Apuntes Control Difuso Parte1

D. Sez, EL650 (2007). Apuntes Control Difuso. Dpto. Ing. Elctrica, U. Chile.
1
FUNDAMENTOS DE LA LGICA DIFUSA

La lgica difusa asocia incertidumbre a la estructura de un conjunto de
datos (Zadeh, 1965). Los elementos de un conjunto difuso son pares
ordenados que indican el valor del elemento y su grado de pertenencia.

Para un conjunto difuso { }
A x u x x X
A
= ( , ( )) /
, se tiene que el
elemento x pertenece al conjunto A con un grado de pertenencia u
A
(x),
que puede variar entre 0 y 1. Por lo tanto, una variable puede ser
caracterizada por diferentes valores lingsticos, cada uno de los cuales
representa un conjunto difuso.

Por ejemplo, la velocidad puede ser caracterizada por valores lingsticos
como "Bajo", "Medio" y "Alto", que representan "una velocidad
aproximadamente menor que 40 km/h", "una velocidad cercana a 55
km/h" y "una velocidad sobre 70 km/h aprox." respectivamente. Estos
trminos se asocian a conjuntos difusos con funciones de pertenencia
como las mostradas en la siguiente figura.

Medio
40 55 70
u
1
Bajo Alto
45
0.33
0.66
Velocidad (km/h)

Por lo tanto, si la velocidad es 45 km/h, existen grados de pertenencia 0.6,
0.3 y 0 a los conjuntos difusos "Bajo", "Medio" y "Alto" respectivamente.


2
Operaciones bsicas de lgica difusa

Dados dos conjuntos difusos A y B en el mismo universo X, con
funciones de pertenencia u
A
y u
B
respectivamente, se pueden definir las
siguientes operaciones bsicas:

Unin. La funcin de pertenencia de la unin de A y B se define como:

{ }
u max (u (x), u (x))
A B A B
=

Interseccin. La funcin de pertenencia de la interseccin de A y B es:

{ }
u min (u (x), u (x))
A B A B
=

Complemento. La funcin de pertenencia del complemento de A se
define como:

u (x) 1 u (x)
A
A
=

Producto cartesiano. Dados los conjuntos difusos A1, ..., An con
universos X
1
, ..., X
n
respectivamente, se define el producto cartesiano
como un conjunto difuso en X
1
...
X
n
con la siguiente funcin de
pertenencia:

u (x ,..., x ) min{u (x ),..., u (x )}
A1x..xAn 1 n A1 1 An n
=

segn Mamdani (1974)

u (x ,..., x ) u (x ) u (x ) u (x )
A1x..xAn 1 n A1 1 A2 2 An n
=

segn Larsen (1980).


3
MODELOS DIFUSOS LINGSTICOS

Estos modelos se basan en un conjunto de reglas heursticas donde las
variables lingsticas de las entradas y salidas se representan por
conjuntos difusos.

La siguiente figura muestra las principales componentes de un modelo
difuso lingstico: interfaz de fusificacin, base de conocimiento, motor
de inferencia e interfaz de defusificacin (Lee, 1990).

Base de
conocimientos
Interfaz de
fusificacin defusificacin
Interfaz de
inferencia
Motor
u
y

Interfaz de fusificacin. Este elemento transforma las variables de
entrada del modelo (u) en variables difusas. Para esta interfaz se deben
tener definidos los rangos de variacin de las variables de entrada y los
conjuntos difusos asociados con sus respectivas funciones de pertenencia.

Base de conocimientos. Contiene las reglas lingsticas del control y la
informacin referente a las funciones de pertenencia de los conjuntos
difusos.

Estas reglas lingsticas, tienen tpicamente la siguiente forma:


4

Si u
1
es A y u
2
es B entonces y es C

donde A, B y C son los conjuntos difusos de las variables de entrada u
1
y
u
2
, y de la variable de salida y respectivamente.

Existen varias formas de derivar las reglas (Lee, 1990), entre las que
destacan las basadas en:

- La experiencia de expertos y el conocimiento de ingeniera de control.
La base de reglas se determina a partir de entrevistas con el operador o a
travs del conocimiento de la dinmica del proceso.

- La modelacin del proceso. Los parmetros de la base de conocimiento
se obtienen a partir de datos de entrada y salida del proceso.

Motor de inferencia. Realiza la tarea de calcular las variables de salida
a partir de las variables de entrada, mediante las reglas del controlador y
la inferencia difusa, entregando conjuntos difusos de salida.

Por ejemplo, dada una base de conocimiento con n reglas del tipo:

Si u
1
es A
i
y u
2
es B
i
entonces y es C
i

la secuencia de clculos que realiza el motor de inferencia incluye:

- Determinar el grado de cumplimiento W
i
de cada regla a partir de los
grados de pertenencia de las variables de entrada obtenidos en la etapa de
fusificacin, es decir,

W
i
= min(u
A
i
,u
B
i
)


5
debido a que las premisas de la reglas estn unidos por operadores AND,
definidos como la interseccin de conjuntos difusos.

- Para cada regla se tiene una consecuencia "y es C
i
", que tiene asociado
una funcin de pertenencia u
C
i
. Por lo tanto, se tiene un conjunto de
salida C'
i
, cuya funcin de pertenencia es:

u
C'
i

= min (W
i
,u
C
i
)

donde W
i
es el grado de cumplimiento para la regla i.

- Para evaluar el conjunto total de reglas, se unen los conjuntos difusos
C'
i
resultantes de cada regla, generndose un conjunto de salida con la
siguiente funcin de pertenencia:

u u i =1,..., n
C' C'
i
= max( )

De esta forma, se obtiene una salida difusa del controlador, con una
funcin de pertenencia u
C'
.

Interfaz de defusificacin. Este elemento provee salidas discretas y
determinsticas a partir de los conjuntos difusos C' obtenidos como
resultado de la inferencia.

Existen diferentes mtodos de defusificacin, algunos de los cuales se
describen a continuacin:

- Mtodo del mximo. La salida corresponde al valor para el cual la
funcin de pertenencia uC' alcanza su mximo. Se ocupa la media del
mximo (MOM), mnimo del mximo (LOM) o el mayor del mximo
(SOM), donde la salida es el promedio, el menor y el mayor valor entre
los elementos de C' que tienen un grado de pertenencia mximo.


6

- Centro de rea (centroide). Genera como salida el valor
correspondiente al centro de gravedad de la funcin de pertenencia del
conjunto de salida C'.
- Biseccin. Genera como salida el valor correspondiente al punto en el
cual la funcin de pertenecia del conjunto de salida C se divide en dos
reas iguales.

-10 -8 -6 -4 -2 0 2 4 6 8 10
0
0.5
1
centroid
bisector
MOM
SOM
LOM

En particular, los modelos dinmicos difusos lingsticos, se pueden
expresar como:

i i
i i
i i i
(t) es C y Entonces
es Bnu y u(t-nu) y 1 ) es B 1 u(t-
y es Any y y(t-ny) y ) es Al 1 : Si y(t- R

donde y
i
es la salida de la regla i.


7
Ejemplo 1:
Reglas:

R
1
Si x es A
1
e y es B
1
entonces z es C
1

R
2
Si x es A
2
e y es B
2
entonces z es C
2

x = 25 y = -10, cuanto vale z?


8
Ejemplo 2 Modelacin de las acciones de control de un operador de un
horno cementero.

En la siguiente figura se presenta un diagrama del proceso, donde el
carbn proveniente de un molino, alimenta una tolva y es transportado
hacia el horno. El ventilador primario sirve para mantener la llama en la
zona de coccin.

La mezcla, que permite la formacin de los compuestos del cemento, se
desplaza desde la parte posterior del horno (derecha de la figura) en
contracorriente al flujo de calor, calcinndose y cocindose, hasta
obtenerse el clinker o producto final del horno que pasa posteriormente
al enfriador. El ventilador de induccin sirve para succionar los gases
producidos en la combustin.

CO
RT
O
2
BT
Horno
Cementero
CS
BF
KS
NOx

El diagrama muestra las variables de entrada y de salida del proceso:

- el flujo de alimentacin del carbn (CS),
- la velocidad del ventilador de induccin (BF) y
- la velocidad del horno (KS).


9

- el porcentaje de monxido de carbono en los gases (CO),
- la temperatura de los gases en la zona intermedia (RT),
- el porcentaje de oxgeno en los gases (O
2
),
- la temperatura de los gases en la zona posterior (BT) y
- el porcentaje de xido nitroso en los gases (NOx).

Experimentalmente, se ha comprobado que la dinmica de este sistema
es no lineal, con retardos, fuertes interacciones y muy dependiente de las
condiciones iniciales.

A partir de la experiencia de operadores para hornos cementeros, se
puede deducir, en trminos generales, que el flujo de carbn es la
variable manipulada que produce el mayor efecto. Por ejemplo, un
aumento de CS genera:
- una disminucin de O
2
y CO, y
- un aumento de las temperaturas RT y BT, y del NOx.

Por su parte, un aumento en BF
- aumenta el O
2
, CO y BT, y
- disminuye RT y NOx.

Al aumentar KS, aumentan RT y BT.

A partir de estas afirmaciones, una regla que representa las acciones de
control del operador puede ser:

Si CO es alto entonces CS aumenta y BF disminuye


10
MODELOS DIFUSOS DE TAKAGI Y SUGENO

Estos modelos se caracterizan por relaciones basadas en reglas difusas,
donde las premisas de cada regla representan subespacios difusos y las
consecuencias son una relacin lineal de entrada-salida (Takagi y
Sugeno, 1995).

Las variables de entrada en las premisas de cada regla son relacionadas
por operadores "y" y la variable de salida es funcin de las variables de
estado, en general, una funcin lineal. Por lo tanto, las reglas del modelo
tienen la siguiente forma:

( ) Xk , , 1 X f Y entonces
Ak es Xk y y Al es X1 Si : R
i i
i i i
=

donde X1, ..., Xk son las variables de entrada o premisas de las reglas,
A1
i
, ..., Ak
i
son los conjuntos difusos asociados a las variables
de entrada,

p
0
1
, , p
k
i
son los parmetros de la regla i, e

Y
i
es la salida de la regla i.
f
i
es una funcin que generalmente es lineal, es decir:

Y X Xk
i
= + + + p p p
i i
k
i
0 1
1

Por lo tanto, la salida del modelo, Y, se obtiene ponderando la salida de
cada regla por su respectivo grado de cumplimiento W
i
, es decir:

Y= (WY) / ( W)
i i
i=1
M
i
i 1
M

=

donde M es el nmero de reglas del modelo y W
i
corresponde al grado
de activacin de la regla i, que se define como:


11

( )
w oper
i A Am Ak
i i i
=
1
, , , ,

donde oper es el operador mnimo o el producto, y
Am
i
es el grado de
pertenencia de la variable de entrada Xm al conjunto difuso Am
i
para
m = 1, ..., k.

En particular, los modelos dinmicos de tiempo discreto de Takagi y
Sugeno estn dados por:

R
y t a y t ny
u t b u t nu c
i
i ny
i
nu
i i
:
( ) ( )
( ) ( )
Si y(t - 1) es Al y y y(t - ny) es Any y
u(t - 1) es B1 y y u(t - nu) es Bnu
entonces y (t) = a
b
i i
i i
1
i
1
i
+ + +
+ + +
1
1

donde
a
j
i
j
i
, b y c
i
son parmetros de los modelos de las consecuencias.

Tambin los modelos dinmicos de Takagi y Sugeno se pueden
representar en variables de estado, es decir:

R
A x t B u t C
i
i
i i i
:
( ) ( )
Si x (t) es Al y y x (t) es An
entonces x (t +1)
1 i n i
= + +

donde | |
x x x
n
=
1
, ,
es un vector de variables de estado del proceso, y
A
i
, B
i
y C
i
son las matrices de los modelos lineales en variables de estado
de las consecuencias.
Ejemplo Modelo difuso de Takagi y Sugeno para un fermentador batch
de alimentacin.


12

La presin en el estanque de fermentacin puede ser controlada a travs
del cambio de flujo de aire de salida manteniendo constante el flujo de
aire de entrada.

A continuacin se presentan la base de reglas del modelo de Takagi y
Sugeno que caracterizan al fermentador.

R1:
Si la presin y(k) es BAJA y la vlvula u(k) est ABIERTA
Entonces y(k+1)=0.67y(k)+0.0007u(k)+0.35

R2:
Si la presin y(k) es MEDIA y la vlvula u(k) est MEDIA CERRADA
Entonces y(k+1)=0.80y(k)+0.0028u(k)+0.07

R3:
Si la presin y(k) es ALTA y la vlvula u(k) est CERRADA
Entonces y(k+1)=0.90y(k)+0.0071u(k)-0.39


13
Funciones de pertenencia del modelo de Takagi y Sugeno
que caracterizan al fermentador


14
MTODO DE IDENTIFICACIN

En la siguiente figura se presenta un diagrama del mtodo de
identificacin:

Identificacin de los
parmetros de las premisas
Es bueno
el modelo?
no
s
parmetros de las consecuencias
Identificacin de los
Eleccin de la
estructura del modelo


15
MTODO DE IDENTIFICACIN

Identificacin de parmetros de las premisas

Conocimiento del proceso
Clustering difuso

Identificacin de parmetros de las consecuencias

Mtodo de Takagi y Sugeno basado en mnimos cuadrados.

Eleccin de la estructura del modelo

Mtodo heurstico
Anlisis de sensibilidades


16
Identificacin de los parmetros de las premisas

En esta estructura los conjuntos difusos A1
i
, ..., Ak
i
y sus respectivas
funciones de pertenencia pueden ser determinadas basndose en un
conocimiento previo del proceso o por mtodos ms complejos como
clustering difuso.

Clustering difuso

El nmero ptimo de reglas y conjuntos difusos del modelo se determina
haciendo una particin del universo de la variable de salida y luego
proyectndolo al espacio de entrada (Sugeno, 1993).

Como se presenta en la siguiente, generalmente para la modelacin
difusa, se pone primero atencin en las premisas de las reglas y se
encuentra la particin de las variables de entrada. Esta particin se
realiza independientemente para cada una de las variables,
encontrndose las reglas difusas al realizar las diversas combinaciones
posibles entre los conjuntos difusos obtenidos.


17

En Clustering difuso, el nmero ptimo de reglas y conjuntos difusos
del modelo se determina haciendo una particin del universo de la
variable de salida y luego proyectndolo al espacio de entrada (Sugeno,
1993).

Para obtener los conjuntos difusos de la salida o los clusters asociados a
la salida, el criterio utilizado es considerar una particin del espacio de
salida tal que cada conjunto o cluster sea lo ms distinto posible a los
otros pero que sus elementos sean lo ms parecido posible entre s. Esto
es que la varianza entre clusters debe ser mxima pero mnima al interior
de stos:

( ) ( )
= =
=
n
1 k
c
1 i
2
i
2
i k
m
ik
x v v x ) c ( S

donde n nmero de datos para el clustering,
c nmero de clusters,
x
k
k-simo vector de datos,
x promedio de los datos,
v
i
centro del cluster i-simo,

ik
grado del k-simo dato perteneciente al i-simo cluster,
m peso ajustable.

Por lo tanto, se obtiene que todas las salidas tienen asociado un grado de
pertenencia al conjunto difuso B.

A continuacin, se consideran los siguientes datos asociados con grado
de pertenencia de y
i
en B
j
(
c j 1
)

) y ( B , ), y ( B ), y ( B ), y , x (
i c i 2 i 1 i i


18
A continuacin los conjuntos difusos correspondientes son inducidos al
realizar una proyeccin de los clusters del espacio de salida sobre el
espacio de entradas. Esta proyeccin se realiza de modo tal que se
cumpla la siguiente condicin:

) y ( B ) x ( A ) x ( A ) x ( A
i i
p p
i
2 2
i
1 1
= = = =

Como se muestra en la siguiente figura , el conjunto B del espacio de
salida ha sido proyectado en los conjuntos difusos A
j
del espacio de
entrada, posibilitando de esta manera establecer la siguiente regla difusa:

B es y entonces A es y x A es x Si : R
2 2 1 1


19

Sin embargo, se debe considerar que el conjunto A sea no convexo como
se muestra en la siguiente figura. En este caso el conjunto difuso del
espacio de salida se proyecta en ms de un cluster en el espacio de
entradas. Por lo tanto, se obtiene ms de una regla para el mismo cluster
del espacio de salida, es decir:

1
2 2
1
1 1
1

2
2 2
2
1 1
2


20
De esta manera, el clustering difuso entrega el nmero ptimo de reglas
difusas y conjuntos difusos.


21
Identificacin de los parmetros de las consecuencias

En general, los parmetros
p p
i
k
i
0
, ,
de las consecuencias se obtienen
por el mtodo de mnimos cuadrados, es decir, se minimiza el ndice de
error dado por:

e y y
p
p
N
p
2
1
2
=
=
(

)

donde y
p
es la salida real del proceso,

y
p
es la salida del modelo difuso, considerando las mismas
entradas del proceso, y
N es el nmero de muestras.

Entonces dado un conjunto de N muestras de entrada/salida, el algoritmo
calcula, para la muestra j, los grados de cumplimiento de cada regla segn
la definicin dada anteriormente, lo que corresponde a:

W
ij
= mn (
A1
i
(X
1j
);
A2
i
(X
2j
);...;
Ak
i
(X
kj
))

con: 1 i M , 1 j N.
M es el nmero de reglas, N es el nmero de muestras y k es el
nmero de variables.

La salida del modelo es:

y =
(p + p
X
+...+ p
X
)
W

W
j
i =1
M
o
i
1
i
1j
k
i
kj ij
i =1
M
ij


22
Se define

ij
ij
h=1
M
hj
B
=
W

W

entonces, la prediccin de la salida j est dada por la siguiente expresin:

j
i=1
M
o
i
ij
1
i
ij 1j
k
i
ij kj
y = (p
B
+ p
B X
+...+ p
B X
)

Si se construye la matriz x' de dimensiones N,M*(k+1)

x
B B X B X B X B X B
B B X B X B X B X B
M M k k M
N MN N N N MN kN N kN MN
' =

(
(
(
11 1 11 11 11 1 1 11 1 1
1 1 1 1 1

el vector de salida y'= [y
1
,...,y
N
]
T
se expresa de la forma:

y' = x'P

donde | |
P p p p
M M
k k
M
T
=
0
1
0 1
1
1
1
, , , , , , , p , p , p
es el vector de
parmetros.

La identificacin se reduce, entonces, a resolver la ecuacin anterior
encontrando el vector P mediante un algoritmo de mnimos cuadrados.

T
' /x P ' x ' y =


23

P ' x ' x ' y ' x
T T
=

( ) ' y ' x ' x ' x P
T
1
T

=

Finalmente, con los parmetros ptimos de las consecuencias ya
determinados se puede alterar la estructura del modelo o las funciones de
pertenencia obtenidas, de manera de reducir el ndice de error.


24
Eleccin de la estructura del modelo

En este caso, la estructura del modelo difuso se define como la seleccin
de las variables de entrada significativas.

Mtodo heurstico (Sugeno, 1993)

En general, para el modelo difuso definido por:

) nk nb k ( u g ... ) 1 nk k ( u g
) na k ( y g ... ) 1 k ( y g g ) k ( y then
A is nk) - nb - u(k and and A is 1) - nk - u(k
and A is na) - y(k and and A is 1) - y(k if
r
nb na
r
1 na
r
na
r
1
r
0 r
r
nb + na
r
1 na
r
na
r
1
+ + +
+ + + =
+ +
+

Se tienen (na+nb) variables candidatas de entrada, de este modo el total
de posibles modelos considerando todas las entradas es: 2
na+nb
1.

Similarmente al mtodo de regresin por pasos, el mtodo heurstico
consiste en seleccionar algunas variables de entrada dentro de todas las
variables de entrada candidatas, incrementando el nmero de entradas de
una en una, de acuerdo a un cierto criterio. Por ejemplo, el siguiente
criterio puede ser usado:
( ) ( )
2
) i ( y ) i ( y ) i ( y ) i ( y
RC
A B
k
1 i
k
1 i
2
BA B
2
AB A
(
+
=

= =

donde k
A
y k
B
son el nmero de datos de dos grupos del conjunto de
ajuste, y
A
(i) y y
B
(i) son las salidas de los grupos A y B, y
AB
(i) es la salida
estimada para el grupo A con el modelo identificado usando el conjunto
de datos B, e y
BA
(i) es la salida estimada para el grupo B con el modelo
identificado usando el conjunto de datos A.


25
Pasos del algoritmo:

- Identificar (na+nb) modelos difusos con una variable de entrada
cada uno.
- Calcular el criterio RC para cada modelo y seleccionar el modelo
con menor RC.
- Fijar la variable seleccionada en el paso anterior y agregar otra
variable de entrada de las restantes candidatas.
- Continuar hasta que RC aumente.

Anlisis de Sensibilidades

Se considera el siguiente modelo no lineal:

)) k ( ( ) k ( y x f =

con

(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
=
+
+
nb na
1 na
na
1
x
x
x
x
) nb nk k ( u
) 1 nk k ( u
) na k ( y
) 1 k ( y
) k (
x

La funcin f no lineal con modelos difusos de Takagi&Sugeno est dada
por:


26

) nk nb k ( u g ... ) 1 nk k ( u g
) na k ( y g ... ) 1 k ( y g g ) k ( y then
A is nk) - nb - u(k and and A is 1) - nk - u(k
and A is na) - y(k and and A is 1) - y(k if
r
nb na
r
1 na
r
na
r
1
r
0 r
r
nb + na
r
1 na
r
na
r
1
+ + +
+ + + =
+ +
+

En general, la sensibilidad de las variables de entrada de un modelo no
lineal est dada por:

i
i
x
) ( f
) (
=
x
x

con

(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
=
+
+
nb na
1 na
na
1
x
x
x
x
) nb nk k ( u
) 1 nk k ( u
) na k ( y
) 1 k ( y
) k (
x

La sensibilidad de cada variable de entrada representa la relevancia de
esta entrada en la salida del modelo.

Por ejemplo, en la figura se muestra que la variable de entrada x
2
es
irrelevante para la salida del modelo, es decir,
. 0
x
) x , x ( f
2
2 1
=


27

Funcin no lineal y = f(x
1
,x
2
)
En este caso, la funcin no lineal f para los modelos difusos de Takagi
(1995):

) nk nb k ( u g ... ) 1 nk k ( u g
) na k ( y g ... ) 1 k ( y g g ) k ( y
entonces A es nk) - nb - u(k y y A es 1) - nk - u(k
y A es na) - y(k y y A es 1) - y(k Si
r
nb na
r
1 na
r
na
r
1
r
0 r
r
nb + na
r
1 na
r
na
r
1
+ + +
+ + + =
+ +
+

La salida del modelo difuso es:

=
=
=
Nr
1 r
r
N
1 r
r r
w
) k ( y w
) k ( y
r

con el grado de activacin de las reglas dado por:


28

r
nb na
r
i
r
1 r
w
+
=

Se considera la siguiente funcin de pertenencia para el conjunto difuso
r
i
A
, pues es diferenciable:

( ) ( ) ( )
2
r
i i
r
i
r
i
b x a 5 . 0 exp =

Para estos modelos difusos definidos, la sensibilidad de una variable de
entrada est dada por:
( )
2
N
1 r
r
N
1 r
N
1 r
N
1 r
r r
i
r
N
1 r
r r
i
r
r
i
r
i
r
r r r r
w
y w
x
w
w w
x
y
y
x
w
) (
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|

=
= = = =
x

donde

r
nb na
r
1 i
r
1 i
r
1
i
r
i
i
r
x x
w
+ +

r
i
r
i
i
r
i
c
x
=

( ) ( )
r
i
r
i i
r
i
r
i
a b x a c =

r
i
i
r
g
x
y
=

Entonces, la sensibilidad
i
con respecto a la variable de entrada x
i
de un
modelo difuso es:


29

( ) ( ) ( )
2
Nr
1 r
r
Nr
1 r
Nr
1 r
r r
r
i r
Nr
1 r
r
Nr
1 r
r
r
i r
r
i r
i
w
y w c w w w g y c w
) (
|
.
|
\
|
+
=

=
= = = =
x

Las sensibilidades
i
depende de las variables de entrada x, siendo
evaluadas usando el conjunto de entrenamiento. Para comparar las
sensibilidades de las variables de entrada, el siguiente ndice de
sensibilidades es propuesto:

2
i
2
i i
I + =

donde
i
y
i
es la media y la desviacin estndar de las

sensibilidades, respectivamente. Entonces, las variables de entrada con
menores ndices I
i
sern eliminadas.

Por ltimo, el modelo difuso es obtenido usando slo las variables de
entrada con mayores sensibilidades.

Ejemplo: Sistema dinmico no lineal Chen (1989)

( ) ( )
( ) ( )
) k ( ) 2 k ( u ) 1 k ( u 1 . 0 ) 2 k ( u 2 . 0
) 1 k ( u ) 2 k ( y ) 1 k ( y exp 9 . 0 3 . 0
) 1 k ( y ) 1 k ( y exp 5 . 0 8 . 0 ) k ( y
2
2
+ + +
+ +
=

con u(k) una serie independiente e idnticamente distribuida
(
1 = , 0 =
), y
) k (
es un ruido blanco (
0.2 = , 0 =
).


30
250 datos para el conjunto de entrenamiento 250 datos para el conjunto
de validacin.

Anlisis de sensibilidades

La estructura del modelo inicial difuso considera las 8 variables de
entrada
), 1 k ( y
... ,
), 4 k ( y

), 1 k ( u

...,

). 4 u(k

La siguiente figura presenta los ndices de las sensibilidades del modelo
inicial para las 8 variables de entrada. En el grfico, se observa que la
variables
), 3 k ( y

), 4 k ( y

), 3 k ( u

) 4 k ( u
presentan menores ndices
de las sensibilidades por lo cual no se sern incluidos en el modelo
difuso. De esta manera, la estructura obtenida considera las variables de
entrada
), 1 k ( y

), 2 k ( y

) 1 k ( u
y
). 2 k ( u

y(k-1)
Variables de entrada
y(k-2) y(k-3) y(k-4) u(k-1) u(k-3) u(k-2) u(k-4)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Ii

Indices de sensibilidades


31

Mode
lo
Variables de entrada e
2

1
) 4 k ( u ) 3 k ( u ) 2 k ( u ) 1 k ( u
) 4 k ( y ) 3 k ( y ) 2 k ( y ) 1 k ( y

0.5802
2
) 2 k ( u ) 1 k ( u ) 2 k ( y ) 1 k ( y
0.4696

Valores de los ndices de error,
utilizando el anlisis de sensibilidades

Anlisis Comparativo

El mtodo de sensibilidades para identificacin de estructura de modelos
difusos permite estudiar el universo completo de modelos posibles,
dentro de una complejidad de estructura definida por el orden del modelo
inicial.

Adems, el mtodo propuesto permite obtener la mejor estructura
ajustando menos modelos (dos) que con el mtodo heurstico, en el cual
es necesario construir varios modelos.

Apuntes Control Difuso Parte1

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apuntes Control Difuso Parte1

Uploaded by

Copyright:

Available Formats

D. Sez, EL650 (2007). Apuntes Control Difuso. Dpto. Ing. Elctrica, U. Chile.

son los parmetros de la regla i, e

es la media y la desviacin estndar de las

You might also like