Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 1 Daniel Pizarro Manuel Mazo y Marta Marrón Departamento de Electrónica. Universidad de Alcalá. Email: [email protected][email protected], [email protected]Estas transparencias se han realizado contando con los apuntes confeccionados sobre el tema por los profesores Felipe Espinosa y Luis M. Bergasa CONTROL BORROSO
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 1
Daniel Pizarro Manuel Mazo y Marta Marrón
Departamento de Electrónica. Universidad de Alcalá.Email: [email protected]
tema por los profesores Felipe Espinosa y Luis M. Bergasa
CONTROL BORROSO
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 2
1. Control borroso frente a control convencional.
2. Fundamentos de lógica borrosa.
3. Fundamentos de control borroso.
4. Aspectos formales de lógica borrosa.
5. Ajuste de controladores borrosos.
6. Fuzzy toolbox de Matlab (introducción).
ContenidoContenido
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 3
Control borroso frente a control Control borroso frente a control
convencionalconvencional
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 4
Introducción al control borrosoIntroducción al control borroso
So far as the laws of mathematics refer to reality, they are not certain. And so far as they are certain, they do not refer to reality.
Albert Einstein
As complexity rises, precise statements lose meaning and meaningful statements lose precision
Lotfi A. Zadeh
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 5
Introducción al control borrosoIntroducción al control borroso
Proceso
Reference Input
r(t)
Inputsu(t)
Outputsy(t)
¿Por qué?: Dar solución al control de plantas de difícil modelado matemático.
¿Cómo?: Mediante el uso de la lógica borrosa.
¿Qué permite la lógica borrosa?: Proporciona una metodología formal para aplicar el conocimiento heurístico humano al control de procesos.
Algunos ejemplos cotidianos: Conducir una bicicleta, mantener una escoba en posición vertical sobre un dedo, conducir un coche.
Controlador borroso
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 6
Introducción al control borrosoIntroducción al control borroso
Algunas razones que justifican el control borroso Es conceptualmente fácil de entender. Es flexible y tolerante a la imprecisión de datos. Permite modelar funciones no lineales, aunque su complejidad sea
elevada. Se describe a partir del conocimiento e intuición de expertos. Los controladores borrosos no son incompatibles con los convencionales.
¿Qué se va a abordar en lo que sigue? El estudio del control borroso como alternativa al control realimentado
sincronizado, continuo o periódicamente actualizado.
Control borroso y control convencional Control convencional: está basado en el modelo del proceso a controlar:
lineal y no lineal, continuo y discreto, en el dominio del tiempo o transformado. El lenguaje propio son ecuaciones diferenciales/diferencias.
Control borroso: parte del comportamiento del proceso a controlar, donde la intuición pesa tanto como la razón. El lenguaje propio son las reglas heurísticas.
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 7
Diseño de sistemas de control convencionalDiseño de sistemas de control convencional
Proceso (Process)
Modelo Matemático
Reference Input
r(t)
Inputsu(t)
Outputsy(t)
Controlador
PID, polo-cero, etc
Modelado matemático del proceso
Diseño del controlador
Evaluación diseño
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 8
Diseño de sistemas de control convencionalDiseño de sistemas de control convencional
Modelado matemático: Fundamental para obtener un buen comportamiento del sistema realimentado. Es importante conjugar, para obtener el modelo, tanto el estudio físico como la
identificación utilizando datos experimentales. Por muy bueno que sea el modelo nunca será un fiel reflejo de la planta (pero en
muchos casos un modelo aproximado es suficiente).
Diseño del controlador: A nivel de algoritmo: estabilidad, rechazo a perturbaciones externas, insensibilidad a
variaciones de parámetros de la planta, régimen transitorio, régimen permanente. A nivel de implementación: simplificación hardware, disponibilidad de sistemas
electrónicos, mantenimiento, fiabilidad, costes de desarrollo, etc. A nivel de soluciones: si se trata de sistemas lineales con modelo de función de
transferencia: PID´s, red cero-polo; si VVEE: realimentación del vector de estado con o sin observadores. Se pueden usar técnicas óptimo, robusto y adaptativo.
Evaluación del diseño: Estudio matemático basado en el modelo de la planta. Simulación del sistema en lazo cerrado. Ensayo experimental.
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 9
Diseño de sistemas de control borrosoDiseño de sistemas de control borroso
Elementos básicos de un controlador borroso: Base de conocimiento (“rule-base”). Mecanismo de inferencia (“inference mechanism”). Interfaz de borrosificación (“fuzzification”). Interfaz de desborrosificación (“defuzzification”).
Bor
rosi
fica
ción
(Fu
zzif
icat
ion
)
Base conocimientio(Rule-base)
Mecanismo inferencia(Inference mechanism)
Des
bor
rosi
fica
ción
(Def
uzz
ific
atio
n)
Proceso(Process)
Controlador Borroso (Fuzzy Controller)
Reference Input
r(t)
Inputsu(t)
Outputsy(t)
Inputs e(t)
Entradas borrosificadas
Conclusiones borrosas
com
par
ador
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 10
Fundamentos de laFundamentos de la
lógica borrosalógica borrosa
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 11
La lógica borrosa es una extensión de la lógica booleana. Se basa en la experiencia humana, y la pertenencia a un grupo u otro
es una cuestión de grado de precisión. En lógica borrosa cada afirmación es un problema “de grado de
verdad”. Un conjunto borroso es un conjunto sin límites abruptos ni claramente
definidos. Pueden existir elementos con un cierto grado de pertenencia. El conjunto borroso está asociado a un valor lingüístico, definido por
una palabra, adjetivo o etiqueta lingüística (muy joven, joven, adulto, mayor, muy mayor, etc).
La certeza o certidumbre con que una variable x se le puede asignar el valor lingüístico (conjunto borroso) “i” se indica por una función de pertenencia μ i (x).
Fundamentos de la lógica borrosaFundamentos de la lógica borrosa
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 12
FundamentosFundamentos de la lógica borrosade la lógica borrosa
La lógica borrosa es un procedimiento de análisis del razonamiento aproximado, que utiliza las imprecisiones del mismo.
Incluye (a grandes rasgos):
(1) Se puede considerar que es el acto de obtener un valor de entrada y encontrar el valor numérico de la función de pertenencia que esta definida para ese valor. Es otra forma de representación los valores numéricos de las variables de entrada.
Variables de entrada
Entradas borrosasConjuntos Borrosos
Funciones de pertenencia
Borrosificador (1)
(Fuzzification)
Inferencia(reglas)
Desborrosificador(Defuzzification)
Salidas borrosasConjuntos Borrosos
Funciones de pertenencia
Variables de salida
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 13
BorrosificaciónBorrosificación
1.-Definir las variables de entrada y salida: temperatura, edad, estatura, velocidad, fuerza,
Definir el margen de variación (universo de discurso) de cada variableTemperatura: - 40 a 70 ºC, Edad: 0 a 100 años, Estatura: 0 a 200 cm.
2.- Definir todos los conjuntos borrosos y el valor lingüístico, asociado a cada uno:Variable: Temperatura
3.- Para cada conjunto (valor lingüístico) definir una función de pertenencia o inclusión (membership function) que indique el grado en que una variable “x”
está incluida en los conceptos representados por las variables lingüísticas.μi (x) indica el grado en que “x” está incluida en el conjunto “i”. A μi (x) se le conoce como función de pertenencia de “x” en “i”.
El valor de pertenencia tiene que variar entre 0 y 1.
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 14
MA=maduro, VI=viejo.3. Definición de las funciones de pertenencia, μi (x).
Al tratarse de conjuntos borrosos μi(x) puede tomar cualquier valor entre 0 y 1.x = edad = 27 años: μMJ(x) = 0.4, μJO(x) = 0.6, μMA(x) = 0, μVI(x) = 0
0 10 27 30 60 100 x = edad
1
0.6
0.4
0
μMJ(x) μJO(x) μMA(x) μ VI(x)
MJ JO MA VI
Borrosificación: Caso de “Lógica borrosa”Borrosificación: Caso de “Lógica borrosa”
Ejemplo: Edad de las personasEjemplo: Edad de las personas
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 160 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1mf1
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1mf1
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1mf1
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1mf1
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1mf1
La función de pertenencia puede ser una curva arbitraria. Dependiendo de la aplicación y del diseñador se pueden elegir diferentes tipos de
funciones de pertenencia (“membership function”). Las más frecuentes son: triangular, trapezoidal, gausiana.
Funciones de pertenenciaFunciones de pertenencia
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 17
Los conjuntos y operadores borrosos se pueden considerar como los sujetos y los verbos de la lógica borrosa.
Los conjuntos borrosos se combinan en reglas para definir acciones como por ejemplo, si la temperatura es alta entonces enfría mucho.
Para poder expresar algo útil es necesario hacer frases completas. Las afirmaciones condicionales, reglas if-then, son las que lo hacen posible.
La estructura general de una regla borrosa es:
If CONDICIONES then ACTUACIONES
If x1 es F1 and x2 es F2 and x3 es F3 then u1 es G1 and u2 es G2
“condiciones”= “antecedentes” = “premisas”: es un escalar comprendido entre 0 y 1 “actuaciones” = “consecuencia” = “conclusión”: es un conjunto borroso
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 21
1.- Matching o correspondencia: Evalúa el grado de certeza de la premisa para los valores actuales de las variables de entrada, determina la función de pertenencia de la premisa.
Si regla que se evalúa es la “n”: el grado de certeza se representa por μPremisa(n)
2.- Conclusiones (Inferencia): Establece las conclusiones en función de las entradas actuales. Asigna a cada variable de salida del consecuente el conjunto borroso correspondiente modificado en el grado especificado por μPremisa(n).
La función de pertenencia del conjunto modificado se representa por μ(n)(u). Aquí “n” es la regla evaluada y “u” es la variable de salida .
Se entiende por inferencia borrosa la interpretación de las reglas if-then, con el objetivo de obtener las conclusiones de las variables lingüísticas de salida a partir de los valores actuales de las variables lingüísticas de entrada.
Conlleva dos fases:
InferenciaInferencia
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 22
InferenciaInferencia
¿Cómo se obtiene el grado de certeza de una premisa, μpremisa (n)?Supongamos la regla (n):
If x1 es F1 and x2 es F2 and x3 es F3 then u1 es G1
1. Evaluar para cada entra (x1, x2, …), en función de su valor actual, la función de pertenencia: μF1(x1), μF2(x2), μF3(x3)… certeza con que la variable de entrada “xi“ pertenece al conjunto borroso Fi
2. Evaluar la función “and”, para obtener μpremisa (n). Existen dos alternativas:
Mínimo:
Producto:
prem isa n F F Fx x x( ) m in { ( ), ( ), ( )} 1 1 2 2 3 3
prem isa n F F Fx x x( ) ( ) ( ) ( ) 1 1 2 2 3 3
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 23
Regla 1: If x es A and y es B then u es D
μpremisa(1)= min{μA(x) , μB(x)} = 0.4: “tenemos una certeza de 0.4 de que esta regla (regla 1) es aplicable a la situación actual (valores actuales)”
“x es A and y es B”
A BμA(x)=0.6
x y
Valor de x actual Valor de y actual
μB(y)=0.4
Cuantificado con
μA(x)
Cuantificado con
μB(y)
Inferencia Inferencia Ejemplo de inferenciaEjemplo de inferencia
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 24
InferenciaInferencia
¿Cómo se modifica el conjunto borroso de salida, en el grado especificado por μPremisa(n)?.
Principio general: “La acción no puede tener un nivel de certeza superior al que tiene la premisa” .
Llamando μaccion(n)(u1) el conjunto borroso de salida de la acción “u1”, y μregla_n(u1) al conjunto borroso de salida de la acción “u1” modificado por μPremisa(n), las dos alternativas más frecuentes son:
Truncamiento (chop off the top): μregla_n(u) = mín{μPremisa(n), μacción(n)(u)}
Ejemplo: Control de frenadoEjemplo: Control de frenado
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 32
En general se requieren dos o más reglas de forma que compitan unas con otras.
La salida de cada regla es un conjunto borroso (modificado por la correspondiente premisa μpremisa(n)).
La salida para un conjunto de reglas debe ser un único número. ¿Cómo se agregan (mezclan) los conjuntos borrosos, μregla(n)(u),
que resultan de cada regla para que la variable de salida sea un único número?: se agregan en un solo conjunto borroso y a partir de este último se obtiene el valor de la salida.
μrgla_1(u)
μregla_2(u)
μregla_n(u)
...
Agregación Desborrosificadorucrisp
Inferencia: Agregación de salida de reglasInferencia: Agregación de salida de reglas
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 33
If x es A and y es B then u es C
μPremisa(1) =mín [μA(x), μB(y)]
Premisa (1)
If x es D and y es E then u es F
μC(u)
Truncamiento
Concl.
Conclusión
Premisa (2) Concl.
μPremisa(2) =mín [μD(x), μE(y)]
u1 u u1 u
μF(u)
u2 u
TruncamientoConclusión
u2 u
u1 u2u
Salidaucrisp
Implicación
Implicación
Agregación de reglas
μregla_1(u)
μregla_1(u)=mín [μPremisa(1), μC (u)]
μregla_2(u)=mín [μPremisa(2), μF (u)]
μregla_2(u)
Inferencia: Agregación de salida de reglasInferencia: Agregación de salida de reglas
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 34
If x es A and y es B then u es C
μPremisa(1) =min [μA(x), μB(y)]
Premisa (1)
If x es D and y es E then u es F
μC(u)
Escalado
Concl.
Conclusión
Premisa (2) Concl.
μPremisa(2) =min [μD(x), μE(y)]
u1 u u1 u
μF(u)
u2 u
EscaladoConclusión
u2 u
u1 u2u
Implicación
Implicación
Agregación de reglas
μregla_1(u)
μregla_1(u)=μPremisa(1). μC (u)
μregla_2(u)=μPremisa(2).μF (u)
μregla_2(u)
Salidaucrisp
Inferencia: Agregación de salida de reglasInferencia: Agregación de salida de reglas
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 35
La entrada para la desborrosificación es un conjunto borroso, el que resulta de la agregación, y la salida es un número (ucrisp).
Se puede entender como el proceso de decodificación de la información borrosa producida por los procesos de inferencia y agregación.
De entre las diferentes alternativas de desborrosificación, las dos más conocidas son: Centro de gravedad (COG) del área definida por el conjunto
borroso resultante de la agregación. Centros ponderados (center-average).
Existen otras alternativas de desborrosificación, pero no existen argumentos para decidir cuál es la mejor.
DesborrosificaciónDesborrosificación
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 36
Desborrosificación: COGDesborrosificación: COG
Se suele utilizar para el caso de truncamiento.
ub
crisp i reg la ii
reg la ii
_
_
bi = centro de las funciones de pertenencia
del conjunto para la regla “i”, μregla_i
reg la i_ = área bajo la función
de pertenencia μ regla_i
Recordad: Para un trapecio de base “w” y altura “h”, su área es: w hh
( )2
2
Hay que asegurar que el denominador sea distinto de cero
…. b1 b2 b3 bi bN u
μregla_1 μregla_3 μregla_i μregla_Nμregla_2
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 37
Desborrosificación: Centros ponderadosDesborrosificación: Centros ponderados
Se suele utilizar para el caso de escalado
ub
crisp i prem isa ii
p rem isa ii
( )
( )
Para el cálculo de la función de pertenencia de la premisa μpremisa(i) se puede utilizar el mínimo o el producto
…. b1 b2 b3 bi bN u
μpremisa(1)
μpremisa(N)
Daniel Pizarro Manuel Mazo y Marta Marrón. Departamento de Electrónica 38