Professional Documents
Culture Documents
REGLARII FUZZY
1.INTRODUCERE
Abordarea controlului traditional necesita modelarea realitatii fizice. Trei metode pot
fi folosite in descrierea unui sistem:
1.metoda experimentala: prin experimentarea si determinarea reactiilor procesului la
diferite intrari se poate realiza un tabel de intrari si iesiri. Grafic, metoda este echivalenta
cu trasarea unor puncte discrete ale curbei de intrare-iesire, folosind axele orizontale
pentru intrare si cele verticale pentru iesire. Prin intelegerea unei asemenea reactii de
intrare-iesire, se poate proiecta un controler. Exista cateva dezavantaje: echipamentul
pentru acest proces poate sa nu fie disponibil pentru experimentare, procedura ar fi, de
obicei, foarte costisitoare si pentru un numar mare al marimilor de intrare nu este practica
masurarea iesirilor si interpolarea acestora. De asemenea, trebuie avut grija sa se
determine marja permisa a marimilor de intrare si iesire, pentru a ne asigura ca valorile
acestora nu ies din aria de masurare a instrumentelor disponibile.
1
1.3. Metoda euristica: aceasta metoda consta in modelarea si intelegerea in
concordanta cu experienta anterioara, regula degetului mare des folositele strategii. O
regula euristica este o implicatie logica de forma: DACA <conditie> ATUNCI
<consecinta>, sau in situatia tipica de control: DACA<conditie> ATUNCI<actiune>.
Reguliile asociaya concluziile cu conditiile. Prin urmare, metoda euristica este in realitate
similara cu metoda experimentala a construirii unui tabel de intrari si iesirile
corespunzatoare unde in loc sa avem valori numerice fixe de intrare si variabile de iesire,
se folosesc valori fuzzy: DACA tensiunea de intrare =Mare ATUNCI tensiune de iesire =
Medie. Avantajele metodei euristice sunt: (1) nu este necesara presupunerea liniaritatii si
(2) rgulile euristice pot fi integrate in strategiile de control ale operatorilor umani.
Strategiile de control fuzzy provin mai degraba din experiente si experimente decat din
metode matematice si, prin urmare, relizarile lingvistice sunt mult mai rapid
implementate. Srtategiile de control fuzzy implica un numar mare de intrari, mare parte
dintre ele fiind relevante doar in anumite conditii. Astfel de intrari sunt activate numai
cand conditii asemanatoare predomina. In acest fel, putine depasiri numerice aditionale
sunt necesare pentru adaugarea de reguli suplimentare. Ca rezultat, regulile structurii de
baza raman inteligibile, ducand la o documentare si codare eficiente a sistemului.
2. RATIONAMENTE LOGICE
O conexiune inte cauza si effect sau o conditie si o consecinta este facuta de rationament.
Rationamentul poate fi exprimat printr-un rationament logic ori prin evaluarea iesirilor cu
scopul de a trage o concluzie. De obicei folosim regulile rationamentului care au forma:
DACA cauza1 =A si cauza 2 = B ATUNCI efectul = C, unde A, B si C sunt variabile
lingvistice. De exemplu, DACA “temperatura camerei” este Medie ATUNCI “comuta
viteza ventilatorului pe Rapid”, Medie este o functie care defineste gradele temperaturii
din camera, in timp ce Rapid este o functie care defineste gradele vitezei ventilatorului.
Inteligenta consta in asocierea acestor doi termeni prin intelegerea unui rationament
exprimat in termenii euristici DACA... ATUNCI. In scopul de a converti un termen
lingvistic intr-unul numeric trebuie folosit un set de teorii fundamentale. La afirmatia
DACA “temperatura camerei” este Medie, trebuie sa ne punem urmatoarea intrebare
“este temperatura camerei Medie ”? O logica traditionala, numita si logica booleana, ar fi
raspuns: DA si NU. Prin urmare, ideea unui parteneriat a unui element x intr-un set A
este o functie μA(x) a carei valoare indica daca elementul apartine setului A. Logica
booleana ar arata, de exemplu, μA(x) = 1, atunci elementul apartine setului A, sau μA(x)
= 0, atunci elementul nu apartine setului A.
3. REGLAJE FUZZY
2
interval corespunde cu asocierea fuzzy in set. In teoria fixa a setului, daca cineva este mai
inalt de 1,8 metri, putem afirma ca acea persoana apartine “grupului de oameni inalti”.
Cu toate acestea, aceasta fina schimbare de la 1,7999 metri pentru o “persoana scunda”
pana la 1,8001 metri ai unei “persoane inalte” este impotriva bunului simt. Un alt
exemplu poate fi urmatorul: sa presupunem ca pe o autostrada limita de viteza este de 65
mile/ora. Aceia care conduc cu o viteza mai mare decat 65 mile/ora apartin grupului A a
carui elemente sunt infractoriia caror functie asociata are valoarea 1. Pe de alta parte,
aceia care conduc mai incet nu apartin grupului A. Trecerea fina intre a fi sau a nu fi
membru ar putea fi realista? Ar trebui sa fie trimisa o amenda de circulatie soferilorcare
sunt prinsi cu viteza de 65,5 mile/ora? Sau cu viteza de 65,9 mile/ora? Prin urmare in
situatiile practice exista intotdeauna o confuzie naturala cand cineva analizeaza afirmatii,
pe cand o curba regulata asociata descrie, de obicei, mai bine gradul de apartenenta a
unui element la un grup.
3.1. Fuzzificarea
Fig.1
3
Functiile asociate pentru reglajele fuzzy RACOARE si CALD sunt trapezoidale,
functia asociata pentru BINE este triunghiulara si functiile asociate pentru RECE si
FIERBINTE sunt pe jumatate triughiulare indicand la baze limitele fizice pentru un
asemenea proces (a sta intr-o camera cu o temperatura sub 8 grade Celsius sau peste 32
grade Celsius ar fi cat se poate de incomfortabil). Modul de a proiecta astfel de reglaje
fuzzy este o problema de pregatire si depinde exclusiv de experienta si intuitia
proiectantului. Mai mult ca sigur un eschimos si un locuitor din zona ecuatoriala ar trasa
functii asociate foarte diferite pentru aceleasi reglaje fuzzy. Figura arata cateva reglaje
fuzzy nesuprapuse partial, care pot indica orice neliniaritate in procesul de modelare.
Acolo o temperatura de intrare de 18 grade Celsius ar fi considerata RACOARE cu o
crestere de 0,75 grade si af fi considerata buna cu o crestere de 0,25 grade. Pentru a
construi regulile care vor controla motorul instalatiei de aer conditionat, am putea urmari
cum un expert ar regla viteza motorului astfel incat aceasta sa scada sau sa creasca, in
concordanta cu temperatura, obtinand empiric regulile. Daca temperatura camerei este
buna, mentine viteza motorului medie, daca este cald, roteste butonul de reglare a vitezei
pe rapid, si daca este fierbinte, creste viteza. Pe de alta parte, daca temperatura este
racoroasa, incetineste viteza si opreste motorul daca este rece. Aceasta este frumusetea
logicii fuzzy: a transforma bunul simt, descrierile lingvistice intr-un sistem controlat de
calculator. Asadar, este necesar sa intelegem cum sa folosim cateva operatii logice pentru
a construi reguli.
Operatiile logice boolene trebuie sa fie extinse in logici fuzzy pentru a manevra
notiunea de partial adevarat – valori adevarate intre intervalul „complet adevarat” si
„complet fals”. Natura fuzzy a unei afirmatii de genul „X este JOS” poate fi combinata cu
afirmatia fuzzy „Y este INALT” si o operatie logica tipica poate fi data astfel X este JOS
si Y este INALT. Care este valoarea de adevar a acestei operatii? Operatiile logice cu
reglaje fuzzy se executa cu functii asociate. Desi exista variate interpretari ale operatiilor
logice fuzzy, urmatoarele definitii sunt foarte convenabile in aplicatiile cu controlere
integrate:
Adevar(X si Y)=min(adevar(X), adevar(Y))
Adevar(X sau Y)=max(adevar(X), adevar(Y))
Adevar(nu X)=1,0-adevar(X)
3.2. Defuzificare
Dupa rationamentul fuzzy avem o variabila lingvistica de iesire care trebuie sa fie
transformata intr-o valoare fixa. Obiectivul este de a deriva o singura valoare numerica
fixa care reprezinta cel mai bine valorile fuzzy inchise de variabilele lingvisice de iesire.
Defuzzificarea este transformarea inversa care arata iesirea din domeniul fuzzy direct in
domeniul fix. Unele metode de defuzzificare tind sa produca o iesire integrala luand in
considerare toate elementele rezltatelor reglajelor fuzzy cu importanta corespunzatoare.
Alte metode iau in considerare doar elementele corespunzand punctajelor maxime in
rezultatele functiilor asociate.
4
Urmatoarele metode de defuzzificare au o importanta practica:
Center-of-Area (C-o-A) – aceasta metoda se refera la metoda Center-of-Gravity
(centrul de gravitate), pentru ca evalueaza centroidul ariei compuse reprezentand
termenul fuzzy de iesire.
Center-of-Maximum (C-o-M) – in cadrul acestei metode sunt folosite doar varfurile
functiilor asociate. Valoarea compromisa a defuzzificarii fixe este determinata de gasirea
locului unde greutatile sunt in echilibru. Astfel aria functiilor asociate nu joaca nici un
rol, doar varfurile sunt utilizate. Iesirea fixa este evaluata ca un sens incarcat al temenului
de asociere maxima, incarcat de implicatia rezultatelor.
Mean-of-Maximum (M-o-M) – metoda este folosita in cateva cazuri in care abordarea
C-o-M nu functioneaza. Acest lucru se intampla ori de cate ori maximul fumctiilor
asociate nu sunt unice si intrebarea este care dintre alternativele egale ar trebui sa alegem.
4. CONTROLERE FUZZY
CUNOSTINTE
DE BAZA
Fig.2
5
In scopul de a procesa intrarea pentru a obtine rationamentul de iesire deosebim sase
pasi implicati in crearea unei reguli pe care se bazeaza un sistem fuzzy:
1. identificarea intrarilor si a intervalelor lor, precum si numirea lor
2. identificarea iesirilor si a intervalelor lor, precum si numirea lor
3. crearea unui grad de functii de asociere fuzzy pentru fiecare intrare si iesire
4. construirea de reguli de baza, dupa care sistemul va opera
5. deciderea modului cum actiunea va fi executata prin atribuirea de forta regulilor
6. combinarea de reguli si defuzzificarea iesirii
5. CONCLUZII