1 / 57

Cap. 4 Aplicaciones de Fuzzy Embebida

Cap. 4 Aplicaciones de Fuzzy Embebida. Harold Romo. Introducción. Un modelo lingüístico puede tomar ventajas sobre un modelo matemático complejo. La lógica difusa simplifica el modelo. Existen muchas aplicaciones embebidas de LD - Control Fuzzy - Procesamiento de señales Fuzzy.

adelio
Download Presentation

Cap. 4 Aplicaciones de Fuzzy Embebida

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Cap. 4 Aplicaciones de Fuzzy Embebida Harold Romo

  2. Introducción • Un modelo lingüístico puede tomar ventajas sobre un modelo matemático complejo. • La lógica difusa simplifica el modelo. • Existen muchas aplicaciones embebidas de LD - Control Fuzzy - Procesamiento de señales Fuzzy. - Procesamiento de imágenes Fuzzy. Etc.

  3. 4.2 Control convencional Vrs. Fuzzy

  4. 4.2 Control convencional Vrs. Fuzzy • Las funciones puedes verse en los dominios: • Tiempo – el operador diferencial d/dt típico. • Frecuencia – Laplace. s = +j. G(s) F.d.T • G(s) puede ser: • Ganancia G(s) = K • Derivador 1er orden: G(s) = s • Integrador 1er orden: G(s) = (s)-1 • Segundo orden G(s) = (s2+ 2  s+ 2)-1

  5. 4.2 Control convencional Vrs. Fuzzy • Representaciones de G(s): • Polos-ceros: • Constantes de tiempo:

  6. 4.2 Control convencional Vrs. Fuzzy • Análisis de Sistemas: • Estabilidad – crecimiento acotado / oscilación amortiguada. • Respuesta Transciente. • Respuesta de Estado Estacionario.

  7. 4.2 Control convencional Vrs. Fuzzy • Análisis de Control Realimentado. – requiere • Modelo matemático de c/bloque (F.d.T). • Representación Diagrama de Bloques y F.d.T equivalente. • Estudiar: Respuesta al escalón / mapa de polos y ceros / lugar geométrico de raices / Diagramas de Bode, Nyquist / carta de Nicols. • Ej. Un sistema es estable sii su polos están en el SemiPlano Izquierdo del plano s.

  8. 4.2 Control convencional Vrs. Fuzzy • Diseño. – objetivo • Lograr las especificaciones de desempeño deseadas ( temporales o frecuenciales). • Ejemplo • Temporales de estado transciente: % de sobreimpulso / tiempo de subida / tiempo de establecimiento / constante de tiempo / etc. • Temporales de estado estacionario: error de SS. • Frecuenciales: Márgenes de ganancia / fase / tasa de caída / pico a frecuencia de resonancia / etc

  9. 4.2 Control convencional Vrs. Fuzzy (Proportional Integral Derivative) • Control PID. – • Si Kp aumenta, la velocidad de respuesta del sistema aumenta, el error de SS disminuye pero no se elimina. • Si Kd aumenta, el factor de amortiguamiento aumenta, reduce el sobreimpulso, pero es sensible al ruido (nunca usar derivador solo). • Si Ki aumenta, el error de SS disminuye, pero el sistema tiende a ser inestable (nunca usar solo).

  10. 4.3 Controlador Lógico Difuso FLC

  11. 4.3 Controlador Lógico Difuso FLC • Fuzificación: • Las entradas “crisp” en U, son convertidas en conjuntos difusos U*. • El operador de fuzificación es tal que  : E  E*

  12. 4.3 Controlador Lógico Difuso FLC • Defuzificación: • Convierte acciones de control fuzzy inferidas en acciones “crisp”. • La condición E implica la condición U, if E then U • El control fuzzy está basado en un modelo liguístico. • Definición de: reglas base y funciones de pertenencia.

  13. 4.3 Controlador Lógico Difuso FLC • Diseño. - se asume que: • Siempre existe una solución. • Las variables entrada/salida pueden ser medidas. • La solución es adecuadamente aceptable (no la más óptima). • El modelo lingüístico puede crearse con la experticia humana.

  14. 4.3 Controlador Lógico Difuso FLC • Modelar un sistema linguísticamente requiere: • Identificar variables entrada/salida. (temp, vel, etc) • Definir subconjuntos fuzzy que describen el universo del discurso de cada variable y asignar un nombre lingüístico a c/u. ej. Vel {lenta, media, rápida}. • Formar la base de Reglas que asocian entradas/salidas. • Determinar métodos de: fuzificación / defuzificación

  15. 4.3 Controlador Lógico Difuso FLC • Defuzificación: • Para una misma entrada, pueden actuar varias reglas if – then simultáneamente. • Pero cada regla tiene asociado un peso, así una misma entrada puede pertenecer a diferentes conjuntos fuzzy con diferentes valores de pertenencia. • Ej. Un valor de temperatura: Temp=80oc, puede pertenecer al subconjunto muy altacon =0.8 o pertenecer al subconjunto mediacon =0.3

  16. 4.3 Controlador Lógico Difuso FLC • Defuzificación: • Ej. cont…. If very high then acción 1. If medium then acción 2. La acción 1 es definida por el conjunto Fuzzy 1, y La acción 2 es definida por el conjunto Fuzzy 2. Y la agregación de los dos conjuntos forman un tercer conjunto Fuzzy F. • Así, la salida del modulo de razonamiento fuzzy puede involucrar más de dos conjuntos fuzzy. F = U Fi ,i=1,2,…,k

  17. 4.3 Controlador Lógico Difuso FLC • Defuzificación: • Asumiendo que el soporte de F es X={ x1, x2,…},  xi X, F(xi)=wi. • Este valor dice que tan buena es la salida. • La defuzificación se aplica en F para determinar la mejor salida.

  18. 4.3 Controlador Lógico Difuso FLC • Defuzificación: • Existen muchos métodos. Incluso identificadas con diferentes nombres, técnicas similares. • El seleccionado queda a juicio del diseñador. • Factores a tener en cuenta: Costo computacional / aplicación específica / etc.. • Veamos ahora algunos métodos de defuzificación

  19. 4.3 Controlador Lógico Difuso FLC • Defuzificación – Método del Centroide:

  20. 4.3 Controlador Lógico Difuso FLC • Defuzificación – Centro de Area más Grande • La salida consiste en dos subconjuntos convexos fuzzy no traslapados. • Defuzificación – Primer Máximo • El menor valor x con máxima función de pertenencia. • Defuzificación – Máxima pertenencia • El valor de x con más alto F(x*)

  21. Defuzificación – Media de centros 4.3 Controlador Lógico Difuso FLC

  22. 4.3 Controlador Lógico Difuso FLC • Defuzificación – Pertenencia Media –Maxima • En el ejemplo: x*=(a+b)/2 • Defuzificación – Centro de sumas • suma algebraica de los subconjuntos fuzzy en lugar de su unión – las intersecciones se consideran dos veces. • Otros ……

  23. 4.3 Controlador Lógico Difuso FLC • Análisis Fuzzy: • El análisis convencional se basa en modelos matemáticos. • En análisis fuzzy considerar: 1.- Consistencia de las Reglas If – Then. 2.- Suficiencia de Reglas – asegurar control suave, tampoco demasiadas.

  24. 4.3 Controlador Lógico Difuso FLC • Consideraciones …. 3.- Inferir una acción de control apropiada para cualquier estado del proceso. 4.- Asignación apropiada de conjuntos fuzzy en el universo del discurso. El traslape de funciones de pertenencia asegura robustez y completitud pero podría introducir distorsión en la salida. 5.- selección adecuada de defuzificación – acción de control suave y apropiada.

  25. 4.3 Controlador Lógico Difuso FLC • Criterios de Estabilidad. • Habilidad del sistema para converger o permanecer cerca de un valor de equilibrio. • Los sistemas difusos son por lo general de carácter no lineal, lo que hace complejo el concepto de estabilidad. • Un sistema No lineal es asintóticamente estable si parte de un punto de equilibrio y vuelve a él, o si solo se mantiene cerca de él es estable en sentido de lyapunov.

  26. 4.3 Controlador Lógico Difuso FLC • Criterio de Estabilidad Energética. • Ley física. Un sistema dinámico es estable si su energía total decrece con el tiempo hasta un valor estacionario. Algoritmo Kiszka et al. • Ecuación básica de un sistema dinámico: Xk+1 = Xk o U o R , k=1,2, … Xk+1 y Xkconjuntos fuzzy en los instantes Kth y (K+1)th respectivamente. R; relación fuzzy de descripción del sistema de control fuzzy.

  27. 4.3 Controlador Lógico Difuso FLC • Criterio de Estabilidad Energética. • Si no hay entrada, se dice el sistema está no forzado, esto es Uk = zero (conjunto singleton).

  28. 4.3 Controlador Lógico Difuso FLC • Energía de una Relación P fuzzy: • Haciendo P = Uko R, se tiene: Xk+1 = Xk o P • Un estado está en equilibrio si: Xk+1 = Xk = Xs ; k finalmente: Xs = Xs o P • La energía E(P) se define según Kiszca et al. • X e Y conjuntos fuzzy, en los universos del discurso Wx y Wy. • Mp matriz de la relación fuzzy P

  29. 4.3 Controlador Lógico Difuso FLC • Energía de una Relación P fuzzy: • Ejemplo:

  30. 4.3 Controlador Lógico Difuso FLC • Energía de un sistema dinámico fuzzy xo estado inicial del sistema Finalmente:

  31. 4.3 Controlador Lógico Difuso FLC 1.- La diferencia de energía entre dos estados consecutivos es: 2.- si E(Xo) es constante, E no dependerá de la cond. Inicial. 3.- la función característica de energía Ec(P,k) se expresa: 4.- De aquí se determina la estabilidad:

  32. 4.3 Controlador Lógico Difuso FLC

  33. 4.3 Controlador Lógico Difuso FLC • Ejemplo: determinar la estabilidad de un sistema fuzzy • Universos del discurso: X=Y =[1,2] • Regla de composición max-min. C(i,j)=max[min{(ai,:,b:,j)}] Conclusión: Es oscilatorio periodo T=1

  34. 4.3 Controlador Lógico Difuso FLC • Ejemplo: determinar la estabilidad de un sistema fuzzy • Universos del discurso: X=Y =[1,2] • Regla de composición max-min. C(i,j)=max[min{(ai,:,b:,j)}] Conclusión: Es Estable

  35. 4.4Ejemplos de aplicaciones simplificados • Elementos del diseño de un sistema práctico con lógica difusa: • Definición de entradas / salidas / reglas de control fuzzy. • El análisis y diseño son asistidos por herramientas sw. • La base de reglas se determina por experticia humana o mediante redes neuronales. • Se espera la solución adecuada, mas no la óptima de la cual se encargan los algoritmos genéticos.

  36. 4.4Ejemplo 1. Maquina lavadora • Posibles entradas: peso / tipo de tejido / cantidad de mugre. • Posibles salidas: Cantidad de detergente / tiempo de lavado / vel. de agitación / nivel de agua / temperatura del agua. • El objetivo: Ahorro de agua / Detergente / Energía / Tiempo / Dinero.

  37. 4.4Ejemplo 1. Maquina lavadora • Solo consideramos por facilidad: • Dos entradas: • Cantidad de mugre: (medido con sensor óptico), rango [0,100], subconjunto fuzzy {casi-limpia, sucia, manchada, mugrienta}. • peso: (medida con sensor de presión), rango [0,100], subconjunto fuzzy {muy-liviana, liviana, pesada, muy-pesada} • Una salida: Cantidad de detergente, por simplicidad definida con subconjunto fuzzy singleton.

  38. X 4.4Ejemplo 1. Maquina lavadora

  39. 4.4Ejemplo 1. Maquina lavadora Conjunto de Reglas de control fuzzy

  40. 4.4Ejemplo 1. Maquina lavadora Tabla: Reglas de control fuzzy

  41. 4.4Ejemplo 1. Maquina lavadora Resultados de salida: • Observaciones: • Estas curvas pueden ajustarse en el proceso de pruebas y verificación • de resultados según el análisis del mismo. • 2. Estas curvas pueden cambiar con cada diseñador y su criterio o juicio.

  42. 4.4Ejemplo 2. Maquina aspiradora

  43. Cap. 5 Crítica a la Lógica Difusa Harold Romo

  44. 5.1 Introducción • Practicidad en Ingeniería. • Soporte matemático formal. • Limitaciones en aplicaciones. • Posiciones a favor y en contra.

  45. 5.2 Objetivos de la lógica difusa • Opositores que afirman “cualquier tipo de incertidumbre puede manejarse con teoría de la probabilidad”. • William Kahan: “la lógica difusa es la cocaina de la ciencia” - “no se concibe la fuzificación como alternativa del método científico”.

  46. 5.2 Objetivos de la lógica difusa • Defensores que afirman “la teoría de conjuntos fuzzy y lógica difusa está cambiando el mundo”. • La crítica más razonable es la que hace su propio fundador -Lotfi Zadeh- “se ha logrado el objetivo?”. • Cual es el objetivo?

  47. 5.2 Objetivos de la lógica difusa • Hacer pensar a los computadores como piensan las personas y hacer computación con palabras. • Desde un punto de vista de la ingeniería la Lógica difusa es muy útil, pero como cualquier otra metodología tiene sus limitaciones.

  48. 5.3 Que hay con el nombre “Fuzzy” • No hay nada difuso en la lógica difusa, ni es difusa la teoría en si misma, de hecho en análisis y diseño se recurre al conocimiento experto. • Rene Descartes – paralelo con los números 

  49. 5.4 Fuzziness Vrs. Probabilidad • Probabilidad : medida de la incertidumbre individual sobre un evento u objeto. • La controversia nace de la afirmación “No se ha demostrado que esta metodología ha resuelto problemas que no puedan resolverse con probabilidad”. • La LD y probabilidad pueden complementarse

  50. 5.4 Fuzziness Vrs. Probabilidad • Definitivamente no son lo mismo. • Ej./ En T. de Probabilidad se cumplen dos propiedades: AA’=I y AA’=. • En LD la ley del medio excluido y ley de contradicción respectivamente.

More Related