fuzzylogicreview velasquez
TRANSCRIPT
-
8/18/2019 FuzzyLogicReview Velasquez
1/5
-
8/18/2019 FuzzyLogicReview Velasquez
2/5
Kevin Velásquez Serpa
Figura 2. Funciones de membresía para la salida del sistema (ángulo de dirección).
También se utiliza un método de defusificación por centro de gravedad para generar una salida
numérica simple a partir del conjunto difuso resultante, con lo que se obtiene una superficie de
control del ángulo de dirección. Se definen entonces las 8 reglas necesarias para que el robot
navegue de forma autónoma, a partir de las cuales se generan los movimientos, teniendo como
base las reglas de inferencia mostradas en la figura 3, donde se exhibe un breve ejemplo de
navegación difusa.
Figura 3. Ejemplos de reglas de inferencia difusas.
Los resultados muestran que la estrategia propuesta inicialmente con los dos ítems principales
(evadir obstáculos y búsqueda de objetivos) se cumple, ya que el robot inicia el movimiento
desde el punto inicial, evade obstáculos y finalmente llega al punto de meta. En la figura 4 seobservan tres escenarios diferentes, donde el robot hace la tarea correctamente y a la vez ejecuta
trayectorias suaves. Cabe mencionar que el movimiento en reversa no es permitido en este caso
(Pandey & Parhi, 2014).
Figura 4. a), b) y c) Resultados de navegación en diferentes caminos para el robot móvil.
-
8/18/2019 FuzzyLogicReview Velasquez
3/5
-
8/18/2019 FuzzyLogicReview Velasquez
4/5
Kevin Velásquez Serpa
En la parte de resultados se logra la fusificación consiguiendo conjuntos de fuzzy pressure, fuzzy
load y fuzzy velocity, los cuales son expresados en rangos (previamente mencionados) que se
relacionan directamente con los valores obtenidos de cada función de membresía. Con todos los
datos ya procesados se generan 125 reglas, de las cuales se consideran 20 o 4 dependiendo de la
fracción de determinación de la regla dentro de la ecuación de defusificación, en este caso
tomando valores de 0.8 y 0.9 respectivamente.
Finalmente se expresa que el número de reglas, dentro de esas 125 ya generadas, puede variar
dependiendo de un valor predefinido de la fracción de determinación de la regla, y además se
puede llegar a mejorar la metodología incluyendo más factores que también sean importantes a
la hora de analizar las condiciones de operación de los dumpers (Das, Panja, & Chakrabarty,
2014).
3.
Selective Rotor Assembly Using Fuzzy Logic in the Production of Electric Drives
En este artículo se propone una nueva solución para la compensación de la desviación magnética
en la producción de accionamientos eléctricos utilizando un ensamble selectivo basado en unaclasificación crisp y un sistema de inferencia difuso de tipo Mamdani. Ya se había realizado un
trabajo previo donde se presentaban conceptos de ensambles selectivos y secuenciales para este
tipo de accionamientos, siendo ese el punto de partida para implementar la lógica difusa en este
proceso y poder mejorar con respecto a la desviación en los campos magnéticos de las pilas de
los rotores.
Los rotores son parte fundamental en la construcción de un motor eléctrico, por lo tanto es
relevante que los imanes tengan un campo magnético uniforme, pero debido a las propiedades
de los materiales, el proceso de magnetización y otros factores, a veces no se logran los valores
deseados de magnetización.
Para minimizar la desviación de los campos magnéticos se plantean 6 clases superiores (PP-NN,
PN-NP, P-N) las cuales tienen los máximos porcentajes de compensación, donde P indica unadesviación positiva y N una desviación negativa. Con esto se crea un sistema de inferencia difusa
(Fuzzy Inference System - FIS) para hacer coincidir las pilas de las seis clases superiores. El FIS
es basado en el método de Mamdani, el cual calcula un índice que relaciona la similitud de las
características entre dos pilas. El FIS está compuesto por tres partes principales: Un fusificador,
un bloque de inferencia con reglas de base y un defusificador. El fusificador convierte las
entradas tipo crisp a variables lingüísticas utilizando funciones de membresía, en el bloque de
inferencia se desarrollan reglas If-Then difusas y finalmente con el defusificador se obtiene una
salida crisp cuya medida es la pertinencia o idoneidad.
Con el Toolbox de lógica difusa de Matlab® se crea el FIS de tipo Mamdani, con funciones de
membresía trapezoidales tanto para entradas como para salidas. Inicialmente se introducen lasentradas en el FIS, pero debido al número de entradas se obtienen 2.187 reglas lo cual incrementa
el tiempo y esfuerzo computacional, por lo tanto se limita el número de pilas para poder reducir
la cantidad de reglas difusas. A partir de los valores máximos obtenidos se genera una sola
distribución de salida y posteriormente se utiliza el método del centroide para convertir la salida
a un valor crisp.
-
8/18/2019 FuzzyLogicReview Velasquez
5/5
Kevin Velásquez Serpa
Una de las combinaciones de pilas alcanza un valor del 65% en la disminución de la desviación,
lo cual comparándolo con el método actual aplicado en la industria, indica que el método basado
en lógica difusa disminuye notablemente la variación en la magnetización de los imanes
(Coupek, Gülec, Lechler, & Verl, 2015).
Aportes - Conclusiones
La lógica difusa ha tomado fuerza a nivel científico en la resolución de problemas modernos, aunque
también ha sido un punto de inflexión en la mejora de procesos convencionales. Por lo general se
toman situaciones específicas donde se comparan los trabajos realizados con otras metodologías y lo
hecho con lógica difusa, lo cual muestra la versatilidad y la efectividad en los usos de este método de
trabajo.
Según esta revisión, las funciones de membresía más comunes son las de forma trapezoidal, aunque
no se especifica porqué se elige ni se compara con otras formas, se observa que se puede implementar
para casi cualquier sistema difuso. También es notable que la metodología Fusificador-Inferencia-
Defusificador es comúnmente utilizada y bastante funcional para procesos mediana y altamente
complejos, de donde se obtienen resultados verdaderamente confiables.
Referencias
[1] Pandey, A., & Parhi, D. R. (2014). MATLAB Simulation for Mobile Robot Navigation withHurdles in Cluttered Environment Using Minimum Rule based Fuzzy Logic Controller.
Procedia Technology, 14, 28 – 34. http://doi.org/10.1016/j.protcy.2014.08.005
[2] Das, B., Panja, S. C., & Chakrabarty, R. . (2014). Fuzzy Rule-based Decision Making toMinimize Wear Rate of Dumper Tires. Procedia Materials Science, 6 (Icmpc), 752 – 761.
http://doi.org/10.1016/j.mspro.2014.07.091
[3] Coupek, D., Gülec, A., Lechler, A., & Verl, A. (2015). Selective rotor Assembly Using FuzzyLogic in the Production of Electric Drives. Procedia CIRP , 33, 551 – 556.http://doi.org/10.1016/j.procir.2015.06.074