Title: Fundamentos de Control Borroso
1Fundamentos de Control Borroso
2Control borroso Elementos básicos
comparador
3Control borroso Procedimiento
- Tener un conocimiento exhaustivo de la planta.
- Tener claras las especificaciones de diseño (son
similares a las de un control convencional). - Elección de las entradas y salidas del
controlador borroso. - Elección de las técnicas de pre-procesamiento de
entradas y post-procesamiento de las salidas. - Diseño de cada uno de los cuatro bloques del
controlador borroso. - Evaluar el comportamiento (utilizando técnicas
matemáticas, simulación y experimentación). Hay
que tener presente que un controlador borroso es
un control no lineal.
4Diseño de un controlador borroso Fase 1 Objetivo
Péndulo invertido
Acciones básicas
- Objetivo actuando sobre el carro con una fuerza
u(t) mantener la barra con y(t)0 (posición
vertical). - El controlador borroso debe automatizar el
comportamiento que un experto humano utilizaría
para alcanzar el objetivo.
5Diseño de un controlador borrosoFase 2 Elección
de entradas y salidas
- Entradas el experto humano determina qué
entradas le ayudarán a tomar decisiones sobre la
acción del controlador. - En este caso p.ej. e(t) r(t)-y(t), de(t)/dt
- En general e(t), de(t)/dt, ?e(t)dt
- Salida fuerza aplicada al móvil u(t).
- Valor de la referencia r(t) parece lógico que
r(t) 0.
El experto, a partir de su conocimiento de la
planta, es el que realiza la descripción
lingüística para el diseño del controlador
6Diseño de un controlador borrosoFase 3
variables, valores, reglas
- Variables y valores lingüísticos
- Variables error, cambio de error, fuerza
aplicada - Valores (para cada variable) neg. grande (NG),
neg. pequeño (NP), cero (CE) , pos.
pequeño (PP), pos. grande (PG). - Reglas básicas La cuantificación lingüística
que el experto hace conduce a las reglas básicas
(if-then). En general, con m entradas y p
valores lingüisticos para cada una se tienen pm
reglas básicas. - Base de conocimiento
Fuerza u(t) Fuerza u(t) Cambio de error Cambio de error Cambio de error Cambio de error Cambio de error
Fuerza u(t) Fuerza u(t) NG NP CE PP PG
error NG PG PG PG PP CE
error NP PG PG PP CE NP
error CE PG PP CE NP NG
error PP PP CE NP NG NG
error PG CE NP NG NG NG
7 Diseño de un controlador borroso Ejemplos de
reglas
Criterio de signos
? If error es NG and cambio de error es NG Then
fuerza es PG
? If error es CE and cambio de error es PP Then
fuerza es NP
? If error es PG and cambio de error es NP Then
fuerza es NP
8Diseño de un controlador borroso Fase 4 Funciones
de pertenencia
Se debe tener presente que p/2e(t) p/2
9Diseño de un controlador borrosoFase 5
Borrososificación
- Determina para cada valor natural de las entradas
el grado en que pertenecen a cada valor
lingüístico funciones de pertenencia. - La entrada del borrosificador es siempre un valor
numérico (limitado al universo de discurso de la
variable de entrada) y la salida es un grado de
pertenencia ( µi(x) siempre en el intervalo de 0
a 1). - Ejemplo
e(t)p/8
e(t) e1(t) p/4 e(t) e2(t) 0 e(t) e3(t)
- p/4
µPP e1(t) 1, µPG e1(t) µCE e1(t) 0 µCE
e2(t) 1, µPP e2(t) µNP e2(t) 0 µNP
e3(t) 1, µCE e3(t) µNG e3(t) 0
Borrosificador (Tipo singleton)
10Diseño de un controlador borrosoFase 6 Mecanismo
de inferencia
Ejemplo de determinación qué reglas están
activas. Caso e(t) 0 y de(t)/dt (3p)/32
Reglas activas las que tienen premisas error
es CE cambio de error es CE cambio de error
es PP
Fuerza u(t) Fuerza u(t) Cambio de error Cambio de error Cambio de error Cambio de error Cambio de error
Fuerza u(t) Fuerza u(t) NG NP CE PP PG
error NG PG PG PG PP CE
error NP PG PG PP CE NP
error CE PG PP CE NP NG
error PP PP CE NP NG NG
error PG CE NP NG NG NG
Reglas activas
11 Diseño de un controlador borroso Fase 6
Mecanismo de inferencia
Ejemplo de cuantificación de las premisas de las
reglas. Caso e(t) 0 y de(t)/dt (3p)/32
Conectiva and mínimo
µpremisa (1) mín 1, 0.250.25
Premisa(1) If error es CE and cambio de error
es CE
Conectiva and mínimo
µpremisa (2) mín 1, 0.750.75
Premisa(2) If error es CE and cambio de error
es PP
12 Diseño de un controlador borroso Fase 6
Mecanismo de inferencia
Función de pertenencia de la premisa 2
En tanto el valor de las entradas cambien con el
tiempo, lo harán los valores de las funciones de
pertenencia, y por tanto los valores de las
funciones de pertenencia multidimensional de
las premisas de las reglas
13Diseño de un controlador borroso Fase 7
Obtención de conclusiones
If error es CE and cambio de error es CE then
fuerza es CE
µ regla_1(u) mín µ permias(1) , µ CE (u)
CE
CE
µCE (dei/dt)
µCE(ei),
0.25
0.25
-10 10 u(t)
-p/4 p/4 e(t)
-p/8 p/16 p/8 de(t)/dt
If error es CE and cambio de error es PP then
fuerza es NP
µ regla_2(u) mín µ permias(2) , µ NP(u)
PP
CE
NP
0.75
0.75
µCE(ei),
µPP (dei/dt)
-20 -10 10 u(t)
-p/4 p/4 e(t)
14Diseño de un controlador borrosoFase 8
Desborrosificación COG
NP
CE
0.75
0.25
-10 10 u(t)
-20 -10 10
u(t)
bi centro de la función de pertenencia.
?µregla_i área bajo las funciones de
pertenencia µregla_1(u) y µregla_2(u)
?µregla_i
-20 -10 10
u(t), (N)
u-6.81
15Diseño de un controlador borrosoValores extremos
de las salidas
- En este caso se puede ver que se cumple
- En la práctica hay que tener presente los límites
mínimo y máximo de las variables de actuación. - Esos limites dependen tanto de las funciones de
pertenencia definidas como del desborrosificador
utilizado.
16Diseño de un controlador borrosoFase 8
Desborrosif. Centros ponderados
NP
µregla_2(u) 0.75µNP(u)
CE
µregla_1(u) 0.25µCE(u)
0.75
0.25
-10 10 u(t)
-20 -10 10
u(t)
µpremisa (i)
µpremisa(i)
-7.5
17Control Borroso Resumen
18Aspectos formales de la Lógica Borrosa
19Variables lingüísticas y valores
Controlador Borroso (conjunto borroso)
Entradas borrosificadas
Conclusiones borrosas
e1 e2 . .. en
u1 u2 . .. um
Mecanismo inferencia (Inference mechanism)
Borrosificación (Fuzzification)
Desborrosificación (Defuzzification)
Entradas (crisp)
Salidas (crisp)
Base conocimientio (Rule-base)
- Las entradas ei y salidas ui del sistema borroso
pertenecen a dominios precisos (crisp)
denominados universo de discurso Ei e Ui. - Generalmente Ei e Ui coinciden con el conjunto
de números reales.
20Variables lingüísticas y valores
Ejemplo si representa la variable
velocidad, se puede tener el conjunto
lingüístico (valores)
21Reglas
- Tipos SISO, SIMO, MISO, MIMO
- Ejemplo de MIMO
- Equivalente con MISO
22Conjuntos borrosos, Funciones de pertenencia
- Si Ei es el universo de discurso de la variable
, con valores lingüísticos definidos por
, la función µ(ei) asociada a los
valores que mapea la correspondencia entre
el universo de discurso Ei y el conjunto de
valores reales 0,1, se conoce como función de
pertenencia. - La función de pertenencia describe la certeza
(certidumbre) con que una variable lingüística
puede ser catalogada como - El conjunto borrosos asociado a la función de
pertenencia se expresa
23Conjuntos borrosos, Funciones de pertenencia
- Función de pertenencia
- Definición Sea Ei el conjunto de discurso de la
variable , con valores definidos por
La función µ(ei) asociada a los valores
que establece la correspondencia entre Ei
y el conjunto de valores reales 0, 1 se
conoce como función de pertenencia. - Qué describe? la certeza (certidumbre) con que
una variable lingüística puede ser
catalogada como . - Funciones de pertenencia.
- Expresión de conjunto borroso El conjunto
borroso asociado a la función de pertenencia
se expresa como
24Conjuntos borrosos, Funciones de pertenencia
Gaussian membership functions
Left
Centers
Right
25Conjuntos borrosos, Funciones de pertenencia
Triangular membership functions
Left
Centers
Right
1
?L
cL
e
1
?
?
c
c?/2
e
c-?/2
1
?R
cR
e
26Funciones de lógicas
- AND La intersección de dos conjuntos borrosos
definidos en el universo de discurso Ei ,
es el conjunto borroso con función
de pertenencia - Mínimo
- Producto
- Las dos funciones anteriores se suelen denominar
norma - triangular y se expresan como
27Funciones de lógicas
- OR La unión de dos conjuntos borrosos
, definidos en el universo de discurso Ei , es el
conjunto borroso con función de
pertenencia - Máximo
- Suma
- Las dos funciones anteriores se suelen denominar
co-norma - triangular y se expresan como
28Funciones de lógicas
- Complemento (NOT) El complemento de un conjunto
borroso con función de pertenencia - Producto cartesiano Es una operación en la que
intervienen conjuntos borrosos con diferentes
universos de discurso, resultando la siguiente
función de pertenencia
29Base de conocimiento
- La base de conocimiento ha de ser
- Completa todas las posibles entradas del
controlador han de tener su conclusión. - Consistente no puede haber conflicto entre
conclusiones de diferentes reglas. - Número de reglas Si todas las posibles premisas
participan en las reglas, y el conjunto de reglas
contempla todas las posibles combinaciones de
premisas, el número de reglas es - Ejemplo n 2, N1 4, N26, número de reglas 24
30Borrosificación
1 1 1 1 1
.
31Mecanismo de inferencia
- Determinar el alcance de las regalas relevantes
para cada situación de las n entradas (matching
o correspondencia) - Obtener las reglas activas de la base de
conocimiento. - Calcular la función de pertenencia de la premisa
de la regla activa. - Para un borrosificador la certidumbre asociada a
la premisa de la regla i se expresa mediante el
producto cartesiano - Establecer las conclusiones en función de las
entradas y de las reglas de la base de
conocimiento (paso de inferencia).
32Desborrosificación
- Objetivo calcular la salida uqcrisp a partir
de cada una de las reglas implicadas o a partir
de todas simultaneamente. - Si se hace a partir de las conclusiones de las
reglas individualmente procesadas (1), los
métodos más utilizados son COG y ponderación de
centros. - En el caso de implicación simultánea de las
reglas (2), el Criterio Máximos es el más
utilizado.
33Desborrosificación COG
- Sea una base de conocimiento con R reglas. Sea
bpq el centro del conjunto borroso de la función
de pertenencia implicada por la
regla (j, k, .. l p)i, y el área de dicha
función de pertenencia - La salida es
- La función de pertenencia de los términos del
consecuente de las reglas no se saturan en los
extremos para asegurar un valor finito de la
salida - Hay que asegurar que el denominador sea
distinto de cero
34DesborrosificaciónPonderación de centros
- El cálculo de la salida se obtiene a partir de
los centros de las funciones de pertenencia de
los consecuentes de las reglas implicadas y el
valor máximo de certeza de tales funciones de
pertenencia. - Siendo el valor máximo
de la función de pertenencia del consecuente q
afectado por la regla i.
35DesborrosificaciónEjemplos
.
b1 b2 b3
bi bN
uq
.
b1 b2 b3
bi bN
uq
36DesborrosificaciónCriterio Máximo
- Esta estrategia tiene en cuenta todos los
conjuntos borrosos implicados simultáneamente. - La salida es el punto del universo de discurso de
salida para el que la función de pertenencia del
conjunto borroso Bq es el máximo. - Donde arg supxµ(x) devuelve el valor de x para
el cual la función µ(x) presenta un máximo. - Ejemplo
µregla_3
µregla_1
µregla_2
µregla_4
uqcrisp -20
-20 -10 10
20 uq
37DesborrosificaciónCentro de áreas
- Al igual que la estrategia del criterio
maximo, tiene en cuenta todos los conjuntos
borrosos implicados simultáneamente. - La salida, ucrisp, se elige como el centro del
área del universo de discurso de salida. - Para un universo de salida continuo, el centro
del área es - Un inconveniente de esta estrategia es que
computacionalmente es caro.
38Sistemas tipo Mandani
Premisa
Inferencia
1. If and
Then
Agregación
2. If and
Then
Entrada 1 Entrada 2 ..
Desborrosificación
Salida
39Sistemas tipo Takagi-Sugeno
- El elemento diferenciador de un sistema tipo
Takagi-Sugeno radica en la expresión del
consecuente de las reglas de la base de
conocimiento. - En los sistemas tipo Sugeno el consecuente es una
función (o varias funciones de salida caso de
sistemas SIMO, MIMO) de las variables de entrada. - Generalmente la función fi (consecuente) se
reduce a una constante o una relación lineal de
las entradas. - Ejemplo
40Sistemas tipo Takagi-Sugeno
- Para la evaluación AND se suelen utilizar
operadores mínimo o producto. - Para la desborrosificación se suele utilizar
- Ejemplo
41Sistemas tipo Sugeno Resumen
Premisa
Inferencia
1. If and
Then
Agregación
2. If and
Then
Entrada 1 Entrada 2 ..
Desborrosificación
Salida
42Comparación Sugeno vs Mamdani
- Ventajas sistema Sugeno
- Eficiente en términos de computación.
- Funciona bien con técnicas lineales (PID por
ejemplo). - Funciona bien con técnicas de optimización y
adaptativas - Garantiza la continuidad en la superficie de
salida del sistema. - Se adapta mejor al análisis matemático.
- Ventajas sistema Mamdani
- Es más intuitivo.
- Está ampliamente aceptado.
- Se adapta mejor al lenguaje humano.