Documente Academic
Documente Profesional
Documente Cultură
Sisteme Expert
Cuprins
1.
3
4
4
5
6
6
2.
7
8
11
15
16
18
19
23
23
3.
24
25
25
26
32
35
36
4.
37
37
38
39
43
45
47
50
52
53
60
62
65
66
66
Sisteme Expert
Introducere
Un sistem expert (SE) este un program care urmre
te un grup de cunotine
pentru obinerea n acelai mod ca i experii umani a rezultatelor despre
activiti dificil de examinat. Principala caracteristic a sistemelor expert este
derivat dintr-o baz de cunotine , mpreun cu un algoritm de cutare specific
metodei de raionare. Un sistem expert trateaz cu succes probleme pentru care o
soluie algoritmic clar nu exist.
Sistemele expert sunt produse ale inteligenei artificiale, ramur tiinei
a
calculatoarelor ce urmrete dezvoltarea de programe inteligente. Ceea ce este
remarcabil pentru sistemele expert este aria de aplicabilitate ce a cuprins multe
domenii de activitate.
Obiectivele cursului
La sfritul acestui curs studentul dobndete:
- Cunotine i abiliti pentru proiectarea i implementarea unor soluii moderne
de conducere automat, bazate pe logica fuzzy si pe sisteme expert.
- Cunotine i abiliti de utilizare a sistemelor de dezvoltare existente dedicate
implementrii sistemelor bazate pe logica fuzzy si a sistemelor bazate pe reguli.
- Abiliti pentru proiectarea unor module software dedicate sistemelor
menionate anterior.
Sisteme Expert
Sisteme Expert
programelor ce raioneaz pornete de la faptul c simbolurile de prelucrare pot fi
numere, texte sau alte concepte. n urma cercetrilor, utiliznd calculatoare din ce
n ce mai performante, a putut fi rezolvat problema raionrii.
1.2 Aplicaiile i domeniile sistemelor expert
Sistemele bazate pe cunotine se pot aplica, practic, n orice domeniu al
cunoaterii. Principalele domenii de aplicabilitate i cteva exemple de sisteme
expert se prezint n continuare:
Sisteme expert de diagnoz: efectueaz operaii de diagnosticare n domenii
precum cel medical, industrial, financiar. Cel mai cunoscut este MYCIN, sistem
expert de diagnoz pentru depistarea infeciilor bacteriene ale sngelui i pentru
prescrierea tratamentului adecvat.
Sisteme expert de configurare: asambleaz componente ale unui anumit
sistem. Firma DEC folosete sistemul expert XCON pentru configurarea
calculatoarelor firmei.
Sisteme expert de nvare: sisteme de nvare inteligent, n care cei ce se
instruiesc pot pune ntrebri asemntoare celor puse unui instructor uman. Ca
exemplu, SEAMER ( instruire pentru operaiile dintr-o uzin electric),
CADHELP ( instruire pentru proiectarea asistat de calculator).
Sisteme expert de interpretare: sisteme care explic i interpreteaz datele
observate. Astfel de sisteme sunt folosite n special n domeniul chimiei:
CRYSALYS (interpreteaz structura proteinelor), DENDRAL ( interpreteaz
structura molecular).
Sisteme expert de planificare: planific aciunile pentru a produce anumite
rezultate ateptate. Exemplu: SPEX (planific experimentri de biologie
molecular).
Sisteme expert de control: sisteme de reglare i control a unui proces. n
general sunt sisteme complexe ce cuprind interpretare, diagnoz, monitorizare,
planificare, prognoz i remediere. De cele mai multe ori se impune cerina de
sisteme n timp real pentru a putea rspunde n timp util sistemului controlat.
Sisteme expert de monitorizare: compar datele observate cu cele ateptate
pentru a analiza performanele unor sistem. Exemplu: YES/MVS, sistem de
monitorizare i control pentru sistemul de operare IBM MVS.
Sisteme expert de prognoz: prognozeaz rezultatele ntr-o anumit situaie.
Exemplu: PROSPECTOR ( specializat n prospeciuni miniere).
1.3 Dezvoltarea unui sistem expert
Dezvoltarea unui sistem expert necesit mai multe etape precum i o echip
format din mai multe categorii de specialiti care trebuie s coopereze.
Prima etap a dezvoltrii unui sistem expert const n definirea domeniului
sistemului expert. n strns legtura cu aceasta, urmeaz gsirea unui expert din
domeniul respectiv, care va fi folosit la construirea bazei de cunotine a
sistemului expert. Cunotinele din domeniul expertizat sunt captate i codificate
de ctre inginerul de cunotine. Acesta este un specialist n tiina calculatoarelor
i are sarcina de a intervieva expertul domeniului pentru a extrage cunotinele
expert. Operaia de achiziie a cunotinelor se poate realiza att de la experi ct i
4
Sisteme Expert
din cri, manuale de specialitate etc.
O alt operaie important se refer la construirea mainii de inferen.
Maina de inferen implementeaz algoritmii de raionament, cu ajutorul crora
un sistem expert i poate realiza scopurile i n acelai timp trebuie s in seama
de structura intern a bazei de cunotine, deci de modul cum vor fi organizate
informaiile, dup operaia de achiziie de cunotine.
Implementarea mainii de inferen este realizat de ctre inginerii software.
Etapa este complex pentru c se realizeaz un mediu integrat de dezvoltare a
unui sistem expert, mediu care conine i unelte software adaptate la cerinele
specifice sistemului expert.
1.4 Componentele detaliate ale sistemelor expert
a.
Componente principale
a.1. Baza de cunotine este reprezentat ca o structur de date ce conine
ansamblul cunotinelor specializate introduse de ctre expertul uman.
Cunotinele stocate aici sunt n principal descrierile obiectelor i ale relaiilor
dintre acestea. Forma de stocare trebuie s asigure cutarea pieselor de
cunoatere specificate direct prin simboluri identificatoare sau indirect, prin
proprietile asociate. Baza de cunotine face parte din sistemul cognitiv,
cunoaterea fiind memorat ntr-un spaiu special organizat.
a.2. Mecanismul (sau motorul) de inferen preia cunotinele din baza de
cunotine ce sunt utilizate pentru construirea raionamentului, elaboreaz
planul de rezolvare al problemei i execut aciunile prevzute n planul de
rezolvare. Mecanismul de inferen este constituit dintr-un ansamblu de
proceduri, modul n care utilizeaz cunotinele nu este prevzut prin
program, ci depinde de cunotinele pe care le are la dispoziie. Mecanismul
de inferen urmrete o serie de obiective majore, cum ar fi: alegerea
strategiei de control n funcie de problema curent, elaborarea planului de
rezolvare a problemei dup necesiti, comutarea de la o strategie de control
la alta, executarea aciunilor prevzute n planul de rezolvare.
a.3. Baza de fapte este reprezentat de o memorie auxiliar ce conine toate
datele utilizatorului (faptele iniiale ce descriu enunul problemei de rezolvat)
i rezultatele intermediare produse n cursul procedurii de deducie.
Pe lng aceste module un sistem expert mai conine o serie de module ce
asigur comunicarea cu operatorul i expertul uman.
b.
Componente secundare
b.1. Interfaa utilizator este cea care asigur dialogul dintre utilizator i
sistem.
b.2. Modulul de achiziie al cunotinelor preia cunotinele specializate
furnizate de expertul uman sau inginerul de cunotine ntr-o form ce nu este
specific reprezentrii interne (fiiere).
Sisteme Expert
b.3. Modulul de explicaii permite trasarea drumului de urmat n raionare de
ctre sistemul rezolutiv i emiterea justificrilor pentru soluiile obinute,
evideniindu-se n acest mod cauza greelilor sau motivul eecurilor.
n Fig. 1 se prezint structura general a unui sistem expert.
Sisteme Expert
celor
mai
folosite
funcii
de
apartenen,
precum
1.
Raionamentul fuzzy reprezint conceptul central care st la baza sistemelor
de conducere cu sistem pe baz de reguli fuzzy. Chiar dac nelesul lexical al
cuvntului fuzzy nseamn vag, imprecis sau confuz, acesta trebuie privit ca un
adjectiv tehnic. Sistemele fuzzy sunt sisteme bine definite iar controlul fuzzy este
un tip special de control neliniar bine definit.
Prima justificare pentru utilizarea sistemelor fuzzy este aceea c procesele
reale sunt prea complexe iar obinerea unui model formal exact al acestora este
dificil i uneori imposibil. Introducerea sistemelor fuzzy este folosit pentru
obinerea unui model formal care s descrie ct mai fidel evoluia sistemului real.
A doua justificare pentru utilizarea sistemelor fuzzy este nevoia unei teorii
care s sistematizeze cunotinele umane i s le pun ntr-un sistem ingineresc
mpreun cu alte informaii cum ar fi modelele matematice i msurtorile din
proces. Problema care se ridic este cum poate fi transformat aceasta informaie
din limbaj natural ntr-o formulare matematic.
Cele dou justificri menionate sunt suficiente pentru a include teoria
sistemelor fuzzy printre celelalte domenii inginereti. De fapt, toate teoriile
inginereti caracterizeaz procesele reale ntr-o manier aproximativ. De
exemplu, cele mai multe sisteme reale sunt neliniare, cu toate acestea s-a pus un
accent foarte mare n studierea sistemelor liniare. Studiile analitice existente n
literatura de specialitate se realizeaz pe
procese liniare simple sau liniarizate, atingnd chiar i n aceste cazuri un grad de
complexitate ridicat i din aceast cauz sunt greu de aplicat i de structurat
metodologic.
Teoria sistemelor fuzzy a fost introdus de Lotfi Zadeh n lucrarea [Zadeh65].
Fundamentele sistemelor fuzzy. Domeniile de modelare matematic i de
raionament logic au un caracter determinist i precis. Datorit faptului c
evenimentele reale au un caracter vag (fuzzy) metodele clasice de modelare nu
7
Sisteme Expert
sunt pe deplin fidele sistemului real modelat. n 1965 Zadeh n lucrarea sa Fuzzy
Sets [Zadeh,1965] propune i dezvolt conceptul de mulime fuzzy (mulime
vag). Teoria mulimilor fuzzy are ca punct de plecare modelarea evenimentelor
reale. Aceast teorie este dezvoltat n continuare de ctre C.V. Negoita, D.
Ralescu n Aplications of Fuzzy Sets to Systems Analysis din 1975 i mai trziu
de ctre H.J Zimmermann n lucrarea Fuzzy Sets Theory and Its Applications
din 1991.
2.1 Conceptul de mulime fuzzy
Deoarece n aceast lucrare un rol important l joac mulimile fuzzy vom
defini n continuare noiunea de mulime fuzzy i vom da cteva exemple pentru a
fi mai bine neleas.
Definiia 2.1 [Zimmermann91]. Dac X este o mulime clasic de obiecte
(denumit i mulime de baz) ale crei elemente sunt notate generic cu x, atunci o
~
~
mulime fuzzy A n X este o mulime de perechi ordonate: A = {(x, A~ ( x )) x X },
unde A~ : X M se numete funcia de apartenen prin care se calculeaz
gradul de apartenen (n unele cazuri gradul de compatibilitate sau gradul de
~
adevr) al lui x la A . Aceast funcie i atribuie fiecrui element x din X o valoare
dintr-un spaiu al valorilor de apartenen notat cu M.
Observaie: Dac M conine numai valorile 0 i 1 atunci A~ va fi funcia
1 daca x A
.
caracteristic A : X {0,1} cu A (x ) =
0 daca x A
n aceast lucrare vom considera intervalul [0,1] spaiul valorilor de apartenen
M.
Dac avem dou mulimi clasice de obiecte X i Y atunci
~
~
A = {(x, A~ ( x )) x X } i B = {( y, B~ ( y )) y Y } vor fi dou mulimi fuzzy,
prima n X iar cea de-a doua n Y. Vom nota cu spaiul universal i cu F
mulimea tuturor funciilor de apartenen, adic F = { : [0,1]}.
Cu ajutorul mulimilor fuzzy vor fi modelate variabilele de stare ale unui proces.
Pentru nelegerea mai bun a conceptului de mulime fuzzy, vom da cteva
exemple.
Exemplul 2.1
Figura 2.1 ilustreaz funcia caracteristic a mulimii vitezelor
care sunt mai mari dect 170 km/h. Aceast mulime nu poate reprezenta un
model adecvat pentru toate vitezele mari. Saltul realizat la valoarea 170 ne arat
c 169.9 km/h nu este o vitez mare pe cnd 170.1 km/h este. Prin urmare,
mulimea fuzzy reprezentat grafic n figura 2.2 ne d o reprezentare adecvat
pentru conceptul de vitez mare.
Sisteme Expert
0.8
( v )
0.6
0.4
0.2
0
100
200
v
Figura 2.1 Funcia caracteristic a mulimii vitezelor care sunt mai mari de
170 km/h.
1
( v) 0.5
50
100
150
200
250
1
~
Expresia ei matematic este: A = ( x, ~ ( x)) | ~ ( x) =
.
A
A
1+ ( x 10) 2
Exemplul 2.2
( x) 0.5
10
15
20
Sisteme Expert
- potrivit (P),
- deosebit de cald (DC).
Deoarece fiecare subiect percepe senzaiile de FR, , DC n felul su, o
valoare dat T0 a temperaturii este perceput diferit, i deci aceiai termeni
lingvistici folosii de subieci vor acoperi domenii diferite de temperaturi. n
figura urmtoare sunt exemplificate grafic funciile de apartenen asociate
Sisteme Expert
2.2 Reprezentri ale funciei de apartenen
n funcie de tipul de alur al funciilor de apartenen, le vom exemplifica n
continuare pe cele mai folosite:
(a) Funcia de apartenen : X [0,1], de tip clopotul lui Gauss are expresia
matematic:
fie
( x) :=
x0 := 3 a := 2
x x0
1+
a
( x)
0.5
10
10
a := 80
1
2
0
x1 := 0
x x1 if x1 2a x x1 + 2a
2a
1 + cos
if x < x1 2a
1
( x)
0.5
200
100
100
200
11
Sisteme Expert
(c) Funcia de apartenen : X [0,1], cu flancuri de tip cosinus nesimetrice
i zon superioar (toleran) lrgit are expresia matematic:
fie x1 := 90 x2 := 100 a1 := 90 a2 := 190
1
x x1 if x1 2a1 x x1
( x) :=
1 + cos
2
2a1
1
2
x x2 if x2 x x2 + 2a2
2a2
1 + cos
if x2 + 2a2 < x
if x1 < x < x2
if x < x1 2a1
1
( x)
0.5
0
x
Figura 2.8 Funcia de apartenen de form polinomial cu flancuri formate
din segmente de dreapt.
(e) Funcia de apartenen : X [0,1], de form trapezoidal sau funcia cu
patru parametri, are expresia matematic:
12
Sisteme Expert
:= 2
:= 10
:= 6
(x, , , , ) :=
:= 15
0 if x <
x
if x <
1 if x
x
if < x
0 if x >
( x, , , , )
0.5
10
x
0 if x <
(x )
( )
cu
:= 3 := 7
if x
1 if x >
( x, , )
0.5
10
Sisteme Expert
S ( x , , ) :=
( x )
2
( )
1
1
:= 10
cu
if x <
2
:=
if x
(x )
( )
:= 12
( + )
2
if < x
if x >
S (x , , )
0.5
10
10
15
20
( x)
( )
0
:= 3 := 7
cu
if x <
if x
if x >
L ( x , , ) 0.5
10
14
Sisteme Expert
( x , , , ) :=
cu
if x <
( x )
if x
( )
( x)
+ 1 if x
( + )
0
:= 5
:= 12.5
:= 20
if x >
1
( x , , , ) 0.5
10
15
20
()
Sisteme Expert
~ ~
Definiia 2.9 [Driankov93]
Dou mulimi fuzzy sunt egale A = B dac i
numai dac x X : A~ ( x ) = B~ (x ) .
~
~ ~ ~
Definiia 2.10 [Driankov93] A este o submulime fuzzy a lui B A B dac i
numai dac x X : A~ (x ) B~ ( x ) .
16
Sisteme Expert
Tabelul 2.1. Exemple de variabile lingvistice i termenii lingvistici afereni
acestora.
v
oameni
TL(v)
oameni nali
oameni de statur
medie
oameni de statur
mic
x[0,2]
x [-100 C0,100
C0]
mic
normal
mare
foarte mare
vrst
G
-
~
M
(x,oameni nali )
(x,oameni de statur
medie)
(x,oameni de statur
mic )
(x,foarte mic)
(x,mic )
(x,normal )
(x,mare )
(x,foarte mare)
foarte tnr
tnr
aproape tnr
btrn
foarte btrn
x [0, 120]
(x,foarte tnr)
(x,tnr )
(x,aproape tnr )
(x,btrn )
(x,foarte btrn )
Temperatura
(x)
potrivit
rece
cald
Termenii lingvistici
1
0.8
0.6
Funciile de
apartenen
0.4
0.2
-20
80
20
Valori numerice
x-temperatura
Variabila de baz
17
Sisteme Expert
x + 80 2
~
x + 40 2
~
x 0 2
~
~
M (cald ) = {( x, cald ( x )) x X } cu
x 40 2 ~
M ( foarte cald ) = {(x, foarte cald (x )) x X } unde
cald (x ) = 1 +
6
x 80 2
foarte cald (x ) = 1 +
6
18
Sisteme Expert
Bazndu-ne pe primitivele atomice logice fuzzy i pe conectorii logicii fuzzy
(AND, OR, NOT, IF-THEN) se pot forma propoziii fuzzy compuse cum ar fi:
~
~
x este A AND y este B ,
~
~
x este A OR y este B ,
~
~
x este NOT A AND y este B ,
~
~
IF x este A THEN y este B .
Pentru a putea lucra cu propoziii fuzzy compuse trebuie s definim noiunea de
propoziie fuzzy simpl:
Definiia 2.12 [Driankov93] pag. 76-77. O propoziie fuzzy p este definit
simbolic prin:
~
p: v este A
~
unde v este numele variabilei lingvistice iar A este mulimea fuzzy prin care este
reprezentat un termen lingvistic al variabilei lingvistice v. Expresia matematic a
valorii de adevr a unei propoziii fuzzy p este dat de funcia de apartenen A~ .
Not: Pe ntreg parcursul lucrrii vom folosi expresia funcie de apartenen
~
a mulimii fuzzy A n locul expresiei valoarea de adevr a propoziiei fuzzy
p, i vom considera fiecare mulime fuzzy ca fiind expresia matematic a
unui termen lingvistic.
O propoziie fuzzy condiional sau o regul fuzzy de tip IF-THEN este
reprezentat simbolic astfel:
IF (propoziie fuzzy) THEN (propoziie fuzzy).
2.6 Operatorii logicii fuzzy
Obiectivul acestui paragraf este prezentarea operatorilor logici fuzzy. n
modelarea fuzzy a conducerii automat a proceselor avem, aa cum am artat n
paragrafele anterioare, informaii primare transpuse n variabile lingvistice. Pentru
a putea modela comportamentul unui sistem de conducere automat al proceselor,
este nevoie de conectori logici care modeleaz legturile ntre informaiile de
intrare ct i ntre acestea i informaiile de ieire.
Una dintre cele mai importante teme din teoria sistemelor fuzzy este definirea
operatorilor logici fuzzy. Definirea operatorilor logici fuzzy este fcut n multe
moduri, depinznd de conceptele de la care pleac autorii i de tipul aplicaiei care
va fi modelat. n acest paragraf vom generaliza operaiile logice cu mulimi
fuzzy: complementul (negaia), disjuncia, conjuncia i implicaia. Pentru
definirea negaiei disjunciei i conjunciei fuzzy precum i a implicaiei fuzzy ne
vom baza pe teoria t-conormelor, a t-normelor i pe analogia cu definiiile
operaiilor logice clasice. Operaiile cu mulimile fuzzy sunt o extindere a celor
din logica clasic. Dac mulimile fuzzy implicate au grade de apartenen 0 i 1,
semnificaia operaiilor este aceeai ca n teoria clasic a mulimilor, de aceea i
simbolurile utilizate sunt aceleai. n continuare vor fi descrii operatorii logici
fuzzy.
19
Sisteme Expert
Negaia fuzzy
Fie propoziia fuzzy X este A. Pentru a putea modela fuzzy negarea acestei
propoziii, adic X nu este A, este nevoie de un operator de negaie.
~
Fie X o mulime nevid, A o mulime fuzzy n X i A~ ( x ) gradul de
~
apartenen a unui element x X la A .
Definiia 2.13 (Negaia fuzzy) Se numete negaie fuzzy o funcie A : X [ 0,1] ,
cu proprietatea c A ( x ) = 1 ( x ) .
A
~
Vom nota complementara mulimii fuzzy A prin CA =
x,1 A ( x ) x X .
OR( A~ , B~ )(x, y ) = S ( A~ (x ), B~ ( y ))
unde pe S o vom numi generatoarea disjunciei fuzzy OR.
d
Definiia 2.16 O funcie T : [0,1] [0,1] [0,1] este numit t-norm (norm
triunghiular) dac satisface urmtoarele condiii:
1. T (x,1) = x
2. T ( x, y ) T (x, z ) pentru y z
3. T ( x, y ) = T ( y, x )
20
Sisteme Expert
4. T ( x, T ( y, z )) = T (T ( x, y ), z )
Fie A, B, C . n cazul mulimilor fuzzy conjuncia fuyyz se definete astfel:
Definiia 2.17 (conjuncia fuzzy). Dac avem dou mulimi clasice de obiecte
X , Y atunci funcia de apartenen a conjunciei (pe scurt conjuncia) a dou
~
~
mulimi fuzzy A n X i B n Y, este specificat printr-o funcie de forma
AND : F F F
AND ( A~ , B~ ) : X Y [0,1]
AND ( A~ , B~ )(x ) = T ( A~ ( x ), B~ ( x ))
d
i =1
Definiia 2.19
i =1
21
Sisteme Expert
Tabelul 2. Clase importante de disjuncii i conjuncii fuzzy.
Clasa
1
Schweizer&Sklar 1 max 0, (1 ~ ) p + (1 ~ ) p 1 p
B
A
[1983]
~ , ~ F
A
B
A~ + B~
Domeniul
parametrului
Conjuncia fuzzy
Disjuncia fuzzy
0,
max
~ , ~ F
A B
(2 ) A~ B~
~
A
B~ p
1
1 p
A~ B~
+ (1 )( A~ + B~ A~ B~ )
p ,
Hamacher [1978]
1 (1 ) A~ B~
Frank [1979]
s1 A~ 1 s1 B~ 1
1 log s 1 +
s 1
s A~ 1 s B~ 1
log s 1 +
s 1
Yager [1980]
~w
min
1,
+ ~ w w
B
A
~ , ~ F
A B
w
w w
1
min
~
1, 1 ~ + 1 B
A
~ , ~ F
A B
w (0, + )
A~ + B~ A~ B~ min ( A~ , B~ ,1 )
max(1 A~ ,1 B~ , )
A~ B~
max ( A~ , B~ , )
(0,1)
)(
Dombi [1982]
1
1
1
1 +
1
~
~
B
A
Sugeno
min(1, a + b + a b)
)(
1
1
A~
(0, )
s (0, )
~ 1
B
1 min(1,1 a b a b)
Tem de reflecie
Facei o comparaie ntre operatorii logicii clasice i cea fuzzy. Descriei acest
lucru n spaiul liber din chenar.
22
( )
0,1
Sisteme Expert
2.8 Bibliografie
1. H.N. Teodorescu, A. Kandel, and L.C. Jain (Eds.): Fuzzy and Neuro-fuzzy
Systems in Medicine. CRC Press, Florida, USA, 394 pp.+ xxviii, (ISBN0-84939806-1), 1998.
2. Kwang Hyung Lee, First Course on Fuzzy Theory and Applications (Advances
in Intelligent and Soft Computing), Springer; 1 edition (November 23, 2004).
23
Sisteme Expert
Intrri
Normalizarea
intrrilor
Baza de
cunotine
Baza de
reguli
Fuzzificare
Inferen
Defuzzificare i
denormalizarea
comenzii
Proces
Normalizarea
ieirilor
24
Ieiri
Sisteme Expert
n capitolele ce urmeaz vor fi descrise toate modulele unui sistem fuzzy.
premiza
~
~
R: if x este A then y este B
25
Sisteme Expert
Sistemele de tip Mamdani se bazeaz pe un set finit de reguli fuzzy de tip if- then
de forma:
k and ... and x este A
k then u este U
Rk : if x1 este A
1
p
p
k
unde:
- Rk reprezint regula cu numrul k IN , k 2 ;
- xi X i reprezint datele (variabilele) de intrare ale sistemului,
i = 1.. p, p IN , i X i mulimea de baz a valorilor variabilei lingvistice i
(VLi);
~
- A ik sunt mulimile fuzzy din cadrul premizei care au asociate funciile de
~
apartenen A~ k , Fiecare mulime fuzzy A ik descrie termenul lingvistic k
i
k
i
r
r
U r if x1 este A1 and ... and x p este Ap
3.3 Mecanismul de inferen
Mecanismul de inferen fuzzy modeleaz matematic cunotinele unui
fenomen studiat i relaiile logice dintre acestea. Modulele ce alctuiesc un
mecanism de inferen fuzzy sunt prezentate schematic n figura 3.2. Prin
mecanismul de inferen fuzzy se determin o relaie ntre mulimea valorilor de
intrare (strile sistemului la moment dat de timp) i valoarea funciei de control u.
26
Sisteme Expert
Sisteme Expert
component (TL) a premizei este satisfcut pentru fiecare regul fuzzy n parte.
Dac premiza unei reguli conine mai muli termeni lingvistici conectai prin
operatori fuzzy logici AND atunci operatorii logici fuzzy sunt aplicai pentru a
obine un singur rezultat care reprezint valoarea premizei regulii respective
(nivelul
de
activare
al
regulii
k
definit
astfel:
k ( x1 ,, x p ) =
AND A ( x1 ) ,..., A ( x p ) .
k
1
k
p
Evaluarea fiecrei reguli fuzzy. Concluzia unei reguli fuzzy este o mulime
fuzzy exprimat prin funcia de apartenen asociat. Evaluarea unei reguli fuzzy
se face prin aplicarea operatorului fuzzy implicaie asupra valorii premizei i
funciei de apartenen a fiecrui TL de ieire din regula respectiv. Procesul de
evaluare al unei reguli se numete inferen local.
Cuplarea (combinarea) regulilor fuzzy. La construirea funciei de ieire
(comenzii) trebuie s contribuie toate regulile fuzzy din baza de reguli. Cuplarea
(combinarea) tuturor regulilor reprezint procesul prin care mulimile fuzzy care
reprezint rezultatul implicaiei fiecrei reguli (ieirea fiecrei reguli) sunt
combinate (agregate) ntr-o singur mulime fuzzy.
Procesul de agregare al tuturor regulilor unei baze de reguli se numete inferen
global.
Cele mai frecvente metode de inferen folosite sunt:
1. Inferena MIN-MAX. Evaluarea bazei de reguli se face utiliznd urmtorii
operatori:
- conectori n premiz: AND MIN, OR MAX
- concluzionare: MIN
- conectarea regulilor: MAX
2. Inferena PROD-MAX. Evaluarea bazei de reguli se face utiliznd
urmtorii operatori:
- conectori n premiz: AND MIN, OR MAX
- concluzionare: PROD asupra TL de ieire activat
- conectarea regulilor: MAX
3. Inferena PROD-SUM. Evaluarea bazei de reguli se face utiliznd
urmtorii operatori:
- conectori n premiz: AND PROD, OR SUM
- concluzionare: PROD asupra TL de ieire activat
- conectarea regulilor: SUM
4. Inferena MIN-SUM. Evaluarea bazei de reguli se face utiliznd urmtorii
operatori:
- conectori n premiz: AND MIN, OR MAX
- concluzionare: MIN asupra TL de ieire activat
- conectarea regulilor: SUM
Defuzificarea (modulul de defuzificare). Ultimul pas n procesul de inferen
fuzzy este defuzificarea. Fuzzificarea ne ajut la evaluarea regulilor dar n final
datele de ieire ale mecanismul de inferen fuzzy trebuie s fie valori numerice.
Defuzificarea se folosete numai n cazul regulilor de tip Mamdani, unde
rezultatul inferenei globale este o mulime fuzzy. Enumerm n continuare cteva
dintre metodele de defuzificare folosite ntr-un mecanism de inferen fuzzy.
28
Sisteme Expert
Vom considera vectorul de intrare x = ( x1 , , x p ) , funcia fuzzy rezultat n urma
COG
( x) =
output
( x, u ) dy
output ( x, u ) dy
COG
y ( x, u )
.
( x) =
( x, u )
yY
yY
output
output
output
u COG
u COS ( x ) =
k
y output ( x, u )dy
k =1
n
Y k =1
k
output
( x, u )dy
u COS ( x ) =
k
( x, u )
y output
yY
1
k=
n
k
output
1
yY k =
29
( x, u )
Sisteme Expert
output
u COG
Fig. 3.8 Defuzificarea prin metoda COS.
sup { ( u )} sup {
n
HM
( x) =
U k
k =1 uU
sup {
n
k =1 uU
Dac notm cu
uU
k
output
k
output
( x, u )}
.
( x, u )}
k
f k = sup { output
( x, u )} i cu hk = sup U k ( u )
uU
uU
vom avea
output
h1
u HM
h2
Sisteme Expert
output
u CoLA
Fig. 3.10 Defuzificarea prin metoda CoLA.
Deoarece calculele pentru a gsi centrul de greutate al acestei arii sunt complicate
i pot fi fcute n mai multe moduri, nu putem da o formul de calcul general.
Metoda primului maxim (First-of-Maxima - FoM). Aceast metod alege cea
mai mic valoare din domeniul U pentru care output ( x, u ) este maxim:
u FoM ( x ) =
inf u U output ( x, u ) =
sup { output ( x, u )}
uU
output
u FoM
Fig. 3.11 Defuzificarea prin metoda FoM.
Versiunea alternativ la aceast metod se numete metoda ultimului maxim
(Last-of-Maxima LoM):
u FoM ( x ) =
sup u U output ( x, u ) =
sup { output ( x, u )}
uU
MOM
y dy
( x) = Z
unde Z
=
dy
u
( x, u ) } i este
{=
*
output
31
valoarea maxim a
Sisteme Expert
inf y Y output ( x, u ) =
sup { output ( x, u )} +
u MoM ( x ) =
2
uU
+ sup u U output ( x, u ) =
sup { output ( x, u )}
uU
n cazul discret.
output
u MoM
Fig. 3.12 Defuzificarea prin metoda MoM
Cteva dintre metodele descrise mai sus sunt reprezentate grafic n figura de mai
jos, ca rezultat al aplicrii lor pe o baz de cunotine fuzzy:
32
Sisteme Expert
2.
u CoLA
Fig. 3.15 (a) Defuzificare prin metoda CoLA (funcii de apartenen
triunghiulare)
u CoLA
Fig. 3.15 (b) Defuzificare prin metoda COG (funcii de apartenen
trapezoidale)
n ambele cazuri maina va trebui s fac acelai viraj n acelai timp la
stnga i la dreapta. Prin urmare, n funcie de problema studiat,
metoda de defuzificare trebuie aleas astfel nct s nu conduc la
rezultate ambigue.
3.
Plauzabilitatea.
u U i
una
vertical
component
orizontal
deff
output ( x, u ) [ 01] pentru un x fixat. Vom spune c valoarea
deff
suportului
mulimii
fuzzy
reprezentat
de
funcia
de
apartenen output ( x, u ) i are un grad de apartenen ct mai mare. n
cazul metodei CoA, de exemplu, aplicat situaiei din Fig. 13 a) nu este
satisfcut acest criteriu.
33
Sisteme Expert
4.
5.
U HM =
are un grad de realizare mai mic pentru concluzia ultimei reguli fuzzy
dect pentru concluzia primelor trei reguli fuzzy. Metodele de
defuzificare CoS i HM ndeplinesc acest criteriu.
Urmtorul tabel sintetizeaz metodele de defuzificare i criteriile pe care acestea
le ndeplinesc:
Tabelul 3.1. Metodele de defuzificare i criteriile pe care acestea le
ndeplinesc.
CoG
CoS MoM FoM
HM
CoLA
da
da
nu
nu
da
nu
Continuitate
da
da
da
da
da
nu
Dezambiguitate
da
da
nu
nu
da
nu
Plauzabilitate
complicat simpl simpl simpl simpl complicat
Complexitatea
calculului
nu
da
nu
nu
da
nu
Influena
ponderilor
34
Sisteme Expert
X
=
i, j
1..=
X=
r , j 1..n iar
j ,i
i =1
k ( x ) = AND X
k ,1
Definiia 3.4
Dac k ( x ) > 0 atunci vom spune c regula k este activ, n caz
contrar vom spune c regula este inactiv.
Semnalul de control generat de RG-F este dat de formula:
r
u=
u
i =1
r
i =1
Tem de reflecie
Facei o comparaie ntre S.E. fuzzy de tip T-S cu diferii operatorii logici.
Descriei acest lucru n spaiul liber din chenar.
35
Sisteme Expert
36
Sisteme Expert
4.1 Introducere
Proiectarea sistemelor de reglare automat cu sistem fuzzy (SRA RF)
depinde, n principal, de experiena expertului de proces i a proiectantului
sistemului de reglare automat. Consecina acestui fapt este concentrarea spre
dezvoltarea sistemelor fuzzy orientate pe aplicaii, i acordarea unei atenii reduse
metodelor generale de analiz i proiectare a lor.
Sistemele fuzzy sunt de cele mai multe ori sisteme neliniare. Din aceast
cauz analiza i proiectarea lor este dificil. Una dintre cele mai importante
caracteristici ale sistemelor de reglare automat cu sistem fuzzy este stabilitatea
acestora. Asigurarea stabilitii sistemelor de reglare automat cu sistem fuzzy
este important deoarece pe baza ei proiectantul obine informaii necesare
dezvoltrii sistemului fuzzy. Astfel prin modificarea corespunztoare a
parametrilor acestuia (funcii de apartenen, metode de inferen, metode de
agregare, metode de defuzificare), proiectantul obine un sistem de reglare
automat stabil.
Garantarea stabilitii sistemelor de reglare automat cu sistem fuzzy este
deosebit de dificil datorit neliniaritii sistemului fuzzy i a suprapunerii
acesteia peste neliniaritile procesului condus.
n literatura de specialitate sunt abordate urmtoarele metode de analiz i
verificare a stabilitii:
1. abordarea n spaiul strilor ; lucrri semnificative n acest sens pot fi
considerate: [Aracil. J., Ollero A., Garcia-Cerezo, 1989], [Garcia-Cerezo,
Ollero A.], [Driankov D., Hellendoorn H., Reinfrank M., 1993], [Ying H],
2. teoria hiperstabilitii dup Popov: [Opitz H. P., 1993], [Preitl t., Precup
R.]
3. teoria stabilitii dup Lyapunov: [K. Tanaka, M. Sugeno], [L. K.Wong, F.
H. F. Leung, and P. K. S. Tam, 1998], [Jenkins D, Passino K.M., 1999],
37
Sisteme Expert
Reference input
u(t)
output
y(t)
Process
x = f (x ) + b(x )u (t )
state variables
(x1,x2,,xn)
Figura 4.1 Sistem de reglare automat fuzzy (SR-F).
unde:
r(t) este referina,
u(t) reprezint comanda,
y(t) este ieirea,
x(0) condiiile iniiale.
Procesul condus poate fi descris prin urmtoarea ecuaie:
(1)
unde:
- x(t ) = [x1 (t ), x 2 (t ),..., x n (t )] este vectorul strilor,
T
- f ( x(t )) = [ f 1 ( x(t )), f 2 ( x(t )),..., f n ( x(t ))] i b( x(t )) = [b1 ( x(t )), b2 ( x(t )),..., bn ( x(t ))]
sunt funcii vectoriale continue care descriu dinamica procesului,
- u reprezint semnalul de control generat de sistemul fuzzy.
T
Sisteme Expert
intrare n RG-F,
i, j
= X j , j = 1,2,.., n i X 1 X n = X .
i =1
Se presupune n continuare c:
- funcia AND este definit prin funcia MIN,
- funciile de apartenen care descriu TL de intrare sunt considerate continue,
- u = u i ( x(t )) este o funcie continu.
Fiecare
regul
fuzzy genereaz un
grad
de
activare
al
regulei: i [0,1], i = 1,2,..., r , i ( x(t )) = min ( i ,1 ( x1 (t )), i , 2 ( x 2 (t )) i ,n ( x n (t ))) i
are consecina format dintr-o funcie continu ui care depinde de vectorul
strilor, x(t). Se consider c pentru orice x X cel puin o regul este activ,
adic x X , i ( x ) 0 . Semnalul de control rezultat u, care trebuie aplicat PC
este o funcie de i i ui .
Metoda de defuzificare pentru obinerea semnalului de control este dat de:
r
i ui
u = i =r1
i
i =1
(3)
Sisteme Expert
definit. Stabilitatea ntregului proces poate fi asigurat dac fiecare regul fuzzy,
aplicat procesului neliniar ne d un subsistem stabil n raport cu aceeai funcie
Lyapunov. n continuare se descriu condiiile de realizare concret al acestui tip
de stabilitate.
Din structura unui RG-F de tip Sugeno-Takagi i din modul de funcionare al
mecanismului de inferen, rezult:
Proprietatea 4.1: Pentru orice intrare x 0 X , exist dou reguli p, q astfel nct
u min (x0 ) = u p (x0 ) u (x0 ) u q (x0 ) = u max (x0 ) .
Demonstraie
Fie x 0 X atunci printre toate regulile exist dou reguli p i q astfel nct
u p ( x0 ) = umin ( x0 ) i u q ( x 0 ) = u max (x 0 ) , unde u min (x 0 ) = min (u i ( x 0 )) i
i=1..r
u max (x 0 ) = max(u i (x 0 )) .
i=1..r
u min (x 0 ) =
(x ) u (x ) (x ) u (x ) (x ) u (x )
i =1
min
(x )
i =1
i =1
(x )
i =1
i =1
max
(x )
i =1
= u max (x 0 ) ,
deci
u min (x 0 ) u (x0 ) u max (x0 ) u min (x ) u (x ) u max (x ), x X .
(4)
Sisteme Expert
rezult c
i =1
i =1
V este
negativ
V (x ) = F ( x ) + B(x )u i (x ) < 0
41
ui
definit
i =1
este continu.
raport
cu
Sisteme Expert
i
Se consider trei cazuri:
(4)
(5)
max
max
max
V (0 ) = 0 , V (x ) = x T Px cnd x ;
V ( x ) < 0, x 0 , V (0 ) = 0 n raport cu fiecare regul fuzzy n parte ;
u min (x ) u ( x ) u max (x ), x X 1 ... X n
42
Sisteme Expert
4.4 Exemplul 1 de reglare automat cu sistem fuzzy de tip Sugeno-Takagi.
Se consider urmtorul sistem (mass-spring-damper system) ce urmeaz a fi
controlat de ctre un sistem fuzzy euristic:
0
Resort
const.resortului = h
Masa
(m)
F=u(t)
Amortizor
(g funcia de amortizare)
Zid
fix
(11)
m x + g ( x, x ) + h x = u
unde m=2.0 kg reprezint masa, u este mrimea de comand, h=0.5 Nm-1
elasticitatea resortului i g ( x, x ) = 2 x 3 + 0.5 x este o funcie neliniar care descrie
amortizarea. Expresia (11) poate fi adus la forma urmtoare:
(11)
z = f ( z ) + b(z )u
unde
z
z = 1 ,
z1 = x,
z 2 = x ,
z
2
z2
0
f (z ) =
b( z ) =
3
0.5
0.5 z1 z 2
unde z1 = x, z 2 = x sunt variabilele stare ale sistemului i reprezint poziia
coordonatei masei n raport cu lungimea resortului netensionat i respectiv viteza
acesteia.
n graficul urmtor sunt reprezentate funciile de apartenen care descriu termenii
lingvistici ai variabilelor lingvistice ale lui x i x :
43
Sisteme Expert
1.1
N( x)
Z ( x)
0.5
P( x)
Negativ
Zero
Pozitiv
0
0
0.5
0.5
Premiza
z1
z2
P
P
N
N
P
N
N
P
P
Z
N
Z
Z
P
Z
N
Z
Z
Consecina
u
-2
2
0
0
-z1
-z1
-z1
-z1
-z1-z2
V (x ) = xx + xx = xx + x 0.5 x x 3 + 0.5u
z
nlocuind z = 1 , cu z1 = x, i z 2 = x rezult
z2
V (z ) = z1 z 2 + z 2 0.5 z1 z 23 + 0.5u
deci
V (0 ) = 0
n continuare se analizeaz fiecare regul:
)
(12)
Sisteme Expert
Pentru regula 2, z1 este N, z2 este N i u 2 = 2 . Deci z1 [ 1,0], z 2 < 0 . Din (12)
rezult V ( z ) = 0.5( z1 + 2 )z 2 z 24 < 0 mai puin n punctul z = 0 .
Pentru regulile 3 i 4, z1 este P, z2 este N i u 3, 4 = 0 . Deci z1 z 2 0 . Din (12)
rezult V ( z ) = 0.5 z1 z 2 z 24 < 0 mai puin n punctul z = 0 .
Pentru regulile 5,6,7 i 8, u 5, 6, 7 ,8 = z1 . Din (12) rezult V ( z ) = z 24 < 0 mai puin
n punctul z = 0 .
Pentru regula 9, u 9 = z1 z 2 . Din (12) rezult V ( z ) = z 24 0.5 z 22 < 0 mai puin
n punctul z = 0 .
0.73
0.37
z 1( t )
z 2( t )
u z 1( t ) , z 2( t )
2.5
7.5
10
12.5
15
17.5
0.37
0.73
1.1
t
45
20
22.5
25
Sisteme Expert
0.67
0.33
z 1( t )
z 2( t )
u z 1( t ) , z 2( t )
20
40
60
80
100
120
140
160
180
200
0.33
0.67
1
t
0.5
z1=1
z2=-1
z1=-0.5 z2=0.5
z1=0.5 z2=-0.5
z1=-1 z2=1
z1=0.5 z2=0.5
z1=-0.5 z2=-0.5
z1=0
z2=-1
z1=1
z2=0
0.5
10
12
14
16
46
18
timp (t)
20
Sisteme Expert
4.6 Exemplul 2 de reglare automat cu sistem fuzzy de tip Sugeno-Takagi
Pentru exemplificare este prezentat simularea unui SRA cu RG-F aferent
aplicaiei conducerea pendulului invers. Acest sistem const dintr-un pendul
invers poziionat pe un car mobil. RG-F este folosit pentru a calcula fora u
aplicat carului pentru a stabiliza pe vertical pendulul.
(8)
n care:
m masa pendulului;
M masa carului;
2l lungimea pendulului;
g acceleraia gravitaional;
poziia fa de vertical a pendulului (unghiul de deviaie fa de vertical a
pendulului) msurat n sens trigonometric;
u momentul aplicat pendulului n vederea meninerii lui n poziie vertical: are
rol de mrime de comand.
Alegnd ca variabile de stare poziia unghiular x1 = (n grade) i viteza
unghiular x 2 = (n grade pe secund), se obine urmtorul model matematic, cu
timp continuu, de intrare ieire al procesului:
x1 = x 2
x 2 =
g
1
sin ( x1 )
u , x [ 80,80] , x 2 [ 30,30]
l
(m + M ) l 2 1
y = x1
care poate fi pus n forma: x = f ( x ) + b(x )u (x )
0
x2
unde f ( x ) = g
, b( x ) =
sin ( x1 )
(m + M ) l 2
l
47
(9)
Sisteme Expert
P( x1)
Z ( x1)
0.5
N( x1)
Pozitiv
Zero
Negativ
0
0
80
60
40
20
80
20
40
60
80
x1
80
P( x2)
Z ( x2)
0.5
N( x2)
Pozitiv
Zero
Negativ
0
30
20
10
10
20
30
x2
g
1
V x1 , x 2 = x1 x 2 + x 2 x 2 = x 2 x1 + sin x1
l
(m + M )l 2
V (0 ) = 0
( )
48
u ,
Sisteme Expert
Avnd dou VL de intrare fiecare cu cte trei TL, numrul maxim de reguli este 9.
Acestea sunt reprezentate n tabelul urmtor:
Regula
Consecina
Premiza
x1
x2
x1 + g
x1 g
x1 g
x1 + g
x1 + x 2 + g sin ( x1 )
x1 + x 2 + g sin ( x1 )
x1 + g
x1 g
x1 + x 2 + g sin ( x1 )
u1 = x1 + g , de unde rezult:
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
pentru x 0 .
( )
( ( ) )
u = x g sin x 1 < 0
2
1
u 2 = x1 g de unde rezult:
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
pentru x 0 .
( )
( ( ) )
u = x g sin x + 1 < 0
2
1
Sisteme Expert
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
( ( ) )
u = x g sin x + 1 < 0
2
1
pentru x 0 .
Regula 4: Dac x1 este N i x2 este P, adic x1 [ 80,0] , x 2 [0,30] , atunci
u 4 = x1 + g , de unde rezult:
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
pentru x 0 .
( )
( ( ) )
u = x g sin x 1 < 0
2
1
1
g
V x1 , x 2 = x 2 x1 + sin x1
l
(m + M )l 2
( )
u = x 2 < 0 pentru x 0 .
2
1
g
V x1 , x 2 = x 2 x1 + sin x1
l
(m + M )l 2
( )
u = x 2 < 0 pentru x 0 .
2
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
pentru x 0 .
( )
( ( ) )
u = x g sin x 1 < 0
2
1
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
50
( ( ) )
u = x g sin x + 1 < 0
2
1
Sisteme Expert
pentru x 0 .
Regula 9: Dac x1 este Z i x2 este Z, adic x1 [ 10,10], x 2 [ 5,5] , atunci
u 9 = x1 + x 2 + g sin ( x1 ) , de unde rezult:
1
g
V x1 , x 2 = x 2 x1 + sin x1
l
(m + M )l 2
( )
u = x 2 < 0 pentru x 0 .
2
90
pozitia unghiular
viteza unghiular
60
30
x1( t )
0
x2( t )
30
60
90
10
15
51
20
Sisteme Expert
Reprezentarea evoluiei comenzii u n funcie de timp, pentru x0 = [80,30]:
100
evolutia comenzii u
50
u x1( t ) , x2( t )
50
100
10
15
20
4.8 Algoritmul pentru proiectarea unui sistem fuzzy stabil, de tip TakagiSugeno
Sisteme Expert
Pasul 4: Determinarea funciei de tip Lyapunov i a derivatei sale,
Pasul 5: Analizarea stabilitii fiecrui subsistem fuzzy n parte i determinarea
semnalului de control ui astfel nct fiecare subsistem fuzzy s fie stabil.
Dup ndeplinirea tuturor pailor algoritmului, n baza teoremei 2, rezult c
ntregul sistem de reglare automat cu sistem fuzzy este stabil.
n paragraful 4.3 este dat un exemplu care se bazeaz pe algoritmul enunat mai
sus.
n continuare se generalizeaz exemplul dat n paragraful 4.3, exemplificndu-se
totodat folosirea algoritmului enunat mai sus:
Pasul 1: variabilele de stare (termenii lingvistici de intrare) sunt unghiul
pendulului fa de vertical x1 = (n grade) i viteza unghiular x 2 = (n
grade/secund). ecuaiile care descriu procesul sunt:
x1 = x2
,
g
1
x 2 = sin x1
u
l
(m + M ) l 2
( )
x1 [ 80,80] , x2 [ 30,30] .
P( x1)
Z ( x1)
0.5
N( x1)
Pozitive
Zero
Negative
0
80
60
40
20
20
40
60
80
x1
53
Sisteme Expert
P( x2)
Z ( x2)
0.5
N( x2)
Pozitiv
Zero
Negativ
0
30
20
10
10
20
30
x2
Figura 4.12. Funciile de apartenen
a variabilei de stare x2 .
x1
x2
1 2
x1 + x 22 .
2
g
1
Atunci V x1 , x 2 = x1 x 2 + x 2 x 2 = x 2 x1 + sin x1
l
(m + M )l 2
( )
u .
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
1
x + g sin x
1
1
l
(m + M )l 2
( )
u < 0 pentru x 0 .
54
u =< 0 dac
Sisteme Expert
Prin urmare variabila de control trebuie s satisfac condiia:
(
( ))
u = (m + M ) l (x l + g ) > (m + M ) l (x l + g sin (x ))
1
1
1
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
1
x + g sin x
1
1 l
(m + M )l 2
( )
u < 0 dac
u > 0 pentru x 0 .
(
( ))
u = (m + M ) l (x l g ) < (m + M ) l (x l + g sin (x )).
1
1
1
u < (m + M ) l x l + g sin x . Prin urmare vom lua
1
1
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
1
x + g sin x
1
1 l
(m + M )l 2
( )
u < 0 dac
u > 0 pentru x 0 .
(
( ))
u = (m + M ) l (x l g ) < (m + M ) l (x l + g sin (x )).
1
1
1
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
1
x + g sin x
1
1
l
(m + M )l 2
( )
Prin
urmare
variabila
u < 0 dac
u < 0 pentru x 0 .
de
( ))
control
trebuie
satisfac
condiia:
Sisteme Expert
( ))
u = (m + M ) l x l + g > (m + M ) l x l + g sin x
1
1
1
lui
V ( x1 , x 2 ) = x 22 < 0
g
1
V x1 , x 2 = x 2 x1 + sin x1
l
(m + M )l 2
pentru x 0 .
( )
Acest
lucru
se
la
ntmpl
forma
dac
( )
u = x1 + x2 + sin x1 (m + M ) l 2 .
l
( )
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
1
x + g sin x
1
1 l
(m + M )l 2
( )
u < 0 dac
u < 0 pentru x 0 .
(
( ))
u = (m + M ) l (x l + g ) > (m + M ) l (x l + g sin (x )).
1
1
1
g
1
V x1 , x2 = x1 x 2 + x2 x 2 = x2 x1 + sin x1
l
(m + M )l 2
( )
1
x + g sin x
1
1 l
(m + M )l 2
( )
u < 0 dac
u > 0 pentru x 0 .
(
( ))
u = (m + M ) l (x l g ) < (m + M ) l (x l + g sin (x )).
1
1
1
u < (m + M ) l x l + g sin x . Vom lua
1
1
56
Sisteme Expert
( )
Regula
Consecina
Premiza
x1
x2
(m + M ) l (x1 l + g )
(m + M ) l (x1 l + g )
2
x1 + x2 + sin x1 (m + M ) l
l
2
x1 + x2 + sin x1 (m + M ) l
l
(m + M ) l (x1 l g )
x1 + x 2 + sin x1 (m + M ) l 2
l
(m + M ) l (x1 l g )
(m + M ) l (x1 l g )
( )
( )
(m + M ) l (x1 l + g )
( )
57
Sisteme Expert
n continuare este dat simularea exemplului pentru m=0.5kg, M=1 kg, l=2 m,
g=9.8m/s-1 i condiiile iniiale x0=[-80,30]:
90
pozitia unghiular
viteza unghiular
60
30
x1( t )
0
x2( t )
30
60
90
10
15
20
25
30
35
500
evolutia comenzii u
400
300
200
u x1( t ) , x2( t )
100
0
100
200
300
400
500
10
15
20
25
30
58
35
Sisteme Expert
4.9 Analiza stabilitii sistemelor de reglare automat cu sistem fuzzy de tip
Mamdani, pentru sisteme neliniare
n acest subcapitol se analizeaz stabilitatea sistemelor de reglare automat cu
sistem fuzzy de tip Mamdani. O baz de reguli fuzzy de tip Mamdani este
alctuit din reguli de forma:
Regula i:
THEN
u este Yi
premiza
concluzia
i, j
= X j , j = 1,2,.., n .
i =1
i :
r - numrul de reguli fuzzy,
i numrul regulei,
n numrul de VL, de intrare,
u variabila de ieire semnalul de control,
Yi - mulimile fuzzy asociate TL de
ieire.
6.
concluzionare: MIN
Sisteme Expert
Semnalul
u k (x ) =
de
comand
y c k (x ) dy
Yk
c k (x ) dy
Yk
pentru
singur
y c k (x ) dy
Y
c k (x ) dy
regul
va
fi:
Sisteme Expert
c( x ) = c1 (x ) + c2 (x ) + + cn (x )
-
y c(x ) dy
u (x ) =
c(x ) dy
i
y AND (x ), Yk ( y ) dy
i =1
AND( (x ), ( y )) dy
n
Y i =1
Yk
u min = min (u k ( x )) i
unde
k =1r
k =1r
un x X dat.
Demonstraie:
Fie x X . Notm cu Ak = ck ( x ) dy . Prin urmare
Y
uk (x ) =
y c (x ) dy y c (x ) dy
k
ck (x ) dy
Ak
, de unde u k ( x ) Ak = y c k (x ) dy .
Y
Atunci
u (x ) =
y c ( x ) dy
Y
c ( x ) dy
Y
y (c1 (x ) + c 2 (x ) + + c n (x )) dy
Y
(c1 (x ) + c 2 (x ) + + c n (x )) dy
u1 ( x ) Ak + + u n ( x ) An
A1 + + An
u (x ) =
k =1n
=
= u max
A1 + + An
A1 + + An
A1 + + An
=
= u min
A1 + + An
A1 + + An
A1 + + An
Prin urmare rezult: u min u ( x ) u max pentru un x X dat.
u (x ) =
61
Sisteme Expert
Un caz particular al teoremei 3 este dat de urmtoarea teorem care asigur
stabilitatea sistemului de reglare automat cu sistem fuzzy de tip AND-SUMCOG descris n figura 1:
Teorema 4 : Dac
1. P este o matrice pozitiv definit i V (x ) = x T Px cnd x ,
2. V (x ) este derivabil cu derivatele pariale continue,
3. V ( x ) < 0, x 0 , V (0 ) = 0 n raport cu fiecare regul fuzzy n parte ,
atunci sistemul format din RG-F de tip AND-SUM-COG i PC descris de ecuaia
(1), este asimptotic stabil n origine.
Exemplu de reglare automat cu sistem fuzzy de tip Mamdani.
4.11
dy (t )
.
dt
u(t)
d2y
dy
+ b + ky = u (t )
2
dt
dt
(13)
d 2 x2
dx
+ b 2 + kx1 = u (t ) ,
2
dt
dt
62
Sisteme Expert
din care se obine urmtorul sistem de dou ecuaii difereniale de gradul nti:
dx1
= x2
dt
dx2
x
k
1
= b 2
x1 +
u
dt
M M
M
1 2
1
0.1 1
k
b
x1 + x22 V (x ) = x1 x2 + x2 x2 x1 + u = x22
+ x2 u (14)
2
6 6
M
M
M
i V (0 ) = 0 , V (0 ) = 0 .
Pentru control se folosete un sistem fuzzy de tip MIN-SUM-COG (Mamdani) cu
urmtoarea structur:
- n graficul urmtor sunt reprezentate funciile de apartenen care descriu
termenii lingvistici ai variabilelor lingvistice ale lui x1 i x2 :
0.5
Negativ
Zero
Pozitiv
0
0.5
0.5
63
Sisteme Expert
1.1
Negativ
Zero
Pozitiv
N ( u)
Z ( u)
0.5
P( u)
0
0
4
5
Premiza
Consecina
x1
x2
Din baza de reguli fuzzy se observ c dac x2 este Z atunci i u este Z, n rest x2
i u sunt de semn contrar. Astfel, innd cont de (14) rezult:
0.1 1
V (x ) = x 22
+ x 2 u < 0, x 0 pentru orice regul fuzzy.
6 6
Prin urmare, conform teoremei 5 sistemul format din RG-F de tip MIN-SUMCOG i PC descris de ecuaia (13), este asimptotic stabil n origine.
64
Sisteme Expert
4.10
Simularea exemplului
Pentru b=0.1, M=6, k=6 i condiiile iniiale x1 (0 ) = 1, x2 (0 ) = 1 :
1.5
cu sistem fuzzy
0.5
x1( t )
x2( t )
10
12
14
16
18
20
0.5
1.5
t
1.5
fr sistem
0.5
x1( t )
x2( t )
100
200
300
400
500
0.5
timp (t)
1.5
t
65
600
Sisteme Expert
Tem de reflecie
Cum poate fi aproximat o funcie cu ajutorul S. E. fuzzy de control. Descrie
i
acest lucru n spaiul liber din chenar.
4.14
Bibliografie
66