Capitolul 1

Introducere

Metoda inteligentă în reglarea temperaturii proceselor constă în utilizarea unui regulator

autoacordabil cu logică fuzzy.
În logica clasică, propozițiile pot fi adevărate sau false, neexistând posibilitatea de a
avea valori intermediare. În cazul abordării unor modele concrete, s-a constatat apariția unor
situații în care nu toate sistemele reale sunt clare, iar descrierea completă a unui sistem real
necesită o serie de informații care nu sunt cunoscute în totalitate și de multe ori, nu sunt înțelese
exact. Astfel a apărut necesitatea utilizării mulțimilor fuzzy și a logicii rezultată din utilizarea
acestor mulțimi în detrimentul mulțimilor clasice.
Logica Fuzzy a fost introdusă în 1965, de către profesorul Lotfi Zadeh, de la
Universitatea Berkeley, din California, care a obsevat că modelele matematice sunt dificil de
aplicat la realitatea complexă. Logica fuzzy folosește un raționament aproximativ de tipul ”mai
mult sau mai puțin”.
Sistemele de reglare cu logică fuzzy sunt frecvent utilizate pentru aplicaţiile de control
automat al proceselor cu parametrii incerţi sau variabili în limite largi, printre care pot fi
amintite şi procesele fiziologice. Proiectarea regulatoarelor fuzzy este bazată în primul rând pe
experienţa empirică, însă metodele de proiectare recente, permit obţinerea unor soluţii de reglare
satisfăcătoare, sau chiar bune, evitând o modelare matematică exactă a procesului.
Tema propusă abordează un domeniu de mare interes, confirmat atât prin numeroasele
cercetări, cât și prin aplicațiile industriale din ce în ce mai frecvente. A fost realizat un regulator
autoacordabil cu logică fuzzy pentru reglarea temperaturii dintr-un cuptor electric.
Lucrarea este organizată pe 7 capitole, din care un capitol introductiv si un capitol ce
conține concluzii și bibliografia. În capitolul 2 sunt prezentate noțiunile fundamentale ale logicii
fuzzy, care stau la baza contribuțiilor practice.
În capitolul 3 sunt prezentate noțiunile de bază pentru implementarea regulatoarelor cu
logică fuzzy, părțile componente: fuzzificarea, baza de cunoștințe, sistemul de inferență și
deffuzificarea. Este prezentat modul de implementare a regulatoarelor cu logică fuzzy utilizând
tabele de decizie de tip Mamdani.
Capitolul 4 cuprinde prezentarea algoritmului de implementare al regulatorului
autoacordabil cu logică fuzzy, mediul de programare LabVIEW 8.5 și realizarea aplicației a
algoritmului în mediul LabVIEW.
În capitolul 5 sunt descrise instalația sistemului de reglare, placa de achiziții 6024E,
placa SC-2345, elementul de execuție și termocuplul.
Capitolul 6 cuprinde încercările experimentale de reglare a temperaturii cuptorului
electric și pașii ce au dus la îmbunătățirea performanțelor regulatorului autoacordabul cu logică
fuzzy.

1
 Capitolul 2
Logica fuzzy

2.1 Noțiuni introductive

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}.

2.3. Funcții de apartenență

O mulţime fuzzy este complet definită de către funcţia sa de apartenenţă. Majoritatea

mulţimilor fuzzy folosite în diverse aplicaţii au ca univers de discurs mulţimea numerelor reale.
Din acest motiv, cea mai convenabilă exprimare a funcţiei de apartenenţă ataşată unei mulţimi
fuzzy este cea folosind funcţiile analitice de variabilă reală.

2.3.1. Funcția de apartenență liniar crescătoare Γ

Funcția de apartenență liniară crescătoare este definită de doi parametri :

{ (2.6)

Funcția de apartenență liniar crescătoare Γ este reprezentată în figura 2.2.

Fig.2.2 Funcția de apartenență Γ

2.3.2. Funcția de apartență liniar descrescătoare L

Funcția de apartenență liniară descrescătoare L : X → [0,1] este definită de doi

parametri:

{ (2.7)

4
 Funcția de apartenență liniar descrescătoare L este reprezentată în figura 2.3.

Fig.2.3 Funcția de apartenență L

2.3.3. Funcția de apartenență triunghiulară

Funcția de apartenență triunghiulară este definită prin intermediul a trei parametri:

(2.8)

{
sau folosind funcţiile min şi max:

{ { } } (2.9)

În figura 2.4 este reprezentată funcția de apartenență triunghiulară:

Fig.2.4 Funcția de apartenență triunghiulară

5
 2.3.4. Funcția de apartenență trapezoidală

Funcția de apartenență trapezoidală este definită de patru parametri:

(2.10)

sau folosind funcţiile min şi max:

{ { } } (2.11)

Această funcție de apartenență este reprezentată în figura 2.5:

Fig.2.5 Funcția de apartenență trapezoidală

2.4. Variabile lingvistice

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.

Fig. 2.6 Valori de adevăr fuzzy

2.5 Grade de adevăr

Logica fuzzy şi logica probabilistică sunt similare din punct de vedere matematic,
ambele având grade de adevăr cuprinse în intervalul [0,1], dar conceptual sunt diferite, datorită
interpretărilor diferite. Logica fuzzy corespunde unor “grade de adevăr”, în timp ce logică
probalistică corespunde “probabilităţii” și ”posibilităţii”. Consecvent, probabilitatea nu are
nimic în comun cu fuzzificarea, acestea sunt concepte diferite care la o privire superficială par
similare, din cauza folosirii aceluiaşi interval de valori numerice reale [0,1]. Totuşi, din moment
ce teoreme, precum cea a lui De Morgan, au aplicabilităţi duale şi proprietăţile variabilelor
aleatoare sunt similare cu proprietăţile stărilor logice binare, se pot observa cazurile în care ar
putea apărea confuzii.
7
 2.6 Raţionament și reguli fuzzy
Raţionamentul fuzzy (aproximativ) este analogul logicii predicatelor pentru
raţionamentul cu propoziţii precise şi este o extensie a logicii propoziţiilor clasice.
Raţionamentul fuzzy foloseşte propoziţii fuzzy care sunt afirmaţii ce pot fi adevărate în anumite
grade cuprinse în intervalul [0,1]. Aceste propoziţii sunt exprimate folosind limbajul natural.
Un model de propoziţie fuzzy este:
“ x este B ” (2.13)
unde x este o variabilă lingvistică, iar A este o valoare lingvistică a variabilei x. Înţelesul acestei
propoziţii este determinat de mulţimea fuzzy A definită pe universul discuţiei variabilei x.

2.6.1 Reguli fuzzy "dacă – atunci"

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.

2.6.2 Reguli fuzzy cu o premisă

O regulă fuzzy cu o premise, este de forma celei din expresia (2.16). Funcţia de apartenţă
a mulţimii fuzzy B* indusă de regula (2.16) şi de faptul „x este A'” dată de relaţia (2.17) se
poate rescrie sub forma:
μB*(y) = max [μA*(x) ˄ μA(x)]˄ μB(y) = w ˄ μA(y) (2.20)

Din relaţia (2.18) se observă că mai întâi se determină gradul de suprapunere w, al

mulţimilor fuzzy A şi A*. Apoi, funcţia de apartenenţă a mulţimii B* se obţine prin trunchierea
funcţiei de apartenenţă a mulţimii fuzzy B corespunzător gradului de suprapunere w. Intuitiv, w
reprezintă măsura încrederii acordate premisei regulii fuzzy activată de faptul „x este A’”.
Acesta se propagă mai departe prin intermediul regulii fuzzy „dacă – atunci” rezultând gradul de
încredere acordat consecinţei regulii ce nu poate depăşi valoarea w (figura 2.7).

Fig. 2.7 Raţionament fuzzy folosind o regulă fuzzy cu o premiză

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.

Fig. 2.8 Raţionament fuzzy folosind o regulă fuzzy cu două premise

10
 Dacă o regulă fuzzy se enunţă astfel:
dacă „x este A” sau „y este B” atunci „z este C”, (2.30)
atunci puterea de activare a regulii este dată de maximul gradelor de compatibilitate
corespunzătoare celor două premise. Astfel, regula (2.30) devine echivalentă cu reuniunea a
două reguli fuzzy de forma:
dacă „x este A” atunci „z este C” (2.31)
dacă „y este B” atunci „z este C” (2.32)

2.6.4. Reguli fuzzy multiple cu premise multiple

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.

2.7 Operatori pentru logica fuzzy

Combinarea mai multor variabile fuzzy, în conformitate cu o anumită logică, conduce la

apariția unor expresii fuzzy cu mai mulți termeni, legați prin operații logice elementare (AND,
OR, NOT). Gradele de apartenență fuzzy, pot fi combinate cu ajutorul operatorilor de
compunere fuzzy propuși de Zadeh:
μA AND μB = min(μA, μB)
μA OR μB = max(μA , μB)
NOT μA = 1 - μA
Dezvoltarea impetuoasă a aplicațiilor practice în domeniul sistemelor fuzzy a condus la
găsirea altor operatori, similari celor utilizați la combinarea probabilităților:
 operatorul ”produs”: μA AND μB = μA · μB
 operatorul ”suma”: μA OR μB = μA + μB

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:

μ(x) = μA∪B ( x ) = max (μA (x) ,μB (x)), ∀x ϵ X (2.35)

Funcția de apartenență a intersecției A∩B este definită de asemenea cu ajutorul funcțiilor

μA si μB:
μ(x) = μA∩B ( x ) = min (μA(x) ,μB(x)), ∀x ϵ X (2.36)

Presupunem că A este o mulțime fuzzy normalizată. Funcția de apartenență a

complementarei mulțimii A, notată C[A] definită prin relația:

μC[A] = 1 - μA (x) (2.37)

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].

2.9.3 Punctul “crossover”

Pentru o mulţime A, punctul “crossover” este elementul pentru care funcţia de

apartenenţă are valoarea 0.5.

2.9.4 Valori singulare fuzzy

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.

3.1 Regulator cu logică fuzzy

Un regulator cu logică fuzzy permite modelarea şi implementarea funcţionării oricărui
proces prin descrierea relaţiilor intrare-ieşire folosind variabile şi valori lingvistice şi reguli
fuzzy ”dacă - atunci”. Valorile numerice tranşante ale variabilelor de ieşire rezultă prin aplicarea
unor operaţii: fuzzificare, inferenţă fuzzy, defuzzificare, asupra valorilor numerice ale
variabilelor de intrare. După Brubaker, dezvoltarea unui sistem cu logică fuzzy este justificată
pentru sistemele a căror funcţionare este prea complexă pentru a putea fi definită adecvat prin
tehnici tradiţionale:
 regulatoare complexe pentru a fi modelate precis;
 regulatoare cu funcţionare mediu spre puternic neliniară;
 regulatoare ce prezintă anumite incertitudini fie în intrări fie în funcţionare.

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

intrare (A) ieşire (B)

flux

mulţimi şi reguli
fuzzy
x* A* B* y*
Fuzzificare Inferenţă Defuzzificare
Valori Valori
tranşante de tranşante
intrare de ieşire
flux de calcul

Fig. 3.1: Schema bloc a unui sistem cu logică fuzzy

În schema bloc sunt cuprinse modulele:

 Fuzzificare - interfaţa ce transformă valorile numerice ale variabilelor de intrare (x*) în
mulţimi fuzzy de tip singleton (A*);
 Baza de cunoştinţe - furnizează modulului Inferenţă informaţiile necesare:
- mulţimile fuzzy pentru variabilele de intrare (A);
- mulţimile fuzzy pentru variabilele de ieşire (B);
- baza de reguli fuzzy.
 Inferenţă - blocul care determină valorile fuzzy ale variabilelor de ieşire (B*) folosind
inferenţa fuzzy;
 Defuzzificare - interfaţa ce transformă valorile fuzzy ale variabilelor de ieşire în valori
tranşante (y*).
Arhitectura unui sistem fuzzy pentru controlul proceselor - controler fuzzy este
prezentată în figura 3.2.

Fig. 3.2 O partiție fuzzy a intervalului [-1, 1]

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.

Fig. 3.3 Funcţie triunghiulară (a) trapezoidală (b) gaussiană (c).

O componentă importantă şi sensibilă a etapei de fuzzificare o reprezintă construirea

funcţiilor de apartenenţă. Această problemă poate fi abordată pe cale tradiţională sau folosind
elemente ale inteligenţei artificiale, cum ar fi clasificatorii şi aproximanţii neuronali sau calculul
evolutiv. Construirea funcţiilor de apartenenţă pe căi tradiţionale foloseşte cunoştinţele
experţilor umani şi raţionamente de forma următoare:

Fig.3.4 Funcții de apartenență

Următorul exemplu ilustrează modul în care se desfăşoară procesul de fuzzificare. Se

consideră cazul evaluării în paralel a cunoştinţelor unei persoane folosind două sisteme de
evaluare: note între 1 şi 10, respectiv calificative (insuficient, suficient, bine, foarte bine). O
posibilitate de modelare a acestor două alternative este cea din figura 3.4. Pentru acest exemplu,

16
se folosesc patru mulţimi fuzzy asociate celor patru categorii lingvistice, pentru care funcţiile de
apartenenţă au următoarele expresii:

μInsuficient (n) = { (3.1)

μSuficient (n) = (3.2)

μBine (n) = (3.3)

μFoarte bine(n) = { (3.4)

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:

μInsuficient (4.7) = 0.3

μSuficient (4.7) = 0.3

μBine(4.7) = 0

μFoarte bine (4.7) = 0

Pe baza regulilor stabilite de experți, este probabil ca evaluatorul va acorda calificativul
Suficient.

17
 3.1.2 Baza de cunostinţe

Diferența princială, dintre conducerea automată convenţională a proceselor şi

conducerea acestora de către un operator uman cu experienţă, constă în predicţia evoluţiei
viitoare a comportamentului acelor procese. Acţiunea operatorului uman poate fi interpretată şi
sub formă lingvistică şi astfel comportamentul uman poate fi imitat. Baza de cunoştinţe este
creată a priori, în ea fiind inmagazinată experienţa operatorului uman.
Bazele de cunoştinţe reprezintă mecanisme capabile a prefigura ceea ce se va întâmpla în
lumea exterioara, ca urmare a unor acţiuni. Este alcătuită din două componente: baza de date şi
baza de reguli de reglare fuzzy. Baza de date se alege în funcţie de suporturile pe care sunt
definite variabilele lingvistice definite pe universurile de discurs.
Pentru definirea funcţiilor de apartenenţă ce caracterizează multimile fuzzy se utilizează
în special o definiţie de tip grafic. În mod uzual cele mai folosite funcţii de apartenenţă sunt:
funcţia de apartenenţă triunghiulară, funcţia de apartenenţă trapezoidale, funcţia de apartenenţă
clopot, etc. Funcţiile de apartenenţă sunt folosite pentru regulatoarele fuzzy pentru că permit
utilizarea operaţiilor cu mulţimi fuzzy. Dar, mai există şi o altă modalitate de a defini funcţiile
de apartenenţă: definire numerică, când funcţia de apartenenţă este reprezentată ca un vector a
cărui dimensiune depinde de nivelul discretizării. Alegerea corectă a funcţiilor de apartenenţă a
mulţimii termenilor care intervin în cazul reglării unui proces, joacă un rol esenţial în succesul
unei aplicaţii.

3.1.2.1 Baza de reguli

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.

Fig. 3.4 Eroarea şi variaţia erorii ca intrări ale regulatorului fuzzy

Informaţiile din premisă şi concluzie sunt formulate şi conectate prin descriptorii

lingvistici SI şi SAU respectiv prin mecanismul de evaluare a concluziei (mecanismul de
inferenţă). Regulile bazei de reguli sunt conectate prin conectorul SAU.
Conectarea ŞI ori SAU a informaţiilor din premisă şi din concluzie depind esenţial de
funcţionalitatea şi de proprietăţile procesului şi de modul de caracterizare a “experienţei în
conducerea procesului”.
Dimensiunea bazei de reguli depinde de numărul variabilelor lingvistice de intrare şi de
ieşire, de numărul de termeni lingvistici utilizaţi în caracterizarea fiecărei variabile lingvistice şi
de conectorii utilizaţi în premisă şi concluzie.
Baza de reguli poate fi:
- completă, când fiecare situaţie fermă (e0) este acoperită de reguli;
- incompletă, atunci când situaţiile ferme, foarte puţin probabile sau imposibile pentru
funcţionarea procesului, nu sunt definite sau sunt lăsate spre “rezolvare” unor reguli
adiacente.
Funcţionarea corectă a unui regulator fuzzy şi, în consecinţă, a unui sistem de control cu
regulator fuzzy depinde esenţial de formularea corectă a bazei de reguli; aceasta depinde de
buna cunoaştere a evoluţiei/eventual şi a tendinţei de evoluţie a procesului. Din start, trebuie
precizat faptul că greşelile mari în formularea bazei de reguli pot avea efecte catastrofale privind
caracteristica statică a regulatorului fuzzy.
Evident este şi faptul că formularea bazei de reguli pentru un regulator fuzzy cu o intrare
şi o ieşire, nu ridică practic nici un fel de probleme. Dacă însă numărul de intrări creşte,
formularea bazei de reguli poate deveni mai dificilă (ca în cazul regulatoarelor fuzzy după
stare).
Principalele proprietăţi ale unei baze de reguli “bine formulate” sunt următoarele:
1. baza de reguli să fie “completă”;
2. baza de reguli să fie ”consistentă”;
3. baza de reguli să asigure continuitatea caracteristicii statice.
1) Baza de reguli să fie “completă”.
O bază de reguli de forma:
DACĂ (premisa) ATUNCI (concluzia) (3.5)
19
este completă, dacă toate combinaţiile tehnic posibile ale intrărilor acoperă toate valorile tehnic
posibile ale comenzii/ieşirii.

2) Baza de reguli să fie ”consistentă”.

La formularea unei baze de reguli trebuie avut în vedere faptul că nu este permisă existent
situaţiilor în care două reguli să aibă o aceeaşi premisă, dar să conducă la concluzii diferite.

DACĂ (e1 = E1i ŞI e2 = E2i) ATUNCI (u = Ui), (3.6)

DACĂ (e1 = E1i ŞI e2 = E2i) ATUNCI (u = Uj) (3.7)

O aceeaşi premisă ce duce la două concluzii diferite, se numește neconsistentă. În acest

sens, o bază de reguli de forma (3.6) este consistentă dacă o aceeaşi premisă conduce
întotdeauna la o aceeaşi concluzie.

3) Baza de reguli să asigure continuitatea caracteristicii statice

În acest context, două reguli adiacente ale unei baze de reguli (definite, de exemplu, prin
tabelul de inferenţă) trebuie să aibă concluzia astfel formulată încât să nu conducă la
discontinuităţi în caracteristica statică. Evident, este vorba de acele discontinuităţi ce pot face
regulatorul inoperant. Respectarea acestor cerinţe/proprietăţi poate asigura bună funcţionare a
regulatorului fuzzy, respectiv a sistemului de control cu regulator fuzzy.
Reprezentarea bazei de reguli poate fi făcută in mai multe forme. De obicei, aceste reguli
apar sub forma lingvistică cea mai cunoscută, forma „dacă – atunci”:
Dacă eroarea este NEG şi variaţia erorii este NEG atunci ieşirea este POZBIG .
Dacă eroarea este POZ şi variaţia erorii este NEG atunci ieşirea este ZERO.
Dacă eroarea este ZERO şi variaţia erorii este NEG atunci ieşirea este POZSMALL.
Dacă eroarea este POZ şi variaţia erorii este POZ atunci ieşirea este NEGBIG .
Dacă eroarea este ZERO şi variaţia erorii este ZERO atunci ieşirea este ZERO .
Dacă eroarea este NEG şi variaţia erorii este ZERO atunci ieşirea este NEGBIG .
Dacă eroarea este NEG şi variaţia erorii este POZ atunci ieşirea este ZERO.
Dacă eroarea este ZERO şi variaţia erorii este POZ atunci ieşirea este NEGSMALL.
Dacă eroarea este POZ şi variaţia erorii este ZERO atunci ieşirea este NEGSMALL.

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:

Tabelul 3.2 Tabel de decizie

Δe NEG ZERO POZ
e
NEG POZBIG POZBIG ZERO
ZERO POZSMALL ZERO NEGSMALL
POZ ZERO NEGSMALL NEGBIG

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.

3.1.2.2 Mecanismul de determinare a regulilor de reglare fuzzy

Pentru determinarea regulilor de reglare fuzzy se folosesc patru metode distincte sau
chiar combinaţii ale acestora. Cele patru metode sunt [Mastacan L., 2006]:

A. Utilizarea cunoştintelor inginereşti din domeniul reglării

Plecând de la relaţia “cauză – efect” utilizată în controlul automat regulile de reglare
fuzzy au forma declaraţiilor condiţionate fuzzy unde variabilele de stare sunt variabile “cauză”
şi variabilele de comandă ale procesului sunt variabile “efect”. Deoarece în multe decizii

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.

B. Reguli bazate pe comanda manuală a proceselor

Relaţiile intrare – ieşire din cadrul sistemelor industriale de comandă manuală nu sunt
cunoscute din punct de vedere al teoriei clasice a reglării prin modelare şi simulare. În schimb,
operatorii umani calificaţi pot conduce manual asemenea sisteme fară a cunoaşte modelul
cantitativ al acestora.
Conducerea manuală reprezintă o formă mai mult sau mai puţin conştientă a unei baze
de reguli de tipul "dacă - atunci". Astfel pentru automatizarea acestor procese, regulile de
reglare manuală ale operatorului sunt utilizate ca reguli fuzzy "dacă - atunci", prin intermediul
variabilelor lingvistice [Sugeno, 1985]. Deducerea acestor reguli fuzzy se face pe baza
observării atente a acţiunilor de reglaremanuală ale operatorului în termeni de date de operare
intrare- ieşire.

C. Reguli bazate pe modelul fuzzy al procesului

Dinamica unui proces reglat poate fi pusă sub o descriere lingvistică şi astfel se poate
interpreta ca un model fuzzy al procesului [Zadeh, 1973]. Pe baza acestui model poate rezulta
baza de reguli care duce la obţinerea unor performanţe dorite ale dinamicii sistemului. Metoda
aceasta de proiectare a unui regulator cu logică fuzzy este mai complicată şi nu a fost studiată
suficient.

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.

3.1.3 Sistemul de inferenţă

Inferenţa reprezintă procesul de a obţine concluzii din date existente, deducerea

adevărurilor noi din unele vechi. Bineînţeles, propoziţiile logicii clasice au doar două valori de

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

R2 : dacă x este A2 şi y este B2 atunci u este C2 (3.9)

………………………………………………………………..

Ri: dacă x este Ai şi y este Bi atunci u este Ci

……………………………………………………………..
ieşire: u este C*
în care:
- x, y şi u sunt variabile lingvistice reprezentând variabilele de stare ale procesului,
respectiv variabila de comandă a regulatorului cu logică fuzzy;
- A, B şi C sunt valori lingvistice ale variabilelor lingvistice x, y, şi u, în universurile de
discurs X, Y şi respectiv U, i = 1, 2, ... , n.

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) siB ( 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

Operaţia de asignare a unei valori reale corespunzătoare unei funcţii de apartenenţa se

numeşte defuzzificare, fiind necesară în numeroase aplicaţii în care rezultatele sunt fuzzy.
În esenţă, defuzzificarea reprezintă procesul de transformare a unei mărimi fuzzy într-o
mărime crisp. Ieşirea unui proces fuzzy poate fi, din punct de vedere logic, reuniunea a două sau
mai multe funcţii de apartenenţa fuzzy, definite pe universul de discurs al variabilei de ieşire.
De exemplu, putem presupune că ieşirea fuzzy a unui sistem este alcătuită din două
părţi: prima parte de formă trapezoidală A1 şi a doua, de formă triunghiulară A2. În general,
ieşirea fuzzy A a unui proces poate implica mai multe funcţii de apartenenţa fuzzy de diferite
k
forme. În acest caz A  Ai .
i 1

Corespunzător convenţiei adoptate, există mai multe metode de defuzzificare. Alegerea

metodei în aplicaţii bazându-se pe criterii care ţin de aprecierea rezultatelor obţinute în fiecare
aplicaţie dată.

a) Metoda maximului funcţiei de apartenenţă.

Această metodă furnizează ca rezultat al defuzzificării, valoarea crisp x*, pentru careμc (x*) ≥
μc (x), ∀ x ϵ X (Figura 3.5). Dacă funcţia de apartenenţă îşi atinge maximul într-un singur punct,
valoarea reprezentativă a funcţiei de apartenenţă se consideră ca fiind valoarea variabilei ( x  )
pentru care se atinge maximul respectiv.

Fig.3.5 Metoda maximului funcţiei de apartenenţă

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

Fig.3.6 Metoda centrului de greutate

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

Fig.3.7 Metoda mediei ponderate

25
 d) Metoda mediei maximelor presupune calculul lui x  (Figura 3.8) unde:

ab
f 1 (  ( x)) 
2 (3.13)

Fig. 3.8 Metoda mediei maximelor

3.2 Implementarea regulatoarelor cu logica fuzzy prin tabele de decizie de tip

Mamdani

Majoritatea regulatoarelor cu logică fuzzy generează o dependenţă statică

tridimensională a mărimii de comandă u în funcţie de două mărimi de intrare, eroarea (e) şi
variaţia erorii (Δe).
Implementarea practică a unui regulator cu lagică fuzzy care să funcţioneze in timp real
trebuie să rezolve problema complexităţii volumului de calcule necesar pentru realizarea
inferenţei în vederea obţinerii marimii de comandă a regulatorului pentru orice combinaţie a
mărimilor de intrare ale acestuia. Procedeele de inferenţă cunoscute implică un volum foarte
mare de calcule care nu pot fi exprimate în totalitate sub forma unor reguli fuzzy şi necesită
resurse foarte multe.
Mamdani a fost primul care a reușit să implementeze un regulator cu logică fuzzy pentru
o aplicație de timp real. Acesta a eliminat complet calculele de inferenţă pentru regulatorul cu
logică fuzzy, prin intermediul unor tabele de decizie.
Tabelul de decizie de tip Mamdani este alcătuit dintr-un număr finit de valori ale mărimii
de comandă u care pot fi obţinute în funcţie de un număr finit de combinaţii ale mărimilor de
intrare e × Δe. Practic, un tabel de decizie Mamdani poate fi echivalat cu o bază rară de reguli
fuzzy, în care funcţiile de apartenenţă ale mărimilor de intrare, x = e şi y = Δe , şi funcţia de
apartenenţă a mărimii de ieşire z=u, sunt de tip singleton. În acest caz, universurile de discurs
ale mărimilor de intrare, X=E şi Y = ΔE , şi universul de discurs (U) al mărimii de comandă,
sunt cuantizate fiecare, într-un număr finit de valori. Cel mai frecvent, cuantizarea universului
de discurs, apare într-un număr impar de valori, centrate în jurul valorii 0.
26
 Dacă pentru implementarea unui regulator fuzzy se utilizează un tabel de decizie de tip
Mamdani, atunci baza de reguli fuzzy a regulatorului este de forma:

R ij : dacă x este Xi şi y este Yj atunci z este Zij (3.14)

unde i = 1,..., n; j = 1, .., n.

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.

Tabelul 3.3 Cuantizarea universurilor mărimilor de intrare e, Δe şi a mărimii de comandă u

Q e ∆e u
1 -5 -0.5 -5
2 -4 -0.4 -4
3 -3 -0.3 -3
4 -2 -0.2 -2
5 -1 -0.1 -1
6 0 0 0
7 1 0.1 1
8 2 0.2 2
9 3 0.3 3
10 4 0.4 4
11 5 0.5 5

Plecând de la valorile mărimilor de intrare, de tip singleton, se creează o bază de reguli

sub forma unui tabel de decizie, de tip Mamdani – tabelul 3.4. Dimensiunea tabelului de decizie
va fi, pentru exemplul considerat, de 11 × 11 [linii × coloane], iar în fiecare celulă a tabelului
este trecută valoarea mărimii de comandă corespunzătoare.

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”.

4.1 Algoritmul de implementare al regulatorului autoacordabil

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:

Uk = (EK × ΔEK) ° RF (4.1)

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.

Fig. 4.1 Analiza în planul fazelor a dinamicii sistemului

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)

4. Dacă m > 0 atunci k-a = sat(max, im · m · sgn(v)) (4.16)

În relaţia (4.16), pentru determinarea valorii de ajustare a mărimii de comandă k-a ,

max este o valoare fixată, im este un coeficient a cărui valoare determină viteza de invăţare şi

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)

Pentru implementări practice ale algoritmului de reglare fuzzy cu autoacordare, valorile

măsurate ale erorii ek şi ale variaţiei erorii ∆ek, sunt cuantizate in 2N+1 nivele de cuantizare, cu
pas de cuantizare unitar, de la –N la +N.
Tabelul de decizie R este alcătuit din elemente de forma:
r(i(ek),j(Δek)) (4.18)

unde i,j ϵ {1,2, … ,2N + 1}.

Modificarea unei reguli de reglare în tabelul de decizie se realizează în modul următor:
r (i(ek a )   i, j (ek a )   j )  sat{rmax , r (i(ek a )   i, j(ek a )   j)  wij  k a } (4.19)

unde :
- işi 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.

4.2 Mediul de programare LabVIEW 8.5

LabVIEW (Laboratory Virtual Instrument Engineering Workbench) este un limbaj grafic

de programare, care permite dezvoltarea de aplicaţii utilizând pictograme. Spre deosebire de
limbajele de programare textuale, în cadrul cărora instrucţiunile sunt cele care determină
execuţia programului, LabVIEW-ul foloseşte în locul acestora, fluxul de date evidenţiat printr-o
prezentare grafică adecvată.
Pe de altă parte, în mod asemănător cu celelalte limbaje de programare, LabVIEW-ul
conţine biblioteci extinse de funcţii şi subrutine care pot fi utilizate în numeroase aplicaţii,
precum achiziţia, prelucrarea, analiza, prezentarea şi stocarea datelor. Cu ajutorul unor
echipamente de achiziţie de semnale de la diverse tipuri de traductoare, LabVIEW-ul permite
utilizarea performantă a calculatorului pentru măsurarea diverselor mărimi fizice, precum şi
controlul anumitor procese. Compilatorul integrat, generează un cod executabil optimizat, pe 32
de biţi, cu viteza de rulare comparabilă cu un program C/C++ compilat.
LabVIEW este un mediu de programare utilizat mai ales pentru realizarea măsurătorilor
si monitorizarea unor procese automatizate. Conţine mai multe biblioteci de funcţii predefinite
pentru achiziţia, prelucrarea, afişarea şi transmiterea datelor. În forma actuală de achiziţie,
analiza şi prezentare a aparatelor, LabVIEW este complet funcţional, astfel că orice aplicaţie
34
realizată într-un limbaj de programare convenţional este posibil de a fi realizată folosind acest
mediu de instrumentaţie virtuală.
Cȃnd se lansează LabVIEW, apar două ferestre: o fereastră corespunde panoului frontal
şi înfăţişează tabloul de comandă al instrumentului virtual care se doreşte a fi creat, cea de a
doua fereastra corespunde diagramei bloc. Panoul frontal şi diagrama bloc constau dintr-o
colecţie de obiecte grafice fiecare reprezentȃnd elemente de programare în LabView.Panoul
frontal conţine diferite tipuri de instrumente de control şi indicare. Diagrama bloc conţine
terminalele corespunzătoare instrumentelor de control şi indicare de pe panoul frontal, precum şi
constante, funcţii, structuri şi legăturile de la un obiect la altul.
Printr-un instrument de control numeric se introduc cantităţi numerice, iar un indicator
numeric afişează cantități numerice. Instrumentul de control digital are butoane de incrementare
şi decrementare. Cele mai folosite obiecte numerice sunt instrumentul de control digital şi
indicatorul digital. Se pot folosi instrumente de control şi indicare booleene pentru a introduce şi
a afişa valori booleene: adevarat sau fals. Instrumentele booleene simulează intrerupătoare,
butoane şi LEDuri. Dintre acestea cele mai folosite sunt: intrerupătorul vertical şi LEDurile
rotunde.
LabVIEW dispune de numeroase instrumente care asigură o configurare uşoară a unui
anumit tip de VI. De asemenea, include sute de exemple de VI-uri corespunzătoare unor variate
domenii de aplicaţii, pe care utilizatorul poate să le folosească ca atare şi să le încorporeze în
VI-uri de mai mare complexitate potrivit scopului urmărit, sau le poate modifica pentru a le
adapta particularităţilor aplicaţiei.
- bibliotecile aferente conţin funcţii-sistem puternice, axate pe următoarele domenii:
- achiziţie de date şi control ( drivere pentru dispozitive I/O şi automate programabile,
regulatoare numerice, dispozitive de înregistrare /vizualizare)
- control dispozitive (GPIB, porturi seriale RS-232)
- analiză de date (evaluări statistice, elemente de algebră liniară, funcţii de calcul
pentru domeniul timp şi frecvenţă, filtre numerice) etc.

4.2.1 Panoul frontal

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.

4.2.2 Diagrama bloc

Diagrama bloc cuprinde în spaţiul de lucru, reprezentarea grafică a funcţiilor

corespunzătoare obiectelor de pe panoul frontal şi ilustrează modul în care circulă fluxul de date

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.

Fig. 4.3. Diagrama bloc

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.

4.3 Implementarea algoritmului în mediul de programare LabVIEW

Algoritmul de reglare al temperaturii este realizat în LabVIEW 8.5. Acesta constă în

achiziția și analiza datelor, modul de calcul a mărimii de comandă, introducerea ei în tabelul de
decizie și transmiterea acesteia către elemental de execuție. Achiziția datelor și transmiterea
mărimii de comandă către elementul de execuție se realizează prin intermediul plăcii de
achiziție LabPC+ cu ajutorul pachetelor software NI-DAQ.

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.

Fig. 4.4 Achiziția datelor

Fuzzificarea (analiza datelor) este folosită pentru compararea mărimilor de intrare
calculând mijlocul intervalului dintre două valori consecutive ale unversului de discurs, după
prelucrarea datelor achiziționate. Dacă valoarea este mai mare decât mijlocul intervalului, se
aproximează ca fiind a doua valoare a intervalului, iar dacă este mai mică, se aproximează către
prima parte a intervalului. Universurile de discurs sunt reprezentate sub forma unor vectori, iar
după ce s-a produs compararea, se memorează poziția elementului ce reprezintă valoarea de
intrare aproximată.

Fig. 4.5 Analiza datelor

În figura 4.6 este prezentată transmiterea mărimii de comandă, către elementul de

execuție, după ce a fost inversată și împărțită cu 0.001, duce la transformarea în mA.

Fig. 4.6 Mărimea de comandă

38
 Modul de calcul a mărimii de comandă constă într-un nod-formulă ce conţine codul C++
necesar implementării algoritmului prezentat în subcapitolul 4.1.

float64 dx1,dx2,q1,q2, lm,sgn,sgn1,rmax=15.5,vcm=3,sat,rap,m,v,w,im=0.6;

int32 i,j;
dx1=e1-e;
dx2=de1-de;
rap=dx2/dx1;
v=e+de;
m=(v*de<0)?q1-rap:-q2+rap;
sgn=(v<0)?-1:1;
sat=(abs(im*m*sgn)<=vcm)?im*m*sgn:vcm*sgn;
lm=(m<=0)?0:sat;
if(ac==0)
flag=0;
if((ref1==ref) &&(flag==1) )
{
if(it<3000)
{
for(i=-1;i<2;i++)
{
for(j=-1;j<2;j++)
{
w=1/((1+abs(i))*(1+abs(j)));
sgn1=((r[x+i][y+j]+w*lm)<0)?-1:1;
r[x+i][y+j]=(abs(r[x+i][y+j]+w*lm)<=rmax)?r[x+i][y+j]+w*lm:rmax*sgn1,
if( r[x+i][y+j]<0.1)
r[x+i][y+j]=0.1;
if( r[x+i][y+j]>15.5)
r[x+i][y+j]=15.5;
}
}
it=it+1;
}
else flag=0;
}
else
{
if(s!=0)
{
flag=0;
k=k+1;
39
 if(k>100)
{
k=0;
if(e>1.5 || e<-1.5)
{
flag=1;
k=0;
it=0;
}
}
}
}

Panoul frontal al aplicaţiei permite interacţiunea dintre operatorul uman şi sistemul de

reglare (figura 4.6). Prin intermediul acestui panou frontal, se poate seta perioada de
eșantionare, se fixează referinţa dorită, se pot schimba în timp real valorile e si Δe.
Aici se pot observa 4 grafice. În graficul a) este reprezentată referința și temperatura, în
graficul b) este afișată comanda, iar în graficele c) și d) putem urmări evoluția e și Δe. Mai sunt
indicatoarele ce ne arată, în timp real, valorile referinței, temperaturii, erorii, variației erorii și
comenzii, dar și controlorul perioadei de eșantionare și un buton de oprire a execuției
programului. Se mai poate observa butonul numit “acordare”, care oferă utilizatorului
posibilitatea de a alege să folosească regulile fuzzy dintr-un tabel de decizie rezultat în urma
unei autoacordări anterioare, fară modificarea bazei de reguli, sau să ruleze aplicaţia realizând o
nouă actualizare a tabelului de decizie (figura 4.8).

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.

Fig. 4.8 Tabel de decizie

41
Diagrama bloc a regulatorului autoacordabil cu logică fuzzy este prezentată în figura 4.9.

Fig. 4.9 Diagrama bloc a regulatorului autoacordabil cu logică fuzzy

42
 Capitolul 5
Descrierea sistemului

5.1 Descrierea instalației

În figura 5.1 este prezentată schema bloc a sistemului de reglare a temperaturii

cuptorului electric cu regulator autoacordabil cu logică fuzzy.

Fig 5.1 Schema bloc a sistemului de reglare a temperaturii cuptorului electric

 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.

Tabelul 5.1 Caracteristica statică a elementului de execuție

Ic(mA) 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Is(A)
0.19 0.53 0.94 1.38 1.95 2.56 3.19 3.78 4.33 4.91 5.45 5.98 6.50 6.90 7.28 7.5

43
 5.2 Placa de achiziţii 6024E

Pentru achiziționarea datelor, este folosită placa de achiziții 6024E de la National

Instruments (figura 5.2). Are 16 canale analogice de intrare, două canale analogice de ieșire, un
conector de 68 de pini și opt linii de I/O digitale.

Fig.5.2 Placa de achiziții 6024E

Este o placă multifuncțională analogică, digitală și de sincronizare a intrărilor și ieșirilor

plăcii pentru PCI, PXI, PCMCIA, și magistrala de transmisie PCI a calculatorului. Funcțiile
suportate sunt de intrare/ieșire analogice, digitale și de sincronizare. Acest dispozitiv folosește
sistemul de sincronizare National Instruments DAQ-STC pentru funcționarea în timp real.

Fig.5.3 Diagrama bloc a plăcii 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.

Tabelul 5.2 Configurațiile intrării

CONFIGURAȚIA
Intrarea diferențială (DIFF)
Intrarea cu un terminal referință (RSE)
Intrarea cu un terminal nonreferință
(NRSE)
DESCRIERE
Un canal configurat în modul diferențial
folosește două linii de intrare analogice. O
linie este conectată la intrarea pozitivă a
amplificatorului (PGIA), iar cealaltă linie
este conectată la intrarea negativă a
aceluiași amplificator instrumental (PGIA).
Un canal configurat in modul RSE (cu un
terminal referință) folosește o linie de
intrare analogică, care este conectată la
intrarea pozitivă a amplificatorului (PGIA).
Intrarea negativă a amplificatorului (PGIA)
este legată intern, la intrarea analogică de
împământare.
Un canal configurat in modul NRSE (cu un
terminal nonreferință) folosește o linie de
intrare analogica, care este conectată la
intrarea pozitivă a amplificatorului (PGIA).
Intrarea negativă a amplificatorului
instrumental (PGIA) este conectată la
intrarea analogică detectabilă.

În funcționarea normală, ieșirea convertorului analog-numeric (DAC) se va bloca de

fiecare dată cănd este actualizată cu valoare nouă. Energia de blocare diferă de la cod la cod și
apare ca o distorsiune în spectrul frecvenței.
Ieșirea si intrarea digitala
Placa conține 8 linii digitale de intrare/ieșire, pentru folosirea lor în scop general. Fiecare
linie se poate configura software fie pentru ieșire, fie pentru intrare. La pornirea sistemului și la
resetarea sa, porturile de intrare/ieșire au toate, impedanță mare.

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.

Fig.5.4 Pinii de conexiune I/E 6024E

5.3 Sistemul de condiționare SC-2345

Sistemul de condiționare SC-2345, primește și trimite semnale către placa de achiziții de

date printr-un cablu, cu 68 de pini. Unele anexe sunt disponibile cu conectori configurabili
pentru a maximiza flexibilitatea de la intrare la ieșire prin intermediul sloturilor. În figura 5.5,

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.

Fig.5.5 Poziționarea conectorilor de intrare si ieșire

Lista modulelor de condiționare, împreună cu denumirea conectorilor și pozițiilor în

interiorul sistemului de condiționare SC-2345 o regăsim în tabelul 5.3.

Tabel 5.3 Pozițiille modulelor în interioriul SC-2345 și numărul conectorilor

Socket Nr bornă ieşire Tip
J1 10 SCC-TC02
J2 8(1,2);9(3,4) SCC-RTD01
J3 - -
J4 - -
J5 7 SCC-AI03
J6 5(3,4);6(1,2) SCC-CI20
J7 - -
J8 - -
J9 11 SCC-RLY01
J10 12 SCC-RLY01
J11 - SCC-RLY01
J12 Fir alb + negru SCC-RLY01
J13 - SCC-D001
J14 - SCC-D001
J15 4 SCC-D001
J16 3 SCC-D001
J17 2 SCC-CO20
J18 1 SCC-AO10
J19 - -
J20 - -
47
 5.3.1 Modulul SCC-TC02

Modulul SCC-TC02 este folosit pentru a măsura temperatura cu ajutorul unui

termocuplu. Fiecare modul constă din două canale de intrare, un filtru trece-jos de 30 Hz și o
sursă de excitație de 1mA. Fiecare canal de intrare include un amplificator cu intrări diferențiale
și un gain fixat de 25. Acceptă semnale de intrare de la termocuple de tip B, E, J, K, N, R, S și T.
Se conectează în soclul analogic de ieșire J1 (borna 10).
Pentru configurarea modulului SCC-TC02 s-au folosit următoarele componente:
Hardware:
 placa SC-2345;
 modulul SCC-TC02;
Software:
 ultima versiune de NI-DAQmx.
Documentație:
 manualul SC-2345;
 ghidul de folosire SCC-CO20.

Fig.5.6 SCC-TC02 conectarea termocuplului

5.3.2 Modulul SCC-CO20

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:

Fig.5.7 Conexiunile semnalelor SCC-CO20 la placa DAQ

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.

5.4 Elementul de execuție

Elementul de execuţie folosit pentru realizarea proectului este compus dintr-un

dispozitiv de comandă pe grilă (DCG) şi două tiristoare montate anti-paralel. Prin comanda
corespunzătoare a tiristoarelor montate anti-paralel, se realizează modificarea valorii eficace ale
curentului alternativ care parcurge elementele de încălzire din obiectul reglat. Subansamblul
DCG – tiristoare montate anti-paralel, constituie de fapt un variator de tensiune/current
alternativ monofazat şi joacă rolul organului de execuţie (OE), în cadrul buclei de reglare.
Variatorul de curent alternativ utilizat în sistemul de reglare este realizat cu tiristori de
tip T50 10-112. El permite modificarea valorii medii a curentului/tensiuni de ieşire, frecvenţa
tensiuni de ieşire fiind aceeaşi cu a tensiunii de alimentare

49
 Fig.5.8 Schema electrică a elementului de execuție

5.5 Termocuplu

În principiul de funcţionare al termocuplurilor se bazează pe fenomenul de apariţie a

unei tensiuni termoelectromotoare în punctul de sudare a două metale diferite (sudura caldă),
prezentat în figura 5.9
Termocuplurile sunt traductoare de tip generator.

Fig.5.9 Schema de principiu unui traductor de temperature cu termocuplu

Un termocuplu reprezintă ansamblul a două conductoare omogene, de natură diferită,

denumite termoelectrozi, sudate la unul din capete. Sudura, denumită joncţiunea de măsurare
sau sudura caldă, este imersată în mediul cu temperatura de măsurat, iar la capetele libere,
care constituie joncţiunea de referinţă sau sudura rece, aflate la temperatura 0, apare o tensiune
termoelectromotoare ETC a cărei valoare este dată de relaţia:
ETC = KTC( −0 ) (5.1)
50
în care, KTC este sensibilitatea termocuplului.
Termoelectrozii sunt confecționați din materiale omogene (metale, aliaje metalice, aliaje
nemetale) fără impurități, care trebuie să dezvolte o tensiune termoelectromotoare în funcție de
temperature. Trebuie să aibă o conductibilitate termică ridicată, un coeficient de variație cu
temperatură a rezistenței electrice mică, să fie rezistente la coroziune, șocuri termice și
mecanice, să nu-și schimbe și în timp caracteristicile.
În această lucrare s-a folosit un termocuplu ”Chromel-Alumel” de tip K. În tabelul 5.4
sunt prezentate cele mai utilizate tipuri de termocuple și caracteristicile lor principale.

Tabelul 5.4 Termocuple de uz general

Conductoare Domeniul de Domeniul de Coeficientul
Tip temeratură temperatură Seebeck
Pozitiv Negativ (°C) (mV) (μV/°C)
E Chromel Constantan -270° la 1000° -9,835 la 76,358 58,7 la 0°C
J Fier Constantan -210° la 1200° -8,096 la 69,536 50,37 la 0°C
K Chromel Alumel -270° la 1372° -6,548 la 54,874 39,48 la 0°C
T Cupru Constantan -270° la 400° -6,258 la 20,869 28,74 la 0°C
S Platină 10% Platină -50° la 1768° -0,236 la 18,698 10,19 la 600°C
Rhodiu
R Platină 13% Platină -50° la 1768° 0,226 la 21,18 11,35 la 600°C
Rhodiu

51
 Capitolul 6
Încercări experimentale

Înainte de acordare, toate valorile tabelului de decizie sunt nule (figura 6.1).

Fig.6.1 Tabel de decizie inițial

Universurile de discurs ale mărimilor de intrare e și Δe ale regulatorului cu logică fuzzy,

sunt discretizate în 15 nivele de cuantizare, fiecare. Universul de discurs al erorii este cuprins în
intervalul [-0.875, 0.875], iar cel al variației erorii este cuprins în intervalul [-0.14, 0.14].

Tabel 6.1 Cuantizarea universurilor de discurs ale mărimilor de intare

Q 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

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

Folosind cuantizările menționate în tabelul 6.1, se observă în graficele ce urmează, că

procesul ajunge în apropierea referinței și rămâne în jurul acelei valori.

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.

Fig.6.3 Tabel de decizie după acordare

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%.

Fig.6.4 Evoluția temperaturii în raport cu referința

Fig.6.5 Evoluția mărimii de comandă

54
 Fig.6.6 Eroarea

Fig.6.7 Variația erorii

Modificând universurile de discurs ale mărimilor de intrare e și ∆e, cu cele din tabelul
6.2, se reia experimentul.

Tabelul 6.2 Cuantizarea universurilor de discurs ale mărimii de intrare

Q 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
E -1.75 -1.5 -1.25 -1 -0.75 -0.5 -0.25 0 0.25 0.5 0.75 1 1.25 1.5 1.75

∆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).

Fig.6.8 Panoul frontal

Fig.6.9 Tabel de decizie după acordare

56
Fig.6.10 Evoluția temperaturii în raport cu referința

Fig 6.11 Evoluția mărimii de comandă

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%.

Fig.6.12 Panoul frontal cu rezultatele experimentale

58
 Fig.6.13 Tabel de decizie după acordare

Fig.6.14 Evoluția temperaturii în raport cu referința

Fig.6.15 Evoluția mărimii de comandă

59
 Fig.6.16 Eroarea

Fig.6.17 Variația erorii

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

Fig.6.19 Tabel de decizie

61
Fig.6.20 Evoluția temperaturii în raport cu referința

Fig.6.21 Mărimea de comandă

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%.

Fig.6.24 Panou frontal cu datele rezultate

63
Fig.6.25 Evoluția temperaturii în raport cu referința

Fig.6.26 Mărimea de comandă

Fig.6.27 Eroarea
64
Fig.6.28 Variația erorii

65
 Capitolul 7
Concluzii

Sistemele fuzzy se impun din ce în ce mai mult pe piața de consum, în sistemele

industriale și comerciale și în sistemele de susținere a deciziilor. Termenul „fuzzy” se referă la
abilitatea de a trata cu intrări imprecise sau vagi. Logica fuzzy nu folosește ecuații matematice ci
descrieri lingvistice pentru a defini legătura dintre informația de intrare și acțiunea de ieșire.
În sistemele inginerești, logica fuzzy are ca și rezultat, un mod convenabil și prietenos de
dezvoltare a programelor de control, ajutând proiectanții să se concentreze asupra obiectivelor
funcționale și nu asupra matematicii. Logica fuzzy este un instrument foarte puternic care
pătrunde în fiecare domeniu și indică implementări de succes.
Un avantaj mare în reglarea unui sistem, este acela că se poate realiza extrem de rapid
un prototip de regulator cu logică fuzzy, iar prin incercări experimentale, performanțele acestuia
pot fi îmbunătățite semnificativ. În momentul începerii funcționării regulatorului autoacordabil
cu logică fuzzy, tabelul de decizie are toate valorile nule, adică nu conține nicio valoare a
mărimii de comandă. După cel mult două etape de învățare, acesta reușește să completeze
tabelul de decizie cu valori ale mărimii de comandă și se obțin perfomanțe bune pentru sistemul
de reglare a temperaturii cuptorului electric. Cercetările viitoare se referă la îmbunătăţirea şi
utilizarea regulatorului autoacordabil cu logică fuzzy în alte sisteme de reglare.

66
Bibliografie

1. Colhon M., “Elemente de Logică fuzzy”, Craiova, 2012

2. Dosoftei C., “Utilizarea inteligenţei computaţionale în conducerea proceselor”, Teză de
doctorat, 2009
3. Mamdani E.H., “Application of Fuzzy Logic to Approximate Reasoning Using Linguistic
Synthesis”, IEEE Trans. on Computers, vol. C-26, 1977, pp. 1182- 1191
4. Mastacan L., “Contribuţii privind reglarea proceselor cu regulatoare cu logică fuzzy”,
Teză de doctorat, 1999
5. Mastacan L., “Sisteme de reglare cu logică fuzzy” Ed. Politehium, Iaşi, 2006
6. Mastacan L., Olah I., Dosoftei C., “Temperature Fuzzy Control Using Virtual
Instrumentation”, Buletinul Institutului Politehnic Iasi - Electrotehnică, Energetică,
Electronică, LIV (LVIII), Fasc. 4, pp. 623-628, ISSN 1223-8139, 2008
7. Mastacan L., Olah I., Dosoftei C., “Self-organising Fuzzy Logic Controller for Real
Time Control”, SACCS 2001
8. Oltean G., Şipoş E., “Tehnici fuzzy in proiectarea si modelarea circuitelor analogice”,
Editura U.T. Pres, Cluj-Napoca, 2007
9. Procyk T., Mamdani E., “A linguistic self-organizing process controller,” Automatica,
vol. 15, no.1, pp.15-30, 1979
10. Zadeh L.A., “Fuzzy Sets”, Information and Control, Vol.8, 1965
11. Zadeh L.A., “Knowledge Reprezentation in Fuzzy Logic”, IEEE Trans. on Knowledge
and Data Engineering, vol.I (1), (1989). pp. 89-100
12. *** LabVIEW 8.5 User Manual, National Instruments, 2006
13. *** Introduction to LabVIEW, National Instruments
14. *** SCC-TC Series Thermocouple Input Modules User Guide and Specifications,
National Instruments
15. *** SCC-CO20 Isolated Current Output Module User Guide and Specifications,
National Instruments
16. *** 6023E/6024E/6025E User Manual, National Instruments
17. *** SC-2345/2350 Carrier User Manual, National Instruments
18. *** ESRA - Îndrumar de laborator - Lucrarea 11 (I. Olah, L. Mastacan, C. Lazăr)
19. *** ESRA - Îndrumar de laborator - Lucrarea 3 (I. Olah, L. Mastacan, C. Lazăr)

67