Control Inteligente

¿Es posible reemplazar al operador

humano por un sistema
artificial que presente una funcionalidad
equivalente?

Control Experto:
Este tipo de control se basa en la recopilación de conocimiento de un
sistema, a partir de la información aportada por los operadores “expertos” en
el funcionamiento de las distintas unidades que lo conforman.

Este conocimiento se transforma en una serie de reglas del tipo:

“SI x1, x2,... xn, ENTONCES y1 , y2,... ym,...” (“Reglas: IF ..., THEN ...”),
donde “x1, x2,... xn” representan los antecedentes o premisas e “y1, y2,...
ym” las consecuencias o acciones.
 Control Difuso
El mejor exponente del control experto, por el grado de aceptación que ha
tenido a nivel industrial es el control Borroso, Difuso o por Lógica Difusa
(“Fuzzy Logic Control”).

Las principales empresas fabricantes de PLC’s incorporan módulos de control

de lógica difusa, y las plataformas SCADA o DCS también los están incluyendo
como herramientas de control

Ventajas de esta técnica:

􀀹 Simpleza de su implantación
􀀹 Puede aplicarse tanto a sistemas de una entrada una salida como sistemas
multivariables
􀀹 Se basa en una estructura de información similar a la del pensamiento
humano, por lo que tiene muy buena aceptación por parte de los
operadores del sistema
.
 Control Borroso
En los controladores borrosos la señal de control que se aplica sobre el proceso se obtiene
tras una inferencia borrosa a partir de las variables actuales del proceso (salida y
referencia actuales) y una matriz de reglas (base de conocimiento) obtenida como un
protocolo lingüístico proporcionado por ingenieros y operadores del proceso.

Sistemas
Difusos

Válido para control de:

– Sistemas complejos con modelos difíciles o desconocidos-Biomedicina, flujo multifásico
– Sistemas con no linealidades significativas—Control de pH
– Sistemas con incertidumbre y con perturbaciones-Parques eólicos, plantas de
tratamiento de aguas
 Sistemas Borrosos
Muchos de los problemas que se enfrentan en la ingeniería, la ciencia y los negocios
pueden ser representados efectivamente a través de modelos matemáticos.

En la vida real se usan términos lingüísticos que transmiten información en forma vaga,
imprecisa y subjetiva que producen conclusiones bastante rápidas y acertadas, pero en un
modelo se degeneran al tratar de expresar esta información cualitativa como datos y
fórmulas precisas.

¿Cómo tratar con aquello que ha sido descrito con imprecisión, incertidumbre
y en términos lingüísticos que no pueden ser definidos exactamente?

La teoría clásica de conjuntos le permite a un objeto ser miembro de un conjunto o

estar excluido del mismo, en tanto que el planteamiento de desarrollado por
Zadeh (1974) está basado en un concepto conocido como conjuntos borrosos, los
cuales están definidos de forma tal que un objeto puede ser parte de un conjunto
en cierto grado de pertenencia.
 Sistemas Borrosos
Conjunto borroso o difuso
Se dice que un subconjunto difuso A de un conjunto convencional U es difuso
cuando un elemento x  U pertenece al subconjunto A en un cierto grado.

Función de pertenencia:
La función que proporciona el grado de pertenencia el elemento x al subconjunto
A se denomina función de pertenencia (A) del subconjunto A, y el grado de
pertenencia está comprendido por valores que van de cero a uno y puede
definirse como el conjunto de pares ordenados:
A  x,  A x, x  U

- Las funciones de pertenencia típicamente utilizadas en el modelaje borroso son

de forma triangular y trapezoidal traducidas al lenguaje matemático como
funciones de membresía para expresar el grado de pertenencia de forma lógica.
 Sistemas Borrosos
• Las funciones de pertenencia más convencionales son:
– Trapezoidal:

– Singleton:
 Sistemas Borrosos
– Triangular:

– Tipo S:

– Tipo :
 Sistemas Borrosos
Lógica Borrosa
La base de la lógica borrosa son las proposiciones y relaciones difusas, que
pueden ser representadas aplicando la teoría de los conjuntos difusos.

Las variables lingüísticas se utilizan para expresar matemáticamente las palabras,

utilizando el concepto de conjunto difuso.

Una variable lingüística es un conjunto de elementos denotados por (x, Tx, U,

G,M) donde:
• x es el nombre asociado a la variable lingüística.
• Tx es el conjunto de valores lingüísticos (atributos, adjetivos) que la variable
lingüística x puede asumir.
• U es el dominio físico donde x toma los valores numéricos.
• G es la regla sintáctica para generar los nombres de x.
• M es una regla semántica para asociar cada valor a su significado.

Las reglas sintácticas y semánticas se distinguen como:

G={Por debajo de, …}
M={Alrededor de, ….)
 Sistemas Borrosos
Ejemplo: 1

Velocidad: variable lingüística x. 0.8

Conjunto de valores lingüísticos:

Funcion de Pertenencia
0.6 Baja Alta
Moderada

la partición de su universo se elige entre: alta, muy alta, 0.4

moderada, baja, muy baja. 0.2

T (x) = T(velocidad) = {baja, moderada, alta} 0

0.000 0.100 0.200 0.300
velocidad (Km/h)
0.400 0.500 0.600

Funciones de pertenencia: Representan los rangos de velocidad

correspondientes al conjunto velocidad baja, velocidad moderada y velocidad alta.
El dominio físico (U) donde la variable velocidad toma valores numéricos es, en
este caso U=[ 0 Km/h, 0.6 Km/h]
 Sistemas Borrosos
Una proposición difusa es una expresión de la forma, x es A, donde x es una
variable lingüística en un conjunto borroso U y A es su valor lingüístico.
Pueden ser simples como “x es A” o compuestas “x es A” & “y es B”, donde A y B
son predicados difusos, definidos en términos de conjuntos difusos.

Ej.: Noche es oscura, Lucho es alto y flaco, la temperatura es alta y la presión es

baja

Las relaciones entre los conjuntos difusos:

Intersección (AND): La intersección difusa de A y B es un conjunto difuso en U
denotado por A  B y definido como:
A  B(x) = min(A(x), B(x))

Unión (OR) :La unión difusa de A y B es un conjunto difuso en U denotado por A 

B y definido como:
A  B(x) = max(A(x),B(x))

Complemento (NOR): El complemento de A, denotado por es un conjunto difuso en

U definido por:
 (x)=1-A(x)
 Sistemas Borrosos
Relaciones borrosas o difusas:
Ej. Lucho es alto y flaco

se determina primero la talla de Lucho y se establece mediante una función de

pertenencia característica del conjunto: alto, en qué grado Lucho es alto.
se determina el peso de Lucho y se establece en qué grado Lucho es flaco.
 Finalmente, se estima en que grado Lucho es alto y flaco combinando los grados
de pertenencia a cada característica mediante la relación de intersección en este
caso.
 Sistemas Borrosos
Reglas difusas. Una regla difusa If-then es de la forma:
If (proposición difusa I) then (proposición difusa II).
La proposición difusa I se denomina antecedente y la proposición difusa II es la
consecuencia de la regla.

Forma generalizada:
If x1 es A1 and x2 es A2 and …and xk es Ak then y es B.

Donde x1, x2, … xk son variables difusas sobre diferentes universos U1, U2, …Uk y A1, A2, … Ak
son sus posibles valores difusos en los mismo universos.

Conjunto de reglas difusas:

Regla 1: If x1 es A1,1 and x2 es A2,1 and …and xk es Ak,1 then y es B1,
Regla 2: If x1 es A1,2 and x2 es A2,2 and …and xk es Ak,2 then y es B2,
….
Regla n: If x1 es A1,n and x2 es A2,n and …and xk es Ak,n then y es Bn,

Reglas difusas de Takagi y Sugeno (1985): la parte de la consecuencia está

representada por una función.
If x es A and y es B then z es f(x, y).
 Sistemas Borrosos
Reglas difusas . Para elaborar razonamientos aproximados a partir de premisas
imprecisas (proposiciones difusas) se generalizan las reglas de inferencia:

1.- Modus ponens generalizado:

Proposición 1: x es A’
Proposición 2: if x es A then y es B
Conclusión: y es B’
2.-Modus tollens generalizado:
Proposición 1: y es B’
Proposición 2: if x es A then y es B.
Conclusión: x es A’
3.-Silogismo hipotético:
Proposición 1: if x es A then y es B’.
Proposición 2: if y es B’ then z es C.
Conclusión: if x es A’ then z es C’.

Así, conocidas las funciones de pertenencia de las premisas, se debe determinar la

función de pertenencia de la conclusión, lo que se logra mediante la regla de
inferencia de composición.
 Sistemas Borrosos
Sistemas de inferencia borrosa: Compuesto por variables difusas de entrada y salida,
sus valores difusos, las reglas difusas, y los métodos de inferencia difusa
conocidas las funciones de pertenencia de las premisas, se debe determinar la función de
pertenencia de la conclusión mediante la regla de inferencia de composición.

Dada una regla borrosa:

If x1 es A1 and x2 es A2 and …and xk es Ak then y es B.

Fuzzificación: Encontrar el grado de pertenencia A1(x’1) y A2(x’2) correspondiente

a los valores de entrada x’1 y x’2 a los conjuntos difusos A1 y A2 dados como
antecedentes de una regla difusa.

x1 x2
Métodos de inferencia:
A1 A2 De mínimo:
MUA1 B'  min A1  x'1  , A2  x'2 

B’ De producto:
MUA2
x1=x0 x2=x0 B'  A1  x'1  A2  x'2 
 Sistemas Borrosos
Sistemas de inferencia borrosa:
conocidas las funciones de pertenencia de las premisas, se debe determinar la función de
pertenencia de la conclusión mediante la regla de inferencia de composición.
Dada una regla borrosa:
If x1 es A1 and x2 es A2 and …and xk es Ak then y es B.

Defuzzificación: proceso de calcular un valor numérico simple para una variable

de salida sobre la base de las funciones de pertenencia inferidas para esta variable.

Métodos defuzzificación:
El método del centro de gravedad. Determinar el centro geométrico y’ en el
universo U de una variable de salida y, cuyo centro balancea la función de
pertenencia inferida B’ como un valor difuso para y.

El método del máximo principal. Este método permite encontrar el valor de y’ para
una variable de salida y la cual tiene un grado de pertenencia máximo de acuerdo a
la función de pertenencia B’, si se tiene más de un valor con función de pertenencia
máxima se toma el intermedio entre ellos.
 Control borroso
¿Cuando usar un controlador borroso?:
• En procesos difíciles de automatizar y que son fácilmente
controlados por operarios humanos.
• Procesos con incertidumbres o de difícil estimación de los
parámetros que los definen.
• Procesos complejos, no lineales, de orden elevado, variantes en
el tiempo.
• Procesos difíciles de medir las variables a controlar, o con
medidas no fiables.
Ventajas:
No necesitan un modelo de la planta
Fáciles de implementar.
Poco sensible a cambios en el sistema.
 Control borroso
• Propiedades del controlador difuso:
– Completitud: las reglas han de cubrir todas las combinaciones
posibles de entradas al controlador.
– Consistencia: no pueden existir dos acciones de control
contradictorias para la misma situación.
– Interacción: cada regla aporta un peso para determinar una
acción de control.
– Robustez.
 Control borroso
• Planteamiento de reglas difusas para discutir en clase:
1. Control de nivel en un depósito con una llave de entrada y flujo
de salida por gravedad.
2. Control de temperatura en el aula (climatización) suponiendo que
se puede manipular el flujo en los radiadores y se tiene un aire
acondicionado.
• Medición de temperatura del aula
• Cantidad de personas
• Temperatura ambiental
3. Control de nivel en una represa.
• Nivel actual
• Lluvias
• Demanda
 Control borroso
Explicación en base a un caso práctico:
Secado de un producto que se realiza mediante un ventilador cuya velocidad es regulada
de acuerdo a la temperatura del producto.
• Control borroso basado en el enfoque de Takagi-Sugeno:
Universo del discurso: T: [0,70] ºC

p0 y p1 son coeficientes
de la función consecuente
de cada regla que define
la velocidad del
controlador

Si T=40ºC- ¿Cuál es la velocidad del ventilador según el controlador?

Se activan las reglas

difusas R1 y R2
 Control borroso
Si T=40ºC- ¿Cuál es la velocidad del ventilador según el controlador?

Se activan las reglas

difusas R1 y R2
 Control borroso
Otro caso de estudio

Controlador PID Clásico:

Controlador Difuso Tactual

Reglas difusas

Defuzzificación
Control borroso
Control borroso
Control borroso