INTRODUCERE IN TEHNICA

REGLARII FUZZY

In ultimii ani aplicatiile tehnice a inteligentei artificiale au fost folosite pentru a

converti experienta umana in scopul de a fi inteleasa de catre computer. Controlul avansat
bazat pe tehnicile inteligentei artificiale este numit control inteligent. Sistemele
inteligente sunt de obicei descrise prin analogii cu sistemele biologice, de exemplu, sa
privim cum oamenii executa diverse sarcini, cum recunosc mostre sau iau decizii. Exista
neconcordante intre oameni si masini: oamenii rationeaza cu incertitudine, imprecis, in
mod “fuzzy”, in timp ce masinile conduse de catre computere se bazeaza pe un
rationament binar. Logica fuzzy este o modalitate de a face masinile mai inteligente
permitandu-le sa rationeze intr-o maniera similara cu cea a oamenilor. Logica fuzzy,
propusa de Lofty Zadeh in anul 1965, a aparut ca un instrument care trateaza problemele
legate de luarea deciziilor incerte, imprecise sau calitative. Controlerele care combina
tehnicile inteligente cu cele conventionale sunt de obicei utilizate la controlul inteligent al
sistemelor dinamice complexe. Prin urmare, controlerele fuzzy integrate automatizeaza
ceea ce in mod traditional era controlat de om.

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.

1.2 . Metoda matematica: in inginerie se lucreaza dupa un model matematic ideal

al procesului controlat, de obicei, cu formule de diferite ecuatii diferentiale.
Transformanta Laplace si transformanta z sunt de obicei folosite. Pentru a face metodele
matematice destul de simple, sunt facute anumite presupuneri, una dintre ele fiind aceea
ca procesul este liniar, astfel incat, iesirea este proportionala cu intrarea. Tehnicile liniare
sunt valoroase pentru ca ele au ca rezultat o buna intuitie. Pe langa aceasta, nu exista o
teorie generala de solutii analitice pentru un sistem dinamic neliniar. O alta presupunere
este aceeea ca parametrii procesului nu se schimba in timp (sistemul este invariabil in
timp) in ciuda deteriorarii componentelor sistemului si a schimbarilor de mediu
inconjurator. Urmatoarele probleme apar in dezvoltarea unei descrieri realistice si pline
de inteles a unui proces industrial: (1) o intelegere mediocra a fenomenului, (2) valori
inexacte ale diferitilor parametri, (3) complexitatea metodei.

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

Un reglaj fuzzy este reprezentat de o asociere de functii definite de universul de

discutie. Universul de discutie este spatiul unde variabilele fuzzy sunt definite. Asocierea
de functii da gradul sau marimea asocierii din interiorul setului.asocierea de functii
organizeaza sub forma de harta elemente ale universului spre valori numerice in
intervalul [0, 1]. O functie asociata cu valoarea zero implica faptul ca elementul
corespunzator, in mod sigur, nu este un element din setul fuzzy, in timp ce valoarea
unitatii inseamna ca elementul apartine in totalitate setului. Un grad de asociere in

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

Fuzzificarea este un process de descompunere a a sistemului de intrare si/sau

iesire in unul sau mai multe grupuri fuzzy. Multe tipuri de curbe pot fi folosite, dar
functiile asociate de forma triunghiulara sau trapezoidale sunt cele mai comune pentru ca
ele sunt usor de reprezentat in controlerele integrate. Figura 1. arata un sistem de semnale
fuzzy pentru o intrare cu functii asociate trapezoidale si triunghiulare. Fiecare semnal
fuzzy acopera o regiune a valorii de intrare (sau iesire) reprezentata grafic printr-o
asociere. Fiecare intrare din acest grup fuzzy este reprezentata si un grad de asociere este
interpretat. Functiile asociate ar trebui sa se suprapuna partial pentru a permite
reprezentarea grafica regulata a sistemului. Procesul de fuzzificare permite intrarilor si
iesirilor sistemului sa fie exprimate in temeni lingvistici astfel incat regulile pot fi
aplicate intr-o maniera simpla pemtru a exprima un sistem complex.
Sa presupunem o implementare pentru un sistem de aer conditionat cu un senzor de
temperatura. Temperatura poate fi obtinuta de un microprocesor care are un algoritm
fuzzy care proceseaza o iesire cu un control continuu a vitezei unui motor ce mentine
camera intr-o „temperatura buna”, poate, de asemenea, directiona o evacuare orientata in
sus, sau in jos, dupa caz. Figura ilustreaza procesul de fuzzificare a temperaturii aerului.
Sunt cinci reglaje fuzzy pentru temperatura: RECE, RACOARE, BINE, CALD si
FIERBINTE.

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

Majoritatea produselor comerciale fuzzy sunt sisteme bazate pe reguli care

primesc informatii curente in bucla de feedback de la un dispozitiv in timp ce acesta
lucreaza si controleaza operatii de la un dispozitiv mecanic sau de alt tip. Un sistem logic
fuzzy are patru blocuri, dupa cum se arata in figura 2. Informatie de intrare fixa este
convertita
intr-o valoare fuzzy pentru fiecare grup de intrare fuzzy cu blocul de fuzzificare.
Universul discutiei variabilelor de intrare determina scalarea ceruta pentru operatia
corecta per unitate. Scalarea este foarte importanta pentru ca sistemul fuzzy poate fi
recalibrat cu alte dispozitive sau siruri de operatii doar prin schimbarea scalarii de intrare
si iesire. Logica de luare a deciziilor determina modul in care operatiile logicii fuzzy sunt
efectuate, si impreuna cu cunostintele de baza determina randamentul fiecarei reguli
fuzzy DACA-ATUNCI. Acestea sunt combinate si convertite in valori fixe cu blocul de
defuzzificare. Valoare fixa a randamentului poate fi calculata de centrul de gravitate sau
de greutatea medie.

INTRARE DECIZII IESIRE

FUZIFICARE LUATE DEFUZIFICARE
LOGIC

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

Sistemele fuzzy promit mult pe piata de consum, in sistemele industriale si

comerciale si in sistemele de sustinere a deciziilor. Termenul „fuzzy” se refera la
abilitatea de a trata cu intrari imprecise sau vagi. In loc sa foloseasca ecuatii matematice
complexe, logica fuzzy foloseste descrieri lingvistice pentru a defini legatura dintre
informatia de intrare si actiunea de iesire. In sistemele ingineresti, logica fuzzy are ca si
rezultat un mod convenabil si pretenos de dezvoltare a programelor de control, ajutand
proiectantii sa sa concentreze asupra obiectivelor functionale si nu asupra matematicii.
Acest text introductiv a dezvoltat subiectul conceptului de reglare fuzzy si a aratat in ce
fel operatiile fuzzy sunt realizate si in ce mod regulile fuzzy pot incorpora cunostintele
fundamentale. Logica fuzzy este un instrument foarte puternic care patrunde in fiecare
domeniu si indica implementari de succes.