Fuzzy Logic - system sterowania
Logika rozmyta jest z powodzeniem stosowana w różnych aplikacjach sterujących. Prawie wszystkie produkty konsumenckie mają kontrolę rozmytą. Niektóre z przykładów obejmują kontrolowanie temperatury pomieszczenia za pomocą klimatyzacji, systemu przeciwblokującego używanego w pojazdach, sterowanie na światłach, pralkach, dużych systemach ekonomicznych itp.
Dlaczego warto używać logiki rozmytej w systemach sterowania
System sterowania to układ fizycznych komponentów zaprojektowanych w celu zmiany innego systemu fizycznego, tak aby system ten wykazywał określone pożądane cechy. Oto kilka powodów stosowania Fuzzy Logic w systemach sterowania -
Stosując sterowanie tradycyjne, trzeba mieć precyzyjną wiedzę o modelu i funkcji celu sformułowanej w sposób precyzyjny. W wielu przypadkach jest to bardzo trudne do zastosowania.
Stosując logikę rozmytą do sterowania, możemy wykorzystać ludzką wiedzę i doświadczenie w projektowaniu kontrolera.
Zasady sterowania rozmytego, w zasadzie reguły IF-THEN, można najlepiej wykorzystać podczas projektowania sterownika.
Założenia w projektowaniu Fuzzy Logic Control (FLC)
Projektując rozmyty układ sterowania należy przyjąć sześć podstawowych założeń -
The plant is observable and controllable - Należy założyć, że zmienne wejściowe, wyjściowe i stanu są dostępne do celów obserwacyjnych i kontrolnych.
Existence of a knowledge body - Należy założyć, że istnieje organ wiedzy posiadający reguły językowe oraz zbiór danych wejściowo-wyjściowych, z których można wyodrębnić reguły.
Existence of solution - Należy założyć, że istnieje rozwiązanie.
‘Good enough’ solution is enough - Inżynieria sterowania musi szukać rozwiązania „dostatecznie dobrego”, a nie optymalnego.
Range of precision - Sterownik logiki rozmytej musi być zaprojektowany w dopuszczalnym zakresie precyzji.
Issues regarding stability and optimality - Kwestie stabilności i optymalności muszą być otwarte w projektowaniu kontrolera logiki rozmytej, a nie bezpośrednio poruszane.
Architektura sterowania rozmytą logiką
Poniższy diagram przedstawia architekturę sterowania Fuzzy Logic (FLC).
Główne składniki FLC
Poniżej przedstawiono główne elementy FLC, jak pokazano na powyższym rysunku -
Fuzzifier - Rolą fuzzifier jest zamiana wyraźnych wartości wejściowych na rozmyte wartości.
Fuzzy Knowledge Base- Przechowuje wiedzę o wszystkich rozmytych relacjach wejście-wyjście. Posiada również funkcję przynależności, która definiuje zmienne wejściowe do podstawy reguły rozmytej i zmienne wyjściowe do kontrolowanej instalacji.
Fuzzy Rule Base - Przechowuje wiedzę o działaniu procesu domeny.
Inference Engine- Działa jako jądro dowolnego FLC. Zasadniczo symuluje ludzkie decyzje, wykonując przybliżone rozumowanie.
Defuzzifier - Rolą defuzzifier jest przekształcenie rozmytych wartości w wyraźne wartości uzyskane z silnika wnioskowania rozmytego.
Kroki w projektowaniu FLC
Poniżej przedstawiono etapy projektowania FLC -
Identification of variables - W tym przypadku zmienne wejściowe, wyjściowe i stanu muszą być zidentyfikowane dla rozważanej instalacji.
Fuzzy subset configuration- Wszechświat informacji jest podzielony na liczbę rozmytych podzbiorów, a każdy podzbiór ma przypisaną etykietę językową. Zawsze upewnij się, że te rozmyte podzbiory obejmują wszystkie elementy wszechświata.
Obtaining membership function - Teraz uzyskaj funkcję przynależności dla każdego rozmytego podzbioru, który otrzymamy w powyższym kroku.
Fuzzy rule base configuration - Sformułuj teraz podstawę reguły rozmytej, przypisując relację między rozmytym wejściem i wyjściem.
Fuzzification - Na tym etapie rozpoczyna się proces fuzzyfikacji.
Combining fuzzy outputs - Stosując rozmyte rozumowanie przybliżone, zlokalizuj dane wyjściowe rozmyte i połącz je.
Defuzzification - Na koniec rozpocznij proces defuzyfikacji, aby uzyskać wyraźny wynik.
Zalety sterowania Fuzzy Logic
Omówmy teraz zalety sterowania Fuzzy Logic Control.
Cheaper - Opracowanie FLC jest stosunkowo tańsze niż opracowanie kontrolera opartego na modelu lub innego kontrolera pod względem wydajności.
Robust - FLC są bardziej wytrzymałe niż regulatory PID ze względu na ich zdolność do pokrycia szerokiego zakresu warunków pracy.
Customizable - FLC można dostosować.
Emulate human deductive thinking - Zasadniczo FLC ma naśladować ludzkie myślenie dedukcyjne, proces, którego ludzie używają do wyciągania wniosków z tego, co wiedzą.
Reliability - FLC jest bardziej niezawodny niż konwencjonalny system sterowania.
Efficiency - Logika rozmyta zapewnia większą wydajność, gdy jest stosowana w systemie sterowania.
Wady Fuzzy Logic Control
Omówimy teraz, jakie są wady sterowania Fuzzy Logic Control.
Requires lots of data - FLC potrzebuje wielu danych do zastosowania.
Useful in case of moderate historical data - FLC nie jest przydatne w przypadku programów znacznie mniejszych lub większych niż dane historyczne.
Needs high human expertise - To jedna wada, ponieważ dokładność systemu zależy od wiedzy i doświadczenia ludzi.
Needs regular updating of rules - Zasady muszą być aktualizowane z czasem.