Documente Academic
Documente Profesional
Documente Cultură
Introducere
1
Capitolul 2
Logica fuzzy
Logica Fuzzy este o formă de logică multi-valorică derivată din setul teoretic fuzzy,
folosită pentru concluzionarea unor propoziţii ale căror valoare de adevăr este mai mult
aproximativă decât precisă. Spre deosebire de logica clasică, care lucrează cu două valori
numerice exacte (0 pentru fals şi 1 pentru adevărat), logica fuzzy foloseşte o plajă continuă de
valori logice cuprinse în intervalul [0,1], unde 0 indică falsitatea completă, iar 1 indică adevărul
complet. Astfel, dacă în logica clasică un obiect poate aparţine sau nu unei mulţimi date, în
logica fuzzy putem defini gradul de apartenenţă al obiectului la mulţime, care poate lua valori
cuprinse în intervalul [0,1]. Mai mult, atunci când sunt folosite variabile lingvistice, gradele de
apartenenţă pot fi controlate prin funcţii specifice.
Diferenţa esenţială dintre logica fuzzy şi cea clasică, este faptul că legea “terţului
exclus", definită de Aristotel, nu mai este valabilă. În figura 2.1, este ilustrată diferenţa între
logica booleană şi cea fuzzy. Dacă în primul caz există o delimitare clară între cele două valori
de adevăr, în al doilea caz există o zonă de nedeterminare, în care valoarea de adevăr poate fi 0
şi 1 în acelaşi timp, într-o anumită măsură dată de gradul apartenență.
Fig.2.1 Ilustrarea mulţimilor “TRUE” şi “FALSE” în logica booleană (a) şi în logica fuzzy (b)
Logica fuzzy poate fi folosită atunci când nu există o delimitare clară între mulţimile ce
reprezintă valorile unei mărimi sau sau evenimentele ori stările posibile ale unei variabile
aleatoare.
2
2.2. Mulţimi fuzzy
Noțiunea de mulțime fuzzy a fost introdusă de Lotfi A. Zadeh începând cu anul 1965, în
scopul de a modela caracterul imprecis al apartenenței. El a propus generalizarea conceptului de
apartenență binară a unui element, la o mulțime crisp deoarece teoria clasică a mulțimilor
limitează posibilitatea descrierii matematice a unor situații reale.
Dacă pentru mulțimile crisp apartenența unui element la o mulțime este de tip binar (0
sau 1), în cazul mulțimilor fuzzy este vorba de un grad de apartenență.
Fie x o colecţie de obiecte, mulţimea fuzzy A, definită într-un univers de discurs X, este o
mulţime de perechi ordonate:
A = {( x, μA(x)) / x ϵ X} (2.1)
unde μA reprezintă funcţia caracteristică sau funcţia de apartenenţa a lui x la mulţimea A.
Funcția de apartenenţă se defineşte pe intervalul de valori posibile ale lui x cu valori
reale, în intervalul [0,1]:
μA(x) → [ 0,1 ] (2.2)
Dacă mulțimea A conţine doar valorile 0 şi 1, atunci aceasta nu mai este o mulţime
fuzzy, ci una caracteristică logicii clasice. Dacă funcţia de apartenenţa este discretă, atunci
mulţimea A se scrie ca:
A = μ1 / x1 + μ2 / x2 + ... + μn / xn = ∑ (2.3)
Când universul X este o mulțime discretă, atunci mulţimea fuzzy A este definită de
relația:
∑ (2.4)
Când universul X este o mulțime continuă, atunci mulţimea fuzzy A se poate nota astfel:
A A ( x) / x
X (2.5)
unde prin integrare se înţelege totalitatea punctelor μA (x) / x.
Pentru o mai bună înţelegere a mulţimilor fuzzy definim cinci concepte:
1. Variabilă lingvistică x este o proprietate, un atribut al obiectului (obiectelor) în
discuţie.
2. Valoare lingvistică A este un adjectiv asociat variabilei lingvistice, care dă şi numele
mulţimii fuzzy asociate.
3. Domeniul de existență X : o mulţime clasică, tranşantă, pe care se definesc mulţimile
fuzzy.
4. Gradul de apartenenţă μA, arată măsura în care un element aparţine unei mulţimi
fuzzy: μA ϵ [0,1].
3
5. Funcţia de apartenenţă μA(x) asociază fiecărui element x gradul de apartenenţă la
mulţimea fuzzy A: μA(x) : X→[0,1] . Astfel, mulţimea fuzzy A este complet
determinată de mulţimea perechilor ordonate: A = {( x, μA(x)) / x ϵ X}.
{ (2.6)
{ (2.7)
4
Funcția de apartenență liniar descrescătoare L este reprezentată în figura 2.3.
(2.8)
{
sau folosind funcţiile min şi max:
{ { } } (2.9)
5
2.3.4. Funcția de apartenență trapezoidală
(2.10)
{ { } } (2.11)
Spre deosebire de variabilele algebrice ale căror valori sunt numere, variabilele
lingvistice au ca valori cuvinte sau secvențe de cuvinte în limbaj natural sau artificial. Mulțimea
valorilor unei variabile lingvistice se numește mulțimea termenilor. Fiecare element din
mulțimea termenilor este o valoare fuzzy definită în raport cu o variabilă de bază. Valorile
variabilei de bază definesc mulțimea X a tuturor valorilor fuzzy din mulțimea termenilor.
O variabilă lingvistică precum “vârsta” poate lua o valoare precum “tânăr” sau
antonimul acestuia “bătrân”. Oricum, marea utilitate a variabilelor lingvistice este aceea că pot
fi modificate prin intermediul pragurilor lingvistice aplicate termenilor primari. De asemenea,
pragurile lingvistice pot fi asociate unor funcţii certe.
6
Se numește variabilă lingvistică sistemul (x, T(x), X, G, M) unde:
x reprezintă numele variabilei;
T(x) este mulțimea termenilor lingvistici (termen lingvistic: valoare ce are asociată o
funcție de apartenență și care caracterizează o variabilă lingvistică;
X este universal de discurs al variabilei;
G este gramatica care produce termenii lui T(x);
M este regula semantică, care mapează termenii lui T(x) la mulțimi fuzzy ale lui X:
În general, modificatorii lingvistici se împart în trei categorii:
aproximatori de mulțimi fuzzy. Cu astfel de modificatori dintr-un scalar putem obține
o mulțime fuzzy. Exemple de aproximatori: aproape, în jurul, aproximativ, etc.
restrângere de mulțimi fuzzy. Aceștia modifică forma funcției de apartenență.
Exemple de astfel de modificatori: sub, peste.
intensificare sau diminuare. Și aceștia modifică funcția de apartenență după cum
urmează:
μ(x modificat) = μ(x)n (2.12)
- intensificare (concentrare): foarte (n=2), extrem de (n=3), etc.
- diminuare (dilatare): aproape (n=1/2), în mare măsură (n=5/7), etc.
Un termen lingvistic de cele mai multe ori este format din:
un termen primar: bun, rău, vechi, rar, etc.
un modificator fuzzy: foarte, aproape, în jur de, probabil, etc.
Regulile fuzzy sunt propoziţii condiţionale de tipul ”dacă-atunci” care folosesc variabile
şi valori lingvistice fuzzy:
“ Dacă x este A atunci y este B ” (2.14)
unde A şi B sunt valori lingvistice definite prin mulţimi fuzzy pentru variabilele lingvistice x,
respectiv y.
Partea ”dacă” a regulii (x este A) se numeşte premisă sau antecedent, iar partea ”atunci”
a regulii (y este B) se numeşte concluzie sau consecvent. Interpretarea unei reguli fuzzy are loc
în două etape: mai întâi se evaluează premisa iar apoi se aplică acest rezultat concluziei. Dacă
premisa este adevărată într-un anumit grad, atunci concluzia este adevărată în acelaşi grad.
O regulă fuzzy "dacă – atunci" se poate defini ca fiind o relaţie fuzzy binară R definită
pe produsul cartezian al universurilor de discurs X şi Y, fiind posibile două moduri de
interpretare:
1) "A cuplat cu B" unde relaţia fuzzy ce defineşte regula este:
Rnot = A×B = {[(x,y),μA(x)*μB(y)] / (x,y) ϵ X× Y} (2.15)
în μA(x), μB(y) care şi sunt funcţiile de apartenenţă ale mulţimilor fuzzy ce caracterizează
valorile lingvistice A şi, respectiv, B, iar '*' este un operator de tip norma-T;
2) "A impune B" şi atunci relaţia fuzzy ce defineşte regula poate fi de una din formele:
- R = NOT (A)∪B;
- R = NOT (A)∪(A∩B);
(2.16)
- R = [NOT (A) ∩ NOT(B)] ∪B;
- μR(x,y) = sup {c / μA (x) * c ≤ μB(y), 0 ≤ c ≤ 1}, în care * este operator de tip
norma-T.
8
În logica Booleană principalele instrumente de raţionament sunt tautologiile, cum sunt
modus ponens și modus tolens. În logica fuzzy este folosit acelaşi principiu, dar în locul
propoziţiilor tranşante sunt folosite propoziţii şi reguli fuzzy. Cea mai folosită tautologie în
raţionamentul fuzzy este modus ponens generalizat:
premisă x este A*
implicație dacă x este A atunci y este B (2.17)
concluzie y este B*
unde A şi B sunt mulţimile apropiate de A respectiv B.
Fie A, A* două mulţimi fuzzy definite pe universul de discurs X şi B, B* două mulţimi
fuzzy definite pe Y. Se consideră că regula fuzzy:
dacă „x este A” atunci „y este B” (2.18)
se exprimă sub forma unei relaţii fuzzy R definită pe X x Y. Atunci mulţimea fuzzy B* indusă
de faptul ”x este A*” şi regula fuzzy (2.16) are funcţia de apartenenţă:
μB*(y) = max min [μA*(x), μR(x,y)] ↔ B* = A* ° R (2.19)
unde μA*(x) este funcţia de apartenenţă a mulţimii fuzzy A*, iar μR(x, y) este funcţia de
apartenenţă a relaţiei fuzzy binare R.
9
2.6.3 Reguli fuzzy cu mai multe premise
O regulă fuzzy „dacă – atunci” cu mai multe premise are forma generală:
Dacă „x este A” şi „y este B” atunci „z este C” (2.21)
Raţionamentul fuzzy care foloseşte acest tip de regulă poate fi formulat astfel:
observaţia: „x este A*” şi „y este B* ”
regula: dacă „x este A” şi „y este B” atunci „z este C” (2.22)
concluzia: „z este C*”
Această regulă fuzzy poate fi privită ca o relaţie fuzzy ternară, Rm dată de:
Rm = { [(x,y,z),μA(x)˄μB(y) ˄μC(z)] / (x,,y,z) ϵ X×Y×Z (2.23)
Funcţia de apartenenţă a mulţimii C*: C*= (A*×B*) o Rm, care reprezintă concluzia
raţionamentului fuzzy, este:
μC*(z) = { ˅[μA*(x)˄μA(x)] }˄{˅[μB* (y)˄μB (y)}˄μC (z) = (w1 ˄ w2) ˄ μC(z) (2.24)
unde w1 şi w2 reprezintă maximele funcţiilor de apartenenţă ale A∩A*, respectiv B∩B*. În
general, w1 şi w2 exprimă gradul de compatibilitate dintre A şi A*, respectiv B şi B*.
”w1˄w2” se numeşte putere de activare sau grad de îndeplinire a regulii fuzzy şi
reprezintă măsura în care partea de premisă a regulii este satisfăcută de faptul „x este A* şi y
este B*” (figura 2.8).
Mulţimea fuzzy C* este dată de:
C*= [A* o R1]∩[B* o R2 ] (2.25)
unde R1 şi R2 sunt reguli fuzzy cu o singură premisă ce provin din regula „y este B” atunci „z
este C” (2.41) considerând, pe rând, câte o premisă:
R1: dacă „x este A” atunci „z este C” (2.26)
R2: dacă „y este B” atunci „z este C” (2.27)
Astfel, mulţimea fuzzy C* se poate exprima ca fiind intersecţia a două mulţimi fuzzy
C1* şi C2* date de:
C1*= A* o R1 (2.28)
C2*= B* o R2 (2.29)
care reprezintă concluziile regulilor fuzzy R1 şi R2.
Regulile fuzzy multiple cu premise multiple sunt formate din două sau mai multe reguli
fuzzy cu premise multiple.
observaţia: „x este A* ” şi „y este B* ”
R1: dacă „x este A1” şi „y este B1” atunci „z este C1”
R2: dacă „x este A2” şi „y este B2” atunci „z este C2” (2.33)
concluzie: „z este C* ”
Concluzia raţionamentului C* este dată de relația:
C* = (A*×B*) ° (R1∪R2) = [(A*×B*)°R1] ∪[(A*×B*)°R2] = C1*∪C2* (2.34)
unde C1* şi C2* sunt consecinţele regulilor R1 și R2.
11
2.8 Operații cu mulțimi fuzzy
Relațiile fuzzy sunt foarte importante în teoria mulțimilor fuzzy, doarece ele pot descrie
interacțiunile dintre variabile (Driankov et al., 1993). Fie A și B două mulțimi fuzzy de univers
X. Dacă μA = μB, atunci se spune că A și B sunt mulțimi fuzzy egale (A = B). Dacă μA ≤ μB
atunci spunem ca mulțimea A este inclusă în mulțimea B (A B).
Funcția de apartenență a reuniunii A∪B este definită cu ajutorul funcțiilor μA si μB
astfel:
Operațiile uzuale din teoria clasică a mulțimilor se pot reface în cazul mulțimilor fuzzy
în termenii funcției de apartenență:
mulțimea vidă Φ X este caracterizată de funcția de apartenență:
μΦ(x) = 0, x ϵ X
mulțimea totală U este caracterizată de funcția de apartenență:
μU(x) = 1, x ϵ X
două mulțimi fuzzy sunt egale, dacă funcțiile lor de apartenență sunt egale, adică:
A = B ↔ μA = μB
mulțimea fuzzy A este conținută în mulțimea fuzzy B, adică:
A B ↔ μA ≤ μB (relația de ordine punctuală între funcții)
între mulțimile A și B se definesc operațiile:
reuniune: A∪B , μA∪B (x) = max(μA (x), μB (x))
intersecție: M ∩ N , μA ∩B = min(μA (x), μB (x))
complementară: CA , cu μCA (x) = 1 - μA (x)
produsul algebric al mulțimilor A și B, notat A · B este caracterizat de funcția de
apartenență: μA·B = μA μB.
suma algebrică a mulțimilor A și B, notată A + B este caracterizată de funcția de
apartenență: μA+B = μA + μB.
12
2.9 Proprietățile mulțimilor fuzzy
2.9.1 Normalitatea
O mulţime fuzzy este normală dacă valoarea maximă afuncției de apartenenţă este 1:
˅x μ(x) = 1 (2.37)
unde ˅x reprezintă supremul sau maximul lui μ(x). În caz contrar vom spune că mulţimea este
subnormală.8
2.9.2 Convexitatea
O mulţime fuzzy A este convexă dacă şi numai dacă mulţimile A definite ca:
A = {x | μA(x) ≥ } (2.39)
sunt convexe pentru orice ϵ [0,1].
O valoare singulară (engl. singleton) este o mulţime fuzzy care are un grad de
apartenenţa pentru o singură valoare. Fie A o valoare singulară pentru un interval X, x ϵ X, atunci
A poate fi scrisă ca: A = μ / x. Folosind această definiţie, o mulţime fuzzy poate fi considerată o
reuniune de valori singulare.
13
Capitolul 3
Regulatoare fuzzy
L.A. Zadeh a publicat prima lucrare despre mulţimile fuzzy în 1965, iar ulterior,
previziunile lui privind domeniile în care noua teorie va fi utilizată, se refereau doar la acelea în
care metodele tradiţionale ale teoriei sistemelor aveau o aplicabilitate limitată, cum ar fi:
ştiinţele economice, lingvisitca, psihologia, ştinţele juridice, analiza deciziilor şi sistemele
biomedicale. La sfarşitul anilor ’60, L.A. Zadeh a intuit că teoria logicii fuzzy poate fi folosită
şi pentru realizarea unor sisteme de reglare a proceselor.
Meritul de a introduce conceptele de bază pentru utilizarea logicii fuzzy îi aparţine tot lui
L.A. Zadeh, prin publicarea lucrării de referinţă „Outline of a New Approach to the Analysis of
Complex Systems and Decision Processes”. Noţiunile şi conceptele introduse în această lucrare,
cum ar fi: variabile ingvistice, reguli fuzzy “dacă - atunci”, grafice fuzzy, stau la baza
majorităţii aplicaţiilor actuale ale logicii fuzzy pentru reglarea sau conducerea proceselor
industriale.
Prima aplicaţie în care logica fuzzy a fost utilizată pentru reglarea unui process a fost
realizată de un colectiv coordonat de E.H. Mamdani. Autorii au demonstrat că un regulator cu
logică fuzzy poate fi utilizat pentru reglarea unui proces energetic alcătuit dintr-un cazan cu abur
şi o turbină. Parametrii reglaţi au fost presiunea de ieşire a aburului din cazan şi viteza de rotaţie
a turbinelor cu abur.
Interesul pentru noua metodă de reglare a evoluat constant în timp. Nenumărate aplicaţii
în cele mai diverse domenii ale tehnicii fiind realizate de la această dată. Ţara în care logica
fuzzy a fost utilizată pentru prima dată cu succes în realizarea unor bunuri comerciale este
Japonia. În multe universităţi din Japonia studiul teoretic şi practic al noii teorii a fost incredinţat
unor colective specializate cărora li s-au pus la dispoziţie laboratoare şi fonduri pentru cercetări
şi experimente.
14
În Figura 3.1 este prezentată structura unui regulator fuzzy. Specific acestei structuri este
lipsa fluxului informaţional de la baza de cunoştinţe, atât înspre interfaţa de fuzzificare cât şi
înspre interfaţa de defuzzificare.
Baza de cunoştinţe
Baza de reguli
Mulţimi fuzzy de Mulţimi fuzzy de
fuzzy
informaţional
mulţimi şi reguli
fuzzy
x* A* B* y*
Fuzzificare Inferenţă Defuzzificare
Valori Valori
tranşante de tranşante
intrare de ieşire
flux de calcul
15
3.1.1 Fuzzificare
În majoritatea aplicaţiilor practice ale sistemelor fuzzy, mărimile de intrare sunt descrise
de valori crisp (caracterizate eventual de anumite imprecizii), definite pe un anumit univers
de discurs. De cealaltă parte, mărimile de ieşire ce se doresc a fi obţinute descriu mărimi
proporţionale cu gradele de adevăr fuzzy asociate regulilor ce se aplică. În acest context,
prin fuzzificare se înţelege acel proces în cadrul căruia se stabilesc categoriile lingvistice ce
descriu universul de discurs, funcţiile de apartenenţă asociate acestor mărimi şi gradele de
apartenenţă ale mărimilor de intrare la categoriile lingvistice corespunzătoare.
16
se folosesc patru mulţimi fuzzy asociate celor patru categorii lingvistice, pentru care funcţiile de
apartenenţă au următoarele expresii:
Dacă nota obţinută nu este mai mare decât 4, calificativul va fi Insuficient, pentru care
funcţia de apartenenţă ia valoarea 1, în timp ce pentru celelalte valori lingvistice gradele de
apartenenţă sunt nule. Dacă persoana obţine o notă cuprinsă între 4 şi 5, evaluatorul va avea de
ales între calificativele Insuficient şi Suficient. Decizia evaluatorului va fi luată pe baza unei
reguli si a unor grade de apartenenţă:
μBine(4.7) = 0
17
3.1.2 Baza de cunostinţe
Regulile fuzzy asociază datele descrise prin mulţimi fuzzy după legile de corespondenţă
dorite. Exprimarea lingvistică a regulilor fuzzy e sub forma unor exprimări condiţionale de tipul
„dacă … atunci…”.
Funcţionarea unui regulator fuzzy are la bază întreaga colecţie de reguli fuzzy care
formează baza de reguli. Baza de reguli reprezintă într-o descriere lingvistică funcţionarea
regulatorului pe domeniile de bază ale mărimilor de intrare (premisei) şi ieşire (concluziei).
Regulile pot folosi mai multe variabile, atât în premisă cât şi în concluzia regulii. Astfel
regulatoarelor le pot fi aplicate atât probleme MIMO (Multiple-Input and Multiple-Output) cât
şi SISO (Single-Input and Single-Output). Problema tipică pentru SISO este determinarea ieşirii,
plecând de la semnalul de eroare.
Uzual, variabilele lingvistice de intrare ale unui regulator cu logică fuzzy sunt:
- eroarea (e);
- variaţia erorii (Δe);
- integrala erorii (δe).
Variabilele lingvistice de ieşire ale unui regulator cu logică fuzzy pot fi:
- mărimea de comandă (u);
- variaţia mărimii de comandă (Δu).
18
Datorită prelucrării în diverse moduri ale erorii, avem de-a face cu o singură buclă de
reglare, deşi regulatorul are mai multe intrări. În figura 3.4 este prezentat un regulator fuzzy în
care premisa este reprezentată de eroare şi variaţia erorii.
Acelaşi set de reguli poate fi reprezentat într-un format mult mai compact sub o formă
relaţională:
20
Tabelul 3.1 Baza de reguli în formă funcţională
Err Variatia Err Iesirea
NEG NEG POZBIG
POZ NEG ZERO
ZERO NEG POZSMALL
POZ POZ NEGBIG
ZERO ZERO ZERO
NEG ZERO POZBIG
NEG POZ ZERO
ZERO POZ NEGSAMLL
POZ ZERO NEGSMALL
În prima linie a tabelului, sunt reprezentate numele variabilelor. Primele două coloane
sunt intrările (eroarea şi variaţia erorii), cea de-a treia coloană reprezintă ieşirea, iar fiecare
coloană reprezintă o regulă.
Cea de-a treia formă, o formă matricială este prezentată în tabelul 3.2:
În cazul în care una din celulele matriciei este vidă, atunci înseamnă că pentru premisele
corespunzătoare nu e activată nici o regulă. În acest format este mai facil observarea proprietăţii
unei baze de reguli de a fi completă.
Pentru cazul, descris în tabelul 3.2, cu două intrări şi o ieşire, această matrice mai este
numită şi planul fazelor lingvistic. În cazul în care numărul variabilelor de intrare este n > 2,
matricea va creşte la un vector n-dimensional.
Pentru determinarea regulilor de reglare fuzzy se folosesc patru metode distincte sau
chiar combinaţii ale acestora. Cele patru metode sunt [Mastacan L., 2006]:
21
informaţiile lingvistice sunt predominante faţă de cele numerice, regulile de reglare fuzzy permit
implementarea unor decizii destul de facilă a lor plecând de la astfel de informaţii.
Exprimarea de tipul ”dacă – atunci ” poate fi asemănată unui sistem expert în care
cunoaşterea şi experienţa sunt determinante. Ca şi în cadrul sistemelor de tip expert unde
cunoştinţele provin fie de la o analiză atentă asupra domeniului fie de la o interogare a
operatorului după anumite direcţii predefinite.
Rezultă astfel prototipuri ale regulilor de reglare fuzzy pentru un domeniu particular de
aplicaţii. Pentru obţinerea unor performanţe optime, regulile de reglare pot fi reduse sau pot fi
combinate între ele.
D. Sisteme cu autoorganizare
Primul regulator fuzzy cu structură auto-organizabilă a fost descris în lucrarea [Procyk,
1979]. Acest regulator are o structură ierarhică compusă din două baze de reguli. Prima, este
baza de reguli generale, întâlnită la orice regulator cu logică fuzzy; a doua bază de reguli, este
alcătuită dintr-o mulţime de "meta-reguli" care creează şi modifică baza de reguli generale
ţinând cont de performanţele globale impuse sistemului.
22
adevăr (adevărat sau fals), procesul inferenţei este simplificat în comparaţie cu logica fuzzy,
unde trebuie să fie preocupare, nu doar de reguli ci şi de valoarea lor de adevăr.
Mecanismul de luare a deciziilor într-un regulator cu logică fuzzy nu este construit pe
baza unor interdependenţe a regulilor de reglare, ca în cazul sistemelor expert, ci este construit
pe baza unei inferenţe de tip modus ponens generalizat:
premisa 1: x este A*
premisa 2: dacă x este A atunci Y este B (3.8)
consecinţa: y este B*
unde A, A*, B, B* sunt propoziţii fuzzy.
În cazul regulatoarelor fuzzy e posibil ca premisele cu diverse valori de adevăr să
activeze mai multe reguli din baza de reguli şi atunci mărimea de ieşire rezultă prin operaţia de
compunere a regulilor.
Fie un regulator cu logică fuzzy cu o bază de reguli MISO, cu două mărimi de intrare şi o
mărime de ieşire, de forma:
intrare: x este A* şi y este B*
………………………………………………………………..
R1 : dacă x este A1 şi y este B1 atunci u este C1
În relaţia (3.9), regula de reglare fuzzy "dacă (x este Ai şi y este Bi) atunci (u este Ci)",
este implementată de o implicaţie fuzzy sub forma unei relaţii fuzzy Ri definită astfel:
def
R ( A siB C ) ( x, y, u ) ( A ( x) siB ( y)) C (u)
i i i i i i i
(3.10)
în care:
- "Ai şi Bi" este o mulţime fuzzy Ai × Bi în X × Y;
- Ri = (Ai si Bi ) → Ci este o implicaţie fuzzy (relaţie fuzzy) in X × Y × U;
- simbolul "→" indică o funcţie de implicaţie fuzzy.
Mărimea de ieşire C* este calculată cu regula de compunere a inferenţei max-min.
23
3.1.4 Defuzzificare
b) Metoda abscisei centrului de greutate este una dintre cele mai utilizate metode de
defuzzificare şi permite calculul valorii x* (figura 3.6) conform relaţiei:
24
f 1 ( ( x))
( x) xdx
c
(3.11)
( x)dx
c
c) Metoda mediei ponderate este aplicabilă pentru funcţii de apartenenţa simetrice, fiind
prezentată în Figura 3.7, din care rezultă că valoarea defuzzificată se obţine prin
ponderarea valorilor funcţiilor de apartenenţă în punctele de maxim:
f 1 ( ( x))
( x) x
C
(3.12)
( x) c
25
d) Metoda mediei maximelor presupune calculul lui x (Figura 3.8) unde:
ab
f 1 ( ( x))
2 (3.13)
Operaţia de defuzzificare este obţinută prin multiplicarea acestor singletoane fuzzy ale
comenzii cu diverşi coeficienţi prin intermediul cărora s-a realizat cuantizarea si normalizarea
universului de discurs a mărimii de ieşire.
În tabelul 3.3 se prezintă un exemplu de discretizare uniformă, pe 11 nivele de cuantizare
ale celor două mărimi de intrare e şi Δe , şi a mărimii de comandă u.
27
Tabelul 3.4. Tabel de decizie Mamdani
Δe
e -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
-5 -5 -4 -3 -2 -1 0 -1 -2 -3 -4 -5
-4 -4 -4 -3 -2 -1 0 -1 -2 -3 -4 -4
-3 -3 -3 -3 -2 -1 0 -1 -2 -3 -3 -3
-2 -2 -2 -2 -2 -1 0 -1 -2 -2 -2 -2
-1 -1 -1 -1 -1 -1 0 -1 -1 -1 -1 -1
0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 0 1 1 1 1 1
2 2 2 2 2 1 0 1 2 2 2 2
3 3 3 3 2 1 0 1 2 3 3 3
4 4 4 3 2 1 0 1 2 3 4 4
5 5 4 3 2 1 0 1 2 3 4 5
Se poate observa că dintr-un tabel de decizie de tip Mamdani se pot extrage direct
valorile cuantizate ale mărimii de comandă u ce poate fi aplicată procesului reglat.
Implementarea algoritmilor de reglare fuzzy prin intermediul tabelelor de decizie de tip
Mamdani are ca inconvenient, obţinerea unor valori discrete ale mărimii de comanda, valori
care nu permit obţinerea celor mai bune performanţe de reglare.
28
Capitolul 4
Regulator autoacordabil cu logică fuzzy
Regulatoarele cu logică fuzzy pot fi implementate cu succes, dacă experienţa
operatorilor, în reglarea manuală a proceselor, poate fi exprimată sub forma unor reguli
lingvistice de tip “daca-atunci”. Dacă nu se poate obţine un model lingvistic al strategiei de
reglare manuală al procesului de către operator, sau daca anumite modificări ale comportării
procesului depăşesc competenţe acestuia, nu poate fi implementat un regulator clasic cu logică
fuzzy.
Aceste probleme pot fi soluţionate prin implementarea unor regulatoare cu logică fuzzy
autoacordabile. Primul regulator cu logică fuzzy autoacordabil a fost propus in 1979 în ”Procyk
şi Mamdani”.
Algoritmul de învățare propus este capabil să genereze şi să modifice regulile din baza
de reguli fuzzy a regulatorului. Generarea şi modificarea regulilor se realizează prin intermediul
unei valori de ajustare a mărimii de comandă a regulatorului, pentru a obţine performanţe de
reglare actuale mai bune, pe baza evaluării performanţelor anterioare. Valoare de ajustare a
mărimii de comandă este obţinută intr-un algoritm fuzzy care defineşte lingvistic perfomanţele
de reglare dorite. Valoarea de ajustare a mărimii de comandă are aceeşi formă cu valoarea
obţinută pentru mărimea de comandă a unui regulator clasic cu logică fuzzy.
Un regulator convenţional cu logică fuzzy poate fi implementat astfel:
în care:
- Uk este mărimea fuzzy de comandă a regulatorului;
- Ek este mărimea fuzzy a erorii de reglare;
- ∆Ek este mărimea fuzzy a variaţiei erorii de reglare;
- RF este relaţia fuzzy de intrare/ieşire a regulatorului;
- ° este operatorul pentru regula compoziţională de infereţa max-min;
- × este produsul cartezian.
Dacă Ek şi ∆Ek sunt măsurate ca singletoane fuzzy ek şi ∆ek , iar relaţia fuzzy RF
împreună cu procedeul de defuzzificare, este descrisă sub forma unui tabel de decizie de tip
Mamdani R, atunci mărimea de comandă defuzzificată a regulatorului poate fi scrisă sub forma:
uk = r(ek , Δek) (4.2)
în care:
- r(ek , Δek) este elementul din tabelul de decizie R la poziţia (ek, Δek).
Tabelul de decizie R are un număr finit de elemente pentru că ek şi Δek sunt cuantificate
tot într-un număr finit de valori. Regulatorul cu logică fuzzy este implementat prin intermediul
29
unui tabel de îmbunătăţire a performanţelor P. Din acest tabel de îmbunătăţire a performanţelor
P, se obţin valorile de ajustare a mărimii de comandă a regulatorului:
k-a = p(ek , Δek) (4.3)
unde:
- p(ek , Δek) este elementul din tabelul P, la poziţia (ek , Δek) si momentul de timp k;
- a este întârzierea în timp, din momentul aplicării mărimii de comandă a
regulatorului, până la obţinerea mărimii de ieşire a procesului.
Pentru starea (ek , Δek), de la momentul actual k, k-a este o valoare de ajustare care
trebuie adăugată mărimii de comandă a regulatorului, la momentul k-a.
În tabelul de decizie R trebuie sa aibă loc urmatoarele modificări:
uk-a = r(ek-a , Δek-a)+k-a (4.4)
uk-a = r(ek-a , Δek-a)+p(ek-a , Δek-a) (4.5)
Dacă starea procesului la momentul k, este (ek , Δek), o stare mai bună ar fi fost atinsă,
dacă mărimea de comandă anterioară a regulatorului fuzzy, la momentul k-a, ar fi fost
modificată cu valoarea de ajustare k-a = p(ek , Δek), iar valoarea modificată a mărimii de
comandă ar fi fost apoi memorată în regulile de reglare fuzzy, pentru a fi apelată în cazul în care
apar situaţii asemănătoare în comportarea procesului.
Utilizând strategia menţionată, regulatorul poate porni să funcţioneze de la o bază de
reguli nulă. Regulile de reglare sunt generate şi modificate de algoritmul de învăţare, prin
tabelul de îmbunătăţire al performanţelor P. Practic, după câteva etape de învățare sau câteva
schimbări ale mărimii de referinţă ale regulatorului fuzzy cu autoacordare, se pot obţine
performanţe bune de reglare.
Metoda prezentată urmăreşte atingerea unei “traiectorii bune” faţă de care, într-o
anumită zonă, baza de reguli sa nu fie modificată. Această zonă de încadrare a ”traiectoriei
bune”, este similară cu zona de comutare din reglarea optimală în timp sau cu zona de comutare
din reglarea mărimii de comandă k-a ≠ 0. Practic, unele reguli fuzzy de reglare vor fi modificate
în acest fel.
Totuşi, metoda propusă are o deficienţă. Dacă starea procesului este în afara zonei în
care se găseşte traiectoria bună, baza de reguli fuzzy va fi modificată chiar dacă starea se
deplasează în mod satisfăcător spre traiectoria bună, astfel scăzând performanţele de reglare. În
varianta iniţială, algoritmul de învăţare al regulatorului fuzzy autoacordabil este sensibil la
modificarea mărimilor de intrare (mărimea de referinţă sau mărimile de perturbaţie).
Diverse metode de îmbunătăţire a funcţionării unui regulator cu logică fuzzy
autoacordabil implementat prin metoda propusă de Procyk si Mamdani, au fost propuse în
literatură. O metodă propune mărirea lărgimii benzii din firul traiectoriei bune pentru a face
procedeul de modificare a mărimii de comandă sa fie mai puţin activă (Dalz and Grill, 1986).
Un alt procedeu pasiv presupune oprirea modificării bazei de reguli atunci când este
obţinută o performanţă bună. În acest caz, regulatorul devine un regulator fuzzy cu tabel de
decizie fix, până când performanţa de reglare nu mai este concludentă şi este necesară din nou
30
modificarea bazei de reguli fuzzy (Farbrother,1991). Metodele propuse nu rezolvă problema
modificării corecte sau incorecte a bazei de reguli fuzzy a regulatorului autoacordabil.
Pentru a elimina acest dezavantaj, poate fi folosită următoarea strategie:
1. Dacă starea procesului se deplasează într-o zonă în care se găseşte traiectoria bună,
atunci regulatorul trebuie sa menţină starea în acea zonă şi să o deplaseze spre
punctul de echilibru.
2. Dacă traiectoria de stare a procesului iese din zona menţionată, atunci trebuie
modificate regulile fuzzy de reglare.
3. Dacă apar modificări ale mărimii de referinţă sau ale mărimilor de perturbaţie, atunci
starea procesului va ieşi, pentru un anumit interval de timp din zona traiectoriei bune,
iar regulatorul trebuie să intervină, pentru a readuce starea în interiorul zonei cu
traiectorie bună, iar apoi să aducă starea procesului la echilibru.
4. Dacă regulatorul nu poate readuce starea procesului în interiorul zonei menţionate
într-un mod satisfăcător, atunci regulile fuzzy de reglare trebuie să fie modificate.
5. Dacă regulatorul aduce starea procesului spre zona menţionată cu o viteză suficient
de rapidă, atunci nu trebuie modificate regulile fuzzy.
Aceste aspecte pot fi analizate în planul fazelor (figura 4.1). Pentru a simplifica,
traiectoria bună este considerată chiar curba de comutare. Să presupunem că starea iniţială a
sistemului este în punctul A(x1,1 , x2,1), pentru care x1,k = ek, iar x2,k = ∆ek , unde k = 1,2,3,...,n.
Poziţia următoare este B(x1,2 , x2,2), în care:
x1,2 = x2,1 + Δx1,2 (4.6)
x2,2 = x2,1 + Δx2,2 (4.7)
Deplasarea stării sistemului din punctul A în punctul B, permite obţinerea unor informaţii
despre dinamica sistemului. Raportul ∆x2,k/∆x1,k conţine informaţia privind deplasarea
traiectoriei sistemului spre curba de comutare.
Pentru un punct dat (∆x1,k , x2,k ), dacă valoarea absolută a acestui raport creşte, înseamnă
că mărimea de comandă a crescut şi viteza de deplasare a stării va creşte pe o traictorie corectă
de deplasare spre starea de echilibru.
31
Analiza performanţelor dinamice ale sistemului în planul fazelor permite formularea
următoarei strategii, care trebuie urmată pentru a se realiza o modificare corectă a bazei de
reguli a regulatorului cu logică fuzzy.
Fie ecuaţia curbei de comutare:
v = v(x1,x2) = 0 (4.8)
iar dacă:
v · x2 < 0 (4.9)
x2,k
q1 ( x1 , x2 ) 0 (4.10)
x1,k
q1(x1,x2) fiind o valore fixată, atunci starea procesului se deplasează satisfăcător spre curba de
comutare, indiferent de distanţa dintre starea curentă și curba de comutare. În această situaţie, nu
trebuie modificată baza de reguli a regulatorului.
În mod analog, baza de reguli fuzzy nu trebuie modificată în situaţiile când:
v · x2 > 0 (4.11)
x2,k
q2 ( x1 , x2 ) 0 (4.12)
x1,k
q1(x1,x2) fiind de asemenea o valoare fixată.
Din relaţiile (4.13), (4.14), (4.15), (4.16) pot fi alcătuite două reguli de supervizare
pentru modificarea bazei de reguli fuzzy. De asemenea, baza de reguli fuzzy nu trebuie
modificată în momentele în care intervin modificări în treaptă, ale mărimii de referinţă sau de
perturbaţie pentru că în acele momente modificarea stării nu poate furniza informaţii corecte
pentru modificarea bazei de reguli. Este necesară introducerea unei noi reguli de supervizare
care să oprească în aceste situaţii, pentru un anumit interval de timp fixat, modificarea bazei de
reguli fuzzy.
Algoritmul regulatorului autoacordabil cu logică fuzzy poate fi implementat în modul
următor:
x2,k
1. Dacă v · x2,k < 0 atunci m q1 (4.13)
x1,k
x2,k
2. Dacă v · x2,k > 0 atunci m q2 (4.14)
x1,k
3. Dacă m ≤ 0 atunci k-a = 0 (4.15)
32
mărimea cu care va fi modificată regula de reglare, sgn(v) este funcţia signum, iar sat(b, x) este
funcţia saturaţie definită astfel:
{ (4.17)
unde :
- işi j ϵ {-1,0,1}
- i(ek-a) şi j(Δek-a ) ϵ {1,2, … , 2N+1}
- wij este un factor de ponderare calculat cu relaţia:
1
wij (4.20)
(1 | i |)(1 | j |)
Coeficienţii i şi j sunt introduşi pentru a se obţine, pe lângă modificarea mărimii de
comandă r(i(ek ),j(Δek )), activată de valorile măsurate ale erorii ek şi ale variaţiei erorii ∆ek şi
modificarea tuturor valorilor mărimilor de comandă aflate în tabelul de decizie R în jurul
acesteia.
Acest procedeu este echivalent cu fuzzificarea valorilor mărimilor măsurate ale erorii ek
şi ale variaţiei erorii ∆ek şi cu generarea unor noi reguli de reglare fuzzy. Prin procedeul
menţionat, tabelul de decizie R este completat cu valori ale mărimii de comandă care respectă
condiţia:
| u(i,j) | ≤ rmax (4.21)
Realizarea practică a unui sistem de reglare cu logică fuzzy depinde de modul de
implementare a regulatorului fuzzy. În prezent regulatoarele cu logică fuzzy sunt implementate
cu ajutorul echipamentelor de calcul. Există urmatoarele posibilităţi de abordare a acestei
probleme.
O primă metodă, presupune utilizarea unui hardware care are în componenţă un
microprocesor fuzzy, cu un număr maxim prestabilit de intrări şi ieşiri pentru semnale analogice
şi numerice şi cu facilităţi software şi hardware privind fuzzificarea şi defuzzificarea datelor,
mărimea bazei de reguli fuzzy şi inferenţa fuzzy. Au fost realizate produse de larg consum care
33
utilizează cu succes microprocesoare fuzzy în funcţionarea lor: aparate de fotografiat, maşini de
spălat etc.
Dacă trebuie implementat un regulator cu logică fuzzy care nu necesită resurse hardware
mari atunci soluţia adoptată frecvent în practică este aceea de a folosi un microsistem specializat
echipat cu un microprocesor clasic şi două convertoare analog-numeric şi numeric-analog
pentru interfaţarea cu partea fixată a sistemului de reglare.
Regulatorul cu logică fuzzy poate fi realizat printr-un microsistem classic, în varianta
minimală în următoarele ipoteze: există un număr mic de mărimi de intrare şi de ieşire din
regulatorul fuzzy; universurile de discurs ale mărimilor de intrare şi de ieşire, au partiţii fuzzy
grosiere cu maxim cinci termeni lingvistici; baza de reguli fuzzy are un număr redus de reguli şi
calculele de inferenţă on-line pot fi eliminate prin utilizarea unor tabele de decizie de tip
Mamdani, care furnizează direct mărimea de comandă defuzificată. Acest mod de obţinere a
regulatorului cu logică fuzzy presupune utilizarea preponderentă a software-lui pentru realizarea
părţilor componente ale acestuia.
Dacă regulatorul cu logică fuzzy nu poate fi implementat prin metodele menţionate mai
sus, atunci el poate fi realizat prin utilizarea unui calculator echipat cu o placă pentru achizitţii
de date. Toate elementele componente necesare funcţionării regulatorului cu logică fuzzy
privind fuzzificarea datelor de intrare, structura bazei de reguli fuzzy, procedeele de inferenţă
fuzzy şi defuzzificare a mărimilor de ieşire fuzzy, fiind implementate printr-o programare
adecvată.
Regulatorul autoacordabil cu logică fuzzy, din această lucrare, este realizat prin
utilizarea unui calculator personal echipat cu o placă de achiziţii de date LabPC şi programul
LabVIEW de la National Instruments.
Panoul frontal defineşte interfaţa grafică cu utilizatorul sau ceea ce va vedea utilizatorul
pe ecranul calculatorului. Obiectele grafice de interfaţă disponibile pentru realizarea panoului
frontal se împart în controale si indicatoare. Prin intermediul controalelor, utilizatorul introduce
sau actualizează valorile datelor de intrare (obiecte de tip Get); indicatoarele sunt folosite pentru
a se afişa rezultatele prelucrărilor. Dacă VI se priveşte ca sub VI (ca subrutină), atunci
controalele corespund parametrilor formali de intrare, iar indicatoarele sunt parametri formali de
ieşire.
Mediul LabVIEW oferă dezvoltatorului de aplicaţii o colecţie de obiecte predefinite
pentru proiectarea panoului frontal: butoane, comutatoare, cursoare, obiecte pentru reprezentări
grafice, rezervoare s.a.
35
Fig. 4.2. Panoul Frontal
După cum se poate vedea în figura 4.2, structura panoului frontal cuprinde următoarele
componente:
- Bara de nume, aflată la partea superioară, este destinată să afiseze numele atribuit
VI-ului.
- Bara cu meniurile principale, situată sub bara de nume, conține meniurile principale
ale panoului frontal, cu denumiri în mare parte similar ca și cele ale altor medii de
programare;
- Bara de comenzi conţine butoanele de comandă a execuţiei programului VI-ului şi de
aranjare a obiectelor din panoul frontal;
- Spaţiul de lucru, situat sub bara de comenzi, ocupă cea mai mare parte a panoului
frontal întrucât în acest cadru vor fi plasate obiectele de lucru ale VI-ului;
- Barele cu cursoare, poziționate în partea de jos, respectiv în partea dreaptă a
spaţiului de lucru, servesc pentru navigarea în acest spaţiu.
Pe spaţiul de lucru al panoului frontal se pot dispune dispozitive de control (controale),
de exemplu butoane, taste, cursoare etc şi dispozitive de afişare (indicatoare) de diverse tipuri:
LED-uri, scale de instrumente de măsurat, display-uri grafice. Prin intermediul acestora se
asigură interfaţa interactivă cu utilizatorul, controalele simulează intrările aplicate VI-ului şi
introduc date în diagrama bloc, iar indicatoarele simulează ieşirile VI-ului şi afişează datele
furnizate de către diagrama bloc rezultate din execuţia programului aferent. Atât controalele cât
şi indicatoarele imită forma şi modul de acţionare corespunzătoare unor instrumente reale.
36
şi operaţiile de prelucrare ale acestora. Obiectele de pe panoul frontal apar ca terminale în blocul
diagramă.
Elementele utilizate la realizarea diagramei bloc sunt clasificate în trei grupe generale:
- noduri;
- terminale;
- fire.
În cadrul diagramei bloc, obiectele de pe panoul frontal apar sub formă de terminale,
care constituie porturi de intrare şi de ieşire prin care se efectuează schimburile de informaţii cu
panoul frontal. Obiectele din diagrama bloc, care evidenţiază operaţiile efectuate de către
program, se numesc noduri (sunt asemănătoare cu operatorii/subrutinele din programele
textuale). Transferul datelor între obiectele din diagrama bloc este asigurat prin fire (legături de
conexiune), având culori, stiluri şi grosimi diferite, în funcţie de tipurile de date pe care le
vehiculează.
Orice legătură porneşte de la o singură sursă de date, dar poate fi conectată la unul sau
mai mulţi receptori. În diagrama bloc se mai întâlnesc şi aşa-numitele structure, care sunt
reprezentări grafice ale buclelor şi instrucţiunilor de control de la limbajele de programe
textuale.
37
Figura 4.4 reprezintă blocul pentru achiziția datelor. Am realizat o mediere a datelor
achiziționate cu 200 ms, pentru a obține o valoare mai precisă a mărimii de ieșire a procesului.
40
Fig. 4.7 Panoul frontal al aplicației
Tot aici se mai poate vizualiza actualizarea tabelului de decizie, în timp ce regulatorul se
autoacordează și totodată se pot modifica intervalele e și Δe.
42
Capitolul 5
Descrierea sistemului
r – referința;
eroarea;
variația erorii;
C – mărimea de comandă;
temperatura;
CNA – conversia numeric – analogică;
CAN – conversia analog – numerică;
SCC-CO20 – ieșirea mărimii de comandă;
SCC-TC02 – intrarea mărimii măsurate de la termocuplu;
EE – element de execuție;
CE – cuptor electric;
TC-K – termocuplu de tip K.
43
5.2 Placa de achiziţii 6024E
44
Intrarea și ieșirea analogică
Plăcile au trei moduri de intrare diferite:
1. intrare cu un singur terminal nonreferință (NRSE);
2. intrare cu un singur terminal referință (RSE);
3. intrare diferențială (DIFF);
Configurațiile intrării cu un singur terminal furnizeaza până la 16 canale, iar
configurația intrării diferențiale furnizează până la 8 canale. Modurile de intrare sunt programate
pe canale de bază pentru scanarea modurilor multiple. De exemplu, se poate configura un
ansamblu de circuite care să scaneze 12 canale – 4 canale configurate diferențial și 8 canale cu
un singur terminal.
45
Controlul hardware sus/jos pentru controalele de scop general, 0 și 1 sunt conectate la
placă, la DIO6 respectiv DIO7. Astfel se pot folosi DIO6 și DIO7 pentru a controla controalele
de scop general. Semnalele de control sus/jos sunt doar de intrare și nu afectează liniile DIO.
Conexiunea semnalelor
Conectorul I/O pentru placa 6024E prezintă 68 de pini, care pot fi conectați altor 68 de
pini dintr-un accesoriu, printr-un cablu ecranat de tip SH 6868 sau printr-un cablu de tipul R
6868. Placa se mai poate conecta și la un accesoriu cu 50 de pini de semnal și prin cablul de
tipul SH 6850 ecranat sau printr-un cablu de tip R 6850. Conectorii care depășesc categoria
intrărilor și iesirilor de pe placă, pot duce la producerea de avarii asupra plăcii cât și asupra
calculatorului cu care este conectată.
46
sunt prezentate pozițiile conectorilor de intrare și ieșire ale tuturor blocurilor de condiționare.
Fiecare conector de intrare este legat la câte un bloc de condiționare.
Modulul SCC-CO20 este folosit pentru a genera la ieșirea SCS un curent de maximum
20 mA. Acest nivel de curent este proporțional cu voltajul aplicat pe modul printr-un canal
analogic de ieșire al unui dispozitiv DAQ folosit în cadrul experimentului. Se conectează SCC-
CO20 în soclul analogic de ieșire J17 (borna 2). SCS rutează voltajul generat de placa DAQ pe
canalul analogic de ieșire AO-1 la SCC-CO20.
Pentru utilizarea modulului SCC-CO20 s-au folosit următoraele componente
Hardware:
placa SC-2345;
48
modulul SCC-CO20;
Software:
ultima versiune NI-DAQmx.
Se conectează SCC-CO20 în soclul analogic de ieșire J17 (borna 2). SCS rutează voltajul
generat de placa DAQ pe canalul analogic de ieșire AO-1 la SCC-CO20.
Conectarea SCC-CO20 la o sarcină:
1 – masa;
2 - direcția de circulare a curentului;
3 - bucla izolată a sarcinii.
Nu este indicat să se folosească mai mult de două module SCC-CO20, deoarece voltajul
rezultat ar cauza supraîncălziri care duc la deteriorarea modulelor și echipamentelor.
49
Fig.5.8 Schema electrică a elementului de execuție
5.5 Termocuplu
51
Capitolul 6
Încercări experimentale
Înainte de acordare, toate valorile tabelului de decizie sunt nule (figura 6.1).
E -0.875 -0.75 -0,625 -0.5 -0.375 -0.25 -0.125 0 0.125 0.25 0.375 0.5 0,625 0.75 0.875
∆E -0.14 -0.12 -0.1 -0.08 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14
52
Fig.6.2 Panoul frontal
În figura 6.3, se observă că regulatorul încercă să învețe și completează o mare parte din
tabelul de decizie.
53
În figurile 6.4, 6.5, 6.6, 6.7 sunt prezentate graficele temperaturii în raport cu
referința, mărimea de comandă și mărimile de intrare e şi ∆e şi a evoluţiei mărimii de comandă.
În urma reglării s-a obținut o eroare de 2.5%.
54
Fig.6.6 Eroarea
Modificând universurile de discurs ale mărimilor de intrare e și ∆e, cu cele din tabelul
6.2, se reia experimentul.
∆E -0.4 -0.35 -0.29 -0.23 -0.18 -0.12 -0.06 0 0.06 0.12 0.18 0.23 0.29 0.35 0.4
55
Se observă că regulatorul autoacordabil reușește să realizeze reglarea procesului, cu o
eroare de 2%, însă algorimul nu reușește să completeze tabelul de decizie, decât în zona centrală
(figura 6.9).
56
Fig.6.10 Evoluția temperaturii în raport cu referința
Fig.6.12 Eroarea
57
Fig.6.13 Variația erorii
Pentru a îmbunătăți performanțele de reglare se înclină curba de comutare spre axa
variației erorii, ecuația curbei de comutare fiind de forma v = 2·e+e. Se observă că
performanțele de reglare s-au îmbunătățit, iar după intrarea în regim staționar acesta se
stabilizează, oscilațiile fiind foarte mici, iar eroarea este de 0.56%.
58
Fig.6.13 Tabel de decizie după acordare
În următorul experiment realizat, se observă că după trei etape de învățare realizate prin
modficarea mărimii de prescriere la 35°C, 45°C, iar apoi la 60°C, regulatorul fuzzy reușește să
realizeze performanțe bune ale reglării temperaturii cuptorului electric. După intrarea procesului
în regim staționar acesta se stabilizează, oscilațiile fiind foarte mici, iar eroarea este de 0.61%.
60
Fig.6.18 Panou frontal
61
Fig.6.20 Evoluția temperaturii în raport cu referința
Fig.6.22 Eroarea
62
Fig.6.23 Variația erorii
Se poate observa că după ce s-a scăzut treapta mărimii de prescriere de la 60°C la 55°C,
procesul intră în regim staționar și reușește să mențină temperatura cuptorului la valoarea
mărimii de prescriere, reușind după două oscilații, să scadă eroarea la 0.36%.
63
Fig.6.25 Evoluția temperaturii în raport cu referința
Fig.6.27 Eroarea
64
Fig.6.28 Variația erorii
65
Capitolul 7
Concluzii
66
Bibliografie
67