Download - Conjuntos Difusos
-
Tcnicas Modernas en Automtica, ELO-377
1
CONJUNTOS DIFUSOS JHS
1.- INTRODUCCION
La lgica fuzzy, difusa, borrosa, nebulosa, , fue expuesta por Lofti Zadeh (USA)
en 1965 para modelar la manera en que las personas resuelven sus problemas cotidianos y
para tomar decisiones en situaciones complejas.
En general, las personas usan variables lingsticas para denotar valores y dar respuestas.
Algunos ejemplos son:
1. A es bastante ms alto que B. Variable: estatura. Bastante y ms son difusos.
En un enfoque concreto, A podra tener una estatura de 1,80 [m] y B una de
1,65[m].
2. El automvil viene muy rpidamente pero el autobs demasiado lento (en vez de: el bus
viene a 40 *Km/Hr+ y el automvil a 70 *Km/Hr+)
3. Sea un peatn que desea cruzar una calle de ancho a, con velocidad v, o sea en un tiempo
1 = / . Viene un vehculo a una distancia b con velocidad u. As, demorar
2 = / en llegar al punto de cruce.
El peatn decide cruzar si 1 es menor que 2, dejando un margen de seguridad . Pero,
naturalmente, el peatn no formula ese modelo matemtico, del que, de todos modos, no
conoce ninguno de los valores { , , , , 1 , 2, }. Decide en forma fuzzy cruzar o no
cruzar, esperando no equivocarse.
4. Sea controlar un estanque proceso, mquina o sistema cualquiera. Se podran
establecer modelos matemticos y aplicar mtodos de control sofisticados pero, si ellos
no son conocidos o fciles, se puede usar control fuzzy (Mandami, 1974, UK), con
reglas IF.. THEN (SI...ENTONCES) tales como:
Si el nivel es excesivo y est creciendo rpidamente, cerrar la vlvula de admisin
rpidamente.
2.- CONJUNTOS USUALES O NITIDOS O CRISPS
En los conjuntos usuales (G. Cantor) la funcin caracterstica tiene valor 0 o 1, o sea, es
binaria.
Sea A={a, b} un conjunto definido en un universo U= {a, b, c}. Entonces, a y b pertenecen a A, con
funcin caracterstica 1, y c pertenece al complemento A de A, en el universo U.
-
Tcnicas Modernas en Automtica, ELO-377
2
3.- CONJUNTOS DIFUSOS (FS)
En los conjuntos difusos la funcin caracterstica puede tener infinitos valores y es
llamada funcin de pertenencia, designada por , . Ver figuras 1 y 2.
()
Figura 1: Pertenencia ntida
()
Figura 2: Pertenencia Difusa
Un conjunto difuso FS (fuzzy set) es definido como:
A = {x, A (x)}
Consta de elementos x y sus respectivos grados de pertenencia al conjunto. Otra
ilustracin es la de la figura 3.
Figura 3: Conjunto A ntido o difuso
-
Tcnicas Modernas en Automtica, ELO-377
3
En la figura A U, donde U es el universo de discurso que incluye la totalidad de
los elementos de inters.
Si A es u conjunto usual, crisp o ntido, los elementos a y b pertenecen a A, y c y d
pertenecen a A , el complemento de A.
Si A es difuso el elemento a pertenece a A ms que el elemento b. asimismo el elemento c
no pertenece a A, menos que el elemento d. O bien, d pertenece ms a A que c.
Los elementos b, c, difusos estn en pertenencia difusa a A si consideramos que el
lmite, o frontera entre A y A es incierto. Fuzzy es piloso, velloso, lanoso, impreciso...
BREVE HISTORIA.
Platn aceptaba que ciertos eventos pueden no ser necesariamente verdaderos (V) o
falsos (F), Aristteles, su discpulo, solo aceptaba que un evento es ya sea V o F.
El criterio binario (V, F) aristoteliano prim durante siglos, como en la lgica de
Boole, por ejemplo.
Lukasiewicz (Polonia, 1900) propugn la lgica ternaria, reafirmada en cierto modo por
Knuth (USA).
En 1965, L.Zadeh, como se mencion, introdujo la lgica fuzzy, y Mandami (1974) la
aplic en control automtico.
La lgica y control difuso no prendieron en USA y Europa, al principio, pero fueron
adaptados con gran intensidad y vastedad en Japn.
Las aplicaciones son muy vastas en control de: aguas, trenes, metros, gras,
elevadores, ascensores, reactores, vehculos, tneles, cmaras fotogrficas, acondicionadores
de aire, lavadoras, ollas, hornos diversos, helicpteros, y muchos otros.
INCERTEZAS, INCERTIDUMBRES
Pueden ser objetivas, usualmente tratadas con probabilidades, o subjetivas
(lingsticas), comnmente tratadas con lgica difusa.
Imprecisin generalidad, vaguedad, ambigedad son vocablos generalmente asociados
con lgica difusa.
PERTENENCIA
La funcin de pertenencia es subjetiva, pero no arbitraria, y depende del contexto
del tema o problema.
Como ejemplo, sea A el conjunto de personas altas en estatura. Se puede adoptar un
A (x) de la forma de la figura 4.
-
Tcnicas Modernas en Automtica, ELO-377
4
A (x)
Figura 4: Pertenencia
DEFINICIONES EN (x) DIFUSA
(x)
Figura 5: Definiciones en (x)
a) (x) es normalizada si (x)max = 1. S, por ejemplo, la velocidad mxima de un
motor es de 1500 [rpm], los valores reales de velocidad se dividen por 1500.
Siempre se considera x normalizada
b) soporte compacto es el intervalo de valores de x para los cuales A (x) > 0. En la
figura 5 sera el intervalo af.
c) Ncleo (N). Es el conjunto de x tales que A x = 1. Es el intervalo cd en la
figura 5.
d) Cruces. Son los x para los cuales A x =0.5. Son los puntos b y e en la figura 5.
e) Anchura de banda (B). Es el intervalo de x entre los puntos de cruce. Es el
intervalo B = e-b en la figura 5
f) Cortes son los conjuntos difusos tales que A x , 0 1. Un conjunto
difuso puede ser expresado como una superposicin de estos cortes .
-
Tcnicas Modernas en Automtica, ELO-377
5
OPERACIONES BSICAS SOBRE CONJUNTOS DIFUSOS
Se definen en base a las funciones de pertenencia: unin; interseccin,
max = el mayor de; min = el menor de.
Entonces
1. max{ , ()}
2. { , ()}
3. 1
Son posibles otras formas
Ejemplo. Se ofrecen trabajos A, B, C con los siguientes valoraciones como pertenencias de
lgica difusa.
A B C
Inters profesional 0,2 0,5 0,6
Sueldo 0,4 0,6 0,7
Interes sueldo 0,2 0,5 0,6
Convendra elegir el trabajo C.
Notacin de Zadeh
= ()
=1
= ()
Denotan = {; ()}.
No son sumas, ni cuocientes ni integracin!
-
Tcnicas Modernas en Automtica, ELO-377
6
Ejemplo:
=0,3
1+
0
2+
0,6
3
=0
1+
0,5
2+
0,7
3
= ( ) =0,3
1+
0,5
2+
0,7
3
= ( ) =0
1+
0
2+
0,6
3
= 1 =0,7
1+
1
2+
0,4
3
ALGUNOS TIPOS DE FUNCIONES DE PERTENENCIA, DIFUSA.
1. Triangular.
=
0,
, ,
, ,
0,
Figura 6: funcin triangular
2. , gamma Tipo 1.
= 0, <
1 ()2, > , > 0
= 2,718
Figura 7: funcin , gamma Tipo 1
-
Tcnicas Modernas en Automtica, ELO-377
7
3. Trapezoidal, tipo 1
0, <
, ,
1, ,
,
0, >
Figura 8: funcin trapezoidal
4. Gaussiana
= ()2, > 0
Figura 9: funcin tipo Gaussiana
rea no tiene que ser 1, como en probabilidades.
5. Exponencial, tipo 1
=1
1 + ( )2, > 1
Figura 10: funcin tipo Exponencial
-
Tcnicas Modernas en Automtica, ELO-377
8
OTRAS OPERACIONES EN CONJUNTOS
: > ,
= : ; = ,
= ; =
= ; =
= ; = ; = ; = ;
( ) = ; = ; ( ) =
No rige la complementaridad de G. Cantor en conjuntos difusos. Es decir:
;
VARIABLES LINGUISTICAS (VL)
-
Tcnicas Modernas en Automtica, ELO-377
9
Son familias de conjuntos de la forma (gramtica) siguiente:
VL = {x, T(x), U, G, M }
x: nombre de la variable ( velocidad, temperatura,)
T(x): conjunto de trminos (alto, bajo, )
U: universo
G: regla sintctica para generar nombres de valores de x
M: regla semntica asociadora
En los ejemplos se usarn trminos en ingls por facilidad con libros y artculos de revistas.
Ejemplo :
x, velocidad v
T(velocidad) = { S, M, F, VS, VF,..} = {lento, medio, rpido, muy lento, muy rpido} = {slow,
moderate, fast, very slow,very fast.}
Cada trmino en T es caracterizado por un conjunto difuso (FS) en U.
Ejemplo :
S, velocidad menor que 40 [Km/h]; M, velocidad cerca de 55 [Km/hr]; F, velocidad mayor
que 70 [Km/h].
Los conjuntos difusos podran ser as (usando tringulos y trapecios)
V= {S, M, F}
Una V=50 sera cerca del 20% S y cerca del 70 % M
DOS REGLAS DE INFERENCIA DIFUSAS
-
Tcnicas Modernas en Automtica, ELO-377
10
Sean P1 , P2 las premisas (o antecedentes) y C los consecuentes (o consecuencias).
1.- Modus Ponens Generalizado
P1: x es A
P2:Si x es A, y es B
C: y es B
Se reduce a Modus Ponens ntido si
A = A y B = B
2.- Modus Tollens Generalizado
P1: y es B
P2:Si x es A, y es B
C: x es A
Se reduce a Modus Tollens Ntido si B = B no B y A = A
Representan enlaces (de reglas) hacia delante o hacia atrs A B , A B
Adems de reglas IF THEN se pueden usar representaciones con Redes Semnticas o con Marcos.
CARACTERISTICAS DE LOS CONJUNTOS DIFUSOS
- Extienden la teora de conjuntos usuales a clases de conjuntos con fronteras
imprecisas
- Permiten considerar vaguedad, ambigedad, incerteza, ambivalencia
- Reconcilian la precisin de las matemticas con la imprecisin del mundo real.
- Permiten considerar bordes borrosos, restricciones suaves, informacin ambigua.
- Permiten describir y modelar fenmenos complejos o imprecisos (tales como: no-
linealidades, multilazos, sistemas tempovariantes, parmetros variables en t).
- Trabajan con un espacio grande de soluciones
- Son de gran simplicidad
- Permiten paralelismo
- Pueden aproximar cualquier mapa o funcin continua
- Por el principio de extensin, se pueden extender teoremas de conjuntos usuales a
conjuntos difusos, con ciertas precauciones.
-
Tcnicas Modernas en Automtica, ELO-377
11
ESQUEMA DE CONTROLADOR CON LOGICA FUZZI
Figura 11: Esquema de controlador con lgica difusa
KB Base de datos y base de control lingstica (ej. Reglas IF..THEN)
LD Lgica decisional (simulador de decisiones humanas) Kernel
ID Interfaz difusificadora
IDD Interfaz desdifusificadora
(F) Seales difusas (lingsticas)
(N) Seales ntidas (anlogas o digitales usuales)
IDD Opera segn el centro de gravedad (centroide), o segn otro mtodo,
como media mxima, momentos, etc.
-
Tcnicas Modernas en Automtica, ELO-377
12
CONTROL DIFUSO DE MOTOR DE CC
Reglas de control:
= () =
= 1
A) Ver zonas generales.
a1: { > 0 , < 0}
etc
a4: { > 0 , < 0}
B) Adems, ver casos donde e = 0
1: { = 0 , 0} ; de muy menor que 0
1: { = 0 , , >>, 0 , respectivamente
-
Tcnicas Modernas en Automtica, ELO-377
13
C) Casos en que de=0
1: { = 0,
-
Tcnicas Modernas en Automtica, ELO-377
14
Las 49 reglas se pueden reagrupar en 7 si hay dos reglas que dan el mismo valor para du.
IF e = Ai OR e = Ai AND de = Bi OR de = Bi
THEN (du = Ci)
de pertenencia
1 =
2 =
-
Tcnicas Modernas en Automtica, ELO-377
15
DESDIFUSICACIN
Paso de difuso a ntido (anlogo y digital)
Por Media, mxima modificada, momentos,
El control se obtiene como
= 1 + ( 1)
= Ganancia del Contrlador
CONTROL DIFUSO DE UN MOTOR DE INDUCCIN
El motor es un sistema dinmico no-lineal y tempovariante.
Circuito equivalente por fase.
Interesa (en caso) alimentar con (voltaje/frecuencia) constante = 2 f. Se desprecia
+ LIs , pero en bajas velocidades la cada en R afecta mucho.
Esquema:
-
Tcnicas Modernas en Automtica, ELO-377
16
de desplazamiento.
, de rotor.
, de estator.
FC: Controlador Difuso; FL: Lgica difusa, PWM, inversor
Ejemplo de Reglas:
V = Ke + V
No se requiere medir Is
J r =
= momento desarrollado por el motor
= momento de roce o friccin
= momento til en la carga
Si es considerado constante, por ejemplo a 1,5 del valor , nominal, y se
desprecian y de la carga.
J = 1,5
Si , velocidad angular deseada se considera constante y se define el error de
velocidad = se obtiene.
= 1 = 1 =
-
Tcnicas Modernas en Automtica, ELO-377
17
Los autores Caminhas et al suponen un motor de 2 HP, J= 0,016 [Kg2] ,
= 8,5[Nm], = 500 [s] , error en [-0,4; 0,4], un deslizamiento mximo de velocidad de
30[rad/seg]. Esto da un inverso de [-30; 30]. Las variables se discretizan en 25 puntos, no
homogneos. El paso de integracin es de 50[s].