INTEGRANTES

 Aliaga Pérez, Carmen

 Avalos Félix, Franks
 Esquivel Cárdenas, Elsa
 Valencia Rojas, Richard
 controlar el
Tiempo de apertura de
válvulas de regadío

basado en

Temperatura Humedad relativa de Incidencia del sol en Parámetros

ambiente la tierra las estaciones del año meteorológicos

Se comparará la respuesta Simular por software la evolución

del sistema frente a otros de un entorno de regadío simple OBJETIVO FINAL
sistemas habituales
  Solo el 1% del aguan en el planeta es dulce.
 Las fuentes de renovación hidráulica están en vías de extinción.
 El consumo de agua se ha triplicado desde mediado del siglo IX.

 El sector agrícola consume el 65% de la dotación.

CONTEXTUALIZACIÓN
 El proyecto “Optimizagua” demostró que mediante el
almacenamiento de aguas pluviales y sistemas de riego
inteligentes se ahora un 60% de agua.

 Utilizando las técnicas de IA y fuzzy logic se conseguirá regular

el riego en tiempo real.
 Se optimizará el uso de agua de un depósito que surte áreas de
riego.
 CONDICIONES
DE RIEGO

MOMENTOS
EN ESTACIONES AHORRO DE AGUA
DE RIEGO

Invierno Riego innecesario en

Primeras horas de la Parques y jardines
mañana públicos
Primavera
Atardecer
Realizar estudios de la
Verano necesidad de agua de
la planta
Riego automático
nocturno
Otoño
  Herramienta para el control de subtesistemas y procesos
industriales complejos, sistemas de diagnostico, etc.
 Representa de forma rigurosa el significado de los enunciados
imprecisos de lenguaje natural.

 Lógica que difiere de la clásica de sistemas, enfocada en la

modernización de modos de razonamiento impreciso.
LÓGICA BORROSA
 Apoya la actividad humana en la toma de decisiones frente a un
ambiente de imprecisión.

 Utilizando las técnicas de IA y fuzzy logic se conseguirá regular

el riego en tiempo real.
 Se optimizará el uso de agua de un depósito que surte áreas de
riego, considerando la situación externa.
 CONJUNTO BORROSO

Se interpretan los elementos que

han asignado el número 1 como
los elementos que están en el
conjunto A y los elementos que
han asignado el número 0 como
los elementos que no están en el
conjunto A.
 CONCEPTOS
Razonamiento Aproximado Relaciones borrosas
Proceso de obtener, a través de un proceso Generalización de las relaciones entre los conjuntos
de inferencia, unas conclusiones imprecisas abruptos de la Teoría de Conjuntos Clásica. En
a partir de unas premisas también términos de sistemas expertos, las relaciones son
imprecisas. relevantes para expresar la asociación formal entre
antecedentes y consecuentes.

Mecanismo de inferencia borrosa

El mecanismo de interpretación de una regla se realiza aplicando como Regla de Inferencia
la composición supremo-estrella, de manera que si R es una relación borrosa en U×V y x es
un conjunto borroso en U entonces el conjunto borroso y en V que se infiere de la aplicación
de la regla viene dado por y = x ° R donde x ° R es la composición supremo-estrella de x y R.
 Control borroso

Trabajan de una forma bastante diferente a los

Permite, en algunos casos, una interpretación por
controladores convencionales; el conocimiento
parte del usuario final y una mejor integración
experto se usa en vez de ecuaciones diferenciales para
con otras etapas superiores en un marco único.
describir un sistema.
 Estrategia de Borrosificación Base de reglas
El proceso de borrosificar está El comportamiento dinámico de un
relacionado con las sistema borroso está caracterizado por un
vaguedades e imprecisiones conjunto de normas lingüísticas basadas
del lenguaje natural, es decir, en el conocimiento del experto. Estos
conocimientos se expresan con sentencias
se trata de realizar una PARÁMETROS DE del tipo: SI condiciones_de_entrada
valoración completamente
subjetiva que transformará un DISEÑO DE UN ENTONCES acción_a_ejecutar
valor medido en un valor
subjetivo. CONTROLADOR
Inferencia BORROSO
Desborrosificación
Realizara la evaluación de cada
Como ya hemos visto anteriormente, la
una de las reglas del sistema. Se
etapa de desborrosificación es la última
puede escoger el tipo de
etapa del controlador borroso y la
inferencia a realizar decidiendo
encargada de generar un valor no-
qué tipo de operador utiliza para
borroso a partir del valor borroso
realizar cada una de las
generado en la etapa de inferencia.
operaciones aplicables a los
conjuntos difusos.
 Justificación del uso de un sistema de
riego inteligente con control borroso
Estimación humana del tiempo de riego

Determinar las necesidades hídricas de las plantas de un jardín

resulta básico en la organización del riego: la cantidad de agua que
las plantas pierden por evotranspiración (ET).

La cantidad de agua perdida por un jardín a causa de la ET varía en función de la

especie plantada, la densidad de la vegetación y las condiciones microclimáticas.

El método del coeficiente del jardín proporciona a los responsables de

jardinería y del riego una estimación de la cantidad de agua necesaria
para mantener un jardín de calidad aceptable.
 Comparación con sistemas inteligentes

no sólo es importante la necesidad de agua de la planta

sino también la cantidad de agua utilizada así como su
optimización, manteniendo a la planta en buenas
condiciones.

Un sistema de riego inteligente necesita un estudio

similar al explicado anteriormente para ser realizado
(en el caso de un sistema pequeño y específico) o
configurado (en el caso de un sistema grande y
general).

Un sistema de riego inteligente recogerá, en el momento

de regar, los datos necesarios del terreno y tomará una
decisión del tiempo de riego acorde con ello.
 Sistema de riego inteligente con control borroso

Un sistema de riego basado en estudios que se programe y se deje

fijo puede ser bastante bueno no consigue mantener a la planta en
perfecto estado con un consumo mínimo de agua.

Como las variables de entrada al sistema de riego inteligente

son en su mayor parte difusas, lo más adecuado es utilizar un
sistema de control borroso para realizar los razonamientos e
inferencias.

Ventajas:
• Eficiencia: Ofrece salidas de una forma veloz y precisa
• Simplicidad: Al utilizar conceptos parecidos a los usados por los humanos al
razonar, se puede conseguir que las reglas sean sencillas de forma que la
comunicación con el experto y las modificaciones de las mismas se pueden realizar
fácilmente.
• Estabilidad de los resultados: Capacidad de adelantarse en el tiempo a los
acontecimientos, estabilizando siempre el entorno físico que controla.
DESARROLLO DEL SISTEMA
Definición del sistema

La función de la aplicación será ajustar el riego de una zona a

unas determinadas condiciones externas. Nuestro sistema
obtendrá unas determinadas características externas
(humedad, temperatura...) en ciertos rangos y decidirá la
forma de riego (tiempo de apertura de los aspersores)
basándose en las reglas obtenidas a partir de un estudio del
conocimiento sobre el tema.
Características principales del sistema

Es un sistema basado en conocimiento (SBC)

El sistema tiene una simulación gráfica en la que se podrán hacer

cambios externos y observar la respuesta del mismo.

Se utiliza lógica borrosa, ya que los valores de las entradas y la

salida se moverán en conjuntos imprecisos (poca humedad,
bastante humedad, mucha humedad,...).
Pasos a seguir en el desarrollo del sistema
 Estudio del conocimiento sobre riego

Identificación El problema al que nos enfrentamos, desde el punto de vista de adquisición de

conocimiento, es el de encontrar las variables de entrada y de salida.

Adquisición de Para adquirir el conocimiento lo que se suele hacer es entrevistar a un experto en el tema.
conocimiento Después de la entrevista, en la que se toman notas, se agrupa y organiza el conocimiento
obtenido de forma que se pueda utilizar por el sistema.

Para la primera versión, el objetivo era realizar un sistema pequeño con todas las
Conceptualización características del sistema total.
Para la salida se escogió el tiempo de apertura de los aspersores, puesto que el ángulo de
apertura no es suficiente.

Se utilizaron un conjunto de reglas con lógica borrosa, ya que los conceptos utilizados no
Formalización son nítidos, es decir, se mueven en torno a un rango de valores y no a valores binarios (uno
y cero) como la lógica clásica.
 Diseño
• El sistema de reglas. Implementa el controlador fuzzy que toma las decisiones según las
entradas.
Identificación • La interfaz Java. Para poder mostrar el sistema de forma más sencilla, como no tenemos la
de las partes posibilidad de hacer una implementación hardware, la única manera de hacerlo es mediante
del sistema una simulación software.

Especificación
de las partes El sistema de reglas ha sido diseñado utilizando la información y las decisiones realizadas en la
del sistema fase anterior (estudio del conocimiento).

Modelo-Vista-Controlador (MVC) es un patrón de diseño que separa la interfaz de una

aplicación, los datos de la misma y la lógica de control.
 Implementación

Implementación del controlador borroso. XFUZZY

Características principales:
• Facilita el diseño de un sistema borroso desde su descripción hasta
su implementación.
• Permite el desarrollo de sistemas complejos
• Flexibilidad para permitir al usuario extender el conjunto de
funciones disponibles

Herramientas:
• Descripción
• Verificación
• Síntesis
• Definición de operadores
• Generación de gráficas 2D y 3D
• Aprendizaje
Una vez definidos los conjuntos borrosos comenzamos el diseño de los dos motores de inferencia, uno para
la variable percepción solar, y otro para la variable final de salida, tiempo. La inferencia se realiza en base a
un sistema de reglas definido. La variable percepción solar se introduce en el motor general de la aplicación
como variable de entrada fuzzy que proviene de otro motor.
El sistema de reglas se modela con reglas del tipo IF THEN ELSE. De esta forma obtenemos el
comportamiento deseado para este sistema. Con estas reglas realizamos la inferencia del sistema y
ajustamos el comportamiento del controlador.

En estas reglas se ve el uso de los diferentes operadores, ya que dependiendo de su definición los
resultados de cada regla variarán. Por ejemplo, en el caso de la lógica del producto, la definición de los
operadores y del tipo defuzzyficación tendría este aspecto:
Al ejecutar las reglas con unas determinadas variables de entrada y la definición de una de las lógicas,
vemos que la evaluación de las reglas varía
Una vez de definida la base de
reglas, realizada la inferencia y
habiendo pasado por la
defuzzyficación, para ver los
resultados estudiamos las gráficas
en 3D que nos facilita el propio
programa Xfuzzy. Según la familia
que usemos para la definición de
operadores, obtendremos un
resultado u otro
Para implementar el sistema se ha utilizado Borland JBuilder con el JDK 1.5. También se ha creado un
proyecto en Eclipse, ya que éste es de libre distribución por lo que el código será más accesible.

Cabe destacar que para conseguir un ahorro óptimo de agua en el riego, objetivo del desarrollo del
sistema, se ha incluido en ésta parte una matización del tiempo de riego que da la clase que describe el
sistema difuso según la cantidad de agua disponible en un depósito del que se supone que regará. Con esto
queremos simular lo que ocurre cuando el agua de las reservas pasa un cierto límite y se imponen
restricciones en el riego.
Como detalles de implementación, destacar que todas las inferencias son realizadas por las clases Java
generadas por la herramienta XFuzzy. Aparte de la interfaz gráfica, diseñada para visualizar de manera
precisa la evolución del entorno, se han tomado algunas consideraciones a la hora de modelar ciertos
aspectos. Debido a que es un sistema software, hemos tenido que simular algunos parámetros
climatológicos, como es la humedad relativa de la tierra, dado que a falta de sensor hardware, eran
necesarios estos datos. Para ello, y de manera empírica, se ha calibrado el ajuste del encharcamiento de la
tierra para obtener uno datos bastante aproximados.
 Diagrama de paquetes de
la Aplicación
Nuestra Aplicación se divide en tres paquetes fundamentales, que son SistemaRegadio, lógica y
JMathPlot. La interacción de los paquetes se realiza de acuerdo al siguiente diagrama.
 Diagrama de Casos de Uso de la Aplicación
• el diagrama de Casos de Uso de la aplicación, donde quedan reflejadas el
conjunto de interacciones que el usuario puede tener con el sistema, ya sea en la
Simulación Instantánea, Diaria o Mensual.
La implementación de la clase que describe
el sistema difuso
• (SistemaRegadio_logica.java) contiene varias clases abstractas y
concretas: para implementar los comparadores, operadores, conjuntos,
reglas e inferencia.
 Clases abstractas:
• InnerMembershipFunction
• InnerOperatorset
 Clases concretas:
• InnerConclusion
• MF_xfl_bell
• OP_Operador
 PRUEBA
• Es la clase encargada de “crear” la aplicación, posee el método main() y es la clase que
crea el panel de pestañas, el hilo de eventos de reloj, que se disparará cada décima de
segundo. También crea un menú, utilizado sobretodo para poder cambiar el tipo de la
lógica borrosa que se esté utilizando.
• hiloEventosReloj
• tareaMinuto
• pestañaInstantánea
• pestañaDia
• pestañaMes
• Reloj
• RelojCronómetro
• Vista2D
• panelSlider
• HoraRiego
• AumDis
• jMathPlot
 Pruebas
Las pruebas del sistema nos han servido para poder ajustar determinados aspectos visuales,
facilitando el manejo al usuario.
Se introdujo un contador de minutos de riego, que llevase la cuenta del tiempo de ejecución
del riego. De esta forma, al igualar o superar el tiempo inferido, el sistema detiene el riego.
1. Ejecución de las pruebas
2. Resultados
• Verano
• Otoño
• Invierno
• Primavera
 CONCLUSIONES

El sistema de control funciona perfectamente de acuerdo a las especificaciones

del sistema. De poder ser implementado en la realidad, con sensores, podría
conseguir un ahorro considerable de agua, como se puede ver en los resultados
de la pruebas, con lo que hemos logrado el objetivo primordial del desarrollo.

Y destacar como más importante, los conocimientos adquiridos en lógica

borrosa: hemos aprendido los conceptos teóricos, su utilidad, sus ventajas, su
aplicación práctica,… Además, hemos tenido la oportunidad de utilizar la
herramienta XFuzzy, la cuál nos ha facilitado mucho el desarrollo.
 FUTURAS AMPLIACIONES
 La primera ampliación, y la más sencilla, sería incluir una forma de
parametrizar el sistema con los valores fijos del cultivo, el tipo de suelo,
número de aspersores, etc.
 La segunda ampliación que se nos ocurre sería incluir aprendizaje. La
herramienta utilizada para las reglas, el XFUZZY, permite aprendizaje, así
que probablemente se podría llevar a cabo modularmente en ésa parte del
sistema manteniendo la parte Java tal y como está.
 La tercera ampliación posible es realizar una implementación hardware.
Para ellos habría que adquirir sensores (de temperatura, luminosidad y
humedad), conectores, etc., en definitiva, todo el hardware necesario
utilizar el sistema en un cultivo real.
 BIBLIOGRAFÍA
• Dubois D, Prade H (1980) Fuzzy Sets and Systems. Theory and its Applications.
Academic Press, New York
• Pradera A; Trillas E, Cubillo S (2000) On modus ponens generating functions.
Internat. J. Uncertain. Fuzziness Knowledge Based Systems 8, 1, pp. 7-19.
• B. Schweizer, A. Sklar. Probabilistic metric spaces. North-Holland, Amsterdam, NL,
1983.
• E. Trillas, C. Alsina and J. M. Terricabras. Introducción a la Lógica Borrosa. Editorial
Ariel. 1995.