moverse al carro con una misma velocidad pero en sentido contrario para dar por finalizado el evento.
VARIABLE DE ENTRADA.
* Variable de entrada llamada error. Describe el margen de error que hay en el pndulo con respecto a la horizontal. Es importante saber cuales son los rangos donde opera el pndulo ya que existen rangos en los cuales ser imposible levantar el pndulo tal y como sucedi a la hora de jugar con la escoba. Estos rangos fueron caracterizados con un margen de error (en trminos de la variable) de 30 [18]. Es necesario expresar esta variable con palabras (grande, pequeo, medio) en nuestro universo difuso, se crearon 7 conjuntos difusos para esta variable, las cuales van desde error grande negativo (EGN) pasando por error cero (EC), hasta error grande positivo (EGP).
El universo de discurso ser entronces un conjunto convencional que abarca la gama completa de valores que en dado caso puede asumir el error, as tenemos: U=[-90 error, +90 error] interpretando como error grande negativo (EGN) por debajo de -25 de error y por error grande positivo (EGP) por arriba de +25 de error. En este punto conviene aclarar que el procesado de los datos se hizo mediante un microcontrolador. La particin del universo de la variable error est dado en ngulos pero como realmente lo que ve el microcontrolador son valores de voltaje entonces se muestra la particin con valores de voltaje (digitales). En este caso se cuenta con un convertidor analgico digital de 8 bits entonces codificamos con una gama de valores de 0 a 255, lo cual para el error del ngulo se tiene: (0)2 -90 de error, en (128)2 0 de error y en (255)2 +90 de error. As la particin para el espacio de la variable, en trminos del voltaje analogo se muestra en la figura 26.
Figura 26. Variable lingstica error descrita en valores de voltaje. El universo de discurso entonces: U= [0 volts, 5 volts] en trminos de voltaje analgico, para los valores de voltaje digital: U= [0, 255] interpretando como error grande negativo (EGP) por debajo de 100 y por error grande positivo (EGP) por arriba de 145. Este conjunto forma la base de conocimientos del controlador lgico difuso, tambin dentro de la base de conocimientos tenemos la particin para la variable de salida.
VARIABLE DE SALIDA.
* Variable de salida llamada accin de control. Esta variable es la accin de control que se le entregar al carro para ver que tan fuerte se mover este y por lo tanto har que logre levantar o equilibrar al pndulo, el rango de la seal es de 0 a 5 volts. De forma que podemos decir que la variable accin de control tiene un universo U = [0, 5] y sus particiones en trminos de valores de voltajes digitales se muestran en la figura 27.
Se define para rangos menores de 0.7 volts accin de control grande negativa (GN) y para acciones de control por arriba de 4.3 volts como accin de control grande positiva (GP) junto con sus valores intermedios accin de control mediana (MN o MP), pequea y cero (CR).
REGLA #2: Si error ES mediano negativo ENTONCES fuerza ES mediana negativa REGLA #3: Si error ES pequeo negativo ENTONCES fuerza ES pequea negativa REGLA #4: Si error ES cero ENTONCES fuerza ES cero REGLA #5: Si error ES pequeo positivo ENTONCES fuerza ES pequea positiva REGLA #6: Si error ES mediano positivo ENTONCES fuerza ES mediana positiva REGLA #7: Si error ES grande positivo ENTONCES fuerza ES grande positiva De esta manera ya tenemos relacionadas las dos variables, y as para una entrada tendremos una salida, a bloques tenemos:
El proceso de desdifusificacin se lleva a cabo mediante el mtodo de centro de rea (COA). Para llevar a la prctica el diseo se empleo un microprocesador el cual puede manipular informacin para sistemas difusos, de la marca Togai Infralogic FC110. Para guardar la informacin de la base de conocimientos se utilizan memorias EEPROM.
PRUEBAS Y RESULTADOS.
Las pruebas realizadas primeramente fueron a lazo abierto para apreciar con que fuerza se movera el carro, para que fuera posible levanta el pndulo cuando este callera, de esta manera se empezaron a involucrar las variables tanto de entrada como de salida.
Todas las pruebas que se realizaron constan de una variable de entrada (error) y de una variable de salida (accin de control) cada una descrita por siete conjuntos. De alguna manera se modificaron para dar un ajuste de sintona cada vez ms preciso para un mejor funcionamiento del controlador. Una vez realizadas varias pruebas se lleg a un ajuste de conjuntos "preciso", los cuales son los que se muestran en las figuras 29 y 30. Las reglas de inferencia no se modificaron en ningn momento para el ajuste ya que es lgico que a cada conjunto de la variable de entrada le corresponda un conjunto de la variable de salida. Algunas herramientas importantes en el anlisis de control difuso son las grficas en tercera dimensin donde se pueden apreciar las variables en cuestin. La siguiente grfica muestra claramente que para la variable de entrada error, cuyo valor va de 90 a +90 su correspondiente accin de control esta descrita en valores digitales de voltaje de 0 a 255.
Figura 29. Grfica en tercera dimensin de las variables en estudio. Otro anlisis importante es la grfica de profile o mejor conocido como perfil. Esta grfica (Figura 6.8) muestra el perfil de la grfica en tercera dimensin de la figura 6.7. Ntese que para errores cercanos a cero la accin de control es aproximadamente en valor digital a 128, es decir, 2.5 volts que es cuando el motor (que mueve al carro) estar parado ya que se ha cumplido el objetivo del proyecto. Se tiene una linea de "subida" que es nuestro "rango controlable" y en la parte que va de 30 a 90 que forma el miembro de error grande negativo la accin de control es de 0v (grande negativo) y la parte que va de +30 a +90 es la parte que conforma el error grande positivo que esta en el orden de 5v.
difuso, revisin de un mtodo general de diseo de un control difuso. Lee, Chuen Chien, Fuzzy Logic in control systems: fuzzy logic controller part II. IEEE Transactions on Systems, Man and Cybernetics, Vol 20, No.2, p.419435, March/April 1990. Bases tericas sobre control difuso, revisin de un mtodo general de diseo de un control difuso. Mamdani E.H. and Assilian. An experiment in linguistic synthesis with fuzzy logic controller. Int. Journal Man Machine Studies. Vol 7, no.1, 1-13. 1975. Primer control difuso aplicado a una mquina de vapor. Mc Neill, Martin and Thro Ellen. Fuzzy Logic. A practical aproach. AP Profesional, 1994. Introduccn al la lgica y al control difuso. Yager Ronald y Zadeh Lotfi. An Introduction to Fuzzy Logic Applications in Intelligent Systems. Kluwer Academic Publishers. Libro que contiene una coleccin de artculos sobre lgica difusa y sus aplicaciones a sistemas inteligentes. Yen , Langary and Zadeh. Industrial Applications of Fuzzy Logic and Intelligent Systems. En este libro se hace nfasis de las aplicaciones de la teora difusa en sistemas reales y como esta se ha aplicado en la industria de pases como Japn, Estados Unidos de Norte Amrica y otros tantos en Europa. Zadeh Lotfi. Fuzzy Sets. Information and Control, vol 8, pags. 338 353,1965. Artculo original describiendo la teora de los conjuntos difusos. Zadeh Lotfi. Fuzzy Logic. Computer, p.83 92, April 1988. Introduccin a la lgica difusa, caractersticas y modos de inferencia. Zadeh Lotfi, Kacprzyk, Janusz (editores). Fuzzy Logic for the Management of Uncertainty. John Wiley & Sons. 1992. Aplicaciones de los sistemas difusos en el manejo de incertidumbres.