¿Qué es la lógica difusa?

La lógica difusa puede no parecer el medio más confiable para implementar un sistema de control complejo. Sin embargo, la capacidad de los sistemas de lógica difusa para trabajar con datos imprecisos e implementar la experiencia de los expertos los convierte en una herramienta poderosa en las aplicaciones de control modernas.

Descripción general de la lógica difusa

La lógica difusa, una subdivisión de la IA (inteligencia artificial) desarrollada por Lofti Zada ​​en 1965, permite que un sistema informático imite cómo los humanos interpretan e interactúan con los datos. Mientras que la lógica booleana se limita a dos resultados (Verdadero o Falso, 0 o 1), la lógica difusa se ocupa de los grados de verdad.

Considere, como ejemplo, un sistema de visión artificial que permite a un sistema robótico autónomo navegar por un piso de almacén ocupado. Veríamos una puerta a nuestra derecha abrirse rápidamente y sabríamos que probablemente un obstáculo está a punto de aparecer. Pero la lógica booleana no se ocupa de "probablemente", se trata de "un obstáculo está a punto de aparecer" y "un obstáculo no está a punto de aparecer".

Con lógica difusa, la entrada como la velocidad con la que se abrió la puerta (es decir, muy lenta, lenta, media, rápida, muy rápida), dónde se encuentra la puerta y la hora del día se puede transformar en la probabilidad de que un obstáculo está a punto de aparecer (p. ej., 0,8).

Los conceptos básicos de la lógica difusa

En un sistema de lógica difusa, hay tres tipos diferentes de valores:

• Ingrese valores, que están en forma de valores numéricos nítidos (p. ej., T =120 ° C)
• Valores difusos, que representan la probabilidad de que un valor nítido pertenezca a un conjunto de categorías representadas lingüísticamente (p. ej., Bajo =0,2, Normal =0,8, Alto =0,0)
• Valores de salida, que están difuminados y nítidos (Prioridad =0,7)

Hay cuatro partes en un sistema de lógica difusa:

1. Módulo de fuzzificación
2. Base de conocimientos
3. Motor de inferencia
4. Módulo de defuzzificación

El módulo de fuzzificación recibe entradas del sistema en forma de valores numéricos nítidos (en lugar de difusos). La señal de entrada de valor nítido se divide en un conjunto de categorías generalmente representadas por valores lingüísticos (por ejemplo, frío, cálido, caliente).

Figura 1. Gráfico de tres funciones de pertenencia que representan deficiente, bueno y excelente. Imagen utilizada por cortesía de Mathworks

El valor difuso para cada categoría es la probabilidad de que el valor nítido caiga dentro de ella. Los valores difusos también se pueden considerar como un "grado de verdad":un automóvil que viaja a 95 mph podría estar "viajando rápido con un grado de verdad de 0,75". El proceso de fuzzificación real se logra mediante un conjunto de funciones de pertenencia, siendo las más comunes triangular, trapezoidal, guasiana o sigmoidea.

La base de conocimientos contiene un conjunto de reglas si-entonces basadas en el razonamiento humano e informadas por un experto en el área temática. A continuación, se muestra un ejemplo de cómo puede verse esto:

• SI la temperatura es alta Y la velocidad es baja ENTONCES Alert_Level =Moderate
• SI la temperatura es alta Y la velocidad muy_alta ENTONCES Alert_Level =Low
• SI la velocidad es baja Y la temperatura es alta O la aceleración es ALTA, entonces Alert_Level =High

El motor de inferencia usa las reglas de la base de conocimiento para los valores difusos de una manera similar a como lo haría un experto humano en la materia. El resultado es otro valor difuso y en este caso.

Finalmente, el módulo de defuzzificación convierte la salida del motor de inferencia en un valor nítido, muy parecido al inverso del módulo de fuzzificación. En este ejemplo, el nivel de alerta puede llegar a 0.8, lo que ayuda a los técnicos a priorizar las tareas de mantenimiento preventivo.

Cómo se usa la lógica difusa

La lógica difusa se usa ampliamente y muchas personas se benefician de sus capacidades sin darse cuenta. El procesamiento del lenguaje natural, donde se utilizan comandos de voz para interactuar con objetos, es un área donde se aplica la lógica difusa. En el procesamiento del lenguaje natural, existe un nivel de incertidumbre en cuanto a lo que dice un individuo. Aún así, la lógica difusa puede manejar datos tan ruidosos o imprecisos para interpretar lo que se dice con un alto grado de precisión.

Figura 2. La lógica difusa y las redes neuronales pueden identificar varias regiones en imágenes de satélite, incluidas las instalaciones petrolíferas en alta mar.

Los ingenieros utilizan la lógica difusa como parte de su sistema de apoyo a la toma de decisiones, y se puede encontrar integrada en el marketing y la publicidad. Además, los sistemas de lógica difusa se pueden combinar con redes neuronales como parte de los sistemas de visión artificial para identificar posibles diferencias entre tierras de cultivo, áreas urbanas, bosques y agua en imágenes de satélite.

Sin embargo, un área donde la lógica difusa ha encontrado amplias aplicaciones son los sistemas de control.

Sistemas de control y lógica difusa

En los automóviles, puede haber un sistema de lógica difusa que controle el sistema de frenado. Los vehículos autónomos dependen en gran medida del control de lógica difusa (FLC) para sistemas como la velocidad, la dirección y el control de crucero adaptativo. E incluso los automóviles no autónomos probablemente utilizarán FLC para el sistema de frenado. Los sistemas de aire acondicionado, también, a menudo dependen de la lógica difusa como parte de los termostatos inteligentes para mantener la temperatura de la habitación y la velocidad del ventilador en niveles cómodos mientras se optimiza el consumo de energía.

Sin embargo, esos son solo dos ejemplos de su uso. FLC se puede encontrar en industrias muy diversas, incluida la automatización industrial, la fabricación biomédica, el procesamiento petroquímico, la fabricación de automóviles y la energía nuclear.

Las bombas, los motores, los ventiladores y las transmisiones se pueden controlar mediante lógica difusa, recibiendo datos de una serie de sensores como entrada. Se puede lograr un control de movimiento extremadamente preciso utilizando FLC, de ahí su uso en sistemas de mecanizado de control numérico por computadora (CNC). Su capacidad para controlar eficazmente las temperaturas se evidencia en su uso en hornos y hornos de tratamiento térmico que dependen de ciclos de temperatura de alta precisión. FLC también puede supervisar interacciones de sistemas extremadamente complejas, como las que se ven en la robótica de enjambres.

Figura 3. La tecnología detrás del desarrollo de sistemas robóticos de enjambre, como este desarrollado por el Laboratorio de Investigación de Electrónica del MIT, aprovecha el poder de los sistemas de control difuso. Imagen utilizada por cortesía del MIT

FLC también es invaluable en sistemas que dependen de la visión artificial y ha hecho posibles y efectivos muchos avances en automatización industrial, IIoT e Industria 4.0.

Los sistemas de control tradicionales dependen de datos y reglas muy precisos que pueden no tener en cuenta la experiencia de operadores y expertos. Por otro lado, la lógica difusa es ideal para aplicaciones donde los datos son ruidosos, imprecisos o faltan parcialmente. Su base de conocimientos puede aprovechar el conocimiento y la experiencia de personas reales para simular su proceso de toma de decisiones.