Fundamentos de Control Borroso - PowerPoint PPT Presentation

1 / 42
About This Presentation
Title:

Fundamentos de Control Borroso

Description:

Author: Manuel Mazo Last modified by: Marta Created Date: 9/12/1999 1:55:12 PM Document presentation format: Presentaci n en pantalla Company: UAH – PowerPoint PPT presentation

Number of Views:38
Avg rating:3.0/5.0
Slides: 43
Provided by: Manue52
Category:

less

Transcript and Presenter's Notes

Title: Fundamentos de Control Borroso


1
Fundamentos de Control Borroso
2
Control borroso Elementos básicos
comparador
3
Control 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.

4
Diseño 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.

5
Diseño 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
6
Diseño 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
8
Diseño de un controlador borroso Fase 4 Funciones
de pertenencia
Se debe tener presente que p/2e(t) p/2
9
Diseño 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)
10
Diseño 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
13
Diseño 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)
14
Diseño 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
15
Diseño 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.

16
Diseño 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
17
Control Borroso Resumen
18
Aspectos formales de la Lógica Borrosa
19
Variables 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.

20
Variables lingüísticas y valores
Ejemplo si representa la variable
velocidad, se puede tener el conjunto
lingüístico (valores)
21
Reglas
  • Tipos SISO, SIMO, MISO, MIMO
  • Ejemplo de MIMO
  • Equivalente con MISO

22
Conjuntos 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

23
Conjuntos 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

24
Conjuntos borrosos, Funciones de pertenencia
Gaussian membership functions
Left
Centers
Right
25
Conjuntos 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
26
Funciones 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

27
Funciones 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

28
Funciones 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

29
Base 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

30
Borrosificación
1 1 1 1 1

.

31
Mecanismo 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).

32
Desborrosificación
  • 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.

33
Desborrosificación 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

34
DesborrosificaciónPonderación 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.

35
DesborrosificaciónEjemplos
.
b1 b2 b3
bi bN
uq
.
b1 b2 b3
bi bN
uq
36
DesborrosificaciónCriterio 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
37
DesborrosificaciónCentro 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.

38
Sistemas tipo Mandani
Premisa
Inferencia
1. If and
Then
Agregación
2. If and
Then
Entrada 1 Entrada 2 ..

Desborrosificación
Salida
39
Sistemas 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

40
Sistemas tipo Takagi-Sugeno
  • Para la evaluación AND se suelen utilizar
    operadores mínimo o producto.
  • Para la desborrosificación se suele utilizar
  • Ejemplo

41
Sistemas tipo Sugeno Resumen
Premisa
Inferencia
1. If and
Then
Agregación
2. If and
Then
Entrada 1 Entrada 2 ..

Desborrosificación
Salida
42
Comparación 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.
Write a Comment
User Comments (0)
About PowerShow.com