Sterowanie rozmyte
Transkrypt
Sterowanie rozmyte
Sterowanie rozmyte Logika rozmyta • Przy rozwiązywaniu praktycznych problemów niealgorytmicznych mamy często do czynienia z wiedzą nieprecyzyjną i niepewną. Do rozpatrywania takich problemów dobrze nadają się zbiory rozmyte i logika (rozumowanie) rozmyte (ang. Fuzzy logic). • W odróżnieniu od logiki dwuwartościowej, wg której dany element może do określonego zbioru tylko należeć lub nie należeć, w koncepcji zbiorów rozmytych elementy nie są w pełni podporządkowane określonym zbiorom. Zbiory rozmyte umożliwiają wprowadzenie do programowania komputerowego tzw. wiedzy zdrowego rozsądku, która występuje głównie w postaci twierdzeń będących na ogół, ale nie zawsze prawdziwymi. 1 Logika rozmyta • W przypadków zbiorów “normalnych”, tzw. ostrych, dany element x albo należy (funkcja charakterystyczna µA(x)=1) lub nie należy (µA(x)=0) do danego zbioru. W teorii zbiorów rozmytych element może należeć częściowo do określonego zbioru, a funkcja charakterystyczna jest uogólniona do funkcji przynależności, która przyporządkowuje każdemu elementowi x wartość z przedziału [0, 1] zamiast dwuelementowego zbioru {0, 1}. • . Twórcą logiki rozmytej jest profesor Zadeh, artykuł „Fuzzy sets” opublikowany w 1965 r Sterowanie rozmyte • Rozmyty system sterowania jest systemem ekspertowym czasu rzeczywistego, implementującym działania człowieka będącego operatorem lub ekspertyzy inżynierów procesu, przy czym proces nie może być łatwo wyrażony w postaci równań różniczkowych, ale raczej jako reguły sytuacja działanie . Np. • Jeżeli prędkość silnika DC trochę za mała I szybko rosnąca to napięcie zasilania silnika jest zbyt duże. • Wartości (zbiory) rozmyte, jak trochę za mała, szybko rosnąca, zbyt duże oraz operatory rozmyte jak jeżeli, I są przekształcane w celu uzyskania ostrej (punktowej) wartości stanowiącej wyjście regulatora 2 Sterowanie rozmyte Stan procesu ostry (zbiór nierozmyty) Wyjście sterowania ostre (zbiór nierozmyty) x u Normalizacja Denormalizacja xw Fuzyfikator µ(x) Maszyna wnioskująca µ(u) uw Część opcjonalna Część obligatoryjna Defuzyfikator Baza reguł Sterowanie rozmyte Jedne z pierwszych przykładów zastosowań: – Autopilot statków ze wspomaganiem za pomocą sytemu rozmytego. – Sterowanie pieców obrotowych w cementowni, – Konstrukcja pralki automatycznej, odkurzacza i elektronicznego systemu stabilizacji obrazu w kamerze wideo – firma Matsushita. – System klimatyzacji – firma Mitsubishi. – Zastosowanie przemysłowe regulatorów opartych o logikę rozmytą w sterowaniu koleją podziemną w Sendai (Japonia), – W przemyśle samochodowym w czym przoduje Japonia. Dotyczy to m.in. automatycznej przekładni biegów, układów antypoślizgowych, sterowania zapłonu i innych układów samochodu. 3 Podstawy logiki rozmytej Teoria zbiorów rozmytych (Fuzzy Sets) Funkcja przynależności µF Funkcja przynależności µF przyporządkowuje każdemu elementowi u∈U wartość z przedziału jednostkowego [0, 1]. µ F : U → [0, 1] Zbiór, który jest zdefiniowany na podstawie tak określonej funkcji przynależności nazywany jest zbiorem rozmytym. Każdy element u zbioru U ma stopień przynależności µF(u)∈[0, 1]: Zbiór rozmyty F jest całkowicie określony przez zbiór n-tek: F = {(u , µ F (u )) | u ∈ U } Podstawy logiki rozmytej Teoria zbiorów rozmytych (Fuzzy Sets) Funkcja przynależności µF F = {(u , µ F (u )) | u ∈ U } Np. opis klasy miast takich jak Warszawa, Łódź, Szczecin, Katowice, Gliwice, Mikołów mających tę właściwość że są duże. {(Warszawa,1), (Łódź,1), (Szczecin,0.45), (Katowice, 0.3), (Gliwice,0.05)} a Mikołów zdecydowanie do dużych nie należy, czyli jest poza zbiorem, lub ze stopniem przynależności 0. Inny sposób zapisu - przykład dużych miast {1/Warszawa, 1/Łódź, 0,45/Szczecin, 0.3/Katowice, 0.05/Gliwice } µ (u ) µ (u ) µ (u ) F = F 1 , F 2 , ⋅⋅⋅ , F n u u un 2 1 4 Podstawy logiki rozmytej Teoria zbiorów rozmytych (Fuzzy Sets) Funkcja przynależności µF Funkcję przynależności zbioru rozmytego DUŻE MIASTA można przedstawić np. w następującej postaci: dla u > 0,6 1 µ F (u ) = 2,5 ⋅ (u − 0,2 ) dla 0,2 ≤ u ≤ 0,6 0 dla u < 0,2 gdzie u jest liczbą mieszkańców w milionach µF 1,0 Jest to przykład funkcji rosnącej (funkcji typu Γ) charakterystycznej dla reprezentacji pojęć lingwistycznych typu duży, wysoki, gruby, gorący, szybki, itp. 0,5 0 0,2 0,4 0,8 0,6 1,0 1,2 u Podstawy logiki rozmytej Funkcja przynależności µF Przykłady funkcja G: funkcji 0 u − a µ F (u ) = b − a 1 rosnących dla u < a – 0,5 dla a ≤ u ≤ b dla u > b 0 a b u µF Funkcja S Zadeha: 0 2 2 u − a c − a µ F (u ) = 2 u−c 1 − 2 c−a 1 µF 1,0 dla u ≤ a dla a < u ≤ b 1,0 0,5 dla b < u ≤ c dla u > c 0 a b c u 5 Podstawy logiki rozmytej Funkcja przynależności µF Przykłady funkcji funkcja L: malejących µF – dla u < a 1 a − u µ F (u ) = b − a 0 1,0 0,5 dla a ≤ u ≤ b dla u > b 0 Reprezentacja pojęć lingwistycznych typu mały, wolny, zimny, słaby, niski itp. dla u ≤ a 1 2 1 − 2 u − a dla a < u ≤ b c−a µ F (u ) = 2 u −c 2 dla b < u ≤ c c−a 0 dla u > c a b u µF 1,0 0,5 0 a b c u Podstawy logiki rozmytej Funkcja przynależności µF Przykłady funkcja: funkcji µF a b dla a ≤ u < b dla b ≤ u < c d 0 a c b u µF 1,0 dla u ≥ c c – 0,5 dla u < a 0 1,0 u − a b − a µ F (u ) = 0,5 c − u c − b 0 0 trójkątnych µF 1,0 u 0,5 Reprezentacja pojęć lingwistycznych typu średni, komfortowy, nieco wolny, lekko dodatni, bliski zera, niewielki itp. 0 a b c u 6 Podstawy logiki rozmytej µF – Funkcja przynależności (rozmywanie) fuzyfikacja Przykład: Rozmyty układ regulacji klimatyzacji i reprezentacja zmiennych lingwistycznych zimno, chłodno, komfortowo, ciepło, gorąco przez funkcje przynależności. Przypisanie wartościom „ostrym” zmiennych lingwistycznych oraz funkcji i współczynników przynależności – fuzyfikacja (rozmywanie) µF 1,0 zimno chłodno komfortowo gorąco ciepło 0,5 16 17 18 19 20 21 22 23 24 25 ϑ System wnioskowania rozmytego Mamdaniego Stan procesu ostry (zbiór nierozmyty) Wyjście sterowania ostre (zbiór nierozmyty) x u Normalizacja Denormalizacja xw Fuzyfikator µ(x) Maszyna wnioskująca µ(u) uw Część opcjonalna Część obligatoryjna Defuzyfikator Baza reguł 7 System wnioskowania rozmytego Mamdaniego Układ fuzyfikatora Stan procesu ostry (rozmywania) Wyjście sterowania ostre (zbiór nierozmyty) (zbiór nierozmyty) przekształca x u nierozmyty zbiór Normalizacja Denormalizacja danych wejściowych x Część opcjonalna w zbiór rozmyty x Część obligatoryjna u Maszyna zdefiniowany za µ(x) µ(u) wnioskująca Fuzyfikator Defuzyfikator pomocą funkcji Baza reguł µ(x) przynależności µF gorąco chłodno komfortowo ciepło zimno wnioskująca Maszyna na podstawie Układ defuzyfikatora 1,0 µch (ϑ1) zapisanych w bazie reguł reguł (wyostrzania) wyznacza przekształca rozmyty zbiór wejściowy wartość punktową u zmiennej 0,5 zdefiniowany za pomocą funkcji wyjściowej na podstawie µk(ϑ1) przynależności µ(x) w rozmyty zbiór zbioru rozmytego wyjściowy zdefiniowany przez funkcję zdefiniowanego przez funkcję 22 24 17 16 18 19 ϑ 20 21 23 25 ϑ 1 przynależności µ(u) przynależności µ(u) w w System wnioskowania rozmytego Mamdaniego Reguła 1 to to u jest B 1 Jeżeli x jest A1 Reguła 2 to to u jest B 2 Jeżeli x jest A2 x Agregator µ(u) Zbiór rozmyty Defuzyfikator u Zbiór ostry Reguła M to to u jest B Jeżeli x jest A M M JEŻELI x1 jest A1k I x2 jest A2k I ⋅⋅⋅ I xN jest ANk, TO u jest Bk gdzie: k – numer reguły (k∈<1, M>) 8 Reguły rozmyte wnioskowania Implikacja rozmyta JEŻELI x jest A, TO u jest B A , B – wartości lingwistyczne zdefiniowane w sposób rozmyty przez odpowiednie funkcje przynależności zmiennych x i u x jest A – (poprzednik) reguły y jest B (następnik) reguły – przesłanka µF zimno 1,0 chłodno komfortowo gorąco ciepło konkluzja Reguła 1 Jeżeli x jest A1 to to u jest B1 Reguła 2 to to u jest B 2 0,5 16 17 18 Jeżeli x jest A2 x Agregator 19 µ(u) Zbiór rozmyty 20 22 21 Defuzyfikator 23 24 25 ϑ u Zbiór ostry Reguła M to to u jest B Jeżeli x jest AM M Reguły rozmyte wnioskowania Implikacja rozmyta – agregacja poprzednika reguły uwzględnienie więcej niż jednej zmiennej wejściowej – Reguła 1 to to u jest B 1 Jeżeli x jest A1 Reguła 2 Jeżeli x jest A2 to to u jest B2 x JEŻELI x11 jest A11 (u) B11 11 I x22 jest A21 21 I ⋅⋅⋅ I xN N jest AN1 N1, TO u µjest Agregator • Zbiór Wypadkowa wartość funkcji przynależności µA(x) (agregacja rozmyty poprzednika - poziom zapłony reguły): Reguła M Interpretacja w postaci iloczynu logicznego (min): to to u jest BM Jeżeli x jest AM µ A1 (x) = min {µ A1 ( xi )} i =1, ... , N • Defuzyfikator u Zbiór ostry 0,8 0,5 , = 0,5 x1 x2 µ A1 (x) = min Interpretacja w postaci iloczynu algebraicznego (prod): N µ A1 (x) = ∏ µ A1 ( xi ) i =1 2 µ A1 (x) = ∏ µ A1 ( xi ) = 0,8 ⋅ 0,5 = 0,4 i =1 9 Reguły rozmyte wnioskowania Implikacja rozmyta – agregacja na poziomie implikacji JEŻELI jestA, A1TO I x2ujest JEŻELI xx1jest jestAB2 I ⋅⋅⋅ I xN jest AN, TO u jest B Procedura agregacji na poziomie implikacji – przypisanie implikacji A → B wartości funkcji przynależności µA → B(x, u) : • • Interpretacja w postaci iloczynu logicznego (implikacja Mamdaniego): wynik – zbiór (funkcja) µB(u) obcięty (ściśnięty) do poziomu µA(x) - clipped fuzzy set: µ A→ B (x, u ) = min{µ A (x), µ B (u )} * A x2* x2 1 1 * x1 B 1 x1 x1 Interpretacja w postaci iloczynu algebraicznego: wynik – zbiór rozmyty skalowany – współrzędne zbioru (funkcji) µB(u) pomnożone przez wartość µA(x) : µ (x, u ) = µ (x) ⋅ µ (u ) A→ B 1 1 1 * x2 x2 x1 Reguły rozmyte wnioskowania Implikacja rozmyta – agregacja na poziomie implikacji JEŻELI xx1 jest jestAA111 I x2 ujest , TO jestA21 B1I ⋅⋅⋅ I xN jest AN1, TO u jest B1 Procedura agregacji na poziomie implikacji – przypisanie implikacji A → B wartości funkcji przynależności µA → B(x, u) : Reguła 1 Jeżeli x jest A1 to to u jest B1 x 2 Interpretacja wReguła postaci to to u jest B2 Jeżelilogicznego x jest A2 iloczynu (min) -implikacja 1 Mamdaniego: wynik – zbiór (funkcja) Reguła µB(u)M obcięty (ściśnięty) do to u jest B to Jeżeli x jest A M poziomu µA(x) -Mclipped fuzzy set: µ A→ B (x, u ) = min {µ A (x), µ B (u )} Agregator µ(u) 1 Zbiór Defuzyfikator 1 rozmyty x1a x1 u Zbiór ostry x2a x2 10 Reguły rozmyte wnioskowania Implikacja rozmyta – agregacja na poziomie implikacji JEŻELI x jest A1, TO u jest B1 Procedura agregacji na poziomie implikacji – przypisanie implikacji A → B wartości funkcji przynależności µA → B(x, u) : • Interpretacja w postaci iloczynu algebraicznego (prod): wynik – zbiór rozmyty skalowany – współrzędne zbioru (funkcji) µB(u) pomnożone przez wartość µA(x) : µ A→ B (x, u ) = µ A (x) ⋅ µ B (u ) 1 1 x1a x1 1 x2a x2 System wnioskowania rozmytego Mamdaniego Rozumowanie rozmyte – procedura umożliwiająca określenie konkluzji wynikającej ze zbioru reguł : jeżeli JEŻELI x1 jest A1k I x2 jest -Ato 2k I ⋅⋅⋅ I xN jest ANk, TO u jest Bk x1, x2, ⋅⋅⋅ xN, – N wymiarowy wektor wejściowy – argument przesłanki A1, A2, ⋅⋅⋅ AN, B – zmienne lingwistyczne zdefiniowane w sposób rozmyty przez wartości odpowiedniego współczynnika przynależności µA(xi), µB(u) k – numer reguły (k∈<1, M>) Reguła 1 to to u jest B 1 Jeżeli x jest A1 Reguła 2 Jeżeli x jest A2 to to u jest B2 x Agregator µ(u) Zbiór rozmyty Defuzyfikator u Zbiór ostry Reguła M to to u jest B Jeżeli x jest A M M 11 System wnioskowania rozmytego Mamdaniego Baza reguł Reguła 1 to to u jest B 1 Jeżeli x jest A1 Reguła 2 Jeżeli x jest A2 to to u jest B2 x Agregator µ(u) Zbiór rozmyty u Defuzyfikator Zbiór ostry Reguła M to to u jest B Jeżeli x jest AM M Założenie: • x1 = e (np. uchyb regulacji) • x2 = de (np. pochodna uchybu regulacji) System wnioskowania rozmytego Mamdaniego Agregacja zbioru reguł (bazy reguł) Reguła 1 to to u jest B 1 Jeżeli x jest A1 Reguła 2 to to u jest B 2 Jeżeli x jest A2 x Agregator µ(u) Zbiór rozmyty Defuzyfikator u Zbiór ostry Reguła M to to u jest B Jeżeli x jest AM M 12 Agregacja zbioru reguł (bazy reguł) 1 1 1 e 1 de 1 e1 e 1 de1 de 1 Agregacja wyników implikacji wielu reguł w postaci sumy logicznej (max): µ (u ) = max{µ x (u )} Agregacja zbioru reguł (bazy reguł) 1 1 1 e 1 de 1 e1 e Agregacja wyników implikacji wielu reguł w postaci sumy ograniczonej (sum): µ (u ) = min 1, ∑ µ x (u ) x 1 de1 de 1 13 Agregacja zbioru reguł (bazy reguł) 1 1 1 e 1 de 1 1 e e1 de1 de 1 Agregacja wyników implikacji wielu reguł w postaci sumy algebraicznej (probor): µ (u ) = µ1 (u ) + µ 2 (u ) − µ1 (u ) ⋅ µ 2 (u ) System wnioskowania rozmytego Mamdaniego Defuzyfikacja (wyostrzanie) Reguła 1 to to u jest B 1 Jeżeli x jest A1 Reguła 2 to to u jest B 2 Jeżeli x jest A2 x Agregator µ(u) Zbiór rozmyty Defuzyfikator u Zbiór ostry Reguła M to to u jest B Jeżeli x jest A M M 1 1 µ (u ) = max{µ x (u )} 1 µ (u ) = min 1, ∑ µ x (u ) µ (u ) = µ1 (u ) + µ 2 (u ) − µ1 (u ) ⋅ µ 2 (u ) x 14 Defuzyfikacja (wyostrzanie) Metoda środka obszaru (środka ciężkości) (centroid) Metoda środka sum N ∫ u ⋅ ∑ µ k (u )du ∫ u ⋅ µ(u)du uc = u up = k =1 N u ∫ ∑ µ k (u )du ∫ µ(u )du u k =1 u ∑ ui ⋅ µ(ui ) uc = i N ∑ ui ⋅ ∑ µ k (ui ) up = ∑ µ(ui ) i µ(u) wzięte raz k =1 N ∑∑ µ k (ui ) i k =1 µ(u) 1 i 1 wzięte dwa razy µ2(u) uc µ1(u) u up u Defuzyfikacja (wyostrzanie) Metoda średniej z centrów (metoda Metoda równego podziału (bisector) wysokości) N ∑ umk ⋅ µ (umk ) uc = k =1 N ub u max u min ub ∫ µ(u)du = ∫ µ(u)du ∑ µ(umk ) k =1 1 1 15 Defuzyfikacja (wyostrzanie) Metody najmniejszej us (som) oraz największej ul (lom) wartości u z Metoda średniej z maksimów (Mean of Maximum Method mom) maksimum um = us - najmniejsza wartość u, dla której {µ(u)=max} ul + u s 2 ul - największa wartość u, dla której {µ(u)=max} 1 1 Defuzyfikacja (wyostrzanie) Porównanie metod defuzyfikacji 1 16 Schemat rozmytego systemu Rozmywanie Wnioskowanie Wyostrzanie baza reguł µmróz µzimno µciepło Jeżeli temp=mróz to zawór=otwarty µmróz =0.7 0.7 0.7 Jeżeli temp=zimno to zawór=półotwarty 0.2 T Wejście: mierzona temperatura µzimno =0.2 Jeżeli temp=ciepło to zawór=zamknięty µhot =0.0 µotw µpół µzamk 0.2 u Wyjście: położenie zaworu System rozmyty jako sterownik nieliniowy Rozmywanie Wnioskowanie Wyostrzanie baza reguł 17 Przykład systemu rozmytego 2-wymiarowego Baza reguł Zawór Pora doby mróz Temperatura zimno dzień otwarty półotwarty zamknięty półotwarty zamknięty zamknięty noc ciepło JEŻELI Temperatura=mróz i Pora doby=dzień TO Zawór=otwarty JEŻELI Temperatura=zimno i Pora doby=noc TO Zawór=zamknięty 1. Rozmywanie Fuzyfikacja, rozmywanie: od pomiarów do funkcji przynależności: Określenie stopnie przynależności zmiennych lingwistycznych dla każdego ze zbiorów rozmytych: Temperatura: T=4 C 1 0.7 0 Godzina: h=21 µzimno(T)=0.7 4C 1 T 0.3 0 µdzień(h)=0.3 21 h JEŻELI Temperatura=zimno I Pora doby=dzień ... 18 2. Agregacja poprzednika reguły Oblicz stopień spełnienia reguły dla wszystkich przesłanek łącząc ze sobą termy za pomocą rozmytego AND, np. operatora MIN. 1 0.7 0 µzimno(T)=0.7 4C µdzień(h)=0.3 1 T 0.3 0 21 h JEŻELI Temperatura=zimno I Pora doby=dzień ... µA(X) = µA1(X1) ∧ µA2(X2) ∧ µAN(XN) dla reguły RA µcałe(X) = min{µzimno(T), µdzień(h)} = min{0.7,0.3} = 0.3 3. Wnioskowanie – agregacja implikacji 1 µpółotw(p) µkonkl(p) ... µprzesł=0.3 0 u TO Zawór =półotwarty 1 ... µprzesł =0.3 0 µpółotw(p) Wnioskowanie MIN µkonkl=min{µprzesł, µpółotw} µkonkl(h) u Wnioskowanie • µkonkl. = µprzesł • µpółotw 19 4. Agregacja zbioru reguł Dokonaj agregacji wszystkich przesłanek reguł używając operatora MAX by obliczyć sumę. TO Zawór =otwarty TO Zawór =półotwarty TO Zawór =zamknięty 1 0 u 5. Wyostrzanie Oblicz ostrą wartość lub decyzję używając np. metody środka ciężkości “Center of Gravity” (COG) 1 µkonkl(p) 0 0,64 u= Σi µi • ui Σi µi COG u µi = stopień przynależności do zbioru i 20 Przykład systemu rozmytego 2-wymiarowego Rozmyte układy regulacji Regulatory rozmyte • • • Regulator rozmyty typu PID (PI, Mamdaniego Ślizgowy regulator rozmyty Regulator rozmyty typu Sugeno-Takagi PD) ~ x& = f (x) + B ⋅ u + z y = C⋅x + D⋅u u = h(y z , y) X ( s ) = Go ( s )(U s ( s ) + Z ( s ) ) E ( s) = X z (s) − X ( s) U ( s ) = Gr ( s ) E ( s ) z(t) yz(t) h(yz,y) u(t) . f(x,x,u,z) x(t) g(x,u) y(t) Z(s) Xz(s) E(s) - Gr(s) U(s) Go(s) X(s) 21 Reg. konwencjonalny PID a reg. rozmyty PID Regulator konwencjonalny Xz(s) Xz(s) E(s) Z(s) E(s) U(s) Gr(s) G (s) r - - U(s) X(s) Go(s) X(s) Gr ( s ) = E(s) U(s) k U (s ) 1 = k p + sk d + i = k p 1 + sTd + E ( s) sT s i 1 s t u (t ) = k p e(t ) + k d e&(t ) + ki ∫ e(t )dt = k p e(t ) + k d e&(t ) + ki δ(t ) 0 Regulator rozmyty Mamdaniego s xz e Normalizacja Fuzyfikacja Baza reguł µ(e ) 1 s x µ(u) Odpalanie reguły Defuzyfikacja u Denormalizacja JEŻELI e jest Ae(i) I e jest Ae(i) I δ jest Aδ(i) TO u jest Bu(i) Regulator typu PD Regulator PD klasyczny u = k p e + k d e& NB NS ZO PS PB U(s) E(s) e u N = eN + e&N NB NS ZO PS PB de Regulator PD rozmyty NB JEŻELI e jest Ae(i) I de jest Ade(i) TO u jest Bu(i) NS ZO PS PB u xz e Baza reguł s x de Normalizacja Fuzyfikacja µ(e) µ(de) Odpalanie µ(u) Defuzyfikacja Denormalizacja u reguły 22 Regulator typu PI Regulator PI klasyczny, typ II u& N = e&N + eN t u (t ) = ∫ u& (t )dt e Równanie linii przełączającej E(s) s N = e& N + δ N = 0 sU(s) 1 s u>0 s = k p e& + k i e = 0 0 1 s 0 u= u& (t ) = k p e&(t ) + ki e(t ) e u<0 U(s) Regulator PI rozmyty JEŻELI e jest Ae(i) I de jest Ade(i) TO du jest Bdu(i) xz e s de Normalizacja Fuzyfikacja µ(e) Baza reguł µ(de) Odpalanie reguły x µ(du) Defuzyfikacja Denormalizacja du 1 s u Defuzyfikacja Denormalizacja du 1 s u Regulator PI rozmyty xz e s x de Normalizacja Fuzyfikacja µ(e) Baza reguł µ(de) Odpalanie µ(du) reguły 23 System wnioskowania rozmytego Mamdaniego JEŻELI x1 jest A1k I x2 jest A2k I ⋅⋅⋅ I xN jest ANk, TO u jest Bk x1, x2, ⋅⋅⋅ xN, – N wymiarowy wektor wejściowy – argument przesłanki A1, ⋅⋅⋅AN, B – zmienne lingwistyczne reprezentowane przez odp. funkcje przynależności k – numer reguły (k∈<1, M>) Reguła 1 to to u jest B 1 Jeżeli x jest A1 Reguła 2 to to u jest B 2 Jeżeli x jest A2 x Agregator µ(u) Zbiór rozmyty Defuzyfikator u Zbiór ostry Reguła M to to u jest B Jeżeli x jest AM M System wnioskowania rozmytego Sugeno-Takagi JEŻELI x1 jest A1k I x2 jest A2k I ⋅⋅⋅ I xN jest ANk, TO uk = fk(x1, x2, ... , xN) x1, x2, ⋅⋅⋅ xN, – N wymiarowy wektor wejściowy – argument przesłanki A1, A2, ⋅⋅⋅AN – zmienne lingwistyczne reprezentowane przez odp. funkcje przynależności fk(x1, x2, ... , xN) – nierozmyta (ostra) funkcje następnika reguły k – numer reguły (k∈<1, M>) Reguła 1 to to u = f (x) 1 1 Jeżeli x jest A1 Reguła 2 to to u = f (x) 2 2 Jeżeli x jest A2 x Agregator u Zbiór ostry Reguła M to to u = f (x) M M Jeżeli x jest AM 24 System wnioskowania rozmytego Sugeno-Takagi JEŻELI x1 jest A1k I x2 jest A2k I ⋅⋅⋅ I xN jest ANk, TO uk = fk(x1, x2, ... , xN) x1, x2, ⋅⋅⋅ xN, – N wymiarowy wektor wejściowy – argument przesłanki A1, A2, ⋅⋅⋅AN – zmienne lingwistyczne reprezentowane przez odp. funkcje przynależności fk(x1, x2, ... , xN) – nierozmyta (ostra) funkcje następnika reguły k – numer reguły (k∈<1, M>) Stan procesu ostry (zbiór nierozmyty) Wyjście sterowania ostre (zbiór nierozmyty) x u Normalizacja Denormalizacja Część opcjonalna xw Fuzyfikator µ(x) Maszyna wnioskująca uw Część obligatoryjna Baza reguł System wnioskowania rozmytego Sugeno-Takagi JEŻELI x1 jest A1k I x2 jest A2k I ⋅⋅⋅ I xN jest ANk, TO uk = fk(x1, x2, ... , xN) Reguła 1 to to u = f (x) 1 1 Jeżeli x jest A1 Reguła 2 to to u = f (x) 2 2 Jeżeli x jest A2 x Agregator u Zbiór ostry Reguła M Jeżeli x jest AM to to uM = fM(x) M ( uk = f k x1* , x2* , ... , x*N ) ( µ uk = min µ k ( x1* ), µ k ( x2* ), ..., µ k ( x*N ) ) ∑ µu uk u = k =M1 k ∑ µu k =1 k 25 System wnioskowania rozmytego Sugeno-Takagi uk = ( f k x1* , x2* , ..., x*N ) M = min (µ k ( x1* ), µ k ( x*2 ), ... , µ k ( x*N ) ) µu k ∑ µ u uk u = k =M1 k ∑ µu • Reguły Jeżeli x1 jest A11 i x2 jest A21 to u1 = p1 · x1+ q1 · x2+ r1 Jeżeli x1 jest A12 i x2 jest A22 to u1 = p2 · x1 + q2 · x2 + r2 k =1 k • Rozmyte wnioskowanie A21 A11 µ1 x1 x2 A12 u2 = p2·x +q2·x2* +r2 A22 µ2 x1 x 1* u1 = p1·x1* +q1·x2* +r1 1* x2 x2 * u= Π µ1 · u1+µ2 · u2 µ1+µ2 System wnioskowania rozmytego Sugeno-Takagi M ( uk* = f k x1* , x2* , ... , x*N ) ( µu k = min µ k ( x1* ), µ k ( x2* ), ..., µ k ( x*N ) ∑ µu ) u = k =1 k uk* M ∑ µu k =1 JEŻELI x1 jest DM I x2 jest ZO TO u1 = 3 x1 + 4 x2 JEŻELI x1 jest DD I x2 jest DM TO u2 = 2 x1 + 7 x2 + 7 1 DM DD 1 ZO k x1* = 6 u1* = 26 x2* = 2 u2* = 33 DM * * * * x1* = 6 x1 µDM ( x1* ) = 0,4 µZO ( x2* ) = 0,2 min(0,4, 0,2) = 0,2 µDD ( x1* ) = 0,7 µDM ( x2* ) = 0,8 min(0,7, 0,8) = 0,7 x2* = 2 u= x2 0,2 ⋅ 26 + 0,7 ⋅ 33 = 31,4 0,2 + 0,7 26 Regulator rozmyty PID typu Sugeno-Takagi Reguły dla regulatora rozmytego PID typu Mamdaniego JEŻELI e jest Ae(i) I e jest Ae(i) I δ jest Aδ(i) TO u jest Bu(i) Regulator rozmyty PID Mamdaniego s xz e µ(e ) Fuzyfikacja Normalizacja µ(u) Odpalanie reguły 1 s x Baza reguł Defuzyfikacja u Denormalizacja Reguły dla regulatora rozmytego PID typu Sugeno-Takagi JEŻELI e jest Ae(i) I e jest Ae(i) I δ jest Aδ(i) TO u(i) = fi(e, e, d) Regulator rozmyty PID Sugeno s xz e Fuzyfikacja Normalizacja µ(e ) Baza reguł 1 s x uw Odpalanie reguły u Denormalizacja Regulator rozmyty PD typu Sugeno-Takagi Regulator PD klasyczny u = k p e + k d e& NB NS ZO PS PB U(s) E(s) e u N = eN + e&N NB NS ZO PS PB de Regulator PD rozmyty JEŻELI e jest xz Ae(i) I de jest uD = e + de Ade(i) TO u(i) e Baza reguł s x de Normalizacja Fuzyfikacja uM = 0,5 ⋅ e + 0,5 ⋅ de = fi(e, de) µ(e) µ(de) Odpalanie uZ = 0,1 ⋅ e + 0,1 ⋅ de uw Denormalizacja u reguły 27 Przykłady zastosowań – Zastosowanie przemysłowe regulatorów opartych o logikę rozmytą w sterowaniu koleją podziemną w Sendai (Japonia) – firma Hitachi, – Rozmyty sterowania przekładnią automatyczną , sterownik systemu antypoślizgowego – Nissan, – Sprzęt AGD np. pralki automatyczne firm GE, Samsung, AEG… – Biblioteka Fuzzy Control do sterowników PLC SIMATIC S7 300/400/1500 – Sterowniki do kotłów na paliwa stałe (m.in. węgiel) produkcji polskiej, – Sterowniki klimatyzatorów, – Nawigacja robotów mobilnych, – Przetwarzanie obrazów 28