CAPITOLUL I.

ELEMENTE TEORETICE
Teoria matematic a mulimilor i logicii fuzzy a cunoscut
o dezvoltare exponenial pe parcursul celor 45 de ani de
la introducerea ei ([ZAD1965]), motivat att de
atractivitatea
raionamentelor

asemntoare
mecanismelor raionale umane uzuale, ct i aplicrii cu
succes ntr-o serie larg de domenii inginereti. Expunerile
teoretice ale logicii fuzzy, cu toate aspectele ei,
interfereaz strns cu alte capitole ale matematicii, dar i
cu domenii ale ingineriei, i utilizeaz instrumente abstracte
sau practice specifice.
Cu o desfurare doar puin mai lung, dezvoltarea
modelelor neuronale, a structurilor de reele i a
algoritmilor a fost de asemenea ampl. Structurile i
metodele matematice propuse simuleaz pe cele naturale,
specifice inteligenei umane, de unde sunt inspirate
([MCP1943]).
Aplicaiile curente n inginerie i mai exact n control
automat apeleaz doar o mic parte a teoriei mulimilor
fuzzy i reelelor neuronale, care se dovedete relativ uor
accesibil. Prezentarea noiunilor teoretice preliminare
reprezint o enumerare a elementelor de baz considerate
necesare pentru dezvoltarea ulterioar a temei propuse.
Dintre
lucrrile
importante
de
amintit
pentru
o
introducere mai detaliat a aparatului teoretic privind
logica fuzzy, n general, i a aplicaiilor inginereti fuzzy i
hibride neuro-fuzzy, n particular (printre care i controlul
n logic fuzzy), se pot aminti monografiile: Mamdani
[MAM1985], Driankov .a. [DHR1993], Kosko
[KOS1996], Pedrycz i Gomide [PEG1998], Passino i
Yurkovich - [PAY1998], Zimmermann [ZIM2001], Jantzen
[JAN2007], dar i multe altele. Pe plan internaional,
numrul lucrrilor n domeniu este mult mai mare, cele
amintite fiind doar exemplele frecvent citate. n limba
romn se pot aminti: Negoi i Ralescu [NER1974],
Preitl i Precup [PRP1997].
Sisteme hibride neuro-fuzzy
Fiecare tehnic inteligent are proprieti tipice care i
1

confer aplicabilitatea pentru anumite probleme i prezint

dezavantaje n rezolvarea altora. De exemplu, reelele
neuronale au avantajul recunoaterii modelelor, ns nu
pot

explica modul n care au ajuns la o concluzie. Pe de alt

parte, sistemele fuzzy pot raiona cu informaii imprecise i
i pot explica raionamentul, dar nu pot achiziiona
automat regulile pe care le utilizeaz pentru luarea
deciziilor.
Aceste limitri au fost principalul motiv pentru care s-a
ncercat crearea de sisteme inteligente hibride, n care
dou sau mai multe tehnici pot fi combinate pentru a depi
dezavantajele tehnicilor individuale.
Modelarea cu reguli fuzzy, de tip dac-atunci, este n
general potrivit pentru modelarea calitativ. Totui, n
multe situaii, datorit incompletitudinii cunoaterii,
inerente
unor situaii
reale,
aceast
abordare se
dovedete insuficient. De aceea se face apel la unele
metode conexioniste, cum ar fi reelele neuronale.
Sistemele neuro-fuzzy sunt astfel capabile s nvee din
exemple, s generalizeze pe baza cunotinelor acumulate
i, pe baza datelor primite, s sintetizeze cunotine n
forma regulilor fuzzy.
Tabelul 1. Privire comparativ a avantajelor i dezavantajelor
sistemelor fuzzy i reelelor
neuronale.

Avantaje

Siste
me
fuzz
y

Reel

e
neuron
ale

- ncorporeaz
cunotine
predefinite bazate
pe reguli
- Sunt interpretabile
(reguli)
- Ofer o
implementare
- Nu pot nva
- Trebuie s dispun
de reguli stabilite apriori
- Nu exist metode
formale pentru
ajustarea regulilor

Dezavantaje
- Pot nva fr nici o
informaie iniial
- Exist mai multe
paradigme de nvare,
potrivite diverselor
situaii
- Exist o multitudine de
algoritmi
de
nvare
- Sunt cutii negre subsimbolice
- Nu pot utiliza cunotine
a-priori
- Necesit algoritmi de
nvare compleci
- Nu exist garania c
nvarea converge spre

n ultimii ani, sistemele hibride au suscitat un deosebit

interes. Aceast abordare s-a dovedit ncununat de succes
3

n diferite domenii, precum diagnoza echipamentelor

industriale, robotica sau controlul proceselor dinamice.
Motivul principal al studierii sistemelor neuronale hibride
este crearea de sisteme de reprezentare sub-simbolic, n
special a reelelor neuro-fuzzy. Din punctul de vedere al
tiinelor
cognitive,
reprezentarea
neuronal
ofer
avantajul omogenitii, a capacitii de nvare prin
exemple i a generalizrii, precum i efectuarea de sarcini
distribuite, n medii cu date incomplete sau afectate de
zgomote.
Din
punctul
de
vedere
al
sistemelor
bazate pe cunotine,

reprezentrile simbolice au avantajul interpretrii umane, al

controlului explicit
i al abstractizrii cunoaterii.
Cele dou abordri pot fi utilizate n mod complementar.
Aceasta este premisa crerii de sisteme hibride inteligente,
care combin trsturi conexioniste (neuronale) i
simbolice (fuzzy). n astfel de sisteme, mai nti se
introduc informaii simbolice n reeaua neuronal, apoi se
folosesc
exemplele
de
instruire
pentru
rafinarea
cunotinelor iniiale. n final, se proceseaz rezultatul
pentru un set de intrri i, prin metode specifice, se extrag
informaii simbolice din reeaua antrenat.

CAPITOLUL II. SISTEME DE REGLARE CU LOGIC FUZZY

Sistemele
de
reglare
cu
logic
fuzzy
dovedesc
aplicabilitate i avantaje considerabile, ntr-o gam larg
de aplicaii de control automat n ingineria electric, i
nu numai. Fa de structurile de reglare clasice, aceste
sisteme prezint dou mari diferene:
n modul de descriere a procesului inexactitatea sau
chiar lipsa unui model al procesului nu constituie un
impediment;
n modul de proiectare parametrii acestuia au
coresponden clar cu cunotinele exprimate lingvistic
de experi i pot fi adaptate mai uor la performanele
impuse.
Nu se pune aici n discuie o evaluare de tip competitiv ntre
regulatoarele fuzzy i alte tipuri, cum ar fi regulatoarele
PID clasice, din cauza condiiilor specifice diferite pentru
care se recomand fiecare tip sau structur de reglare.
Astfel, n mai toate lucrrile care prezint structurile de
reglare cu logic fuzzy, utilizarea acestora este considerat
potrivit n primul rnd n cazul proceselor cu parametrii
inceri, fr ca acesta s fie singurul motiv. Incertitudinile
privind procesul condus se refer la:
- inexactitatea modelului obinut prin identificare,
- existena unor parametrii variabili ntr-un domeniu
larg, cu dinamic imprevizibil,
- identificarea eronat a parametrilor procesului.
5

Pe lng motivarea regulatoarelor fuzzy, existena acestor

incertitudini implic o abordare imprecis a proiectrii
structurii de reglare. Astfel, este dificil stabilirea unei
metodologii stricte de proiectare deoarece, n prezena
incertitudinilor, proiectantul
i adapteaz metodele
observnd i analiznd rezultatele pariale obinute. Cu
alte cuvinte, dac algoritmul de reglare prezint aspecte
specifice logicii fuzzy, atunci este rezonabil i chiar
recomandabil ca i metodele de proiectare a sistemelor s
utilizeze logica fuzzy.

Tehnicile de reglare clasice, bazate pe regulatoare clasice

P, PI, PID, au stat la baza dezvoltrii unei largi game de
aplicaii industriale. Motivele aplicrii lor sunt simplitatea
lor, costul redus de fabricaie i de ntreinere, mpreun
cu obinerea unor rezultate foarte bune. Spre exemplu,
multe sisteme de reglare bazate pe servosisteme utilizeaz
ieftin i eficient un algoritm de reglare PID. n proiectarea
acestor regulatoare este necesar ns cunoaterea ct mai
exact a modelului matematic al procesului. Modelul este
deseori suficient de complex nct s fie impus neglijarea
unor mrimi, ceea ce duce la obinerea unor rezultate
aproximative. Pe de alt parte, sunt destule situaii cnd
determinarea modelului este aproape imposibil. Dac
totui
modelul
este
bine
determinat,
parametrii
regulatorului depind de parametrii procesului, ceea ce
nseamn c, la modificarea unui parametru din proces,
este nevoie de o recalculare a parametrilor regulatorului.
Altfel spus, la schimbarea mainii electrice ntr-un
servosistem, de exemplu, trebuie schimbat i regulatorul.
O problem mai important apare n cazul sistemelor
neliniare. Chiar dac modelul matematic este clar stabilit,
un regulator PID nu va duce la obinerea unor rezultate
bune pentru aceste sisteme.
Tabelul 2. Situaii care avantajeaz folosirea logicii fuzzy.

Cnd parametrii procesului controlat se modific n

decursul funcionrii (regulatoarele convenionale necesit
reproiectare cnd caracteristicile i configuraia, procesului
schimb)
se
Cnd
este necesar emularea sau nlocuirea regulatoarele
convenionale existente (de exemplu pentru a asigura
autoacordarea sau pentru a da mai mult flexibilitate
regulatoarelor
Cnd este maiadaptive)
uor de a proiecta i implementa o baz de
reguli fuzzy care va controla un proces complex (deoarece
procesul este puternic neliniar, sau este imposibil
modelarea eficient cu un cost rezonabil)
Dac acurateea senzorului (sau preul) este o problem
(logica fuzzy poate manipula masurtori imprecise cu
incertitudini)
Pentru a obine soluii de control eficient cnd intrrile
procesului sunt incerte sau conflictuale sau cnd problema de
control nu se poate rezolva folosind alte tehnici

Principalul avantaj al utilizrii unor regulatoare fuzzy este

faptul c nu este necesar cunoaterea modelului
7

matematic, ci doar cunoaterea comportrii aproximative

a procesului. Proiectarea regulatorului nu impune
efectuarea unui volum mare de calcule, mai important
fiind experiena proiectantului. Obinerea unor rezultate
bune depinde mai mult de experien i de calitatea
implementrii.
Pentru a depi complet problema modelrii exacte a
procesului, algoritmii de reglare ce utilizeaz logica fuzzy
au fost dezvoltai, incluznd metode tot mai

complexe, specifice domeniului inteligenei artificiale.

Extinderea vizeaz n primul rnd utilizarea instruirii
iterative i reelelor neuronale, pentru extragerea unor date
care sunt o reprezentare numeric a experienei.
Un mare avantaj al aplicaiilor cu logic fuzzy este faptul
c utilizarea acestora va conduce la scdere semnificativ
a timpului de dezvoltare i proiectare i a implementrii.
(De exemplu conform informaiilor oferite de firma Texas
Instruments, implementarea unui sistem de control a
motorului de inducie cu regulatoare fuzzy logic cere doar o
sfert
din
timpul
necesar
pentru
proiectarea
i
implementarea unui sistem similar care utilizeaz
regulatoare clasice.)
Adaptarea sistemului de inferene de tip SugenoTagaki n form tabelar numeric. Inferene
Pedrycz
n unele aplicaii practice concrete, procedura stabilirii unei
baze de reguli poate consta ntr-o procesare a unui set de
date non-fuzzy (reale). Finalitatea acestei prelucrri ar
putea fi transpunerea acestor date ntr-o form lingvistic.
Datele
non-fuzzy
sunt
obinute
prin
nregistrarea
semnalelor utile pentru proiectare - mrime de comand,
mrime de reacie i/sau eroare de reglare i prin
calcularea derivatelor acestora, n funcie de structura de
reglare aleas. ns extragerea regulilor fuzzy n forma
dac ... atunci ... este considerat dificil din cauz
faptului c nu exist proceduri sistematizate. Obinearea
regulilor este strns legat de mecanismul de inferen
utilizat.
Dac un set de date reale privind funcionarea procesului
este disponibil, se poate adapta mecanismul de inferen
fuzzy de tip Tagaki, ntr-o form util i adecvat datelor
numerice. Aceast adaptare reuete s reduc din volumul
de calcule al metodelor de inferen obinuite, prin
introducerea unei reprezentri mai degrab numerice a
regulilor fuzzy, care n final nu mai sunt evideniate.
Mecanismul de inferen fuzzy adaptat pentru a nlesni
extragerea regulilor din date numerice a fost propus n
lucrrile [NIE87, NIE89], pornind de la o form incipient
9

propus n [PED85]. Metoda este utilizat cu succes pe date

obinute prin aplicarea algoritmului de auto-instruire n
[NIL95]. De asemenea, metoda a fost verificat practic n
proiectarea unui sistem de reglare a vitezei unui motor de
curent continuu n [BCC09b] i ntr-o analiz mai detaliat
n [BCC10a].
Sisteme neuro-fuzzy n aplicaii practice n inginerie
n sistemele fuzzy, relaiile exacte ale unui model
matematic al procesului nu sunt eseniale. Sistemele sunt
descrise de aprecierile calitative ale mrimilor i de
legturile dintre acestea, exprimate lingvistic, pe baza
experienei operatorilor. O mprire potrivit, n atribute,
a domeniului de valori pe care le poate lua mrimile
considerate i experiena
obinut din
observarea
funcionrii procesului ce ajut la descrierea comportrii
acestuia permit nlocuirea unor

1
0

relaii complexe (ecuaii difereniale, etc.) prin operaii

mult mai simple: comparare (operatori min i max),
nsumare, produs.
O prim abordare care include tehnici neuronale este cea
a modelrii unui proces (sistem) prin antrenarea unei
reele neurale pe baza datelor experimentale obinute prin
msurare i nregistrare. n acest caz, experiena privind
funcionarea sistemului nu este important dect eventual
n etapa de alegere a modelului neuronal, de stabilire a
numrului de neuroni i de organizare n straturi.
Sistemului i se aplic valori diverse pentru mrimile de
intrare (pstrnd condiii de siguran), iar valorile
mrimilor de ieire se msoar i se nregistreaz. Cu
aceste date se antreneaz o reea neural, utiliznd
programe specializate, urmnd ca prin implementarea
(software) a reelei antrenate obinute s se modeleze
procesul real. Astfel, reeaua antrenat realizeaz o
descriere a funcionrii procesului prin operaii a cror
complexitate depinde de modelul neuronal ales, dar care
pot fi doar nmuliri i nsumri.
Utilizarea strict a reelelor neuronale n obinerea
modelelor nu finalizeaz proiectarea bazelor de reguli.
Aadar, aceleai tehnici se extind i asupra ajustrii
parametrilor bazei de reguli. Ajustarea lor este secundar
schirii unei structuri a bazei de reguli, bazat pe
experiena proiectantului. Aadar, cele dou concepte
aprecierea calitativ i adaptarea neuronal se
completeaz ntr-o procedur de proiectare neuro-fuzzy.
mbinarea neuro-fuzzy ar beneficia de avantajele ambelor
tehnici. Astfel, putem vorbi de sisteme fuzzy n care
parametrii sistemului de inferen (de fapt parametrii
funciilor
de
apartenen
care
definesc
termenii
lingvistici) pot fi acordai printr-un procedeu similar
antrenrii reelelor neurale. Mai mult, acordarea acestor
parametrii se poate face online, pe baza datelor msurate
n timpul funcionrii sistemului de reglare.

CAPITOLUL III.
TEHNICI DE PROIECTARE A REGULATOARELOR
FUZZY

1
1

Lucrrile de specialitate n domeniul controlului cu logic

fuzzy, prezint o serie larg de metodologii de proiectare,
de la cele empirice pn la tehnici complexe de inteligen
artificial, cu diverse grade de automatism n obinerea
bazelor de reguli. Cu toate acestea, nc nu exist o metod
strict de proiectare a bazelor de reguli, acceptat de
majoritatea autorilor. Este evident ns, ncercarea multor
autori de a prezenta ct mai compact i sintetic tehnicile
utilizate.
Pentru obinerea regulilor fuzzy de control se utilizeaz
una sau mai multe dintre urmtoarele surse sau abordri:
a) experiena proiectantului n sisteme de control
automat cu logic fuzzy, completat cu cunotinele
privind funcionarea procesului;

1
2

b) nregistrarea, ntr-o form util pentru o procesare

ulterioar, a aciunilor realizate de operatorul uman
specializat n operarea asupra procesului;
c) modelarea fuzzy a procesului;
d) utilizarea unor strategii complexe, bazate de
algoritmi de auto-instruire sau reele neuronale
(tehnici de inteligen artificial).
Fiecare dintre aceste surse de informaii poate fi utilizat
exclusiv,
ns
combinarea
lor
poate
mbunti
performanele regulatoarelor obinute. Astfel, utilizarea
tehnicilor avansate bazate de auto-instruire, motivate de
gradul mare de automatizare n obinerea regulilor, este
deseori completat de o ajustare a bazei de reguli bazat
pe experiena proiectantului.
Includerea tehnicilor de inteligen artificial n etapa de
proiectare se refer la emularea unor aciuni regsite toate
activitile de proiectare: nvarea i adaptarea. n
proiectarea sistemelor automate, nvarea este procesul
prin care proiectantul obine informaii despre procesul
supus reglrii, fie n forma experienei, fie sub forma unor
date numerice nregistrate. Adaptarea este o continuare a
nvrii prin care proiectantul mbuntete regulile
nvate anterior sau modific valorile numerice nregistrate
pe baza unor noi observaii.
Invocarea tehnicilor de inteligen artificial nu este
nepotrivit. Avantajele unor astfel de tehnici constau n
primul rnd n faptul c aceste metode nu necesit
cunoaterea unui model exact i sigur al procesului reglat.
n fapt, sunt necesare unele date privind funcionarea
procesului pentru a evita situaii periculoase.
Avnd n vedere caracteristicile principale ale reglrii cu
logic fuzzy, muli autori recomand dou direcii pe care
orice metod de proiectare a unui regulator fuzzy trebuie
s le urmreasc:
sistemul de reglare proiectat trebuie n final s satisfac
performanele impuse, deci proiectarea va cuta s
ndeplineasc
condiiile
impuse
prin
includerea
experienei n ingineria sistemelor automate;
1
3

 metoda trebuie s utilizeze ct mai puine informaii

despre funcionarea procesului, evitnd o etap de
modelare a acestuia.
Proiectarea bazat pe experien a bazelor de reguli
fuzzy
O analiz a tehnicilor de proiectare utilizate n aplicaiile
practice ale tehnicilor de reglare cu logic fuzzy,
promoveaz ca prim metodologie de proiectare emularea
experienei umane. Prin aceasta se nelege att experiena
proiectantului privind sistemele de reglare cu logic
fuzzy, dar i experiena operatorului uman cu privire la
funcionarea procesului condus. De cele mai multe ori
proiectantul sistemului de reglare cunoate suficient de
bine i funcionarea procesului.

1
4

Proiectarea bazat pe experien poate fi descris prin

enumerarea a cel puin patru etape:
a) alegerea structurii de reglare i a tipului regulatorului
fuzzy (P, PI, PD, PID), ce implic stabilirea variabilelor
pentru baza de reguli;
b) alegerea mulimilor de baz i a seturilor de termeni
lingvistici pentru fiecare variabil;
c) stabilirea regulilor de control;
d) stabilirea factorilor de scalare a mrimilor reale
nregistrate n limitele mulimii de baz.
Utilizarea
relaiilor
factorilor de scalare

Ziegler-Nichols

calculul

n cazul sistemelor de reglare clasice, n lipsa unui model

al procesului, acordarea parametrilor regulatorului PID se
poate face folosind metode experimentale. Acestea
constau n obinerea unui model aproximativ
al
procesului, prin nregistrarea rspunsului procesului la un
semnal de comand de tip treapt. Dac rspunsul
acestuia este n forma unui element de ordinul nti, cu
timp mort, atunci se folosesc relaii de calcul al
parametrilor regulatorului PID, din parametrii procesului,
determinai din analiza ieirii nregistrate a procesului.
Fie cazul unui regulator fuzzy de tip PI, ales pentru a
obine eroare staionar nul. n forma clasic, un regulator
PI este descris de ecuaia diferenial:
du(t)
T
i K dt

rT
i

de(t)
e(t)
dt K

(1)

cu factorul de amplificare a
Ti .
i constanta de
regulatorului K r
integrare
Egalitatea n relaia anterioar exprim o coresponden
ntre valorile pentru eroare i derivata ei i valorile pentru
derivata mrimii de comand.
n mod asemntor, funcionarea regulatorului fuzzy PI
poate fi descris printr- o notaie simbolic:
g du du g de de

g
1
5

ee

(2)

care evideniaz factori de amplificare pentru fiecare

variabil a sistemului de inferene fuzzy. Fornd o
identificare a coeficienilor ntre relaiile (1) i (2), se
propun relaii de calcul pentru factorii de scalare:
ge
K r

,
g de

K r Ti

g d T
u

(3)

Fie, de asemenea, parametrii procesului (factor K p ,

de amplificare,
constanta
de timp
Tp , timpul mort, ) obinui din nregistrarea
dominant,
rspunsului

1
6

procesului la o referin de tip treapt. Acordarea

parametrilor procesului se poate face utiliznd relaiile
Ziegler-Nichols:
K r 0,9

1 Tp
K p , 3,3T .
(5)
Ti p

(4)-

Factorii de amplificare pentru variabilele sistemului de

inferene fuzzy devin:
gg 0,9 T p ,
e

,
0,9 Tp 3,3T
g
p

Kp
de

du

3,3
T

(6)(8)

Kp

Obinerea bazelor de reguli prin instruire iterativ

O
problem
fundamental
evident,
aprut
n
implementarea practic a sistemelor de reglare bazate pe
reguli fuzzy (sau prin extindere a sistemelor- expert de
reglare) este stabilirea unei metodologii de obinere a
unui set de reguli de control. n general pentru sistemeexpert, aceast faz, denumit achiziia cunotinelor (sau
achiziia experienei), reprezint o dificultate important n
construirea unor sisteme-expert reale / realiste. Mai mult,
performanele sistemelor de reglare bazate pe reguli sunt
strns dependente de disponibilitatea bazei de reguli i de
performanele acesteia (sau, altfel spus, de existena unei
baze de reguli complet i corect n contextul aplicaiei
concrete). n lipsa experienei operatorilor (experi), care
pot furniza cunotinele pentru descrierea procesului (un
model identificat), este necesar construirea unei baze de
reguli prin operarea n mod direct asupra procesului supus
reglrii. Pe de alt parte, un set de reguli brut furnizat de
experi trebuie s fie mbuntit, deoarece cunotinele
lor pot fi incomplete, inconsistente, sau chiar incorecte,
mai ales cnd condiiile de funcionare (operare) obinuite
sunt schimbate.
n lucrrile de specialitate se introduce termenul de autoinstruire (self-learning) i de aici reglarea prin autoinstruire (self-learning control). Un mecanism de auto-

instruire pentru sistem de reglare fuzzy trebuie s

construiasc o baz de reguli pentru regulatorul fuzzy din
date obinute prin msurare i nregistrare, ajustnd treptat
mrimea de comand. Mai mult, dac sistemul de reglare
este multi- variabil (mai multe bucle de reglare), atunci
mecanismul de nvare trebuie s extrag reguli pentru
fiecare regulator fuzzy Suplimentar, dac procesul reglat
este unul multi-variabil cu interaciuni considerabile ale
mrimilor, atunci este util ca mecanismul de nvare s
construiasc baze de reguli independente, decuplate,
pentru ficare bucl de reglare.
Pe scurt, principiul de baz al sistemului cu autoinstruire propus poate fi enunat astfel: prin introducerea
unui model de referin al procesului i angajnd o strategie
de control cu nvare iterativ, comanda dorit este
nvat i, n acelai timp, o baz de reguli se formeaz
prin msurarea, nregistrarea i procesarea adecvat a
aciunilor
nvate,
utilizate consecutiv pe durata
procesului.

Conceptul de auto-instruire a fost introdus iniial n

contextul unei aplicaii de control al micrii roboilor
autonomi ([AKM1984]), apoi intens tratat att din punct de
vedere teoretic, ct i practic, ntr-o serie larg de lucrri
tiinifice ([AKM1985], [ARI1990], [MOO1993], [MOO1999],
[MOX2000], [MCB2005]).
O variant adaptat a algoritmului de auto-instruire
propus de Arimoto este utilizat pentru obinerea bazelor
de reguli ale unui regulator fuzzy ntr-o monografie
publicat de Nie i Linkens ([NIL1995]).
Auto-instruirea iterativ este un mecanism de ajustare a
mrimii de comand aplicat procesului cu scopul obinerii
evoluiei optime a acesteia. Forma optim cutat este
desemnat de valorile considerate optime ale mrimii de
comand la fiecare moment de timp n care este prelevat un
eantion al acesteia. Ajustarea se face n mod progresiv,
pe baza informaiilor despre evoluia mrimii de comand
obinute la iteraia anterioar.

Figura 1. Schema de principiu a mecanismului de

construcie a bazelor de reguli fuzzy
prin auto-instruire.

Structura unui sistem de auto-instruire este prezentat n

figura 1. n figur am evideniat faptul c algoritmul este
implementat software. Dispozitivul numeric
impune
considerarea unei perioade de eantionare, Te , cu care
ieirea procesului este nregistrat.
Evaluarea nvrii acumulate se face prin introducerea
unei erori de instruire, obinut prin compararea
comportrii procesului cu o form dorit a acesteia,
desemnat de un model de referin. Evaluarea nivelului

de instruire se face considernd toate erorile pariale de

instruire, calculate pentru toate eantioanele nregistrate.
Se introduce norma:
I

k (iTe )

k (iTe ) k
(iTe )

i0

(9)

i0

Condiia de oprire a
algoritmului este maxim
admis a erorii de instruire.

k impus ,

unde

impu este
s

valoarea

Valorile nregistrate la sfritul auto-instruirii pentru

eroarea de reglare, derivata ei i derivata mrimii de
comand se grupeaz dup indicele eantionului:
{e(iTe ); de(iTe )} ~ {du(iTe )}, i 0, I .

(10) unde notaia

descrie corespondena valorilor.

Utilizarea
sistemelor
fuzzy
neuronale
(ANFIS) pentru obinerea bazelor de reguli

adaptive

Sistemul de inferene fuzzy neuronal adaptiv (n englez

Adaptive Neural Fuzzy Inference System - ANFIS) este cea
mai des ntlnit structur hibrid care combin tehnici
specifice reelelor neuronale cu mecanismele de inferen
n logic fuzzy. Varianta cea mai des utilizat n aplicaii de
control automat este cea propus de Jang ([JAN1992a],
[JAN1992b], [JAN1993]), dei variante apropiate au fost
independent prezentate de ali autori ([LIG1996],
[WAM1992]). Varianta Jang realizeaz un mecanism de
inferene de tip Sugeno- Tagaki, iar adaptarea const n
modificarea parametrilor bazei de reguli printr-o metod
asemntoare algoritmului cu propagare napoi a erorii
introdus
pentru
reelele
neuronale
unidirecionale
([JAN1992a], [JAN1992b]).

Figura 2. Structura ANFIS pentru o aplicaie de control

automat.

Generaliznd pentru o baz de J reguli fuzzy, calculul

realizat de ANFIS poate fi descris printr-o relaie de forma:

du f ANFIS (e, de) w j f j (e, de) w j f j (e, de)

wj

j1
j1
j1

n
care

f j (e, de) p j e q j de r w j Ej (e) DEj

(de)
j,

i p j , q j , r j , Ej , DEj [0,1] .

(11)

(12)(13)

Antrenarea sistemelor ANFIS

Metoda de antrenare cu propagare napoi a erorii
presupune cunoaterea iniial a unor date de antrenare n
forma (valori de intrare)~(valori de ieire). Aceste perechi
de date sunt obinute prin orice metod care furnizeaz
valori corespondente corecte. Pentru cazul regulatorului
fuzzy PI, perechile de date de antrenare se prezint sub
forma:
{ei ; dei } ~ {dui }, i 0, I .

(14)

Prin antrenare, se modific valorile parametrilor din

relaiile (11)-(13), dup o metod de minim. Antrenarea
necesit descrierea analitic a derivatelor pariale ale ieirii
bazei de reguli dup fiecare parametru din (11)-(13). Acest
fapt face ca implementarea acestui algoritm este dificil,
mai ales pentru cazul funcionrii online a unui astfel de
regulator. Pe de alt parte, structurile ANFIS i algoritmi de
antrenare a acestora sunt deja implementai n aplicaii
software, cum ar fi Matlab. Aadar, n locul implementrii
online a acestei structuri, se poate determina un regulator
fuzzy folosind datele de antrenare ntr-o procedur offline
de antrenare a unei structuri ANFIS. Folosind un program
Matlab, se realizeaz o antrenare a unei structuri ANFIS,
din care apoi se extrage baza de reguli pentru utilizarea
acesteia n regulatorul conectat online la proces.
Antrenarea
instruire

ANFIS

cu

datele

obinute

prin

auto-

Structura bazei de reguli trebuie cunoscut apriori,

deoarece ANFIS nu poate dect s ajusteze funciile de
apartenen ale parametrilor antecedeni (ai funciilor de
apartenen
din
premisele
regulilor)
i
concluzivi
(coeficienii funciei liniare din consecinele regulilor). Mai
nti, utilizatorul decide numrul de reguli i modul lor de
interaciune, construind astfel cunotinele integrate
apriori despre structura soluiei. Funciile de apartenen
trebuie iniializate astfel nct s mpart ct mai egal
universul discursului i s aib suficiente suprapuneri. n
pasul nainte al antrenrii, se calculeaz ieirile
neuronilor pn n stratul 4, iar parametrii concluzivi sunt

calculai prin metoda celor mai mici ptrate. n pasul

napoi, semnalele de eroare sunt retro-propagate i se
actualizeaz
parametrii
antecedeni
prin
metoda
gradientului descendent.
Antrenarea ANFIS necesit un set de date de antrenare,
care pot fi considerate corecte sau mcar aproximativ
corecte. Algoritmul de auto-instruire pare o soluie
potrivit de obinere a unor date de antrenare utile.
Practic, metodologia bazat pe antrenare ANFIS este
asemntoare cu cea prezentat n seciunea precedent
(bazat pe procesare statistic a datelor). Se realizeaz
structura de auto-instruire din figura 8, apoi algoritmul
iterativ este executat pn la obinerea unei valori minime
a erorii de instruire. Se nregistreaz valorile pentru
mrimea de comand i eroarea de reglare din care se
construiesc apoi datele de antrenare pentru structura
ANFIS:

{ei ; dei } ~ {dui }, i 0, I .

(18)

Derivatele numerice se obin n raport cu perioada de

eantionare prin
de(i
T
e

Te

) u(iTe ) u(iTe T ) .

e(iTe ) e(iTe Te i
du(iT
)

Te

Cu datele de antrenare se efectueaz o procedur de

antrenare, n urma creia se obine baza de reguli.
Bazele de reguli obinute prin metodele prezentate trebuie
s fie verificate din punctul de vedere al specificaiilor
care descriu calitatea lor: completitudinea, corectitudinea,
consistena, complexitatea, reproductibilitatea.

BIBLIOGRAFIE
[ABR2001]

Abraham, A., Neuro-fuzzy systems: state-of-the-art

modeling techniques, n Connectionist models of
neurons, learning processes, and artificial intelligence,
Springer-Verlag, Proc. of the 6th Int. Work-Conference
on Artificial and Natural Neural Networks, partea I,
Granada, Spania, 13-15 iunie 2001, pp. 269276.

[ABR2002]

Abraham, A., Intelligent systems: architectures and

perspectives, n Abraham, A., Jain, L., Kacprzyk, J.,
(editori), Recent advances in intelligent paradigms
and applications, Studies in fuzziness and soft
computing, Springer-Verlag, 2002, pp. 135.

[ABR2005]

Abraham, A., Adaptation of fuzzy inference system

using neural learning, Studies in Fuzziness and Soft
Computing, vol. 181, Springer-Verlag, 2005, pp.
53-83.

[ASW1989] Astrom, K.J., Wittenmark, B., Adative control,

Addison-Wesley, 1989. [ARI1990] Arimoto, S., Learning control
theory for robotic motion, Int. Journal of
Adaptive Control and Signal Processing, vol. 4, 1990, pp.
543-564.
[AKM1985] Arimoto, S., Kawamura, S., Miyazaki, F., Tamaki, S.,
Learning control theory for dynamical systems, Proc.
of the 24th IEEE Conf. on Decision and Control, 1985,
pp. 1375-1380.