MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 580 / ENERO 2026 49 el control PID, los sistemas expertos basados en lógica difusa, y los modelos predictivos como el Model Predictive Control (MPC), tal como se ilustra en la Figura 1. Dentro del ámbito de los sistemas expertos, Cipriano (2010) resalta que una de las técnicas más eficaces para manejar la incertidumbre inherente a los procesos es la lógica difusa. Según Sivanandam et al. (2006), la lógica difusa fue introducida en 1965 por Lotfi Zadeh como una herramienta matemática para tratar la incertidumbre y la ambigüedad. En la misma línea, Mathworks (2020) la define como un método basado en reglas “si–entonces”, que transforma entradas numéricas en salidas lingüísticas a través de funciones de pertenencia y procesos de inferencia. Adicionalmente, Singh y Ahmad (2020) explican que un Sistema de Inferencia Difusa (Fuzzy Inference System, FIS), como se muestra en la Figura 2, busca emular el razonamiento humano para resolver problemas complejos sin necesidad de una formulación matemática precisa. Un FIS se compone comúnmente de: Fuzzificación: convierte entradas numéricas en grados de pertenencia. Base de reglas: contiene el conocimiento experto expresado como reglas lingüísticas. Motor de inferencia: evalúa las reglas activas. Defuzzificación: transforma la salida difusa en un valor numérico. En cuanto a los tipos de FIS, Mathworks (2020) distingue principalmente dos modelos: Mamdani y Takagi–Sugeno. La Tabla 1 resume sus principales ventajas y aplicaciones. Para la implementación del FIS en este trabajo se utilizó FuzzyLite, una biblioteca desarrollada por Rada-Vilela (2015) para construir motores difusos de alto rendimiento tanto en C++ como en Python. Esta herramienta permite simular de forma eficiente sistemas tipo Mamdani o Takagi–Sugeno sin necesidad de desarrollar un motor desde cero. Sus funcionalidades están organizadas en componentes según se detalla en la Tabla 2. No obstante, una limitación fundamental de los FIS tradicionales radica en que tanto las reglas como las funciones de membresía deben ser definidas manualmente por expertos. Este proceso, además de ser intensivo en conocimiento, restringe la capacidad de adaptación Tabla 1. Comparación entre Sistemas de Inferencia Difusa FIS Ventajas Mamdani Intuitivo. Adaptado a la intervención humana. Base de reglas más interpretable. Tiene una amplia aceptación. Sugeno Computacionalmente eficiente. Funciona bien con técnicas lineales, como el control PID. Trabaja bien con técnicas de optimización y adaptación. Muy adecuado para el análisis matemático. Nota. Adaptado de Mathworks (2020). Tabla 2. Componentes Principales de la Librería FuzzyLite Componente Descripción Engine Es el núcleo del sistema difuso. Define entradas, salidas, reglas y método de inferencia. InputVariable Representa una variable de entrada con un rango definido y funciones de membresía. OutputVariable Variable de salida que puede operar en modo Mamdani (con superficie de salida) o TakagiSugeno (valor numérico). Term Define funciones de membresía como Triangle, Trapezoid, Gaussian, Bell, etc. RuleBlock Conjunto de reglas difusas definidas de forma lingüística (if-then). Rule Expresión lógica que conecta términos de entrada con una conclusión de salida. Defuzzifier Método para convertir una salida difusa en una salida numérica (ej. Centroid, Bisector).
RkJQdWJsaXNoZXIy MTM0Mzk2