CONTROL INTERNO CONTABLE RESOLUCIÓN N° 196 de 2001 C.E. 042 de 2001.
Control Borroso 1- Introduccion Al Control Borroso 20-5-2001
-
Upload
fabian-molina -
Category
Documents
-
view
217 -
download
0
description
Transcript of Control Borroso 1- Introduccion Al Control Borroso 20-5-2001
-
Control borrosoIntroduccin
Jos Villar,Area de Sistemas Inteligentes (ASI)
Instituto de Investigacin Tecnolgica (IIT)ETS de Ingeniera, ICAI
Marzo 2001
-
Control borroso, Introduccin 2Jos Villar Collado
Contenido
Introduccin
Motivacin
Perspectiva histrica
Control lingstico de una planta
Formulacin matemtica del control borroso
Modelo, simulaciones y resultados
Ms all del PID borroso
-
Control borroso, Introduccin 3Jos Villar Collado
Introduccin (1): motivacin
El modelo de la planta o del proceso a controlar no estdisponible (procesos complejos, identificacin de modeloscostosa, etc.)
Operadores expertos controlan o saben controlarrazonablemente bien el proceso
Son capaces de expresar lingsticamente la forma en quecontrolan el proceso
Las acciones de control no se pueden disear con PIDconvencionales
-
Control borroso, Introduccin 4Jos Villar Collado
Introduccin (2): estructura general
PROCESOA CONTROLAR
BORROSIFICACION INFERENCIA DESBORROSIFICACION
BASE DE REGLAS (ESTRATEGIA)DE CONTROL
e, deE, DE M
mr
y
Tipos de controles ms empleados:Fuzzy P: R(e,m)Fuzzy PD R(e,de,m)Fuzzy PI R(e,de,dm)
e=errorde=incremento del errorm=mandodm=incremento del mando
-
Control borroso, Introduccin 5Jos Villar Collado
Introduccin (3): estrategias de control
a
b
c
a
d
e
f
g
hi
j
kl
mn
Estrategia
e=P de=Z m=P (a,i,n)e=N de=Z m=N (e,l)e=Z de=N m=N (c,k)e=Z de=P m=P (g,m)e=P de=N m=Z (b,j)e=N de=P m=Z (f)e=Z de=Z m=Z (ideal)e=N de=N m=N (d)e=P de=P m=P (h)
m eN Z P
P Z P Pde Z N Z P
N N N Z estrategia = sentido comn !
a
e
c
ideal
-
Control borroso, Introduccin 6Jos Villar Collado
Introduccin (4): otras motivaciones
Acciones de control no realizables con PID
Control supervisor Seleccin de acciones de control discretas Identificacin de puntos de operacin o
condiciones de funcionamiento (entorno)
-
Control borroso, Introduccin 7Jos Villar Collado
Introduccin (5): perspectiva histrica
Zadeh 1965: Fuzzy Sets en Information and Control
Aos 70:
Mamdani, UK, 1974: control de una caldera
Blue Circle Cement - SIRA, Alemania, 1976-1982: control horno de cemento
Aos 80: Japn destaca en el terreno industrial, Europa en el terico
Hitachi, Japn, 1987: control del metro de Sendai
Japn, 1987: Creacin de dos agencias gubernamentales, de las que destaca elLaboratory for International Fuzzy Engineering Research (LIFE)
Yamaichi Fuzzy Fund, 1986: gestin de acciones de 65 compaas (recomend venta18 das antes del lunes negro de 1987, probado durante 2 aos y en operacin desde 1988).
Togai y Watanabe, Japn, 1986: desarrollan el primer chip para inferencia borrosa
Aos 90:
Matsushita Electric Industrial Co, Japn, 1990: control de una lavadora automtica
Matlab Fuzzy Toolbox en 1994
Industria automovilstica
-
Control borroso, Introduccin 8Jos Villar Collado
Introduccin (6): AI Magazine (1)
Abril 2001:Dear Friends,
The paper "A new direction in AI: towards a computational theory ofperceptions" by L.A. Zadeh finally appeared in AI Magazine, 2001, No. 1
(Spring 2001), pp. 74-84.
This magazine is sent to every member of the American Association of ArtificalIntelligence, it is extremely widely read in AI community. Last time fuzzy
was mentioned in AI Magazine was when a robot designed by Dr.Ruspini and others by using fuzzy logic won the AAAI robotic competition.
This paper is the first foundational paper on fuzzy published in this magazine.Congratulations and thanks to Professor Zadeh for his perseverence!
Vladik
-
Control borroso, Introduccin 9Jos Villar Collado
Introduccin (7): AI Magazine (2)
This message was posted through the fuzzy mailing list.(1) To subscribe to this mailing list, send a message body of"SUB FUZZY-MAIL myFirstName mySurname" to [email protected](2) To unsubscribe from this mailing list, send a message body of"UNSUB FUZZY-MAIL" or "UNSUB FUZZY-MAIL
[email protected]"to [email protected](3) To reach the human who maintains the list, send mail [email protected](4) WWW access and other information on Fuzzy Sets and Logic seehttp://www.dbai.tuwien.ac.at/ftp/mlowner/fuzzy-mail.info(5) WWW archive: http://www.dbai.tuwien.ac.at/marchives/fuzzy-
mail/index.html
-
Control borroso, Introduccin 10Jos Villar Collado
Contenido
Introduccin
Control lingstico de una planta
descripcin de la planta ejemplo
variables lingsticas
reglas lingsticas
Formulacin matemtica del control borroso
Modelo, simulaciones y resultados
Ms all del PID borroso
-
Control borroso, Introduccin 11Jos Villar Collado
Control lingstico (1): descripcin de la planta ej.
Fx
y
q Lm
M
Sistema=Carro+Varilla
Carro: masa MVarilla: masa m
longitud L
Ejemplo:pndulo invertido
-
Control borroso, Introduccin 12Jos Villar Collado
Control lingstico (2): variables
Variables que el experto puede emplear para el control: error.....................e(t) cambio_error........de(t)/dt integral_error........e(t)
Por ejemplo, a partir de las dos primeras, se busca la salida: fuerza....................F
r F q
-
Control borroso, Introduccin 13Jos Villar Collado
Control lingstico (3): variables lingsticas
Variables:error.....................e(t)cambio_error........de(t)/dtfuerza....................F
rF qCONTROL
BORROSOdtd-
e(t)r
Valores lingsticos:neg_grande, neg_peqceropos_grande, pos_peq
-
Control borroso, Introduccin 14Jos Villar Collado
Control lingstico (4): variables lingsticas
error=cero error=neg_grande
Referencia: r = 0 qdeseado=0Error: e(t) = r-q = -qCambio_error: de/dt=-dq/dt
error=pos_peq
q
error=pos_grandecambio_error=pos_peq
error=neg_peqcambio_error=pos_peq
-
Control borroso, Introduccin 15Jos Villar Collado
Control lingstico (5): reglas lingsticas
Si error=neg_grandeY cambio_error=neg_grande
Si error=ceroY cambio_error=pos_peq
q
Si error=pos_grandeY cambio_error=pos_peq
Entonces fuerza=pos_grande
Entonces fuerza=neg_peq
Entonces fuerza=neg_peq
-
Control borroso, Introduccin 16Jos Villar Collado
Control lingstico (6): base de reglas
Simplificando la notacin pos_grande = PG
pos_peq= PP
cero= Z
neg_grande = PG
neg_peq= PP
Cambio ErrorFuerzaNG NP Z PP PG
NG PG PG PG PP ZNP PG PG PP Z NPZ PG PP Z NP NG
PP PP Z NP NG NGError
PG Z NP NG NG NG
Si error=ceroY cambio_error=pos_peqEntonces fuerza=neg_peq
(Z,PP, NP)
-
Control borroso, Introduccin 17Jos Villar Collado
Control lingstico (7): base de reglas
Cambio ErrorFuerzaNG NP Z PP PG
NG PG PG PG PP ZNP PG PG PP Z NPZ PG PP Z NP NG
PP PP Z NP NG NGError
PG Z NP NG NG NG
Notar simetras: planta simtrica (notar que si F aumenta q disminuye)
notar la orientacin de la diagonal Z
las paralelas a la diagonal Z, corresponden a un mismo valor lingstico
se intuye la existencia de una sistemtica para la obtencin de las reglas
-
Control borroso, Introduccin 18Jos Villar Collado
Contenido
Introduccin
Control lingstico de una planta
Formulacin matemtica del control borroso
funciones de pertenencia
particiones
borrosificacin-inferencia-desborrosificacin
Modelo, simulaciones y resultados
Ms all del PID borroso
-
Control borroso, Introduccin 19Jos Villar Collado
Control borroso (1): introduccin
El control borroso es el resultado de cuantificar elsignificado de las descripciones lingsticas del controllingstico de la planta
Para ello se emplea la teora de conjuntos borrosos:
permite establecer un vnculo entre las descripcioneslingsticas y las matemticas para que stas puedan sermanipuladas y operarlas entre s
permite computar con palabras (Zadeh)
-
Control borroso, Introduccin 20Jos Villar Collado
Control borroso (2): estructura general
PROCESOA CONTROLAR
BORROSIFICACION INFERENCIA DESBORROSIFICACION
BASE DE REGLAS (ESTRATEGIA)DE CONTROL
e, deE, DE M
mr
y
Tipos de controles ms empleados:Fuzzy P: (E,M)Fuzzy PD (E,DE,M)Fuzzy PI (E,DE,DM)
E=errorDE=incremento del errorM=mandoDM=incremento del mando
-
Control borroso, Introduccin 21Jos Villar Collado
Control borroso (3): funciones de pertenencia
Para dotarle de significado, al valor lingstico PP se leasocia un conjunto borroso
Un conjunto borroso PP sobre el universo del error E es unafuncin PP(e): E[0,1] A cada valor e de error le corresponde un grado de
pertenencia al conjunto PP, dado por PP(e)
PP (pos_peq)
e (error en rad)p/4 p/20
1
-
Control borroso, Introduccin 22Jos Villar Collado
Control borroso (4): funciones de pertenencia
PP (pos_peq)
e (error en rad)p/4 p/20-p/2 -p/4
PP (-p/8)=0.5: -p/8 es pos_peq en grado 0.5-p/8 pertenece a PP en grado 0.5
PP (-p/2)=0: -p/2 no es pos_peq-p/2 no pertenece a PP
PP (-p/4)=1: -p/4 es pos_peq -p/4 pertenece a PP en grado 1
1
-
Control borroso, Introduccin 23Jos Villar Collado
Control borroso (5): funciones de pertenencia
PP (pos_peq)
e (rad)p/4 p/20
PP (pos_peq)
e (rad)p/4 p/20
PP (pos_peq)
e (rad)p/4 p/20
PP (pos_peq)
e (rad)
p/4 p/20
1 1
1 1
3p/4
-
Control borroso, Introduccin 24Jos Villar Collado
Control borroso (6): particiones
Para cada variable, y para cada posible valor lingstico de lavariable, hay que definir el conjunto borroso que cuantifica susignificado.
Se obtiene una particin borrosa para la variable:
PP
error (rad)p/4 p/20-p/2 -p/4
PGZNG NP
Los significados de NP para las variable error y cambio deerror son (en general) distintos.
El significado de NP para la variable error depende delcontexto, esto es, de la planta a controlar.
-
Control borroso, Introduccin 25Jos Villar Collado
Control borroso (7): particiones
PP
error (rad)p/4 p/20-p/2 -p/4
PGZNG NP
PP
cambioerror (rad.s-1)
p/8 p/40-p/4 -p/8
PGZNG NP
Notar la forma de losconjuntos extremos
Notar la distintaescala de los ejes
-
Control borroso, Introduccin 26Jos Villar Collado
Control borroso (8): particiones
PP
fuerza (N)
10 200-20 -10
PGZNG NP
-30 30
Aspectos a considerar en una particin:
Numero etiquetas lingsticas Solape / condicion activacin reglas / borrosificacin / completitud Ancho universo error / apreciacin subjetiva / error de medida Ancho universo cambio_error o incremento error / error medida Ancho universo mando / saturacin mando
-
Control borroso, Introduccin 27Jos Villar Collado
Control borroso (9): borrosificacin
=
=med
med
ee si 1ee si 0
E(e)
+=
=-
=
?ec
eb
?e=a
con (e)TRGE(e)
med
med
med
c)b,(a,
D se puede utilizar para modelar la precisin de las medidas(D,tipo de inferencia) deben ser tenidos en cuenta para el solape de las particiones
xmed
1Xmed
xmedxmed-D xmed+D
1
aprox Xmed
Es la conversin de las entradas en conjuntos (clsicos o borrosos) para llevar acabo la posterior inferencia (obtencin de conclusiones=acciones de mando)
-
Control borroso, Introduccin 28Jos Villar Collado
Control borroso (10): disparo de las reglas
Todos los antecedentes (parte Si) de las reglas son comprobadosde acuerdo a las observaciones disponibles o entradas
Para cada uno de ellos se determina el grado en que se cumplen
El grado de cumplimiento de los antecedentes dan como resultadoun grado de cumplimiento global de la regla
Se disparan aquellas reglas que tenga un grado de cumplimientono nulo (o superior a un umbral)
Se combinan las acciones de mando recomendadas por cadaregla (parte Entonces), obteniendo un conjunto borroso resultantepara el mando
-
Control borroso, Introduccin 29Jos Villar Collado
Control borroso (11): comprobacin de antecedentes
Regla (Z,PP,NP): Si el Error es Cero (Z) y el Cambio Error es Pos_peq (PP) Entonces la Fuerza es Neg_peq (NP)
Observaciones: Error es p/8 Cambio error es p/32
Z
e (rad)
1
p/4-p/4
Error es Cero: en grado 0.5
PP
de (rad.s-1)
1
p/40
Cambio Error es Pos_peq: en grado 0.25
p/8
0.5
p/32
0.25
-
Control borroso, Introduccin 30Jos Villar Collado
Control borroso (12): certeza de una regla
Z
e (rad)
1
p/4-p/4
Error es Cero: 0.5
PP
de (rad.s-1)
1
p/40
Cambio Error es Pos_peq: 0.25
p/8
0.5
p/32
0.25
AND
(Error es Cero) Y (Cambio Error es Pos_peq):
min(0.5,0.25)=0.25
prod(0.5,0.25)=0.125AND(x,y)=T-norm(x,y)
La regla se dispara, ya que min(0.5,0.25) > 0
-
Control borroso, Introduccin 31Jos Villar Collado
Control borroso (13): resultado de una regla
COMPROBACION DE LA REGLA:Si el error es Z (0.5) y el cambio de error es PP (0.25)Entonces la fuerza es NP
OBSERVACION:Error es p/8Cambio error es p/32
CONCLUSION DE LA REGLA:la fuerza es NP min(0.5,0.25)=0.25
NP
fuerza (N)
1
0-20
La fuerza es NP : 0.25
0.25
-
Control borroso, Introduccin 32Jos Villar Collado
Control borroso (14): resultado de varias reglas
COMPROBACION DE LA REGLA (Z,PP,NP):Si el error es Z (0.5) y el cambio de error es PP (0.25)Entonces la fuerza es NP ( min(0.5,0.25)=0.25 )
OBSERVACION:Error es p/8Cambio error es p/32
NP
fuerza (N)10-10
La fuerza es: (NP en grado 0.25) OR (Z en grado 0.5)
0.25
COMPROBACION DE LA REGLA (Z,Z,Z):Si el error es Z (0.5) y el cambio de error es Z (0.75)Entonces la fuerza es Z ( min(0.5,0.75)=0.5 )
0.5
Z
20REGLA MAX-MIN:
max(min(NP,0.25),min(Z,0.5))
-
Control borroso, Introduccin 33Jos Villar Collado
Control borroso (15): max-min con dos reglas
0-p/4 -p/4 -10 0 10
Z Z
-p/8 -p/80
Z
emed= p/8 demed= p/32
error cambioerror
fuerza
0-p/4 -p/4 -10 0
Z
NP
-p/8 -p/80
PP
error cambioerror
fuerza
-20
0-20 -10 -10
fuerza
regla (Z,Z,Z)
regla (Z,PP,NP)
Fres
-
Control borroso, Introduccin 34Jos Villar Collado
Control borroso (16): desborrosificacin
==F f ires
iresi
res
res
ifFfFf
fFfFf
fCOA)()(.
)()(.
: area) of (center
Es la obtencin de una accin de mando numrica a partir del resultadoproporcionado por las combinacin de las reglas de control
0-20 -10 -10
fuerza
Fres
-
Control borroso, Introduccin 35Jos Villar Collado
Control borroso (17): disparo de reglas
PP
error (rad)p/4 p/20-p/2 -p/4
PGZNG NP
PP
cambioerror (rad.s-1)
p/8 p/40-p/4 -p/8
PGZNG NP
Observaciones: Error es p/8 Cambio error es p/32
Posibles reglas a disparar (hasta 4):(Z,Z,__) (Z,PP,__) (PP,Z,__) (PP,PP,__)
-
Control borroso, Introduccin 36Jos Villar Collado
Control borroso (18): disparo de reglas
Cambio ErrorFuerzaNG NP Z PP PG
NG PG PG PG PP ZNP PG PG PP Z NPZ PG PP Z NP NG
PP PP Z NP NG NGError
PG Z NP NG NG NG
Reglas a disparar (mximo 4):(Z,Z,Z)(Z,PP,NP)(PP,Z,NP)(PP,PP,NG)
-
Control borroso, Introduccin 37Jos Villar Collado
Control borroso (19): disparo de reglas
PP
error (rad)p/4 p/20-p/2 -p/4
PGZNG NP
PP
cambioerror (rad.s-1)
p/8 p/40-p/4 -p/8
PGZNG NP
Observaciones: Error es 0 Cambio error es 0
Posibles reglas a disparar (slo una):(Z,Z,__) en la tabla (Z,Z,Z)
-
Control borroso, Introduccin 38Jos Villar Collado
Control borroso (20): conclusiones preliminares
No se requieren conocimientos significativos de la teorade control clsica para disear un control borroso
El diseo del control se basa en proponer un conjuntode reglas lingsticas a las que posteriormente hay queasociar un significado matemtico mediante lasparticiones borrosas de las variables de entrada y salida
No se ha utilizado ningn modelo de la planta paradesarrollar el control, aunque se desconoce sucomportamiento ?
?
-
Control borroso, Introduccin 39Jos Villar Collado
Contenido
Introduccin
Control lingstico de una planta
Formulacin matemtica del control borroso
Modelo, simulaciones y resultados
modelo matemtico
simulink y la toolbox fuzzy
resultados
Ms all del PID borroso
-
Control borroso, Introduccin 40Jos Villar Collado
Simulaciones (1): modelo
Fx
y
q Lm
M
Sistema=Carro+Varilla
Carro: masa MVarilla: masa m
longitud L
Ejemplo:pndulo invertido
-
Control borroso, Introduccin 41Jos Villar Collado
Simulaciones (2): modelo
F
q pndulo del reaccin :Rrozamiento N normal, fuerza :N
carro masa:M
0
:carro el En....
+==
++==
yy
xx
RMgNF
NRxMFxMF m
mg
x
y
M N
Rx
Ry
Mg
-
Control borroso, Introduccin 42Jos Villar Collado
Simulaciones (3): modelo
F
q L
mg
x
y
M N
Rx
Ry
Mg
)cos2
)sen2
))cos(2
(
))sen(2
(
:pndulo el En
2
2
2
2
x
(?L y
(?L
xx
LdtdmgRmaF
Lx
dtd
mRmaF
G
G
yyy
xx
G
G
=
+=
+==
+==
q
q
G
-
Control borroso, Introduccin 43Jos Villar Collado
Simulaciones (4): modelo
F
q
x
y
M
2
22
2
2
2
22
2
2
)()cos())(cos(
)sen())(cos(
)cos()sen())(sen(
)cos())(sen(
:Derivando
dtdsin
dtd
dtd
dtd
dtd
dtd
dtd
dtd
dtd
dtd
qqqqq
qqq
qq
qqq
qqq
-
-=
-=
+
-=
=
-
Control borroso, Introduccin 44Jos Villar Collado
Simulaciones (5): modelo
F
q
x
y
M
12)cos(
2)sen(
2
M..
2
..
G
qqq
q
mLLRLR
I
xy =-
=
-
Control borroso, Introduccin 45Jos Villar Collado
Simulaciones (6): modelo final
: y x despejando Finalmente....q
-+
--
-=
-+
--=
4)(cos32
8)cos()sen(3
2)sen()cos(3
2)sen(3
4)(cos38
)cos()sen(32
)sen(
2
2.
..
2
2.
..
q
qqqqq
qq
q
qqqq
mmML
mgmLF
Lg
mmM
mgmLF
x
Sistema=Carro+Varilla
Carro: masa MVarilla: masa m, longitud L
q
xF
-
Control borroso, Introduccin 46Jos Villar Collado
Simulaciones (7): datos modelo simulado
Sistema=Carro+Varilla
Carro: masa MVarilla: masa m, longitud L
q
x
F
DATOS UTILIZADOS:
M=1m=0.1*LL=1g=9.8
-
Control borroso, Introduccin 47Jos Villar Collado
Simulaciones (8): modelo simulink
lazo de control
dinmica del sistemavehculo + varilla
0.0Referencia
Mux
Mux
1Longitud
1
Km
1Ke-1Kde
Inicializacin de variables
Controlador borroso
ref, error
cambio error
longitudvarilla
referencia
error
error
fuerza
-
Control borroso, Introduccin 48Jos Villar Collado
Simulaciones (9): modelo simulink
modelo vehculo+varilla
half pole length
pole mass
4
out_4
3
out_3
2
out_2
1
out_1
1/s
x dot
1/s
x
1/s
theta dot
1/s
theta
Mux
Mux
Mux
Mux
0.5
Gain10.1
Gain
cos(u[1])
sin(u[1])f(u)
f(u)2
in_2
1
in_1
-
Control borroso, Introduccin 49Jos Villar Collado
Simulaciones (10): fuzzy toolbox
-
Control borroso, Introduccin 50Jos Villar Collado
Simulaciones (11): fuzzy toolbox, rule viewer
-
Control borroso, Introduccin 51Jos Villar Collado
Simulaciones (12): fuzzy toolbox, rule viewer
-
Control borroso, Introduccin 52Jos Villar Collado
Simulaciones (13): resultados
-
Control borroso, Introduccin 53Jos Villar Collado
Simulaciones (14): resultados
-
Control borroso, Introduccin 54Jos Villar Collado
Simulaciones (15): conclusiones
dinmica del sistemavehculo + varilla
0.0Referencia
Mux
Mux
1Longitud
1
Km
1Ke-1Kde
Inicializacin de variables
Controlador borroso
ref, error
cambio error
longitudvarilla
referencia
error
error
fuerza
Se requieren ajustes para mejorar el comportamiento del control
-
Control borroso, Introduccin 55Jos Villar Collado
Contenido
Introduccin
Control lingstico de una planta
Formulacin matemtica del control borroso
Modelo, simulaciones y resultados
Ms all del PID borroso
controles no realizables con PID
evaluacin inteligente del entorno
ejemplo
-
Control borroso, Introduccin 56Jos Villar Collado
Ms all del PID (1)
Acciones de control no realizables con PID
Control supervisor
Seleccin de acciones de control discretas
Identificacin de puntos de operacin ocondiciones de funcionamiento, evaluacin delentorno, etc.
-
Control borroso, Introduccin 57Jos Villar Collado
Ms all del PID (2): control supervisor
PID
consignareal FLC
consignaartificial
ca1
ca2
ca3
ca4cr
Ajuste de consignas
PLANTA
?
-
Control borroso, Introduccin 58Jos Villar Collado
Ms all del PID (3): control supervisor
PIDr ye m
-
FLC
SOBREPASOOSCILACIONES
ERROR
DP, D I, D E
Ajuste de parmetros
PLANTA
-
Control borroso, Introduccin 59Jos Villar Collado
Ms all del PID (4): control supervisor
Seleccin de controles clsicos mediante estrategia dereglas borrosas, en funcin de la zona de operacin de laplanta
si condiciones1 entonces PID1
PLANTAr
ye m
-
si condiciones2 entonces PID2
si condiciones3 entonces PID3
si condiciones4 entonces PID4
Seleccin de controladores
-
Control borroso, Introduccin 60Jos Villar Collado
Ms all del PID (5): acciones discretas
Girar a la izquierda o a la derecha Cambiar de marcha ...
PID ?
-
Control borroso, Introduccin 61Jos Villar Collado
Ms all del PID (6): evaluacin del entorno
Evaluacin o inferencia inteligente, mediante criteriosborrosos, del entorno para:
el estado ptimo la conveniencia de un cambio de estado
Ej. 1): cambio automtico de Nissan optimizado paraconduccin por autopista, carreteras con curvas, etc. autopista=movimientos suaves y de poca amplitud de la palanca
del acelerador carretera con curvas=fluctuaciones importantes y frecuentes en la
posicin de la palanca del acelerador
El sensor es el conductor: la inferencia inteligente nicamenteinterpreta su comportamiento
Evaluacin o inferencia inteligente, mediante criteriosborrosos, del entorno para:
el estado ptimo la conveniencia de un cambio de estado
Ej. 1): cambio automtico de Nissan optimizado paraconduccin por autopista, carreteras con curvas, etc. autopista=movimientos suaves y de poca amplitud de la palanca
del acelerador carretera con curvas=fluctuaciones importantes y frecuentes en la
posicin de la palanca del acelerador
El sensor es el conductor: la inferencia inteligente nicamenteinterpreta su comportamiento
-
Control borroso, Introduccin 62Jos Villar Collado
Ej 2): ajuste automtico de la potencia de absorcin de unaaspiradora (tipo de suelo, cantidad de polvo): alfombra=mucho polvo=variacin lenta de la cantidad de polvo
absorbido suelo pulido=la cantidad de polvo absorbido decrece con rapidez
Ej 3): ajuste automtico de las caractersticas de lavado deuna lavadora automtica (tipo de tejidos, tipo de manchas, etc): manchas fciles=aumento rpido de la turbidez del agua manchas difciles=aumento lento de la turbidez del agua
Ej 2): ajuste automtico de la potencia de absorcin de unaaspiradora (tipo de suelo, cantidad de polvo): alfombra=mucho polvo=variacin lenta de la cantidad de polvo
absorbido suelo pulido=la cantidad de polvo absorbido decrece con rapidez
Ej 3): ajuste automtico de las caractersticas de lavado deuna lavadora automtica (tipo de tejidos, tipo de manchas, etc): manchas fciles=aumento rpido de la turbidez del agua manchas difciles=aumento lento de la turbidez del agua
Ms all del PID (7): evaluacin del entorno
-
Control borroso, Introduccin 63Jos Villar Collado
Termostato convencional:
Ejemplo: termostato inteligente (1)
Bomba de calor
ON/OFF-+
T
TREF
Termostato inteligente: Es ms confortable tener temperaturas ms altas durante
el da que durante la noche Una misma temperatura resulta ms clida si la
habitacin est soleada Si la referencia se baja significativamente se busca una
refrigeracin intensa
Termostato inteligente: Es ms confortable tener temperaturas ms altas durante
el da que durante la noche Una misma temperatura resulta ms clida si la
habitacin est soleada Si la referencia se baja significativamente se busca una
refrigeracin intensa
-
Control borroso, Introduccin 64Jos Villar Collado
Ejemplo: termostato inteligente (2)
Bomba de calor
ON/OFF-+
T
TREF -+
FLC
Luminosidad
Error positivo = Tref > Treal = froError negativo = Tref < Treal = calor
Error positivo = Tref > Treal = froError negativo = Tref < Treal = calor
-
Control borroso, Introduccin 65Jos Villar Collado
Ejemplo: termostato inteligente (3)
Luminosidad
Cambios de consigna frecuencia amplitud
Error (Tref-Treal)
Reglas
Correccin Tref
Histresis
Si cambios frecuentes de consigna se busca precisinhistresis pequea
Si cambio de consigna pequeo se busca precisinhistresis pequea
Si error muy grande, para incrementar rapidez amplificar error e histresis
Si hay mucha luminosidad la sensacin de calor se incrementa reducir consigna
Si hay poca luminosidad la sensacin de fro se incremente incrementar consigna
Si cambios frecuentes de consigna se busca precisinhistresis pequea
Si cambio de consigna pequeo se busca precisinhistresis pequea
Si error muy grande, para incrementar rapidez amplificar error e histresis
Si hay mucha luminosidad la sensacin de calor se incrementa reducir consigna
Si hay poca luminosidad la sensacin de fro se incremente incrementar consigna
-
Control borroso, Introduccin 66Jos Villar Collado
Ejemplo: termostato inteligente (4)
Luminosidad Cambios deconsigna
Temp (Error) Correccin Histrsesis
R1 luminosa(luz artificial, de da)
ms froTref
pequea
R2 muy luminosa(sol directo)
ms calorTref
normal
R3 pequeo Ninguna pequea
R4 frecuentes Ninguna pequea
R5 Mucho froTref >> Treal
ms calorTref
grande
R6 Mucho calorTref
-
Control borroso, Introduccin 67Jos Villar Collado
Teora de conjuntos borrosos + aplicaciones: Fuzzy Sets and Fuzzy Logic, Theory and Applications, Prentice Hall, George J. Klir, Bo
Yuan, 1995. (libro) Fuzzy Sets and Systems: Theory and Applications, Mathematic in science and
engineering vol 144, Didier Dubois, Henri Prade, 1980. (libro) Fuzzy Systems Theory and its applications, Academic Press, T. Terano, K. Asai, M.
Sugeno, 1992 (libro)
Razonamiento aproximado: Fuzzy sets in approximate reasoning, Part 1 and Part 2 (Fuzzy Sets and Systems 40) Didier Dubois, Henri Prade, 1991 (paper) Representation and combination of uncertainty with belief functions and possibility
measures, Computational Intelligence vol 4, Didier Dubois, Henri Prade, 1988 (paper) On logic and Fuzzy Logic, International Journal of Uncertainty and knowledge-based
systems vol 1 n2, Enric Trillas, 1993 (paper)
Control borroso: Fuzzy Control, Addison-Wesley, Kevin M. Passino, Stephen Yurovich, 1997 (libro) Fuzzy Control and Fuzzy Systems, Research Studies Press, Witold Pedrycz, 1993 (libro) Fuzzy Logic in Control Systems, Part 1 and 2, IEEE Transaction on systems, man and
cybernectis, vol 20, Chuen Chien Lee, 1990 (paper).
Algunas referencias