CONTROL MAMDANI

DIEGO ANDRES ALZATE, Cod: 201612703600

CRISTIAN PEDRAZA BELTRAN , Cod: 201522005600
ARLINTON PARRA ROJAS , Cod: 201315501600
JHONATAN RODRIGUEZ MARTINEZ , Cod: 201311003600
8 de septiembre de 2017

Resumen: Utilizaremos un sensor de temperatura el LM35 para detectar la temperatura y codificarla me-
diante un microcontrolador, en este caso utilizaremos arduino e implementaremos control difuso para trabajar
sobre una escala de temperatura y activar un motor DC

INTRODUCCION: El sistema de base de datos de base puede contener imprecisiones que figuran en la
descripcion de las normas dictadas por el experto. Debido a que esta inferencia no puede ser hecha por los
metodos que usan logica clasica de dos valores o logica valorada, Zadeh en (Mamadani, 1977) y Mamdani en
(Mamdani, 1977) sugirieron una regla de inferencia llamada regla composicional de inferencia. Utilizando esta
regla de inferencia, se propusieron varios metodos para el razonamiento difuso. Zadeh (Zadeh, 1979) extiende
la regla tradicional de Modus Ponens para trabajar con conjuntos difusos, obteniendo la regla Generic Modus
Ponens (GMP). Una parte importante del razonamiento difuso esta representada por el Fuzzy Logic Control
(FLC), derivado de la teora de control basada en modelos matematicos del proceso de lazo abierto a ser con-
trolado. Fuzzy Logic Control ha sido aplicado con exito a una amplia variedad de problemas practicos: control
de agua caliente, robot, intercambio de calor, union de trafico, horno de cemento, velocidad del automovil, inge-
niera automotriz, estacionamiento y torneado de modelos, sistema de energa y reactor nuclear, tiendas en lnea,
lavadoras, etc. El control difuso se ha utilizado efectivamente en el contexto de procesos complejos mal definidos,
especialmente aquellos que pueden ser controlados por un operador humano cualificado sin el conocimiento de
su dinamica subyacente. En este sentido, los sistemas neurales y adaptativos difusos se han comparado con los
metodos clasicos de control de B. Kosko en (Kosko, 1992). Se observa que son estimadores libres de modelos, es
decir, estiman una funcion sin requerir una descripcion matematica de como la salida depende funcionalmente
de la entrada; aprenden de las muestras. Sin embargo, algunas personas criticaron el control difuso debido a
la pregunta muy fundamental Por que el sistema basado en la regla del sistema hace que este rendimiento
sea bueno para una diversidad de problemas practicos?quedo sin respuesta. Wang en (Wang, 1992) presento
una primera aproximacion para responder esta cuestion fundamental de manera cuantitativa, donde demostro
que una clase particular de sistemas FLC son aproximadores universales: son capaces de aproximar cualquier
funcion continua real en un conjunto compacto a precision arbitraria. Esta clase se caracteriza por:

1) Funciones de pertenencia gaussianas,

2) La conjuncion borrosa del producto,
3) Implicacion difusa del producto,
4) Centro de desinfeccion del area

Otros enfoques se deben a Buckley (Buckley, 1992; 1993). Ha demostrado que una modifi cacion de los con-
troladores difusos de tipo Sugeno proporciona aproximaciones universales. Aunque ambos resultados son muy
importantes, muchos controladores de logica fuzzy real no pertenecen a estas clases, porque se utilizan otras
funciones de pertenencia, se aplican otros mecanismos de inferencia u otro tipo de reglas. La pregunta Que
otros tipos de controladores de logica difusa son aproximadores universales?siguio sin respuesta. Este problema
fue resuelto por Castro en (Castro, 1995) donde demostro que un gran numero de clases de sistemas FLC son
tambien aproximaciones universales.

La necesidad de extender los controladores difusos para trabajar con intervalos o valores lingusticos como
entradas es dada por muchas aplicaciones donde los valores precisos de los datos de entrada no interesan o son
difciles de estimar. Por ejemplo, en las aplicaciones de compras, el comprador esta interesado, mas bien, en un
producto que tiene un precio dentro de ciertos lmites o que no excede un valor dado (Liu et al., 2005). En otros
casos, los valores de entrada son mucho mas faciles de expresar de manera difusa, por ejemplo, en el problema
de controlar el tiempo de lavado utilizando el control de logica difusa, el grado de suciedad para el objeto a

1
lavar se expresa facilmente por un valor lingustico (Agarwal , 2007). Estos ejemplos se utilizaran para mostrar
el funcionamiento del modelo propuesto con el fin de ampliar el controlador de logica difusa Mamdani. En este
trabajo se presenta un sistema FLC con las siguientes caractersticas:

* los terminos lingusticos (o valores) estan representados por numeros difusos trapezoidales
* se utilizan varios operadores de implicacion para representar las reglas ? la accion de control ntida de una
regla se calcula utilizando el metodo de Medio de Maxima
* la accion general de control ntida de una implicacion se calcula mediante el centro de gravedad discreto
* la accion de control ntida general del sistema se calcula utilizando un operador OWA (Ordered Weighted
Averaging).

2. Preliminares

Sea U una coleccion de objetos denotados genericamente por u, que puede ser discreta o continua. U se llama
el universo del discurso y u representa el elemento generico de U.

Definicion 1. Un conjunto difuso F en el universo del discurso U se caracteriza por su funcion de pertenen-
cia El conjunto difuso puede representarse como un conjunto de pares ordenados de un elemento
generico u y su grado de funcion de pertenencia:

Definicion 2. Un numero fuzzy F en un universo continuo U, e. g, una lnea real, es un conjunto borroso
F en U que es normal y convexo, i. mi.,

Debido a que la mayora de las aplica-

ciones practicas trabajan con distribuciones trapezoidales o triangulares y estas representaciones son todava
objeto de varios trabajos recientes (Grzegorzewski y Mrowka, 2007), (Nasseri, 2008), por ejemplo) trabajaremos
con funciones de pertenencia representadas por trapezoidal numeros difusos. Este numero N = (m, m, ?, ?) se
define como:

Se utilizaran conjuntos difusos para representar variables lingusticas. Una variable lingustica puede con-
siderarse como una variable cuyo valor es un numero difuso o como una variable cuyos valores se definen en
terminos lingusticos.

Definicion 3. Una variable lingustica V se caracteriza por: su nombre x, un universo U, un conjunto de

terminos T (x), una regla sintactica G para generar nombres de valores de x, y un conjunto de reglas semanticas
M para asociarse con cada una valorar su significado. Por ejemplo, si la velocidad de un automovil es interpreta-
da como una variable lingustica, entonces su conjunto de terminos podra ser T (x) = lento, moderado, rapido,
muy lento, mas o menos rapido, donde cada termino se caracteriza por un conjunto difuso en un universo de
discurso U = [0,100]. Podemos interpretar: lenta como una velocidad por debajo de 40 mph, moderada como
velocidad cercana a 55 mph

PROCEDIMIENTO: Procedemos a realizar el codigo en python.

Pasamos llamando las libreras que vamos a utilizar para realizar nuestro codigo.

2
- PASAMOS A DECLARAR LA VARIABLES.

- PASAMOS A REALIZAR NUESTROS CONJUNTOS DE TEMPERATURA

- CONJUNTOS DE NIVEL PWM

3
- DECLARACION DE VARIABLES

- ESTA SERA LA FUNCION DONDE CALCULAREMOS NUESTRA MEMBRESIA.

4
- CALCULAREMOS NUESTRO CENTRO DE MASA

5
6
 - GRAFICAS CONJUNTOS DE TEMPERATURA-CONTROL MOTOR - CENTRO DE
MASA

7
 CODIGO EN ARDUINO: En este ejemplo vamos a realizar el control de un motor DC por medio del
sensor de temperatura LM35. La particularidad de este ejemplo es que se puede aplicar para el control de la
ventilacion de una habitacion o empresa o fabrica a traves de la temperatura ambiente , el motor gira en funcion
de la temperatura medida

8
 DISENO DE CONEXION ARDUINO AL MOTOR:

CONCLUSIONES:

La mayor ventaja del control difuso es que provee una eficiente y efectiva metodologa para desarrollar en
forma experimental un controlador no lineal sin usar matematica avanzada.

El control Mamdani no permite utilizar la salida del sitema al 100 % , esto debido al calculo del centro de
masa , lo cual no lo hace tan eficaz como otro sistemas.

BIBLIOGRAFIA:

FUZZY AND NEURAL CONTROL DISC Course Lecture Notes (November 2009)-ROBERT BABUSKA
Delft Center for Systems and Control