35 control inteligente modelado con sistemas fuzzy

/35

Control Inteligente

Modelado con sistemas fuzzy

/35

Contenido

2

Aproximaciones para la construcción de modelos

Aproximaciones para la construcción de modelos Fuzzy

Un procedimiento: modelado de caja gris

Ajuste de funciones con modelos fuzzy

Desarrollo de modelos dinamicos a partir de datos

/353

APROXIMACIONES PARA LA CONSTRUCCIÓN DE MODELOS

/354

Construccion de sistemas Fuzzy

Fuentes de conocimiento

/355

1. Consulta a expertos humanos

Historicamente, el primer metodo para desarrollar un sistema fuzzy.

Desventaja: Falta de un metodo sistematico para diseñar un sistema fuzzy usando el conocimiento humano

datos linguisticos

/356

2. Modelado por observacion

Aprendizaje a partir de ejemplos.

El modelo se construye usando los datos de entrada-salida.

datos numericos

/357

2. Metodos de optimizacion automaticos

El diseño del sistema fuzzy es un problema de busqueda y optimizacion

Metodos: Algoritmos Geneticos, Programacion Genetica, etc.

El problema de optimizacion busca la mejor solucion (el sistema fuzzy) que maximiza una funcion de adaptacion

/358

El modelado fuzzy

El sistema fuzzy debera reproducir la conducta del sistema a modelar

El sistema fuzzy se basa en el conocimiento previo de la conducta del sistema a modelar

El problema:

/359

Cuando y por que aplicar sistemas fuzzy

Conocimiento linguistico estructurado disponible

Modelo matematico desconocido o imposible de obtener

Proceso substancialmente no lineal

Falta de informacion precisa de los sensores

/3510

Cuando y por que aplicar sistemas fuzzy

Capacidades de extrapolacion.

Captura de ciertas caracteristicas no-estructurales del sistema.

Validacion del modelo basada en expertos humanos.

En los niveles mas altos de la jerarquia de los sistemas de control

En procesos de toma de decision genericos

/3511

Ejemplos de modelos fuzzy

Modelo fuzzy:

» Obtener el modelo de una ducha

Controlador fuzzy:

» Remplazar el operador humano que regula y controla una ducha

Sistema experto:

» El sistema objetivo, el diagnostico medico

/3512

APROXIMACIONES PARA LA CONSTRUCCIÓN DE MODELOS FUZZY

/3513

Modelado neuro-difuso

1. Modelado neuro-difuso

El conocimiento experto se traduce en una colección de reglas

La sintonia fina de los parámetros se hace usando los datos disponibles.

/3514

Extraccion de reglas

2. Extraccion de reglas

El modelo se construye usando los datos de entrada-salida

Se espera que las reglas extraídas proporcionen una interpretación a posteriori de la conducta del sistema

/3515

Extraccion de reglas

2. Extracion de reglas

/3516

Integración de conocimiento y datos

¿Otra aproximacion para construir un modelo fuzzy para una aplicación especifica?

Mediante la integración de conocimiento y datos

Hibrido entre la aproximacion basada en conocimiento y la basada en datos

/3517

UN PROCEDIMIENTO: INTEGRACION DE CONOCIMIENTO Y DATOS

/3518

Obtencion del modelo fuzzy

Paso 1: Definicion del problema

» Seleccion de los propositos del modelo

» Seleccion de las variables de entrada y salida

/3519

Obtencion del modelo fuzzy

Paso 2: Identificacion de la estructura superficial

» Seleccionar el tipo de sistema fuzzy especifico (Mamdani, Sugeno)

» Determinar el numero de terminos asociados con cada variable de entrada y salida

» Obtener la base de reglas que describe la conducta del sistema

/3520

Obtencion del modelo fuzzy

Paso 3: Identificacion de la estructura profunda

» Determinar el significado cada termino linguistico seleccionando sus MFs. (Seleccionar una familia apropiada de MFs parametrizadas)

» Consultar a los expertos familiarizados con el sistema para determinar los parametros de las MFs

/3521

Obtencion del modelo fuzzy

Paso 4: Identificacion de los parametros

» Determinar restricciones en los parametros a partir del conocimiento previo del sistema

» Sintonia de los parametros de las MFs usando tecnicas de optimizacion y regresion. (Se asumen unos datos de entrada-salida disponibles)

/3522

Obtencion del modelo fuzzy

Paso 5: Validacion del modelo

Paso 6. Implementacion y prueba

/3523

AJUSTE DE FUNCIONES CON MODELOS FUZZY

/3524

Ajuste de funciones a datos

El procedimiento estandar del ajuste de curvas da como resultado una solucion mas o menos aceptable

Solucion

/3525

Modelo fuzzy para el ajuste

Sistema desconocido

Sistema fuzzy

y

y*

x1

xn

. . .

Dados unos pares de datos de entrada-salida de la forma

Construir un sistema fuzzy que reproduzca los pares de entrada-salida dados

(x1, ..., xn; y), (datos de entrenamiento)

/3526

Ajuste Fuzzy de funciones

Los datos de entrada pertenecen a subespacios o clases

/3527

Ajuste Fuzzy de funciones

Los datos de entrada pertenecen a subespacios o clases

/3528

Granularidad baja en las reglas fuzzy

Menos reglas – Regiones mas grandes, y una aproximacion pobre

/3529

Granularidad alta en las reglas fuzzy

Mas reglas – Regiones mas pequeñas, y mejor la aproximacion

/3530

El dilema que se presenta

Situacion: Existe un compromiso entre:

» Menos reglas: la precision de la aproximacion decrece

– Imprecision e incertidumbre– Bajo costo de la solucion, tratabilidad y robustez

» Mas reglas: aumenta el costo computacional

– Mayor complejidad

/3531

Ejemplo: modelado de dos funciones

/3532

Ejemplo: modelado de dos funciones

Tres grandes regiones rectangulares definen tres reglas

/3533

DESARROLLO DE MODELOS DINAMICOS A PARTIR DE DATOS

/3534

¿Qué es un Sistema dinamico?

Input u(t) Output y(t)

System

ˆ( ) ( ( ), ( 1),..., ( ), ( 1), ( 2),..., ( ))y t f y t y t y t n u t u t u t m

/3535

El modelo ARX

En el analisis de los sistemas dinamicos, la variable independiente es a menudo el tiempo (k)

» A menudo se usa el modelo ARX (AutoRegressive with eXogenous input model) donde

1 11 1P My k a y k a y k P b u k b u k M

/3536

El modelo ARX

( ) 1 , , , 1 , ,T

k y k y k P u k u k M

1 1, , , , ,T

P Ma a b b

Definiendo

El vector de regresion

El vector de parametros

/3537

El modelo ARX como un regresor lineal

La relacion de entrada-salida puede tomar la forma

» donde

vector de regresion

vector de parametros a estimar

( ) ( )Ty k k

( )k

MD p

/3538

Estimacion del error de prediccion

El problema

» Asuma los datos de entrada-salida

» Construir el predictor

» Tal que minimiza

1( ), ( )

N

ku k y k

ˆ | 1, Ty k k k

Tk y k k Error de prediccion

/3539

Estimacion del error de prediccion

Que es el criterio de los minimos cuadrados

2

1

1( ) ( ) ( )

NT

Nk

V y k kN

2

1

1 N

Nk

V kN

El modelo se ajusta a los datos para minimizar la funcion de criterio

/3540

Estimacion del error de prediccion

Solucion

» Equacion Normal

» Estimados

1 1

1 1N NT

Nk k

k k k y kN N

1

1 1

ˆ arg min ( ) ( ) ( ) ( ) ( )N N

LS TN N

k n

V k k k y k

/3541

Estimacion del error de prediccion

1ˆ TN y

En la forma matricial, la solucion es la formula estandar de los minimos cuadrados lineal

1

NT

k

k k

/3542

Ejemplo: Modelado del nivel de un tanque

/3543

Modelado del nivel de un tanque

/3544

Modelado del nivel de un tanque

Proposito de la identificacion

» Explicar cómo el voltaje u(t) (la entrada) afecta el nivel del agua h(t) (la salida) del tanque

Datos experimetales

/3545

Un primer intento de identificacion plausible es tratar con un simple modelo de regresion lineal

» Los parametros pueden ser estimados facilmente usando minimos cuadrados lineal, resultando en

Modelado con un ARX simple

1 2 3ˆ( 1) ( 1) ( 1)h t t h t u t

1 0.9063 2 1.2064 3 5.1611

/3546

Resultados con el modelo ARX

» El nivel de agua simulado sigue al nivel verdadero pero a niveles cercanos a cero el modelo lineal produce niveles negativos.

niveles negativos

/3547

Modelado semi-físico

La ecuacion del modelo se basa en la conservacion dinamica de la masa

– La acumulacion de masa en el tanque es igual a:

el flujo de masa hacia el tanque

el flujo de salida de masa

menos

i o

dhA q q

dt

/3548

Modelado semi-físico

En tanto que el flujo de entrada es proporcional a u(t), el flujo de salida puede ser aproximado usando la ley de Bernoulli

» Los parametros pueden ser estimados facilmente usando minimos cuadrados lineal, resultando en

1 2 3 4ˆ( 1) ( 1) 1 ( 1)h t t h t h t u t

1 0.9634

3 1.2297

2 0.4571

4 4.4617

/3549

Resultados del modelado semi-físico

El error RMS de este modelo es menor y mucho mas importante ninguna salida simulada es negativa lo cual indica que el modelo es fisicamente razonable

/3550

Hacia el modelado fuzzy

Comparando el modelo ARX con el modelo semi-físico vemos que este:

» da una respuesta fisicamente razonable

» se comporta mejor, excepto a niveles mayores

Sin embargo, no existe garantia que las salidas del modelo sean físicamente razonables para otros valores de entrada.

/3551

Hacia el modelado fuzzy

¿Qué conocemos del proceso?

» Primero que todo que, a flujos de entrada mayores el nivel de liquido aumenta. Es decir, la respuesta en estado estable es monotonica creciente

» Segundo, los datos de la entrada varian entre 3.5 y 7.5 V., lo cual indica que siempre existe un flujo a traves de tanque.

– Aunque los datos de estimacion sean de alta calidad presenta ciertos vacios. Un buen modelo deberia estar equipado con capacidad de extrapolacion (tanque vacio)

/3552

Modelado fuzzy La entrada el modelo fuzzy:

» Los modelos ARX y semi-fisico estudiados indican que u(t – 1) y h(t – 1) son señales de regresion utiles

Las variables linguisticas

» Deseando un modelo de complejidad baja es importante describir cada variable lingüística con pocos valores linguisticos construccion de las reglas

La base de reglas

» Tomando como punto de partida el modelo ARX y notando su buen comportamiento a niveles altos, es razonable poner mayor esfuerzo en donde es bajo

/3553

Estructura del modelo fuzzy

Modelo singleton fuzzy

1u t

1h t h t

/3554

El modelo singleton

Recordemos la expresion para la salida del modelo singleton

Es un modelo lineal en bi

1

K

i ii

y x b

1, ,T

Kb b ( ) ( )Ty k k

/3555

Estimacion de los parametros

Para la estimacion de los parametros del consecuente un metodo posible es el metodo de los minimos cuadrados lineales

¿Cómo estimar los parametros del antecedente?

Algoritmos de optimizacion

/3556

Fuentes J.-S. Roger Jang, Slides for Fuzzy Sets, Ch. 2 of Neuro-Fuzzy

and Soft Computing. CS Dept., Tsing Hua Univ., Taiwan.

J.-S. Roger Jang and C-T Sung, Neuro-Fuzzy Modeling and Control. Proceedings of the IEEE, March 1995.

Robert Babuska. Fuzzy and neural control. DISC Course Lecture Notes (October 2001)

Robert Babuska. Course Fuzzy and Neural Control, 2001/2002.

/3557

Fuentes R. Babuska, H.B. Verbruggen, H. Hellendoorn, Promising

Fuzzy Modeling and Control Methodologies for Industrial Applications, 1999

René Jager, Fuzzy Logic in Control. PHD thesis, 1995.

Javier Echauz, Sistemas y Controles Inteligentes, Universidad de Puerto Rico, 2000

L.X. Wang, “Adaptive Fuzzy Systems and Control: Design and Stability Analysis”, Prentice-Hall, 1.994

/3558

Fuentes Kwang-Hyung Lee, Textbook CS670 Fuzzy Theory,

http://if.kaist.ac.kr/lecture/cs670/textbook/, septiembre 2001

J. Galindo Gómez, Conjuntos y Sistemas Difusos (Lógica Difusa y Aplicaciones). Departamento de Lenguajes y Ciencias de la Computación, Universidad de Málaga, 2002?

Vojislav Kecman, Fuzzy logic basics. Slides accompanying the MIT Press book: Learning and Soft Computing. 2001

/3559

Fuentes Djamel Bouchaffra, Soft Computing (Lecture Notes). Oakland

University. Fall 2005

K. Ahmad, B. Vrusias, M. Casey, Artificial Intelligence (Lecture Notes). Center for Knowledge Management. Department of Computing. University of Surrey. September 2004