INSTITUTO TECNOLOGICO

SUPERIOR DE JEREZ

INGENIERA MECATRÓNICA

DISEÑO DE UN CONTROLADOR
IMPLEMENTANDO LOGICA DIFUSA
PARA EL AJUSTE DE FRECUENCIAS
DE UN SISTEMA DE AUDIO

QUE PARA OBTENER EL TÍTULO DE:

INGENIERO MECATRÓNICO

P R E S E N T A:
EDREI AMISADAI MEDINA PÉREZ

ASESORA:

MARIA DE LA LUZ NUÑEZ ORTA

JEREZ DE GARCÍA SALINAS

2017-2018

1
Contenido
1.- Introducción ..................................................................................................................................... 4
2.- Antecedentes .................................................................................................................................... 5
2.1.- El origen y evolución de la lógica................................................................................................. 5
2.2.- La lógica de Aristóteles ................................................................................................................ 5
2.3.- E1 origen de la lógica difusa......................................................................................................... 6
3.- Planteamiento del problema:.......................................................................................................... 11
4.- Justificación ................................................................................................................................... 12
5.- Objetivo general............................................................................................................................. 13
6.- Objetivos específicos ..................................................................................................................... 13
7.- Lógica difusa ................................................................................................................................. 14
7.1.- ¿Qué es la lógica difusa?............................................................................................................. 14
7.2.- Anatomía básica de un control difuso......................................................................................... 15
7.3.- Qué es una variable lingüística ................................................................................................... 15
7.4.- La incertidumbre y el razonamiento lógico. ............................................................................... 15
7.5.- Números difusos ......................................................................................................................... 16
7.6.- Controladores difusos ................................................................................................................. 17
7.6.1.- Interfaz de difusificación ......................................................................................................... 17
7.6.2.- Base de conocimientos............................................................................................................. 18
7.6.3.- Lógica de decisiones ................................................................................................................ 19
7.6.4.- Interfaz de desdifusificación .................................................................................................... 20
8.- Ejemplo de una aplicación de control difuso. ................................................................................ 20
9.- Control Difuso Adaptable. ............................................................................................................. 23
10.- Entorno de tipo matemático ......................................................................................................... 26
10.1.- MATLAB ................................................................................................................................. 26
10.2.- MATHEMATICA .................................................................................................................... 27
11.- ENTORNO DE LÓGICA BORROSA ........................................................................................ 28
11.1.- FUZZYTECH (INFORM GmbH) ............................................................................................ 28
11.2.- FIDE ......................................................................................................................................... 29
12.- Diseño de controladores con base en Mamdani ........................................................................... 32
13.- Controlador difuso clásico ........................................................................................................... 32
14.- Controladores P ........................................................................................................................... 33
15.- Ventajas en el uso de la lógica difusa .......................................................................................... 35

2
16.- Resumen ...................................................................................................................................... 38
17.- Conceptos básicos del sonido ...................................................................................................... 40
18.- Que es el sonido? ......................................................................................................................... 40
18.1.- Representación gráfica del sonido ............................................................................................ 41
19.- Amplitud....................................................................................................................................... 41
20.- Periodo…………………………………………………………………………………….42
21.- Frecuencia…………………………………………………………………………………42
22.- Espectro audible…………………………………………………………………………...43
23.- Control difuso……………………………………………………………………………..46
23.1.- Implementando Matlab para el desarrollo de un controlador difuso……………………46
23.2.- Implementando Simulink para el desarrollo de un controlador difuso………………… 50
23.3.- Generación del código en Matlab……………………………………………………….51

3
1.- Introducción
Desde siempre el ser humano ha tenido la capacidad de poder comunicarse y entenderse con
sus compañeros debido a reglas lingüísticas que bien podrían ser vagas, siendo así, capaz de
poder dar a expresar y entender lo que se quiere transmitir. Por ejemplo “Esta mañana el aire
se siente frio” o “Ese edificio es alto”, si bien estos valores ambiguos se pueden entender
perfectamente por un ser humano, estos conceptos sin valor exacto, por ejemplo “cerca” o
“alto” son complicados de entender para una computadora en donde esta usa lenguajes exactos
para poder llevar a cabo sus tareas. Observando la necesidad de darles valores exactos a
valores inexactos surge la lógica difusa, en donde esta se encarga de representar
matemáticamente la incertidumbre proporcionando herramientas que permitan tratar esos
valores ambiguos.

Se pretende implementar las reglas de la lógica difusa a un ecualizador, Un ecualizador

permite aumentar o reducir la ganancia selectivamente en tres o más frecuencias para corregir
deficiencias en la respuesta frecuencial de un sistema o el balance tonal de una fuente. Es
posible, así, resaltar frecuencias originalmente débiles, o atenuar otras de nivel excesivo. El
ecualizador más sencillo es el clásico control de tono, que permite controlar, según convenga,
tres grandes bandas fijas de frecuencia, denominadas genéricamente graves, medios y agudos.

4
 2.- Antecedentes:

2.1.- El origen y evolución de la lógica

La lógica como ciencia tuvo su origen en la antigua Grecia, se considera como al fundador
indiscutible de la lógica a Aristóteles, quien estudió y sistematizó a la lógica en el conjunto de
tratados llamado "Organon". La mayor parte de las tesis expuestas en este libro pertenecen a
la llamada "lógica formal o tradicional. Aristóteles es el primer filósofo que investiga la
estructura de la ciencia, esto es, la doctrina de las formas del pensar científico. Ya los sofistas
y Sócrates habían hecho mención acerca de la esencia de la actividad científica, y sus agudas
observaciones los habían conducido al problema de separar las formas del proceso
cognoscitivo de su contenido variable.
Aristóteles compila y elabora todo un sistema con todos los ensayos dispersos previos a él.
Aristóteles llega a esta perspectiva poco a poco, en relación progresiva con el desarrollo de su
doctrina entera. Los escritos del Organon (tratados lógicos) surgieron al filo de reflexiones
sobre el uso y sentido del lenguaje en sostenido contacto con los sofistas y retóricos de la
época. Poco más tarde la doctrina va tomando un sentido conceptual.
En la época culminante de su concepción lógica, Aristóteles afirmaba la idea de vincular los
principios lógicos con la naturaleza del saber científico. Por esta razón, se puede afirmar que
la lógica aristotélica tiene una triple función:
a) La lógica es una metodología: se enfoca en mostrar el camino a través del cual se puede
alcanzar el conocimiento científico.
b) La lógica es una propedéutica: tiene el carácter de instrumento o requisito para la adquisición
del conocimiento.
c) La lógica es una epistemología: tiene por objeto tratar los problemas del conocer científico
y, por lo tanto, indagar la cuestión de la verdad. (Soto, 1999)

2.2.- La lógica de Aristóteles.

La lógica de Aristóteles se ocupa fundamentalmente de tres temas básicos que son:

1) El concepto: que se ocupa del estudio de las representaciones mentales.
5
 2) El juicio: que se ocupa de las afirmaciones de un concepto con respecto a otros.
3) El razonamiento: consiste en obtener nuevos conocimientos a partir de otros.
Tal parecía que con Aristóteles la lógica había quedado definitivamente establecida y
concluida, sin mucho que agregar. Durante mucho tiempo así fue considerado, y todavía en la
actualidad para muchos esta lógica de tres valores es todavía el cauce por el cual transitan,
incluyendo a la lógica matemática moderna.
Después de Aristóteles, su lógica recibió algunos pequeños influjos, los estoicos y epicúreos
cultivaron la lógica de juicios. La Edad Media estudió intensamente la lógica aristotélica y
cuenta con afinidad de cultivadores de la lógica, pero sin grandes aportaciones. Sobresale el
nombre de Pedro Hispano quien escribió en el siglo XIII las súmulas lógicas, donde deja
establecido el uso de las cuatro vocales para designar los juicios según su cantidad y cualidad,
así como los nombres de los silogismos en cada figura.
Posteriormente en el siglo XIV Raimundo Lulio escribió su Ars Magna, en la cual pretende
colocar a la lógica como la ciencia universal y base de toda la filosofía, pues mediante
combinaciones lógicas de ciertas nociones quería deducir todo el contenido filosófico. Esta
fallida pretensión fue vista como el ideal a alcanzar por los filósofos de la Edad Media. (Soto,
1999)

2.3.- E1 origen de la lógica difusa.

La lógica difusa o vaga tiene una larga historia en las matemáticas y en la filosofía. Empezó
con la intuición de que no todas las declaraciones son verdaderas o falsas en un mismo grado.
Algunas pretenden ser más verdaderas que otras y por tanto la verdad es una cosa de grados.
Esto significa que la vieja ley o axioma del tercero excluido no se aplican excepto en el caso
limite. La lógica difusa extiende esta lógica vaga o continua al razonamiento con conceptos o
conjuntos vagos. Esto requiere una nueva álgebra de conjuntos para los conceptos vagos. El
álgebra de conjuntos difusos permite que las palabras aparean conjuntos difusos. Y permite
que los enunciados aparean reglas difusas o asociaciones entre conjuntos difusos. Las reglas
se combinan para formar sistemas o aparea la entrada de un campo a un rango de salida. La
mayoría de las aplicaciones difusas dependen de un sistema difuso y no solo de un índice en
escala gris o difusa de algún término.

6
Lo difuso empezó como vaguedad a finales del siglo diecinueve. El filósofo pragmático
Charles Sanders Pierce parece ser el primer lógico que ha tratado con la vaguedad Decía que
"la vaguedad no es más distante en el mundo de la lógica que la fricción en mecánica".
Afirmaba que un concepto es vago solo en caso de que tenga límites oscuros. Por ejemplo, el
concepto de montaña es vago debido a que no sabemos con claridad dónde termina una
montaña y empieza una colina.
El lógico Bertrand Russeli fue el primero en identificar la vaguedad en el nivel de la lógica
simbólica. Afirmaba que un concepto A es vago si y solo si no cumple con la ley de Aristóteles
del tercero excluido: si y solo si A o no A no se puede sostener. Las declaraciones de la lógica
o matemáticas obedecen la ley de Aristóteles: "1+1=2" es 100% verdadera y 0% falsa. Pero
las declaraciones de hechos son vagas y tienen valores de verdad entre estos extremos binarios.
La hierba es verde" puede ser verdadera solo en un 80% y entonces "la hierba no es verde" es
verdadera en un 20%. Russeli fue el primero en observar esta disparidad entre los hechos
grises de la experiencia y las matemáticas binarias y entonces los buscó también en las mismas
matemáticas.

Russeli revisó la paradoja del sorites del antiguo filósofo griego Zeno para mostrar que la
inducción no era binaria: ¿Estoy calvo? No. Arranco un cabello. ¿Estoy calvo ahora? No. Si
se mantiene arrancando y preguntando no se encuentra que arrancar un cabello lleve del estado
calvo a no calvo. Se será si se arrancan todos o la mayoría de los 100,000 cabellos de la cabeza.
Cada arrancada de cabello aumenta el grado de calvicie y disminuye la fuerza de la cadena
inductiva. La inferencia final vaga de no calvicie tiene el valor de verdad cercano a cero que
viene de multiplicar un número grande de valores entre 0 y 1, Esto no afectaría una inferencia
binaria pura debido a que multiplicaría una cadena de unos. Implicaría que se es todavía 100%
no calvo aún después de que se ha arrancado todo el cabello.
Russell revisó una paradoja más profunda en las mismas matemáticas cuando trabajó con
Alñed North Whitebead en los primeros volúmenes de los Principia Mathematica. Encontró
la antigua paradoja del mentiroso de Creta. El cretense dice que todos los cretenses mienten.
¿Miente o dice la verdad? Si él miente entonces dice la verdad y por lo tanto no

7
miente. Si no miente entonces él dice la verdad y por lo tanto miente. Ambos casos llevan a la
contradicción de A y no A.
Russell encontró la misma paradoja en la teoría de conjuntos. El conjunto de todos los
conjuntos es un conjunto. Así que es un miembro de sí mismo. Pero muchos conjuntos no son
miembros de sí mismos. El conjunto de manzanas no es un miembro de sí mismo ya que sus
miembros son manzanas y no conjuntos. ¿Pero que acerca del conjunto de todos los conjuntos
que no son miembros de sí mismos? ¿Es un miembro de sí mismo? Si lo es entonces no lo es.
Y si no lo es entonces lo es. Aquí A y no A son tomados no en el mundo gris de las cosas sino
en el sistema formal de las matemáticas binarías.
Russell al principio estableció su "teoría de tipos" para prohibir tales paradojas, pero las
paradojas todavía emergieron en otras formas a pesar de la prohibición. Existe algo
profundamente contra intuitivo acerca de negar que el conjunto de todos los conjuntos no es
en sí mismo un conjunto como muchos hemos hecho al llamarle "clase". Russell reconoció en
su artículo de 1923: "La vaguedad implica que tenemos que relajar, si no rechazar, la ley de
Aristóteles del tercero excluido si queremos tratar con las paradojas y explicar la vaguedad de
las declaraciones de objetos". La lógica difusa formalmente empezó con este artículo de 1923.
Las paradojas motivaron mucho de los primeros trabajos en la lógica difusa o vaga, así como
lo hizo el principio de incertidumbre con la mecánica cuántica. El lógico polaco Jan
Lukasiewics hizo el siguiente gran avance después de Russell. En los años de 1920,
Lukasiewics trabajó en la primera lógica multivalor o difusa. En un artículo de 1973 en "la
filosofía de la ciencia" el filósofo cuántico Max Black aplicó lógica multivalor a una lista o
conjuntos de objetos y trazó las primeras curvas de conjuntos difusos. Estos conjuntos son
tales que cada objeto x obedece o pertenece a A y no A en cierto grado y así son propiamente
vagos o difusos. Black siguió el trabajo de Russell y Uamó a los conjuntos vagos. Kaplan y
Schott definieron las operaciones min y max para definir un álgebra de conjuntos difusos, así
como otros lógicos en los años de 1950. (Soto, 1999)

La lógica difusa fue investigada por primera vez alrededor de mediados de los años sesenta
por el ingeniero Lotfy A. Zadeh en la Universidad de Berkeley (California). En un principio
este ingeniero no denominó a esta lógica como lógica borrosa, sino que la llamó principio

8
de incompatibilidad. A continuación, mostraremos como describió él este principio:”
Conforme la complejidad de un sistema aumenta, nuestra capacidad para ser precisos y
construir instrucciones sobre su comportamiento disminuye hasta el umbral más allá del cual,
la precisión y el significado son características excluyentes”. En este momento fue cuando
introdujo el concepto de conjunto difuso (en inglés Fuzzy Set). Este nuevo concepto no es más
que la idea de que los elementos sobre los que se basa el pensamiento humano no son números
sino etiquetas lingüísticas. Esta idea es la que permite que se pueda representar el
conocimiento, que es principalmente lingüístico de tipo cualitativo y no tanto cuantitativo, en
un lenguaje matemático mediante los conjuntos difusos y funciones características asociadas
a ello. Esto no quiere decir que exclusivamente se trabaje con números, este lenguaje nos
permite trabajar con datos numéricos, pero también con términos lingüísticos que, aunque son
más imprecisos que los números, muchas veces son más fáciles de entender para el
razonamiento humano.
Aunque como ya hemos explicado, la lógica borrosa es hoy en día más conocida gracias a
Lotfy Zadeh, la idea que se esconde detrás de este término tiene sus orígenes hace unos 2500
años atrás puesto que los filósofos griegos ya trabajaban con la idea de que existían distintos
grados de veracidad y de falsedad. Volviendo a la idea originada por Zadeh, aunque se
considera que él fue quien primero habló de la lógica borrosa, su tesis se basa también en
estudios y obras de otros pensadores de otras disciplinas que tenían una visión alejada de la
lógica tradicional y muy similar a la de Zadeh. Entre las obras y personas que influyeron a
Zadeh, podemos destacar: la paradoja del conjunto de Russell, el principio de incertidumbre
de Heisenberg y a Jack Lukasiewicz creador de la lógica multivaluada.
En un principio, la comunidad científica no vio con buenos ojos la lógica difusa, sin embargo,
algunos de estos investigadores que en un principio habían mostrado su resistencia ante este
concepto, terminaron siendo seguidores de Zadeh e incluso mientras él seguía asentando los
conocimientos de la lógica borrosa, estos científicos se dedicaron a explorar nuevas teorías
referidas a este tipo de lógica. Entre estos nuevos seguidores de la lógica borrosa podemos
destacar a Bellman, Lakoff, Goguen, Smith…
Otro paso importante para el desarrollo de la lógica difusa fue que a principios de la década
de los setenta se crearon varios grupos de investigación en diferentes universidades japonesas
hicieron grandes contribuciones sobre las aplicaciones que podía tener este tipo

9
de lógica. De esta forma se consiguió crear el primer controlador difuso para una máquina de
vapor o crear un controlador de inyección de química en depuradoras de agua.
En décadas posteriores esta teoría cada vez fue teniendo más éxito y se le iban encontrando
nuevas aplicaciones. En la década de los ochenta, la investigación se orientó hacia las redes
neuronales y su similitud con los sistemas fuzzy. Estos sistemas fuzzy lo que hacen es utilizar
métodos de aprendizaje basados en redes neuronales para identificar y optimizar sus
parámetros. En cuanto a la década de los noventa, a parte de la investigación de
las redes neuronales y los sistemas fuzzy, surgen los algoritmos genéticos. Si combinamos
estas tres técnicas computaciones, se puede conseguir una herramienta de trabajo muy potente
de los sistemas de control.
Según lo expuesto hasta ahora, se puede ver que la lógica borrosa ha provocado innumerables
investigaciones y aplicaciones, la mayoría orientadas a sistemas de control, pero actualmente
se está yendo más allá y se empieza a investigar en áreas como el reconocimiento de patrones
visuales o la identificación de segmentos de ADN. Por último, mencionar que muchos de los
investigadores que actualmente investigan en los temas de la lógica borrosa, comentan que el
futuro de Internet (en cuanto a controlar la red, gestionarla o recuperar información), está en
aplicar las tecnologías borrosas en estas áreas. (Tamara Benito Matías, 2013)

10
3.- Planteamiento del problema:

El presente trabajo pretende responder y aportar información a la comunidad científica en

relación a las siguientes preguntas: ¿Cómo implementar lógica difusa a un sistema de audio para
el control de las frecuencias del mismo? y ¿En qué medida la implementación de la lógica difusa
es viable para controlar un sistema de este tipo

11
4.- Justificación:

La presente investigación pretende hacer un controlador que regule el espectro audible basado
en la lógica difusa utilizando el software libre “MATLAB” con el fin de proponer una forma
eficaz de lograr una ecualización rápida y eficiente

12
5.- Objetivo general:

Desarrollar un controlador que considere la lógica difusa en el proceso de lograr ecualizar un

sistema de sonido apoyándonos en los conceptos de lógica difusa, esto para lograr un mejor
tiempo de respuesta con respecto a los balances del espectro audible.

6.- Objetivos específicos:

 Analizar y definir las bases y reglas de la lógica difusa.

 Explicar los conceptos del audio y cómo funcionan las diferentes frecuencias de
sonido.
 Desarrollar un controlador difuso que nos permita mejorar el control de frecuencias
y el tiempo de respuesta de un ecualizador.

13
7.- Lógica difusa

7.1.- ¿Qué es la lógica difusa?

la lógica difusa es un conjunto de principios matemáticos basados en grados de membresía o

pertenencia, cuya función es modelar información. Este modelado se hace con base en reglas
lingüísticas que aproximan una función mediante la relación de entradas y salidas del sistema
(composición). Esta lógica presenta rangos de membresía dentro de un intervalo entre 0 y 1,
a diferencia de la lógica convencional, en la que el rango se limita a dos valores: el cero o el
uno.
Mediante el uso de lógica difusa se puede representar la forma de la lógica humana, por
ejemplo, en afirmaciones como “el día es caluroso”, “el automóvil va muy rápido”, etc. En el
primer caso, se sabe que hay alta temperatura, pero no se sabe a qué temperatura exactamente
nos estamos refiriendo; en el segundo caso, se dice que “el automóvil va rápido”, sin embargo,
nunca se especifica su velocidad. ¿Por qué usar un sistema difuso? Si se requiere automatizar
un proceso que controla un trabajador, el sistema difuso tendrá la tarea de emular a dicho
trabajador. Además, si se toma en cuenta que el trabajador hace juicios con base en su criterio
y experiencia, y que estos juicios y decisiones se realizan en forma lingüística (como “alto”,
“lento”, etc.), se puede notar que un sistema convencional no maneja este tipo de entradas,
mientras que el sistema difuso sí lo hace.
Otra ventaja del sistema de control basado en lógica difusa es que no es necesario conocer un
modelo matemático del sistema real, pues se puede ver como una caja negra a la cual se le
proporcionan entradas, y a través del sistema esta planta generará la salida deseada. En el
control convencional sí es necesario conocer la planta del sistema.
Para desarrollar un control con estas características, es necesario un experto, en este caso el
trabajador, del cual se tomará un registro de las situaciones que se le presentan, así como de
la solución que él les da. Esta experiencia se traduce en reglas que usan variables lingüísticas.
Para hacer este control es necesario tener las entradas del sistema y éstas se van a mapear a
variables lingüísticas. A este mapeo se le llama difusificación. Con estas variables se forman
reglas, las cuales serán las que regirán la acción de control que será la salida del sistema.
(Cruz, 2010)

14
7.2.- Anatomía básica de un control difuso:

La anatomía básica de un controlador difuso consta de tres partes:

Reglas: estas son reglas que dictan la acción de control que se va a tomar. Éstas se derivan de
un experto. Dichas reglas tienen la estructura de relaciones. La lógica difusa se basa en
relaciones, las cuales se determinan por medio de cálculo de reglas “SI-ENTONCES” (con las
cuales se puede modelar aspectos cualitativos del conocimiento humano, así como los
procesos de razonamiento sin la necesidad de un análisis cuantitativo de precisión). Un
ejemplo de una regla sería: Si la temperatura es alta entonces se debe de encender el ventilador.
Difusificador: es el nexo entre las entradas reales y difusas. Todas las entradas necesitan ser
mapeadas a una forma en que las reglas puedan utilizarlas.
Desdifusificador: toma un valor difuso de las reglas y genera una salida real.
(Cruz, 2010)

7.3.- Qué es una variable lingüística

Una variable lingüística adopta valores con palabras que permiten describir el estado de un
objeto o fenómeno; estas palabras se pueden representar mediante conjuntos difusos. Una
variable numérica toma valores numéricos, por ejemplo: edad 5 65, mientras que una variable
lingüística toma valores lingüísticos: edad es “viejo”.
Todos los valores lingüísticos forman un conjunto de términos o etiquetas.
(Cruz, 2010)

7.4.- La incertidumbre y el razonamiento lógico.

Como mencionamos al principio de este capítulo, la incertidumbre está presente en muchas

situaciones de las actividades humanas, esto incertidumbre es producto de lo incompleto o lo
inexacto del conocimiento acerca de las características de un ambiente de estudio. La
incertidumbre modifica completamente la forma de acción y la toma de decisiones lógicas,
por lo que es necesario tener un método adecuado para enfrentarla. De los diferentes estudios
realizados al respecto, la incertidumbre puede ser clasificada en dos tipos básicos que son:
15
• El primer tipo de incertidumbre es debido a la falta de información, por lo que el estado futuro
de un sistema no puede ser conocido o determinado completamente. Este tipo de
incertidumbre es cuantitativo y tiene un carácter estocástico y ha sido manejado por la teoría
de la probabilidad y la estadística.
• El segundo tipo de incertidumbre es la vaguedad con respecto a la descripción del significado
semántico de los eventos, fenómenos o declaraciones en sí mismas. Este tipo de
incertidumbre es de tipo cualitativo.
La salida de un evento estocástico es o verdadera o falsa. Sin embargo, en la situación donde
un evento en sí mismo no está bien definido, la salida puede ser dada por una cantidad
diferente de verdadero (uno) o falso (cero). Esto es, la salida en presencia de la vaguedad
puede ser cuantificada por un grado de creencia.
En la mayoría de las ciencias se ha tenido preferencia por la probabilidad y la estadística como
modelo matemático para representar la incertidumbre, y en especial porque han manejado
básicamente la incertidumbre del primer tipo, mientras que el segundo tipo de incertidumbre,
aparece cuando se trata de representar los conceptos cualitativos del pensamiento humano.
La lógica difusa trata de presentar un modelo matemático para manejar el segundo tipo de
incertidumbre, es decir, cuando los conceptos son vagos y no se tiene certeza de cual sea el
grado de verdad de dicho concepto, o su definición no proporcione una base para obtener un
valor numérico preciso.
(Soto, 1999)

7.5.- Números difusos

Los números difusos deben ser normales y convexos. Son normales si al menos un punto en
el universo de discurso de la función de pertenencia alcanza el valor unitario (1). Son convexos
si la función de pertenencia de forma gráfica no aumenta y disminuye más de una vez en todo
su universo de discurso. Esto es, un número difuso F en un universo continúo U:

16
 Imagen 1

a) No es convexo porque la función aumenta y disminuye más de una vez, sin embargo es normal.
b) Es normal y convexo, y por lo tanto un número difuso. (Cruz, 2010)

7.6.- Controladores difusos

Un controlador difuso está compuesto de cuatro partes principales: interfaz de difusificación,

base de conocimientos, lógica de decisiones e interfaz de desdifusificación, las cuales se
detallan a continuación.

Imagen 2
Estructura de un controlador difuso. (Cruz, 2010)

7.6.1.- Interfaz de difusificación

Mide los valores de las variables de entrada para realizar un mapeo a escala que transfiere el
rango de valores de las variables a un universo de discurso difuso. La difusificación convierte

17
los datos de entrada en valores lingüísticos que son las etiquetas de las funciones de
pertenencia o conjuntos difusos.

La representación de información a través de conjuntos difusos puede realizarse en forma

discreta. Al “discretizar” información, es decir, segmentar un universo en un número definido
de partes, es posible definir un conjunto difuso asignando un grado de pertenencia a cada
elemento genérico del nuevo universo discreto. Los niveles de “discretización” tienen una
gran influencia en la obtención de un control. Para la “discretización” es necesario realizar un
mapeo a escala para transformar valores medidos en las variables a valores del universo
discreto, ya sea de manera uniforme o no uniforme, o combinaciones de ambos.
Una variable lingüística en general se asocia a un conjunto de términos, definido en el mismo
universo de discurso. Para encontrar cuántos términos son necesarios en un conjunto se
emplean particiones difusas. El número de conjuntos difusos determina la complejidad del
controlador, y éstos tienen un significado lingüístico como “negativo grande”, “cero”,
“positivo pequeño”.

Imagen 3
La figura muestra ejemplos de dos particiones difusas en el mismo universo, normalizado de -1 a +1.
(Cruz, 2010)

7.6.2.- Base de conocimientos

La base de conocimientos contiene toda la información de la aplicación que se va a controlar,

así como las metas del controlador. Consta de una base de datos y una base de reglas
lingüísticas para controlar la variable. La base de datos proporciona las definiciones para el
establecimiento de reglas y la manipulación de datos difusos. La base de reglas caracteriza las
metas de control y la política que utilizan los expertos para llevar a cabo el control, empleando
proposiciones.
Un algoritmo de control difuso debe ser capaz de inferir una acción de control correspondiente
para cada estado del proceso que se va a controlar, propiedad que se denomina unidad. La
18
estrategia de la base de datos comprende los soportes de la definición de los conjuntos difusos.

Existen cuatro modos de derivación de las reglas difusas de control, las cuales contemplan la
experiencia de expertos, el conocimiento de ingeniería de control y las acciones de control de
un operador, con la forma de proposiciones condicionales que relacionan las variables de
estado en el antecedente del proceso con las variables de control del proceso en las
consecuencias. (Cruz, 2010)
El conjunto de reglas se define como:

7.6.3.- Lógica de decisiones

La lógica utilizada para tomar decisiones dentro de un controlador difuso es el núcleo del
mismo. A partir de la misma se simula la lógica que utilizan las personas para tomar
decisiones, con base en conceptos difusos y en la inferencia de acciones de control, empleando
implicaciones y las reglas establecidas según la base de conocimientos.

Imagen 4
a) Conjuntos recortados b) Conjuntos escalados. (Cruz, 2010)

19
7.6.4.- Interfaz de desdifusificación

La interfaz de desdifusificación se encarga del mapeo a escala que convierte el rango de

valores de las variables de salida a sus universos de discurso correspondientes. La
esdifusificación es la herramienta para obtener la acción de control nítida a partir de una acción
de control difusa.
La salida de control ũ o ũũ se obtiene como la unión de las salidas de control cortadas o
escalonadas: (Cruz, 2010)

El valor nítido se denota por u* y el área del conjunto se define por:

8.- Ejemplo de una aplicación de control difuso.

A fin de ilustrar algunos conceptos básicos en la aplicación de la lógica difusa en las tareas de
control, vamos a considerar un sencillo ejemplo de un termostato que controla la velocidad de
un ventilador como se ilustra en la figura. La temperatura de un cuarto es detectada a través
de un sensor, y esta es la entrada del controlador el cual produce una fuerza de control para
ajustar la velocidad del ventilador.

Imagen 5
Ejemplo de control electrónico difuso. (Soto, J. A 1999)

Un termostato convencional trabaja como un conmutador de encendido y apagado. El

ventilador se activa solo cuando la temperatura está por arriba de los 0° C. Cuando alcanza 0°
C el ventilador se apaga. Y se ajusta la velocidad del ventilador de acuerdo a la temperatura
registrada, como resultado la temperatura del cuarto o es demasiado caliente o es demasiado
fila ya que el ventilador se ajusta por medio de saltos de velocidades.
20
 Imagen 6
Universo de discursos de la temperatura del ventilador. (Soto, J. A 1999)

Un termostato difuso trabaja con rangos continuos, donde la temperatura es tratada como una
serie de rangos traslapados. Por ejemplo, 23° C es 70% templada y 30% caliente. El
controlador está programado con reglas if-then sencillas que le dicen al ventilador de que tan
rápido debe girar. Como resultado, cuando la temperatura cambia, la velocidad del ventilador
se ajustará de una forma continua y no discreta para mantener la temperatura en el nivel
deseado.
Nuestro primer paso al diseñar tal controlador difuso es describir el rango de tos valores para
las variables de entrada y de salida del controlador. Entonces asignamos etiquetas tales como
"fresca" para la temperatura y "baja" para la velocidad del ventilador, y escribimos un conjunto
de reglas sencillas para controlar el sistema. Dentro del controlador todas las cuarto acciones
para regular la temperatura estará basada sobre la temperatura actual del cuarto y como cae
dentro de estos rangos y las reglas que describen el comportamiento del sistema. Por lo tanto,
la salida del controlador variará de una forma continua para ajustar la velocidad del ventilador.
El controlador de temperatura descrito arriba puede ser definido en tres reglas sencillas:
Si Temperatura es Fresca entonces Velocidad es Bala.
Si Temperatura es Templada entonces Velocidad es Media. Si Temperatura
es Caliente entonces Velocidad es Alta.

Aquí las variables lingüísticas fresca, templada y alta, son etiquetas las cuales se refieren al
conjunto de valores traslapados que se muestran en la figura anterior. Estos valores de forma
triangulares son llamados funciones de membresía.
Un controlador difuso trabaja de manera similar a un sistema convencional: acepta un valor
de entrada, realiza algunos cálculos, y genera un valor de salida. Este proceso es llamado el

21
proceso de inferencia difusa y trabaja en tres pasos que son:

(a) Difusificación: donde una entrada discreta es traducida a un valor difuso.

(b) Evaluación de reglas: donde los valores de verdad de la salida difusa son calculados.
(c) Dedifiisificación donde la salida difusa es traducida a un valor discreto.

Durante el paso de la difusificación el valor de temperatura discreta de 23° C es ingresado y

traducido en valores de verdad difusos. Para este ejemplo, 23° C es difusificado en "templada"
con un valor de verdad de 0.7 (o 70%) y "caliente" con un valor de verdad de 0.3 (o 30%).
Durante el paso de la evaluación de reglas el conjunto entero de reglas es evaluado y algunas
regias pueden activarse. Para 23° C solamente las últimas dos de las tres reglas se activarán.
Específicamente, usando la regla dos la "velocidad" será "media" con un grado de verdad de
0.7. Similarmente, usando la regla tres la "velocidad" será "alta" con un grado de verdad de
0.3. Durante el paso de la dedifusificación las etiquetas "alta" con 30% y "media" con 70%
son combinadas usando un método de cálculo llamado el Centro de Gravedad (COG) o el
método de máximos a fin de producir el valor de salida discreto de 65 RPS para la velocidad
del ventilador.
Este proceso se ilustra gráficamente en la siguiente figura: (Soto, 1999)

22
 Imagen 7
Diagrama de difusificacion. (Soto, J. A 1999)

9.- Control Difuso Adaptable.

Los sistemas difusos convencionales son estáticos. Esto es, el diseño del sistema, incluyendo
la generación de reglas y la descomposición del dominio, es hecha fuera de línea y no puede
cambiarse una vez que el sistema es puesto en operación. Esto produce la desventaja obvia de
adaptar a un sistema difuso a los cambios en su medio ambiente.
Considere a un controlador difuso como parte de un sistema de frenos. Suponga que las reglas
difusas han sido desarrolladas fuera de línea basados en el desempeño de partes nuevas y el
sistema empieza su operación. Inicialmente, una presión del freno de algo fuerte pudo haber
sido suficiente para detenerse dentro de una cierta distancia a una velocidad en particular.
Pero como los componentes de los frenos se desgastan, la misma

23
cantidad de presión en la misma situación puede ser inadecuada para reunir los parámetros de
parada requeridos. Un sistema adaptable no lineal será incapaz de ajustar su desempeño para
rectificar este problema. Un sistema adaptable, sin embargo, tiene la capacidad de ajustar uno
o más de sus componentes de diseño basados en retroalimentación del desempeño del sistema.
Conforme el desempeño se sale de algún rango aceptable, la retroalimentación provoca que
ocurra un "refinamiento" en línea. Mientras esta capacidad adaptable puede ser buena en
algunos sistemas, puede ser absolutamente vital en otros.
Existen básicamente tres conjuntos de parámetros de sistemas difusos que pueden ser
manipulados para permitir la adaptabilidad:
1) Los factores de escala de entrada y de salida.
2) Las funciones de membresía.
3) Las reglas difusas.
Cada una de estos enfoques serán brevemente revisados a continuación. El primer enfoque
para habilitar la adaptación de un sistema difuso es cambiar los factores de escala de la entrada
y la salida. Los factores de escala son usados para transformar el rango actual de valores para
las variables de entrada y de salida en el rango normalizado, usualmente [0,1] o [-1,1}. Aunque
no es abundante en la literatura, este método ha sido investigado para su uso en ajustar el
desempeño de un sistema difuso.
Se demuestra que al cambiar los factores de escala para las variables de entrada hace que
cambie el universo de discurso para estas variables. Estiman que, a través de este proceso de
afinación, cualquier significado lingüístico presentado en la base de reglas es destruido.
Mientras que esto puede ser aceptable si la única meta de la afinación es mejorar el desempeño
del sistema, la pérdida resultante de significado lingüístico no puede ser aceptable de ninguna
manera. Esto es especialmente cierto si las reglas vienen de expertos de la materia (contra
patrones de entrenamiento numéricos) o si la incorporación de conocimiento nuevo de los
expertos de la materia es deseada en el futuro.
El segundo método mencionado para agregar la adaptación a los sistemas difusos es cambiar
dinámicamente las funciones de membresía. Existen numerosos ejemplos de sistemas que
usan esta técnica a través de la literatura. Modificar la base de reglas difusas es el último
método de agregar la adaptación a los sistemas difusos. Como en las

24
modificaciones de las funciones de membresía, la literatura proporciona muchos ejemplos de
sistemas adaptables que modifican la base de reglas durante la operación.
Se estima que modificar la base de reglas es la forma más efectiva de mejorar el desempeño
de un controlador difuso. Alternativamente, se argumenta en que afinar las funciones de
membresía permitirá la realización de cualquier plano de entrada salida. La literatura parece
indicar que ambos métodos son capaces de efectivamente permitir la adaptación en un sistema
difuso.
Existen dos consideraciones, sin embargo, que hacen más atractiva la estrategia de modificar
la base de reglas en algunos casos. Antes que todo, esta técnica parece más semejante a lo que
los humanos pueden hacer cuando se adaptan; al menos parece más intuitiva. Segundo, la
modificación de la base de reglas permite cambios en la conducta del sistema para ser
dilectamente reflejados y entendidos por los cambios que ocurren en las reglas interpretables
lingüísticamente. Si la capacidad para rastrear, explicar o entender los cambios de desempeño
con relación a la base de reglas es deseado, entonces el enfoque de modificar la base de reglas
es obviamente el mejor.
Muchos de los procesos del mundo real que requieren del control automático son de naturaleza
no lineal. Que alteran los valores de sus parámetros, en determinados puntos de cambio de
operación, o en períodos de tiempo, o en ambos. Esta necesidad puede ser superada a través
de consoladores adaptables, que pueden automáticamente "modificar" las características del
proceso comente. (Soto, 1999)
Un controlador adaptable puede ser esquematizado en la siguiente figura:

Imagen 8
Control difuso adaptable (Soto, J. A 1999)

25
10.- Entorno de tipo matemático

Como herramientas para la investigación en el desarrollo de sistemas de control y

procesamiento de señal, se han utilizado frecuentemente entornos de base matemática que
facilitan la evaluación de diversas técnicas, sin obligar inicialmente al desarrollo de programas
específicos, haciendo uso de paquetes matemáticos diversos incluidos en estos sistemas
matemáticos de propósito general. Así, dado un sistema de desarrollo matemático de propósito
general, se suelen suministrar por separado paquetes o conjuntos de utilidades específicos para
tratamiento de señal, control de sistemas, trabajo con redes neuronales, lógica borrosa, etc. La
mayoría de estos sistemas matemáticos tienen su origen en entornos textuales, aunque en sus
versiones actuales se han adaptado a los entornos gráficos disponibles hoy en día, tanto en su
interacción con el usuario, como en la presentación de los resultados de las aplicaciones
desarrolladas. (Tamara Benito Matías, 2013)

10.1.- MATLAB

MATLAB es probablemente el entorno de desarrollo matemático más extendido para las

aplicaciones de control y procesamiento de señal, especialmente en ambientes universitarios,
donde se utiliza para la simulación de control de sistemas.
Este entorno puede considerarse una especie de sistema interactivo cuyos elementos básicos
son matrices, y su dimensionamiento se realiza dinámicamente. La solución de los problemas
se expresa en MATLAB con expresiones matemáticas similares a las habituales, de modo que
en principio no requiere programación.
MATLAB se utiliza habitualmente en entornos de ingeniería para analizar y desarrollar
prototipos de algoritmos o computaciones numéricas, utilizando una formulación matricial
que se adapta bien tanto a la teoría de control automático clásico. Como al procesamiento
digital de señales. Se pueden definir nuevas funciones como secuencias de comandos ya
definidos, almacenándolos en un fichero de tipo Mfile. Existen amplias colecciones de estos
M-files o toolboxes que han sido escritas para aplicaciones especiales, y que se venden por
separado. En los últimos años se han incorporado el Neural Networks Toolbox y el Fuzzy
Logic Toolbox, que permiten el trabajo con redes neuronales y lógica borrosa,
respectivamente, con relativa sencillez y buenas salidas gráficas. Como complemento a
26
MATLAB se dispone de SIMULINK, un entorno gráfico orientado a la simulación de
sistemas dinámicos no lineales. Para el modelado de sistemas dispone diferentes bloques
lineales y no lineales, tanto en el campo continuo como en el discreto. Para el análisis de
sistemas se pueden utilizar diversos algoritmos de resolución de ecuaciones diferenciales. Este
conjunto de herramientas resulta muy útil para las simulaciones requeridas en el proceso de
diseño de un sistema complejo, pues permiten explorar con relativa sencillez distintas
soluciones. Sin embargo, para aplicaciones en tiempo real en ingeniería puede plantear
problemas por la gran carga computacional requerida.
Las herramientas de MATLAB fuzzy logic toolboox permiten diseñar sistemas basados en
lógica borrosa con potentes técnicas de entrenamiento, así como su integración en sistemas de
control complejo simulables en SIMULINK. (Tamara Benito Matías, 2013)

Imagen 9
MATLAB

10.2.- MATHEMATICA

El entorno MATHEMÁTICA es probablemente uno de los paquetes de software de tipo

matemático más extendido, siendo empleado por investigadores, ingenieros y estudiantes de
escuelas de ingeniería y ciencias. Cubre no sólo las áreas científicas y matemáticas, sino que
también se emplea en áreas tecnológicas y empresariales. El entorno de MATHEMÁTICA
está dividido en dos partes: el kernel que realiza los cálculos, y un panel frontal que se ocupa
de la interacción con el usuario. El núcleo de MATHEMÁTICA es idéntico en todas las
computadoras en los que se ejecuta, en cambio el panel frontal está adaptado a las
características de cada máquina.

27
Además, el dicho entorno puede ser usado para realizar cálculos numéricos y simbólicos,
visualizar funciones, modelar y analizar datos, representar conocimientos, y generar
documentos interactivos, y a través de MathLink puede interactuar con otros programas.
La principal limitación de MATHEMÁTICA viene de su potencia, pues requiere enormes
recursos de máquina, tanto en capacidad de disco como en memoria. Por la generalidad de sus
algoritmos, los programas escritos con MATHEMÁTICA resultan más lentos que los
realizados con lenguajes de programación convencionales, aunque su desarrollo es más
rápido. Por estas circunstancias, no resulta un entorno adecuado para realizar control en línea.
La gran variedad de funciones disponibles hace también que el tiempo de aprendizaje de la
herramienta sea largo. (Tamara Benito Matías, 2013)

Imagen 10
MATHEMATICA

11.- ENTORNO DE LÓGICA BORROSA

Anteriormente se hace mención a algunas herramientas de tipo matemático, susceptibles de

ser empleadas en el desarrollo de sistemas borrosos y/o neuronales. A continuación, se
describirán algunos de los entornos más difundidos orientados específicamente a lógica
borrosa (Tamara Benito Matías, 2013)

11.1.- FUZZYTECH (INFORM GmbH)

Este entorno es uno de los más difundidos y completos para el desarrollo de sistemas basados
28
en lógica borrosa. El entorno de FuzzyTech fue desarrollado por la compañía INFORM
Software GMBH, el cual surgió del trabajo de un grupo de investigadores dirigido por el
profesor Hans Zimmermann, de la Universidad de Aachen (Alemania). Zimmermann, uno de
los pioneros de la lógica borrosa en Europa, es presidente y fundador de la International Fuzzy
Systems Association (IFSA), la principal organización internacional para la investigación y
aplicación de los sistemas basados en lógica borrosa.
El entorno fuzzyTech está formado por un GUI común basado en MS-Windows que permite
la edición gráfica de las variables lingüísticas para cada una de las variables del sistema, con
una precisión seleccionable según el tipo de implementación final seleccionado (8 a 16 bits).
FuzzyTech dispone de varios asistentes para facilitar las tareas más frecuentes del diseño,
como asistente para la estructura, para las variables y para las reglas. Incluye además una
ventana de gestión del proyecto con estructura de árbol, un sistema personalizable de
generación automática de documentación del proyecto según el estándar IEC1131-7, y un
gestor de versiones integrado.
El entorno admite la simulación fuera de línea y en tiempo real. Dentro del primer tipo, permite
la depuración interactiva con visualización de flujos de inferencia, y optimización interactiva
de los parámetros del sistema. Como cualidad importante de este entorno destacaremos que
dispone de un gran número de versiones con una interfaz de usuario común, adaptadas a un
gran número de implementaciones. Además, este entorno ha sido seleccionado por diversos
fabricantes de sistemas industriales como herramienta para el desarrollo de aplicaciones de
control basadas en la lógica borrosa sobre sus sistemas. (Tamara Benito Matías, 2013)

Imagen 11
FUZZY TECH

29
11.2.- FIDE

El entorno FIDE (Fuzzy Inference Development Enviroment) ha sido desarrollado por la

compañía americana Aptronix, en colaboración con Motorola. Este entorno se basa en un
lenguaje de descripción de controladores llamado FIL, que a su vez se compone de tres
sublenguajes, para cada uno de los posibles en el entorno. El lenguaje FIU permite describir
unidades de inferencia borrosa formadas por conjuntos de reglas que se aplica sobre variables,
para las que se puede definir diversos adjetivos.
Las reglas en el lenguaje FIU se expresan en un estilo similar al inglés natural. También pueden
introducirse utilizando un interfaz de usuario de tipo hoja de cálculo

Imagen 12
FIDE
Así, el entorno FIDE se estructura en torno a un editor de textos multiventana elemental, que
incluye un compilador de lenguaje FIL. Desde esta aplicación MS-Windows es posible llamar
a los cuatro bloques básicos que componen el entorno: COMPILER, DEBUGGER,
COMPOSER Y RTC. El bloque COMPILER compila los ficheros fuente del lenguaje FIL y
genera un código objeto para el resto de las aplicaciones. La aplicación DEBUGGER posee
tres herramientas: Tracer, Analyzer y Simulator. Tracer permite obtener el valor de las salidas
para unos valores concretos de las entradas, y seguir paso a paso el proceso de inferencia que
produce los valores de salida. Analyzer realiza el análisis de la función de transferencia des
sistema, así como la visualización de la función de salida desde diversas perspectivas. Es
posible realizar una representación tridimensional de la superficie de salida como se ve en la
figura 1, o bien visualizaciones bidimensionales y topológicas. Finalmente, Simulator simula
el comportamiento dinámico de las unidades para unos datos de test.
30
 Imagen 13
Superficie de salida del controlador fuzzy

Imagen 14
Comportamiento dinámico del controlador fuzzy

Por otra parte, la aplicación COMPOSER permite al usuario crear sistemas complejos que
combinan módulos borrosos con otros no borrosos, utilizando el denominado FCL. Esta
herramienta proporciona un editor gráfico para el diseño de los sistemas de inferencia. A modo
de ejemplo, en la figura 3 puede verse la descripción mediante COMPOSER de un sistema de
inferencia borrosa aplicado al control de un péndulo inverso.

31
 Imagen 15
Presentación de Composer, el editor gráfico de FIDE

Finalmente, la aplicación RTC permite convertir la descripción del código objeto creada por
el compilador de fuente en el código máquina adecuado para diversos microcontroladores de
Motorola/Freescale. También se puede generar código para MATLAB y ficheros fuente ANSI.
(Tamara Benito Matías, 2013)

12.- Diseño de controladores con base en Mamdani

Mamdani propuso el primer controlador difuso en los años setenta y comprende el siguiente
procedimiento básico:
1. Siendo el error la diferencia entre el valor deseado y el valor real de la variable que se va a
controlar, esto es: ↋ = 𝑉𝑑𝑒𝑠𝑒𝑎𝑑𝑜 − 𝑉𝑟𝑒𝑎𝑙 , se seleccionan las funciones de pertenencia que
realizarán la difusificación.
2. Se establecen las reglas a partir de proposiciones condicionales, y el dispositivo de inferencia
será una composición máx-mín que ha sido previamente definida como:

𝑋𝑇 (𝑥, 𝑧) = 𝑣𝑦∊𝑌 (𝑋𝑅 (𝑥, 𝑦) ∧ 𝑋𝑆 (𝑦, 𝑧))

13.- Controlador difuso clásico

Un controlador difuso clásico tiene un lazo de control como el de la figura siguiente Al igual
que los controladores industriales clásicos, contempla el uso de una acción proporcional
32
(controlador P), proporcional- derivativa (controlador PD), proporcional-integral (controlador
PI) y proporcional-integral derivativa (Controlador PID).

Imagen 16
Lazo de un controlador difuso. Cruz, P. P. (2010)

Partiendo de la respuesta de un sistema a un escalón de ganancia r, que es el valor deseado del

sistema, el cual se muestra en la figura, y con funciones de pertenencia para la difusificación
y desdifusificación de tipo triangular, con tres términos y las mismas etiquetas, es posible
diseñar las matrices de reglas para cada tipo de controlador según su acción: controlador P,
controlador PD, controlador PI y controlador PID.

Imagen 17
Respuesta de un sistema a un escalón r. Cruz, P. P. (2010)

14.- Controladores P
Se diseñó dos controladores tipo P, uno con tres funciones de pertenencia triangulares, y otro
con cinco, para evaluar el comportamiento de los mismos. Para la difusificación y la
desdifusificación en el primer controlador se seleccionó tres conjuntos difusos que se ven en la
figura para el segundo se propuso las funciones de pertenencia que se aprecian en la figura.

Imagen 18
Funciones de pertenencia para el controlador 1. Cruz, P. P. (2010)
33
 Imagen 19
Funciones de pertenencia para el controlador 2. Cruz, P. P. (2010)

Asimismo, se diseñó las siguientes matrices de asociación difusa para las reglas, las
cuales se listan en las tablas para el controlador 1 y el controlador 2, respectivamente,
que se programaron en MATLAB empleando el Toolkit de controladores difusos, al
igual que las funciones de pertenencia para la entrada y la salida.

Imagen 20
FAM Para el controlador 1. Cruz, P. P. (2010)

Imagen 21
FAM Para el controlador 2. Cruz, P. P. (2010)

Finalmente se comprueba el desempeño de los controladores mediante un lazo de control en

Simulink de MATLAB, resultando las imágenes de las figuras anteriores, respectivamente.

Imagen 22
Respuesta en función del tiempo del controlador 1. Cruz, P. P. (2010)

34
 Imagen 23
Respuesta en función del tiempo del controlador 2. Cruz, P. P. (2010)

15.- Ventajas en el uso de la lógica difusa

Los sistemas basados en reglas difusas aplican los métodos de la lógica difusa para resolver
muchos tipos de problemas del "mundo real", especialmente donde un sistema es difícil de
modelar, donde existe un control de un experto u operador humano, o donde la ambigüedad o
vaguedad es común.
La metodología de diseño con base difusa substancialmente simplifica todo el proceso. Esto
resulta en algunos beneficios significantes, tales como tiempo de desarrollo reducido, diseño
más simple y tiempo más rápido para su comercialización. Entre las ventajas de usar lógica
difusa podemos mencionar:
• La lógica difusa permite un alto grado de automatización: es posible la implementación del
conocimiento del especialista en un alto grado.
• La lógica difusa reduce el cielo de desarrollo del diseño: con lógica difusa algunos pasos
consumidores de tiempo son eliminados. Se puede cambiar el sistema simplemente

35
modificando las reglas, por lo que no se necesita ser un experto en un lenguaje de alto o bajo
nivel lo cual ayuda a enfocarse más en la aplicación en lugar de programar.
• La lógica difusa simplifica la complejidad del diseño: permite describir sistemas complejos
usando el conocimiento y la experiencia en simples reglas. No requiere ningún modelo del
sistema o ecuaciones matemáticas complejas gobernando las relaciones entre las entradas y
las salidas. Solamente unas cuantas reglas pueden describir sistemas que pueden requerir
varias líneas de software convencional.
• La lógica difusa mejora los tiempos para comercialización: una metodología de diseño con
base difusa debido a su simplicidad la descripción de un controlador difuso no solo es
transportable a través de equipos de diseño, sino también proporciona un medio superior para
preservar, mantener y actualizar la propiedad intelectual.
• Una mejor solución alternativa para el control no lineal: la mayoría de los sistemas físicos de
la vida real son actualmente sistemas no lineales. La lógica difusa proporciona una solución
alternativa para el control no lineal debido a que está más cerca de la realidad La no linealidad
es manejada por reglas, funciones de membresía, y el proceso de inferencia lo cual resulta en
un desempeño mejorado, una implementación más simple, y reduce los costos de diseño.
• La lógica difusa mejora el desempeño del control: En muchas aplicaciones la lógica difusa
puede resultar en un mejor desempeño de control que las técnicas lineales o de tablas.
Sin embargo, también existen límites para el control difuso, las cuales, pueden ser sacadas a
la luz al cuestionar algunas de sus ventajas, tales como:
• ¿El control difuso realmente lleva un alto grado de automatización para procesos
complejos?
• ¿Los controladores difusos son más robustos que los controladores convencionales?
• ¿El control difuso reduce el tiempo de desarrollo?
• ¿Los productos usando control difuso venden más?
No existe aún una manera de determinar si un problema puede ser resuelto con el control
difuso, simplemente analizando sus características, pero si se puede decir de dónde y cuándo
utilizar o no el control difuso.
• Existe una solución difusa para un problema similar, puede ser una buena razón.

36
 • Si el controlador convencional, aún presenta un resultado satisfactorio, continuar así.
• Si no existen razones contrarias, el conocimiento disponible y existen dificultades en
representar el problema con el control convencional, intentar el control difuso.
5.6: Objeciones al uso de la lógica difusa.
Sería extraordinario si una teoría de largo alcance como los sistemas difusos no incitaran
algunas objeciones en la comunidad profesional. Mientras que ha habido numerosas quejas
acerca de la forma de asignar valores a términos lingüísticos, tal vez las críticas más
convincentes vienen de 1c» lógicos formales. La primera área de discusión es acerca de la
naturaleza de verdad y falsedad: si se pudiera mostrar, que estos son valores difusos y no
discretos, entonces la necesidad de la lógica difusa habría sido demostrada. La otra área es
acerca de la utilidad de los sistemas difusos: si se pudiera demostrar que generalizar la lógica
clásica para abarcar la lógica difusa ayudaría en los cálculos de una clase dada, entonces de
nuevo existiría una necesidad de la lógica difusa.
Con respecto a la primera declaración, se argumenta que la verdad y la falsedad son términos
discretos. Por ejemplo, "El cielo es azul" es o verdadero o falso; cualquier aspecto difuso de
la declaración proviene de una definición imprecisa de términos, no de la naturaleza de la
verdad Con respecto a la segunda declaración, la utilidad de los sistemas difusos es
inquietante, se sostiene que ninguna área de manipulación de datos se hace más fácil con la
introducción del cálculo difuso; al contrario, se afirma, los cálculos llegan a ser más
complejos. Por lo tanto, se afirma, la lógica difusa no es necesaria.
Algunos defensores de la lógica difusa, han respondido a estas objeciones, indicando que
existen tres áreas en las cuales la lógica difusa puede ser de beneficio: como aparato de
"requisito" (para describir las relaciones del mundo real las cuales son inherentemente
difusas); como aparato "prescriptivo" (debido a que algunos datos son difusos, y por lo tanto
requieren un cálculo difuso); y como aparato "descriptivo" (debido a que algunos sistemas de
inferencia son inherentemente difusos). Sin embargo, el argumento más poderoso proviene de
la noción de que la lógica clásica y la difusa no necesitan ser vistas como contrarias, sino como
complementarías. Muchas de las objeciones de los lógicos formales provienen de una falta de
claridad semántica, y por lo tanto las declaraciones difusas pueden ser traducidas a frases con
lógica clásica.

37
Por último, se argumenta que, a pesar de las objeciones de los lógicos clásicos, la lógica difusa
ha encontrado su camino dentro del mundo de aplicaciones prácticas, y ha proporcionado
muchos éxitos allí. Pragmáticamente esto es suficiente razón para continuar desarrollando el
campo. (Soto, 1999)

16.- Resumen

La lógica difusa permite que sistemas complejos matemáticamente, pobremente entendibles y

altamente no lineales; puedan ser modelados en forma confiable y eficientemente. Además, la
lógica difusa trata con la incertidumbre y datos ruidosos. Estas características sugieren que la
lógica difusa pueda ser una herramienta efectiva para una amplia variedad de tareas, algunas
de las cuales hemos presentado en este capítulo. Sin embargo, existen muchas otras
aplicaciones de la lógica difusa, pero la mayoría de ellas son aplicaciones de control, que es
en donde la lógica difusa ha obtenido sus más grandes éxitos, sobre todo, en aplicaciones de
control electrónico. Dadas las aplicaciones realizadas, se ha observado que: El empleo del
control difuso es recomendable:
• Para procesos complejos (de muchas variables dependientes), donde no es sencillo aplicar un
modelo matemático.
• Para sistemas con no linealidades continuas (sirve también para abruptas, pero no es más
recomendado por existir buenos modelos para ello)
• Si el procesamiento del conocimiento experto (formulación lingüística) se puede desarrollar.
El empleo de control difuso no es una buena idea si:
• Las teorías de control convencional entregan resultados satisfactorios.
• Una solución sencilla ya existe y un adecuado modelo matemático también existe.
• El problema no tiene solución.
Desde controlar la tasa de producción de energía en las plantas de poder hasta balancear la
carga en la máquina lavadora, los sistemas basados en lógica difusa están en el borde principal
de la acometida continua para desarrollar consoladores inteligentes. A diferencia de los
sistemas basados en lógica tradicional, los sistemas difusos permiten a las computadoras
"pensar como humanos", bosquejar conclusiones basadas en información

38
incierta e incluso resolver declaraciones aparentemente contradictorias. Pero el programar un
sistema difuso puede ser una labor intensa, requiere entrevistas extensas con los expertos en
un intento por "capturar" su conocimiento. (Soto, 1999) (Miyara, 2000)

39
17.- CONCEPTOS BASICOS DEL SONIDO
Conceptos Básicos Del Sonido.

En este capítulo abordaremos los conceptos básicos del sonido físico como tal, y generaremos
los conceptos necesarios para empezar un criterio acústico integral. Empezaremos a
comprender el sonido y sus propiedades básicas para poder utilizarlos posteriormente en el
dominio acústico.
Abordaremos el sonido y la acústica más desde conceptos claros y aplicativos, que de
demostraciones científicas y matemáticas. (Miyara, 2000)

18.- ¿Qué es el sonido?

El sonido consiste en la propagación de una perturbación en el aire. Para comprender mejor

este concepto imaginemos un tubo muy largo lleno de aire, con un pistón en un extremo. El
aire está formado por una cantidad muy grande de pequeñas partículas o moléculas.
Inicialmente, el aire dentro del tubo está en reposo, o, más técnicamente, en equilibrio (Grafico
1). Este equilibrio es dinámico, lo cual significa que las moléculas no están quietas, sino que
se mueven caóticamente en todas las direcciones debido a la agitación térmica, pero con la
particularidad de que están homogéneamente repartidas en el interior del tubo. En otras
palabras, en cada centímetro cúbico (cm3) de aire, ya sea cerca del pistón o lejos de él, hay
aproximadamente la misma cantidad de moléculas (una cantidad muy grande: unos 25
trillones).

Imagen 24
Propagación de una perturbación en un tubo. (a) El aire en reposo (moléculas repartidas
uniformemente). (b) Ante una perturbación el aire se concentra cerca del pistón. (c), (d), (e) La
perturbación se propaga alejándose de la fuente. (Miyara, 2000)
40
18.1.- Representación gráfica del sonido

Para ello se utiliza un tipo de representación gráfica denominada oscilograma, que consiste en
mostrar la evolución en el tiempo de la perturbación en un par de ejes correspondientes al
tiempo (eje horizontal) y a la presión sonora (eje vertical).

Imagen 25
El oscilograma de un sonido, en el cual pueden apreciarse 3 ciclos o periodos completos del mismo.
En el eje horizontal se representa el tiempo y en el eje vertical la presión sonora. Obsérvese que la
forma de onda es en este caso relativamente compleja. (Miyara, 2000)

El significado de este gráfico es que para cada instante t, representado como un punto o
posición en el eje horizontal, corresponde una presión sonora p, representada por una altura
medida en la escala del eje vertical. Los valores positivos (arriba del eje t) representan
compresiones y los valores negativos (debajo del eje t), descompresiones. Es interesante
explorar el significado del periodo T y de la frecuencia f en un oscilograma. En el Grafico 3
se puede apreciar que T es la duración de cada ciclo o porción repetitiva de la onda. (Miyara,
2000)

19.- Amplitud

El oscilograma nos permite interpretar fácilmente un parámetro del sonido vinculado a la

fuerza o intensidad del mismo: la amplitud. La amplitud se define como el máximo valor que
alcanza una oscilación en un ciclo. La amplitud se denomina también valor de pico o valor
pico. En el Grafico, vemos la misma forma de onda con dos amplitudes diferentes.

41
 Imagen 26
Dos ondas con igual frecuencia y forma de onda, pero con diferente amplitud. (a) Pequeña amplitud.
(b) Gran amplitud. (Miyara, 2000)

20.- Periodo.

Un segundo parámetro es el periodo, T, que se define como el tiempo transcurrido entre una
perturbación y la siguiente. Se mide en segundos (s) o milisegundos (ms), es decir la milésima
parte de un segundo. El periodo de los sonidos audibles para el ser humano varía entre los
0,05 ms (sonidos muy agudos) y los 50 ms (sonidos muy graves). Cabe destacar que son
tiempos muy cortos que impiden en general que los ciclos puedan percibirse como fenómenos
separados. El cerebro tiende a integrarlos en una única sensación, la sensación sonora.

Representación grafica de una onda con periodo en 1 Segundo.

Imagen 27
Como se puede observar en el Grafico 6 tenemos una onda con periodo en 1 segundo, quiere decir
que en un segundo es el tiempo que tarda la onda en hacer un ciclo completo. (Miyara, 2000)

21.- Frecuencia (f).

El tercer parámetro, uno de los más fundamentales en Acústica, es la frecuencia, f. Se define

como la cantidad de ciclos por segundo, o lo que es lo mismo, la cantidad de perturbaciones
por segundo. Se expresa en hertz (Hz), unidad llamada así en honor a Heinrich Hertz, científico
del siglo XIX que descubrió las ondas de radio. Esta unidad es equivalente al ciclo por segundo
(cps), aunque la unidad Hz se encuentra más

42
frecuentemente en los textos y en las especificaciones técnicas de los diversos equipos. La
frecuencia de los sonidos audibles está comprendida entre los 20 Hz (sonidos graves) y los
20.000 Hz (sonidos agudos) ó 20 kHz (kilohertz, es decir 1.000 Hz).

Existen algunas relaciones matemáticas importantes entre estos parámetros. Así, el periodo T
y la frecuencia f están relacionados por las ecuaciones.
1
f=
𝑇
1
T=
𝑓

En las cuales, si T se expresa en s, entonces f se expresa en Hz, y si T se expresa en ms, f se

expresa en kHz. Por ejemplo, si sabemos que el periodo de cierto sonido es de 0,01 s, es decir
1/100 s, entonces la frecuencia será, aplicando la primera relación, 100 Hz. Si, en cambio
conocemos que la frecuencia es de 1.000 Hz, aplicando la segunda relación se llega a que el
periodo es de 0,001 s, es decir 1 ms. (Miyara, 2000)

22.- Espectro audible

El espectro audible1, también denominado campo tonal, se halla conformado por las
audiofrecuencias, es decir, toda la gama de frecuencias que pueden ser percibidas por el oído
humano.

Un oído sano y joven es sensible a las frecuencias comprendidas entre los 20 Hz y los 20 kHz.
No obstante, este margen varía según cada persona y se reduce con la edad (llamamos
presbiacusia a la pérdida de audición con la edad). Este rango equivale muy aproximadamente
a diez octavas completas (210=1024). Frecuencias más graves incluso de hasta 4 ciclos por
segundo son perceptibles a través del tacto, cuando la amplitud del sonido genera una presión
suficiente.

Fuera del espectro audible:

Por encima estarían los ultrasonidos (Ondas acústicas de frecuencias superiores a los 20 kHz).

43
Por debajo, los infrasonidos (Ondas acústicas inferiores a los 20 Hz).

No hay que confundir las audiofrecuencias con las radiofrecuencias. Las audiofrecuencias son
ondas mecánicas (por consiguiente, no se pueden propagar en el vacío, es decir, no tienen
capacidad radiante), mientras que las radiofrecuencias son ondas electromagnéticas (por tanto,
con capacidad radiante).

El espectro audible varía según cada persona y se altera con la edad por eso es muy importante
cuidarlo y no exponerlo a sonidos o ruidos muy fuertes que pueden dañarlo
irremediablemente.

El espectro audible podemos subdividirlo en función de los tonos:

Tonos graves (frecuencias bajas, correspondientes a las 4 primeras octavas, esto es, desde los
16 Hz a los 256 Hz).
Tonos medios (frecuencias medias, correspondientes a las octavas quinta, sexta y séptima,
esto es, de 256 Hz a 2 kHz).
Tonos agudos (frecuencias altas, correspondientes a las tres últimas octavas, esto es, de 2 kHz
hasta poco más de 16 kHz).

En Occidente se suele dividir el espectro audible en 11 secciones que denominamos octavas.

El término de octava se toma de una escala musical. La octava es el intervalo entre dos sonidos
que tienen una relación de frecuencias igual a 1:2 y que corresponde a ocho notas de una escala
musical diatónica; o trece en una escala cromática. Por ejemplo: si comenzamos con una nota
como DO, la octava completa será: DO-RE-MI-FA-SOL-LA-SI- DO. Si el primer LA estaba
afinado en 440 Hz el segundo LA (octava siguiente) estará en 880 Hz.

El valor máximo de las frecuencias de cada octava es el doble del de la anterior.

La primera y segunda octava (los tonos más graves, 16 - 64 Hz). No todas las personas son
capaces de percibirlos, depende de la sensibilidad del oído de cada persona.

44
La tercera y cuarta octava (tonos graves medios, 64 - 250 Hz).
La Quinta, Sexta y Séptima octava (tonos medios, 250 Hz – 2.000 Hz). Contienen el tono
fundamental y los primeros armónicos de la mayoría de las fuentes sonoras.
La octava (tonos agudos, 2.000 Hz – 4.096 Hz). Comprende el margen en que el oído humano
tiene mayor sensibilidad.
La novena y décima octava (tonos agudos de frecuencia alta, 4.097 a 16.000 Hz).
Corresponden a un chirrido desagradable y por ello no se utilizan para hacer música.
La undécima octava (los tonos más agudos del espectro audible, 16.000 a 20.000 Hz). No
todas las personas son capaces de percibirlos, depende de la sensibilidad del oído de cada
persona.
La octava se puede dividir en valores más pequeños, por ejemplo: la media octava (divide
cada octava en dos) y el tercio de octava (cada intervalo de la octava se divide en tres partes).
(Miyara, 2000)

Imagen 28
Frecuencia del espectro audible

45
23.- Control difuso:
23.1 Implementando Matlab para el desarrollo de un controlador difuso:

En Matlab
Para abrir la opción para desarrollar un controlador difuso en matlab se introduce el siguiente
comando: fuzzyLogicDesigner

Imagen 29
Comando a introducir en el espacio de trabajo de MATLAB

Posteriormente se desplegará la ventana para desarrollar un controlador difuso, para este

controlador difuso se requiere una entrada que, en nuestro caso sería el error que podría tener la
frecuencia y en la salida seria los valores de la frecuencia deseada, además de que el método de
46
control difuso es el método de Mamdami y este aparece por defecto nuestra herramienta fuzzy
logic designer.

Imagen 30
Herramienta fuzzy Logic Designer

El recuadro amarillo representa la entrada de valores que seria el error que podría tener el
espectro de frecuencias y el recuadro azul representa la salida de los valores de la frecuencia
deseada, se elige estas dos variables lingüísticas debido a la facilidad de comprensión.

Posteriormente definimos los valores para los valores de entrada (error) apoyándonos en el
espectro de frecuencia audible, por lo tanto, serian:
0, 0, 0, 20 pára el espectro del error grave que en este caso su regla lingüística se define como:
EG= Error Grave, considerando que la función es trapezoidal, para el error medio, sus valores
se definen como: 0, 20, 400 y su regla lingüística seria EM=Error Medio, en donde la función
dominante sería una función triangular y para el rango de valores agudos, su universo de discurso
seria 20 400 1600, su regla lingüística seria EA=Error Agudo con la función de membresía
triangular.

47
 Imagen 31
Universos de discurso de la entrada error

Observe que los universos de discurso de los valores agudos predominan en los valores de
entrada, esto debido a que su rango es el más grande.

Posteriormente definimos los valores para la frecuencia, apoyándonos en el espectro de

frecuencias audibles, hacemos lo mismo que en los valores del error.
Para la frecuencia grave los valores que tomarían son 0 0 20 400 en donde su regla lingüística
seria FG= Frecuencia grave y su función sería una función trapezoidal.
Para la frecuencia media, el universo de discurso seria 20 400 1600 con una regla lingüística
FM=Frecuencia Media y su función sería una función triangular, para finalizar con la frecuencia
aguda en donde sus valores serian 20 400 1600, su regla lingüística seria FA= Frecuencia Aguda
y su función seria triangular.

48
 Imagen 32
Universos de discurso de la entrada frecuencia

En esta ventana se definen las 3 reglas de control que propusimos de entrada y salida.

Imagen 33
Definicion de las reglas de control y sus condiciones

49
Observe que las reglas de control las define como: si el error es grave entonces la frecuencia es
grave, nótese que el recuadro not no se marca ya que no queremos negar ninguna regla
lingüística y para finalizar presionamos add rule para añadir la regla, hacemos esto con las otras
reglas.

23.2 Implementando Simulink para el desarrollo de un controlador difuso.

Esta es la gráfica que corresponde a las 2 variables del controlador, ambas con todo su universo
de discurso.

Imagen 34
Grafica de control utilizando el método de Mamdami

En esta grafica se ve claramente el método de inferencia de Mamdani, véase como se puede

modificar el valor que entra en el error, si se corta en el universo de discurso del error grave
entonces se activa la primera regla que propusimos anteriormente.

50
 Imagen 35
Implementación de las reglas de control y su funcionamiento

Véase que si se ajustara solamente en la regla 1, entonces las 2 reglas posteriores no se activarían
y por lo tanto la frecuencia no arrojaría ningún valor.

23.3.- Generación del código en Matlab.

Imagen 36
Primera parte del código escrito en el espacio de trabajo en MATLAB para nuestro controlador

51
 Imagen 37
Segunda parte del código escrito en el espacio de trabajo en MATLAB para nuestro controlador

Imagen 38
Ultima parte del código escrito en el espacio de trabajo en MATLAB para nuestro controlador

Observamos que el código declarado es relativamente simple pues no es más que las variables
de entrada y salida declaradas, así como sus universos de discurso y sus tipos de funciones.

52
Bibliografía

Sivanandam, D. S. (2006). Introduction to Fuzzy Logic Using MATLAB. Berlin : Springer.

Cruz, P. P. (2010). Inteligencia Artificial Con Aplicaciones A La Ingenieria. México: Alfaomega. Miyara,

F. (2000). Acustica y sistemas de sonido. Buenos Aires, Argenitna: UNR.

Soto, J. A. (25 de Septiembre de 1999). Logica difusa aplicada a las telecomunicaciones de datos.
Nuevo Leon, San Nicolas De Los Garza, Mexico.
Tamara Benito Matías, I. D. (2013). LÓGICA BORROSA . Universidad Carlos , 1-2.
Jairo Espinosa. (2010). Fuzzy Logic, Identification and Predictive Control. Berlin: Springer.

53