Introducere

Promotorul teoriei mulţimilor fuzzy, profesorul L. Zadeh, afirma ca aceasta este

un instrument util în modelarea problemelor prea complexe pentru a fi modelate adecvat
prin metode tradiţionale.

Prin proiectarea de instrumente care sa faciliteze sau sa facă mai eficienta

modelarea problemelor complexe cu ajutorul tehnologiei fuzzy, numărul si dimensiunea
ariei de aplicabilitate a acestei tehnologii au crescut rapid.

Tehnologia fuzzy a fost aplicata în multe din problemele tradiţionale, iar recent, a
fost aplicata în domenii ca tehnologia informaţiei, telecomunicaţii, controlul traficului si,
nu în ultimul rând, în sistemele energetice.

Modelarea neuro-fuzzy este cunoscută ca fiind o metodă eficientă care uşurează

obţinerea efectivă a modelului combinând informaţii din diferite surse , cum ar fi modele
empirice , euristice şi date .
Modelele neuro-fuzzy descriu sistemele prin intermediul de reguli dacă-atunci
reprezentate printr-o structură de tip reţea căreia i se pot aplica algoritmi de învăţare
cunoscuţi din domeniul reţelelor neuronale . Datorită acestei structuri, modelele neuro-
fuzzy sunt, până la un anumit nivel, transparente pentru interpretări şi analize şi de aceea
ele sunt mai uşor de folosit pentru a explica soluţii pentru utilizatori decât modelele de tip
black-box (cutie neagră) cum sunt reţelele neuronale.

Sectorul energetic are o importanta strategica. Complexitatea, dimensiunea si

diversitatea proceselor tehnologice pe care le include acentueaza interesul specialiştilor
din diverse domenii în dezvoltarea sa.

4
 Creşterea competiţiei si presiunea în reducerea costurilor de alimentare cu energie
forţează managerii de centrale si inginerii sa forţeze din ce în ce mai tare sistemul în
fiecare an, aşteptând sa obtina aceleaşi niveluri de fiabilitate sau chiar creşterea acestora.

Operarea si controlul sistemelor energetice se realizează pe sisteme în funcţiune

ale căror parametri si structura fluctuează în mod constant. Aceste schimbări si fluctuaţii
necesita reacţii rapide pentru a compensa deviaţiile si pentru a furniza stabilitate
sistemului energetic. Natura fluctuaţiilor si răspunsul sistemului este imprevizibila, deci,
managementul si planificarea sistemului energetic se confrunta cu incertitudinea asupra
cererii de energie, acces limitat la date precum si schimbări ale condiţiilor economice,
politice si sociale.

Aceasta problema poate fi rezolvata prin aplicaţii ale metodologiilor inteligente de

conducere. Aplicaţii bazate pe sisteme expert, reţele neurale si mulţimi fuzzy se pot
utiliza în controlul, operarea si managementul sistemelor energetice în noile condiţii.

Se va demonstra ca metodele fuzzy pot rezolva numeroase probleme dificile,

aducând un plus de calitate care va conduce la o alimentare mult mai sigura cu energie
electrica.

Lucrarea de faţă are ca temă modelarea prin mijloace _de inteligenţă

computaţională , mai precis reţelele neuro-fuzzy , a cazanului de abur CPG-420 si a doua
componente principale ale acestuia si anume focarul si tamburul.

In primul capitol sunt prezentate reţelele neuronale , modelele fuzzy şi modul în

care reţelele fuzzy pot fi folosite penru a optimiza inferenţele de tip Takagi-Sugeno
rezultând modelul ANFIS.

5
 A doua parte a lucrării este o descriere a fenomenelor fizice care au loc în acest
sistem şi a elementelor componente. Aceste informaţii sunt importante în vederea alegerii
mărimilor de intrare pentru modelul neuro-fuzzy.
Ultimul capitol conţine etapele practice urmate pentru obţinerea unor modele neuro-fuzzy
de tip ANFIS şi rezultatele experimentale.

6
 Capitolul 1

1.1 Logica Fuzzy

1.1.1 Introducere

Logica clasică considera valoarea de adevăr a propoziţiilor în termeni de adevărat

sau fals. Legea terţului exclus a lui Aristotel făcea imposibilă o altă variantă.în viaţa de zi
cu zi, ne confruntăm totuşi cu foarte multe situaţii în care o astfel de abordare este
nerealistă. Să considerăm afirmaţia „cerul este albastru". Uneori cerul este într-adevăr
albastru, când afară este senin. Dar dacă sunt nori? Dar noaptea? Este clar că o manieră
strictă de evaluare a valorii de adevăr a propoziţiilor nu coincide cu modul mult mai
flexibil în care gândesc oamenii, în condiţii de incompletitudine.
Incompletitudinea unei informaţii se exprimă pe două scări:
■ scara incertitudinii se referă la încrederea care i se acordă informaţiei (dacă
sursa de informaţie, instrumentul de măsură sau expertul sunt complet siguri,
demni de încredere, informaţia este certă);
■ scara impreciziei se referă la conţinutul informaţional (informaţia este precisă
dacă mulţimea valorilor specificate în enunţul corespunzător este single-ton, adică
are o valoare unică).

Un suport teoretic valoros care tratează incompletitudinea este teoria mulţimilor

fuzzy.

1.1.2 Variabile lingvistice

Logica fuzzy foloseşte un raţionament aproximativ care are la bază reguli de

deducţie a căror premize şi consecinţe conţin propoziţii fuzzy [Zadeh, 1989]. Deducţiile
din raţionamentul aproximativ se deosebesc esenţial de deducţiile din logica clasică,
deoarece consecinţele unei mulţimi de propoziţii fuzzy depind de înţelesul ataşat acestor

7
propoziţii fuzzy [Kaufmann, 1977]. Cu ajutorul mulţimilor fuzzy se obţin mijloace simple
de manipulare a conceptelor vagi şi imprecise [Negoiţă, 1974]. Mulţimile fuzzy pot fi
folosite pentru reprezentarea variabilelor lingvistice, cu care se poate defini o logică nouă,
mai apropiată de raţionamentul uman, logica fuzzy [Zadeh. 1988]. Variabilele lingvistice
pot fi privite, fie ca variabile ale căror valori sunt numere fuzzy, fie ca variabile ale căror
valori sunt definite în termeni lingvistici [Dubois, 1978]. Variabilele lingvistice sunt
variabile ale căror valori sunt propoziţii într-un limbaj natural sau artificial [Zadeh, 1973].
Propoziţiile condiţionate fuzzy sunt expresii de forma dacă A atunci B, în care A şi
B sunt mulţimi fuzzy. O succesiune ordonată de instrucţiuni alcătuite din propoziţii fuzzy
constituie un algoritm fuzzy. Executarea unui algoritm fuzzy piesupune activarea unei
reguli de inferenţa fuzzy [Zadeh, 1994J.
Cu ajutorul variabilelor lingvistice şi a algoritmilor fuzzy se pot aborda domenii
diverse din economie, management, psihologie, medicină, biologie, inteligenţa artificială,
conducerea şi reglarea proceselor.

Definiţie:
Variabila lingvistică x este caracterizată de quintuplul [Driankov, 1993]:
x, T ( x ), Ux, Gx, Mx

În relaţia de mai sus

■ x este numele simbolic al variabilei lingvistice, de ex., vârstă, viteză,
temperatură, presiune. înălţime, eroare, variaţia erorii, etc;
■ T(x) este mulţimea numelor valorilor lingvistice ale lui x;
■ Ux este universul (domeniul fizic real) în care variabilele lingvistice x iau
valori cantitative;
■ Gx este o regulă sintactică de generare a numelor valorilor lui x;
■ Mx este o funcţie semantică pentru asocierea fiecărei valori a sensului
(semnificaţiei) ei.

De exemplu dacă viteza este interpretată ca o variabilă lingvistică atunci mulţimea

termenilor T(viteză) poate fi:

8
 T(viteză) = { redusă, medie, foarte redusă, mai mult sau mai puţin rapidă, rapidă,
foarte rapidă,...}
In relaţia de mai sus fiecaic termen din T(viteză) este caracterizat de o mulţime
fuzzy, de exemplu în universul Ux = [0, 120] km/h.
Se poate interpreta "redusă" ca o "viteză mai mică de 40 km/h, "medie" ca o
"viteză apropiată de 60 km/h" şi "rapidă" ca o "viteză mai mare de 80 km/h".
Universul Ux poate fi discret sau continuu.
Funcţia semantică Mx ia ca argument un simbol din mulţimea T(x) şi permite
obţinerea înţelesului acestuia în termenii unei mulţimi fuzzy T(x) definită pe U:
~ (1.1.1)
M x : T ( x)  T ( x)

1.1.3 Mulţimi fuzzy. Operaţii cu mulţimi fuzzv

Un tip incipient de logică fuzzy a apărut încă din 1920, propus de matematicianul
polonez Jan Lukasicwicz (inventatorul notaţiei poloneze). Sistemul său permitea
extinderea valorii de adevăr a unei propoziţii la coate numerele reale din intervalul [0,1].
Un număr din acest interval era interpretat drept posibilitatea ca propoziţia
considerată să fie adevâărată sau falsă. Aceste cercetări au dus la apariţia teoriei
posibilităţii, o tehnică de raţionament în condiţii de inexactitate.
In 1965, Lotfi Zadeh a extins teoria posibilităţii într-un sistem formal de logică
matematică. De asemenea, a adus în discuţie modalităţile de lucru cu termeni nuanţaţi ai
limbajului natural. Aceast instrument de reprezentare şi manipulare a termenilor nuanţaţi
se numeşte logica fuzzy. Logica tradiţională consideră că un obiect poate aparţine sau nu
unei multimi. Logica fuzzy permite o interpretare mai flexibilă a noţiunii de apartenenţă.
Astfel, mai multe obiecte pot aparţine unei mulţimi în grade, diferite. De exemplu,
dacă avem în vedere mulţimea oamenilor tineri. Un copil de 10 ani e cu siguranţă tânăr,
în timp ce o persoană de 60 de ani cu siguranţă nu. Dar un om de 30 de ani? Sau de 40? în
acest caz, putem afirma că persoana de 30 de ani aparţine mulţimii respective într-o
măsură mai mare decât cea de 40.
Fie X universul discursului, cu elemente notate x. O mulţime fuzzy A a universului
de discurs X este caracterizată de o funcţie de apartenenţă  A (x ) care asociază fiecărui
clement x un grad de apartenenţă la mulpimea A:
9
  A ( x) : X  [0,1] (1.1.2)
Pentru a reprezenta o mulţime fuzzy, trebuie să-i definim mai întâi funcţia de
apartenenţă, în acest caz, o mulţime fuzzy A este complet definită de mulţimea tuplelor:

A    X ,  A ( x)  | x  X  (1.1.3)

Dacă este o mulţime finită X= { xl,..., xn}, atunci se foloseşte de multe ori notaţia:

A  1 / x1  ......n / xn (1.1.4)

Să presupunem că pentru exemplul amintit mai sus, cu variabila lingvistică

„tânăr", avem universul discursului X = {0, 20, 30, 50} şi următoarea funcţie de
apartenenţă: A = 0/1 + 20/0,9 + 30/0,7 + 50/0, cu semnificaţia: o persoană de 20 de ani
aparţine mulţimii oamenilor tineri în proporţie de 90%, una de 30 de ani în proporţie de
70% iar una de 50 de ani nu aparţine mulţimii (gradul său de apartenenţă este 0). Aceste
lucruri se reprezintă grafic astfel:

Fig. 1.1.1 Exemplu variabila lingvistică „tânăr”

10
 Pe un univers de discurs pot fi definite mai multe submulţimi fuzzy. De exemplu,
pentru universul vârstelor unor persoane, putem defini submulţimile oamenilor tineri,
bătrâni sau de vârstă mijlocie. Aceste submulţimi se pot intersecta (este chiar recomandat
acest fapt). Aceeaşi persoană va aparţine submulţimii oamenilor tineri cu un grad de 70%,
submulţimii oamenilor de vârstă mijlocie cu un grad de 90% şi submulţimii oamenilor
bătrâni cu un grad de 30%.

In continuare vom defini câteva notiuni fundamentale pentru caracterizarea

mulţimilor fuzzy.

Fie A o submulţime fuzzy a universului de discurs X. Se numeşte suportul lui A

submulţimea strictă a lui X ,ale cărei elemente au grade de apartenenţă nenule în A:

supp(A) =  x  X |  A ( x)  0 (1.1.5)

Înălţimea lui A se defineşte drept ceamai mare valoare a funcţiei de apartenenţă:

h( A)  sup  A ( x), x  X (1.1.6)

O submulţime fuzzy A a lui X este norma/ă dacă h(A) = 1, adică există X  x

astfel încât  A (X)=1 In caz contrar, A este subnormală.
Se numeşte nucleul lui A submulţimea strictă a lui X ale cărei elemente au grade
de apartenenţă unitare în A:

n( A)   x  X |  A ( x)  1 (2.1.7)

Fie Asi B submulţimi fuzzy ale lui X. Spunem că A este o submulţime a lui B dacă:
 A ( x)   B ( x), x  X .

11
 Fig. 1.1.2 A submultime a lui B

Fie A şi B submulţimi fiizzy ale lui X. Spunem că A şi B sunt egale dacă A B

şi B  A .Deci A=B  A ( x)   B ( x )x  X .
De multe ori, oamenii nu pot caracteriza precis informaţiile numerice, folosind
formulări precum “aproape 0”, „înjur de 100". etc. In teoria mulţimilor fuzzy, aceste
numere pot fi reprezentate ca submulţimi fuzzy ale mulţimii numerelor reale.

Un număr fuzzy A este o mulţime fuzzy a mulţimii numerelor reale, cu o funcţie

de apartenenţă convexă şi continuă şi suport mărginit.
O mulţime fuzzy A se numeşte număr fuzzy triunghiular cu centrul c, lăţimea la
stânga a> 0 şi lăţimea la dreapta p > 0 dacă funcţia sa de apartenenţă are forma:

daca
1  (c  x) / a
 A ( x) 

1  ( x  c) /  daca
0


ca  xc
c xc (1.1.8)
altfel

12
 Fig. 1.1.3 Număr fuzzy 'triunghiular

Folosim notaţia A = (c,  ,  ). Este evident că supp(A) = (c- a,c-  ).

Semnificaţia unui număr fuzzy triunghiular cu centrul c este „x aproximativ egal cu c".
O mulţime fuzzy A se numeşte număr fuzzy trapezoidal cu intervalul de toleranţă
[c.d], lăţimea la stânga a > 0 şi lăţimea la dreapta B > 0 dacă funcţia sa de apartenenţă
are forma:

1  (c  x) / a

 A ( x) 




1, c
1 

( x
x

 d
d ) / 

0

daca ca  x c

daca d  xd (1.1.9)

altfel

Fig.1.1.4 Număr fuzzy trapezoidal

13
 Aici notăm: A = (c, d,  ,  ), iar supp(A) = ( c   , c   ). Semnificaţia unui
număr fuzzy trapezoidal cu intervalul de toleranţă [c,d] este "x este aproximativ între c şi
d".

Operaţii cu mulţimi fuzzy

Operaţiile cu mulţimile fuzzy sunt o extindere a celor din logica clasică. Dacă
mulţimile fuzzy implicate au grade de apartenenţă 0 şi 1, semnificaţia operaţiilor este
aceeaşi ca în teoria clasică a mulţimilor, de aceea şi simbolurile utilizate sunt aceleaşi. Fie
A şi B submulţimi fuzzy ale universului de discurs X. Intersecţia lor se defineşte astfel:

 A B ( x)  min  A ( x),  B ( x )   A ( x)   B ( x), x  X (1.1.10)

Fig. 1.1.5 Intersecţia mulţimilor A si B

14
 Fie A şi B submulţimi fuzzy ale universului de discurs X. Reuniunea lor se
defineşte astfel:

 A B ( x)  min  A ( x),  B ( x)   A ( x)   B ( x), x  X (1.1.11)

Fig. 1.1.6 Reuniunea mulţimilor A si B

Fie A o submulţime fuzzy a universului de discurs X. Complementul lui A este:

 c ( x)  1   ( x ), x  X (1.1.12)

Exemple: A (0.3 0.8)

B (0.9 0.5)

A B (0.3 0.5)
A  B (0.9 0.8)
AC (0.7 0.2)
C (0.3 0.2)
A A
A  A C (0.7 0.8)

15
 Din ultimele două linii ale tabelului, ne dăm seama că în logica fuzzy nu se
respectă principiul terţului exclus (A  Ac =X) şi nici cel al noncontradicpiei (A  Ac=
 ).

1.1.4 Reprezentări ale funcţiei de apartenenţă

Definiţia 1 Funcţia de apartenenţă de tip  (Fig. 1.1 .7)

Funcţia  :X—>[0,1] este o funcţie liniară, crescătoare, cu doi parametri:

, x  x0
0
 ( x; x 0 , x1 ) 

( x 
1

x 0 ) /( x1  x0 ) , x 0  x  x1 (1.1.13)
, x1  x

Definiţia 2 Funcţia de apartenenţă de tip L (Fig. 1.1.8)

Funcţia L:X—»[0,1] e o funcţie liniară descrescătoare, cu doi parametri:

, x  x0
0
L ( x; x 0 , x1 ) 

( x1

1
 x ) /( x1  x0 ) , x 0  x  x1 (1.1.14)
, x1  x

16
0   x 0 

Fig. 1.1.7 Funcţia de apartenenţă  Fig. 1.1.8 Funcţia de apartenenţă L

Definitia 3 Functia de apartenenta de tip  (triunghi)(Fig. 1.1.9)

Functia  :X  [0,1] e o functie triunghiulară,cu trei parametri,definită astfel:

, x  x0
0
 ( x; x 0 , x1 , x 2 ) 

( x  x 0 ) /( x1   )
( x
 2  x ) /( x 2  x1 )
, x 0  x  x1 (1.1.15)
, x1  x  x 2

Definiţia 4 Funcţia de apartenenţă de tip H (trapez) (Fig. 1.1.10)

Funcţia H:X-»[0,1], e o funcţie liniară, cu patru parametri, definită astfel:

, x  x0
0
( x  x
 0 ) /( x1  x0 )
, x 0  x  x1
H ( x; x 0 , x1 , x 2 , x 3 )  

, x1  x  x 2
1

( x 3  x ) /( x 3  x2 )

, x 2  x  x3

(1.1.16)

17
 

0.5

0     x 0    x

Fig. 1.1.10 Funcţia de apartenenţă H Fig. 2.1.9 Funcţia de apartenenţă 

Definiţia 5 Funcţia de apartenenţă de tip ..clopot Gauss"(Fig-1.1.11) are formă analitică

 (x)=l/{l+[(x-x0)/a]2 , xeR, a>0 (1.1.17)

unde a = dispersia termenului lingvistic

X0 = valoarea centrată pentru care se respectă proprietatea  ( x 0 ) = 1

Fig. 1.1.11 Funcţia de apartenenţă „Clopot Gauss"

18
 1.1.5 Fuzzvficarea informaţiei ferme

În fuzzyficarea unei informaţii ferme se defineşte apartenenţa valorii ferme xo din

mulţimea de bază X la unul sau mai mulţi termeni lingvistici ( 1 ,  2 ...) definiţi în
prealabil. Ca efect, valoarea fermă xo se apreciază vag prin intermediul gradelor de
apartenenţă a valorii ferme la termenii lingvistici afectaţi.
În procesul de fuzzyficare a unei informaţii ferme considerată mărime de intrare
în regulator fuzzy se parcurge următorul algoritm:
1) se defineşte universul de discurs ce caracterizează variabila lingvistică aferentă
informaţiei primare
2) se definesc termenii lingvistici prin care se doreşte a fi caracterizată vag
informaţia fermă; acest lucru presupune o primă definire a funcţiei de apartenenţă
 i . i=l,n (ulterior această primă definire poate fi reconsiderată)

3) se determină gradele de apartenenţă a valorii ferme la termenii lingvistici definiţi

şi se construieşte n-uplul aferent: xo(=valoare fermă)  x*o(= variabilă fuzzy) =
 1 ( x0 ),  2 ( x0 ),......,  n ( x0 ) unde  i ( x 0 ) ,i=l,n reprezintă gradele de

apartenenţă a valorii xo la termenul lingvistic  i .

Caracterul vag al informaţiei obţinute/definite conţine un puternic grad de
subiectivism prin definirea numărului de termeni lingvistici şi prin modul de caracterizare
a lor prin forma funcţiei de apartenenţă.
Din punctul de vedere al conducerii automate sunt valabile următoarele două
afirmaţii generale privind alocarea termenilor lingvistici:
 numărul termenilor lingvistici definiţi pe universul de discurs este obişnuit
(2),3,...,5,(7). Pentru a se obţine o simetrie faţă de valoarea 0 - se foloseşte un
număr impar (aspectul este obligatoriu dacă variabila lingvistică în cauză este
eroarea de reglare). Un număr mare de termeni lingvistici complică inutil
prelucrarea ulterioară a informaţiei fuzzy;
 Pentru funcţia de apartenenţă se alege de regulă (cel puţin la alegerea iniţială)
forma triunghiulară, dreptunghiulară sau trapezoidâlă;

19
 1.1.6 Inferenţe vagi. Baze de reguli

În logica fuzzy şi raţionamentul aproximativ, cea mai importantă regulă de

inferenţă este Modus Ponens generalizat.
În logica clasică, această regulă de inferenţă era de forma ( p  ( p  q))  q , adică:

premisă: dacă p, atunci q

fapt: p
consecinţă: q

În logica fuzzy, regula de inferenţă corespunzătoare sugerată de Zadeh este următoarea:

premisă: dacă x este A, atunci y este B

fapt: x este A'
consecinţă: y este B', unde B1  A1  ( A  B) .

Dacă A' = A şi B' = B, regula se reduce la Modus Ponens clasic.

Matricea A  B deseori se notează cu M şi se numeşte memorie asociativă
fuzzy (Kosko, 1992).
Procesul de inferenţă fuzzy este văzut ca o mapare a unei mulţimi fuzzy într-o altă
mulţime fuzzy. M are semnificaţia unei matrici de posibilităţi condiţionate ale
elementelor din A şi B:

(1.1.17.1)

Relaţii fuzzy

Conexiunile între mulţimile fuzzy definite pe universuri de discursuri diferite sau

nu, pot fi caracterizate prin intermediul relaţiilor fuzzy.

Definiţie: Fie X şi Y două universuri cu x  X şi y  Y şi fie XxY mulţimea

produs cartezian al celor două mulţimi astfel că (x,y)  XxY, atunci R:XxY  [0,l]
reprezintă o relaţie fuzzy, prin care fiecărei perechi (x,y)  XxY i se asociază o mulţime
fuzzy cu funcţia de apartenenţă  R (X,V), astfel că  R (x,y)  XxY.

20
 Notaţii:
 Fie X şi Y universuri nenumărabile şi o funcţie de apartenenţă  R :XXY
 [0,1].

R 
XxY
R ( x, y ) /( x, y )

(1.1.18)

e o relaţie fuzzy binară pe XxY

 Fie X şi Y universuri nenumărabile şi o funcţie de apartenenţă  R :XXY
 [0,1].

R 
XxY
R ( x, y ) /( x, y ) (1.1.19)

e o relaţie fuzzy binară pe XxY.

Relaţia fuzzy constituie o generaiizare a conceptului de mulţime fuzzy cu un

număr oarecare de variabile independente.

În acelaşi timp relaţia fuzzy constituie şi suportul pentru conectarea/cuplarea

informaţiilor fuzzy şi evaluarea pe bază de reguli a conexiunilor. Astfel se remarcă faptul
că din punct de vedere al aplicaţiilor tehnice o relaţie fuzzy va fi enunţată numai dacă
între proprietăţile mulţimilor care pot fi definite pe cele două/mai multe mulţimi de bază
se pot anumite legături.

21
 1.2 Retele neuronale

1.2.1 Introducere

Pentru a înþelege mai bine aceastã abordare, trebuie precizat modul de

funcþionare al sistemului nervos. Constituienţii structurali ai creierului sunt neuronii,
conectaþi prin sinapse. Se estimeazã cã în cortexul uman există circa 10 miliarde de
neuroni şi 60 de trilioane de sinapse.
Trebuie precizat însă că neuronii nu sunt cele mai numeroase celule din creier.
Celulele gliale sunt de 10 ori mai multe. În mod tradiţional, se considera că acestea au
numai funcþii de nutriţie şi protecţie, însă în ultimul timp au demarat cercetãri privitoare
la influenţa lor potenţială asupra activităţii de procesare a neuronilor.
Neuronul constă în principal din trei componente: corpul celulei (soma), dendrite
şi axon.
Dendritele (numite astfel datoritã asemănării cu un copac – „dendron” în greacă)
sunt „intrările”neuronului, fibre scurte ramificate, de câţiva milimetri, care primesc
impulsuri. Axonul („axon” –axă), „ieşirea”, este o fibrã mai lungã, de câţiva centimetri,
putând ajunge însã la 1-1,5 metri.
Fiecare neuron are un singur axon şi mai multe (10-20) de dendrite.

1.2.2 Caracteristici ale retelelor neuronale artificiale

Preocuparea pentru reţelele neuronale artificiale, denumite în mod curent „reţele

neuronale”,a fost motivată de recunoaşterea faptului că modul în care calculează creierul
fiinţelor vii este complet diferit de cel al calculatoarelor numerice convenţionale. Spre
deosebire de maşinile von Neumann, unde există o unitate de procesare care executã
instrucţiunile stocate în memorie în mod serial, numai o instrucţiune la un moment dat,
reţelele neuronale utilizeazã în mod masiv paralelismul. Fiind modele simplificate ale
creierului uman, ele deţin capacitatea de a învăţa, spre deosebire de calculatoarele
convenţionale, care rămân totuşi mai eficiente pentru sarcinile bazate pe

22
operaţii aritmetice precise şi rapide. Reţelele neuronale nu dispun de unităţi de procesare
puternice,dimpotrivă, acestea sunt caracterizate printr-o simplitate extremă, însă
interacţiunile lor pe ansamblu produc rezultate complexe datorită numărului mare de
conexiuni.
O reţea neuronală este un procesor masiv paralel, distribuit, care are o tendinţă
naturală de a înmagazina cunoştinţe experimentale şi de a le face disponibile pentru
utilizare. Ea se aseamănă cu creierul în douã privinţe:
 Cunoştinţele sunt căpătate de reţea printr-un proces de învăţare;
 Cunoştinţele sunt depozitate nu în unităţile de procesare (neuroni), ci în
conexiunile interneuronale, cunoscute drept ponderi sinaptice.

Procedura folosită pentru a executa procesul de învăţare se numeşte algoritm de

învatare, funcţia căruia este de a modifica ponderile sinaptice ale reþelei într-un stil
sistematic pentru a atinge obiectivul dorit de proiectare. Printre numeroasele proprietaţi
interesante ale unei reţele neuronale,cea mai semnificativă este abilitatea acesteia de a
învăţa prin intermediul mediului înconjurător, şi prin aceasta să-şi îmbunătăţească
performanţele; creşterea performanţelor are loc în timp şi conform cu unele reguli
prestabilite. O reţea neuronală îşi învaţă mediul printr-un proces iterativ de ajustări
aplicate conexiunilor şi pragurilor sale sinaptice. În mod ideal, reţeaua devine mai
inteligentã după fiecare iteraţie a procesului de învăţare.
În contextul reţelelor neuronale vom defini astfel învatarea: un proces prin care
parametrii variabili ai unei reţele neuronale se adaptează printr-un proces continuu de
stimulare din partea mediului în care este inclusă. Tipul de învăţare este determinat de
modul în care au loc schimbările parametrilor.
Definiţia învăţării implică următoarea secvenţă de evenimente:

 Reţeaua neuronală este stimulată de un mediu;

 Reţeaua neuronală suferă schimbări datorită acestor stimulări;
 Reţeaua neuronală rãspunde în mod diferit mediului datorită schimbărilor care au
apãrut în structura sa internã.

23
 Reţelele neuronale se caracterizează prin trei elemente: modelul neuronului,
arhitectura reţelei şi algoritmul de antrenare folosit.

1.2.3 Modelul neuronului

Neuronul prezintă o structură foarte simplă, având:

 un nivel de activare (de regulã între -1 şi 1);
 o valoare de ieşire;
 o valoare reziduală;
 o funcţie de activare;
 o mulţime de conexiuni de intrare;
 o mulţime de conexiuni de ieşire.

Fig. 1.2.1 Structura neuronului.

Fiecărei conexiuni îi corespunde o valoare reală, numită pondere sinaptică, care

determină efectul intrării respective asupra nivelului de activare a neuronului. În figura
anterioară, xi reprezintă intrările, wi ponderile sinaptice, f funcţia de activare, θ valoarea
prag iar y ieşirea, care se calculează după formula:

24
  n 
y  f   wi xi    (1.2.1)
 i 1 

Nu se restrânge generalitatea dacă se consideră θ = 0, deoarece acest lucru este

echivalent cu adăugarea unei noi conexiuni de intrare, cu valoare –1 şi pondere θ:

Fig. 1.2.2 Evidenţierea ponderilor.

1.2.4. Arhitectura reţelei

O reţea neuronală simplă constă din aranjarea unui grup de neuroni într-un singur
strat:

25
 Fig. 1.2.3 Arhitectura reţelei

Aceasta are N intrări şi K ieşiri. Fiecare intrare se aplică tuturor celor K neuroni.
Vectorul de ieşire va rezulta din aplicarea funcţiei de activare produsului scalar al
matricei ponderilor W cu vectorul de intrare X:

S  W T  X  f ( S )  f (W T  X )

x1
X  x 2
.
.
.

x N

(1.2.2)

Perceptronul cu 3 straturi este o reţea cu un strat de intrare, un strat de ieşire şi un

strat intermediar („ascuns”). În general, cele mai utilizate arhitecturi de reţele neuronale
sunt cele feed-forward multistrat:

26
 Fig. 1.2.4 Reţea feed-forward multistrat

Reþelele multistrat nu asigurã o creştere a puterii de calcul în raport cu reţelele cu

un singur strat dacă nu e prezentă o funcþie de activare neliniară între strate.
S-a demonstrat (Funahashi, 1989) că o reþea (posibil infinită) cu un singur strat
ascuns este capabilă că aproximeze orice funcţie continuă.
De asemenea, aplicând teorema Stone-Weierstrass în domeniul reþelelor
neuronale, s-a demonstrat că acestea pot calcula anumite expresii polinomiale: dacă există
două reţele care calculează exact două funcţii f1, respectiv f2, atunci există o reţea mai
mare care calculează exact o expresie polinomială de f1 şi f2.

1.2.5 Algoritmi de antrenare

Am văzut că reţelele neuronale au capacitatea de a învăţa, însă modalitatea

concretă în care se realizează acest proces este dată de algoritmul folosit pentru antrenare.
O reţea se consideră antrenată dacă aplicarea unui vector de intrare conduce la
obţinerea unei ieşiri dorite, sau foarte apropiate de aceasta.
Antrenarea constă în aplicarea secvenţială a diferiţi vectori de intrare şi ajustarea
ponderilor din reţea în raport cu o procedură predeterminată. În acest timp, ponderile
conexiunilor converg gradual spre anumite valori pentru care fiecare vector de intrare
produce vectorul de ieşire dorit.
Există două tipuri importante de învăţare: supervizată şi nesupervizată. Învatarea
supervizata presupune aplicarea unei perechi vector de intrare – vector de ieşire dorit.
Dupã aplicarea unei intrări, se compară ieşirea calculată cu ieşirea dorită, după
care diferenţa este folosită pentru modificarea ponderilor cu scopul minimizării erorii la
un nivel acceptabil.
Acest tip de antrenare dă rezultate bune, însă nu are corespondent în lumea vie,
unde nu există mecanism de instruire care să compare ieşirile dorite cu cele reale şi să
propage corecţiile în reţeaua de neuroni. Totuşi, s-a pus în evidenţă un proces de auto-
organizare a creierului. În învatarea nesupervizată, mulţimea de instruire constă numai în
27
vectori de intrare iar scopul algoritmului este producerea de vectori de ieşire consistenţi,
adică două semnale foarte apropiate vor produce răspunsuri identice sau foarte
asemănătoare. Astfel, vectorii similari sunt grupaţi în clase, proces numit şi clusterizare.

1.2.6. Algoritmul back-propagation

Algoritmul back-propagation (Werbos, 1974, Rumelhart & McClelland, 1986)

este cel mai cunoscut şi utilizat algoritm de învãţare supervizată. Numit şi algoritmul
delta generalizat, el se bazează pe minimizarea diferenţei dintre ieşirea dorită şi ieşirea
reală, prin metoda gradientului descendent. Se poate arăta că pentru o funcţie
unidimensională, găsirea unui punct de minim se face în felul următor: se pleacă dintr-un
punct arbitrar şi apoi se aplică iteraţii succesive, de forma:

f (xn )
x n !  x n  (1.2.3)
f ( x n )

În mod analog se procedează în cazul multidimensional, unde se defineşte

gradientul unei funcţii F(x,y,z,...) drept:

 F  F  F 
F  i  j k  ..... (1.2.4)
x y z

Gradientul ne spune cum variază funcţia în diferite direcţii. Ideea algoritmului este
găsirea minimului funcţiei de eroare în raport cu ponderile conexiunilor. În continuare se

28
vor prezenta paşii algoritmului, pentru o reţea cu un singur strat ascuns şi o singură
unitate de ieşire.

Fig. 1.2.5 Algoritmul back-propagation

Se considerã mulþimea de antrenare:

 x , y ,... x
1 1 k
, yk 

unde x k  ( x1k ,......x nk ), y k  R, si k=1,...,k .

 Pasul 1: Se aleg rata de învãţare η şi eroarea maximă acceptabilă Emax
 Pasul 2: Se iniţializează ponderile w cu valori aleatorii mici, k = 1, eroarea
curentã E = 0

29
  Pasul 3: Începe procesul de antrenare. Se prezintă vectorul de intrare xk şi se

1
calculează ieşirea O: O  T unde oi este vectorul de iesire al stratului
1  e W oi

1
ascuns: Oi  T k , l=1,…,L.
1  e Wl x

 Pasul 4: Se actualizează ponderile unităţii de ieşire:unde   ( y k  O)O(1  O)

 Pasul 5: Se actualizează ponderile unităţilor din stratul ascuns
wl  wl  Wl ol (1  ol ) x k

 Pasul 6: Se actualizeazã eroarea cumulativã pe ciclu de antrenare:

( y k  O) 2
EE
2
 Pasul 7: Dacã k < K, atunci k = k+1 şi se sare la Pasul 2, altfel se trece la Pasul 8
 Pasul 8: Ciclul de antrenare s-a încheiat. Dacã E < Emax se termină sesiunea de
antrenare.
Dacã E > Emax, atunci E = 0, k = 1 şi se începe un nou ciclu de antrenare la Pasul
3

Trebuie precizat cã formulele de actualizare pentru ponderi se bazează pe o

funcţie de activare sigmoidă unipolară. În cazul altor funcţii, formulele se modifică.

30
 Capitolul 2

2.1. Sisteme inteligente de control al principalilor parametri tehnologici

dintr-un punct termic

2.1.1. Introducere

Un sistem centralizat de producere şi distribuţie a agentului termic la consumatorii

casnici este alcătuit dintr-o centrală de termoficare pentru producerea agentului termic, o
reţea de termoficare pentru distribuţia agentului termic alcătuită din magistrale cu agent
termic la care sunt racordate un număr de puncte termice de cartier pentru prepararea apei
calde menajere şi a apei calde pentru încălzire, fiecare punct termic având la rândul lui o
reţea de distribuţie a apei calde menajere şi o reţea de distribuţie a apei calde pentru
încălzire pentru consumatorii casnici racordaţi la acesta.

31
 Funcţionarea eficientă a unui punct termic presupune realizarea unui transfer de
căldură optim în schimbătoarele de căldură utilizate pentru furnizarea apei calde menajere
şi a apei calde pentru încălzire în scopul satisfacerii cererii consumatorilor casnici
racordaţi.
În figura 2.1.1 este reprezentată schema termomecanică a unui punct termic din
reţeaua de termoficare a municipiului Iaşi. Pe baza acestei scheme punctele termice din
municipiul Iaşi sunt reabilitate cu echipamente performante. Pentru prepararea apei calde
pentru încălzire sunt utilizate două schimbătoare de căldură cu plăci (1), iar pentru
prepararea apei calde de consum menajer sunt utilizate două schimbătoare de căldură cu
plăci (2).
Punctul termic este compus din:o pompă dublă de circulaţie pentru încălzire cu
turaţie variabilă (3), o pompă de injecţie agent primar, cu turaţie variabilă (4), o pompă de
recirculare a apei calde de consum menajer (5), un modul de expansiune (6), distribuitorul
pentru încălzire (7), colectorul pentru încălzire (8), distribuitorul pentru apă caldă de
consum menajer (9), colectorul pentru recircularea apei calde de consum menajer (10), un
robinet de reglare cu trei căi pentru încălzire, un robinet de reglare cu trei căi pentru apă
caldă de consum menajer, traductoare de debit, traductoare de temperatură, traductoare de
presiune, trei integratoare de energie termică.
Parametrii tehnici de funcţionare ai punctului termic sunt monitorizaţi prin
intermediul unui sistem de achiziţie de date în timp real cu calculatorul.

32
Figura 2.1.1. Schemă termomecanică punct termic

33
34
2.1.2. Schimbătoare de căldură cu plăci

Schimbul de caldură este fenomenul care se produce între doi agenţi termici:
- agentul termic primar care cedează o anumită cantitate de căldură (se
răceste);
- agentul termic secundar care primeşte căldură (se încălzeşte).

Schimbul de caldura se intensifică, creşte cu cât creşte şi suprafaţa de schimb de

căldură.

În cazul centralelor termice schimbul de caldură are loc în interiorul cazanului

între gazele fierbinti care reprezinta agentul termic primar si apa care reprezinta agentul
termic secundar.

În cazul punctelor termice schimbul de căldură se produce în interiorul

schimbatorului de caldură (aparat în contracurent sau boiler) între apa fierbinte care
reprezintă agentul termic primar şi apa rece sau răcită care reprezintă agentul termic
secundar.

Schimbatoarele de căldură cu placi sunt utilizate in cadrul modulelor termice

destinate producerii agentului termic pentru încălzire şi a apei calde menajere în centrale
şi puncte termice, figura 2.1.2.

35
 Figura 2.1.2. Schimbător de căldură cu plăci

Aceste aparate sunt realizate prin îmbinarea de plăci care realizează între ele spaţii
prin care circula agenţii care schimbă căldură. Suprafata de schimb de caldura este
formata din plăci subţiri din metal, ondulate, asezate una peste alta. Canalele prin care
circulă fluidele sunt formate între placi. Aceste fluide ocupă alternativ spaţiile dintre
plăcile schimbatorului de caldură, astfel încât să nu se amestece între ei. În consecinta,
spatiile dintre placi trebuie sa fie etansate fata de exterior si fata de spatiile in care se gasc
alti agenti. De asemenea sistemul de etanşare trebuie sa permita trecerea agentilor dintr-
un spatiu in altul, uneori prin traversarea spatiilor destinate altor agenti, figura 2.1.3.
Schimbatoarele de căldura cu plăci sunt mult mai mici si mai usoare decat cele
conventionale si se remarca prin usurinta montarii si intretinerii. Sunt compacte, au un
design flexibil, economice din punct de vedere al costurilor si de cinci ori mai eficiente
decat cele conventionale. Placile sunt confectionate din otel inoxidabil, titaniu sau grafit.
Schimbatoarele de caldura cu placi sunt realizate in doua variante constructive:

1. Schimbătoare de căldură cu plăci sudate

2. Schimbătoare de căldură cu plăci cu garnituri de etanşare (lipite sau
demontabile)
36
 Figura 2.1.3 Principiul de funcţionare al unui
schimbător de căldură cu plăci cu garnituri de etanşare
la fluxul fluidelor în contracurent şi în paralel

Schimbătoarele de căldură folosite în punctul termic prezentat în capitolul 2.1.1.

sunt de tip cu plăci demontabile şi garnituri. Asa cum se observa din figurile 2.1.2 şi 2.1.3
schimbatoarele de căldură cu plăci se compun din:
1. - Placa de presiune sau placa de început.
Functia acestei plăci este de a asigura pozitia pachetului de placi fata de
carcasa. Prima placa este pozitionata astfel incat sa se afle in legatura cu
racordurile.
2. - Plăci intermediare cu garnituri
Aceste placi au garnituri normale si au prevazute patru orificii. Placile sunt
identice însa ele se monteaza alternativ, astfel încât canalele de curgere vor
avea o dată vârful în sus apoi în jos ş.a.m.d.
3. - Ultima placă
Aceasta placă, in mod normal fără orificii, este montată dupa plăcile
intermediare, în scopul închiderii pachetului de plăci.

37
 4. - Şuruburi de strângere
Acestea au rolul de a asigura ca, dupa asamblare, pachetul de placi este
strans in conformitate cu cota “A”. Aceasta cota reprezinta distanta, in
mm, dintre placa de capat si ultima placa. Cota “A” se calculeaza functie
de numarul placilor din pachet (N) si a grosimii acestora (g) in mm.

În punctul termic prezentat în figura 2.1.1 sunt montate două schimbătoare de

căldură cu plăci Alfa Laval, tip M6–MF (1) pentru prepararea apei calde pentru încălzire.
Specificatiile tehnice pentru schimbătoarele de căldură cu plăci Alfa Laval, tip M6–MF
sunt prezentate în tabelul 2.1.1.

38
Tabelul 2.1.1 Specificaţii tehnice pentru schimbătoarele de căldură
cu plăci Alfa Laval tip M6-MF, pentru prepararea
apei calde pentru încălzire

39
 În punctul termic cu schema termomecanică prezentată în figura 2.1.1 sunt
montate şi două schimbătoare de căldură cu plăci Alfa Laval, tip M6–MFG (2) pentru
prepararea apei calde de consum menajer. Specificatiile tehnice pentru schimbătoarele de
căldură cu plăci Alfa Laval, tip M6–MFG sunt prezentate în tabelul 2.1.2.

Tabelul 2.1.2 Specificaţii tehnice pentru schimbătoarele de căldură

cu plăci Alfa Laval model M6-MFG pentru prepararea
apei calde de consum menajer

40
2.2 Modelarea comportării în regim staţionar a schimbătoarelor de
căldură cu plăci prin sisteme hibride neuro-fuzzy ANFIS

2.2.1 Sisteme hibride neuro-fuzzy ANFIS

Sistemele hibride neuro-fuzzy ANFIS (Adaptive-Network-based Fuzzy Inference

Systems) sunt reţele neuronale adaptive echivalente funcţional cu sisteme fuzzy de tip
Takagi–Sugeno (Takagi and Sugeno, 1985). Spre deosebire de sistemele fuzzy, sistemele
neuro-fuzzy ANFIS au capacitatea de a se adapta pe parcursul unui proces de învăţare. În
felul acesta, aplicând o metodă de optimizare, pot fi adaptate atât funcţiile de apartenenţă
ale mulţimilor fuzzy ce apar în partea de premiză a regulilor, cât şi parametrii părţilor de
consecinţă ale regulilor fuzzy.

Funcţia criteriu de minimizat poate fi de tipul erorii medii pătratice dintre ieşirea
actuală a sistemului neuro-fuzzy şi ieşirea dorită a acestuia. Pentru a explica structura
unui sistem hibrid neuro fuzzy de tip ANFIS se consideră un sistem fuzzy de tip Takagi-
Sugeno de ordin întâi ce are două mărimi de intrare, x şi y, şi o mărime de ieşire, z.
Baza de reguli a sistemului fuzzy se consideră a fi formată din două reguli de forma:

regula1: dacă x este A1 şi y este B1 atunci z este f1  p1  x  q1  y  r1

regula2: dacă x este A2 şi y este B2 atunci z este f 2  p2  x  q2  y  r2 (2.2.1)

41
 În figura 2.2.1 este ilustrat, intuitiv, modul în care se realizează raţionamentul în
cadrul unui sistem fuzzy de tip Takagi-Sugeno de ordin întâi.

Fig. 2.2.1. Raţionament fuzzy Takagi-Sugeno

Figura 2.2.2 prezintă structura sistemului neuro-fuzzy adaptiv ANFIS

corespunzător sistemului fuzzy de tip Takagi-Sugeno considerat.
Structura ANFIS echivalentă sistemului fuzzy de tip Takagi- Sugeno de ordinul
întâi este alcătuită din cinci straturi (Jang and Sun, 1995). Se notează prin O1,i ieşirea
nodului i din stratul 1 al structurii ANFIS.
Cele cinci straturi ale structurii ANFIS au următoarele funcţii prezentate în
continuare.
Stratul 1. Fiecare nod i al acestui strat are funcţia de activare:

O1,i   Ai ( x ) i  1, 2
(2.2.2)
O1,i   Bi  2 ( y) i  3, 4

42
 Fig. 2.2.2 Structura ANFIS echivalentă raţionamentului fuzzy Takagi-Sugeno

unde x este mărimea de intrare în nodurile 1 şi 2, iar y este mărimea de intrare în

nodurile 3 şi 4. Altfel spus, funcţia ataşată fiecărui nod al primului strat este funcţia de
apartenenţă a uneia din mulţimile fuzzy A1, A2, B1 sau B2 (care apar în partea de premiză
a regulilor). Funcţia de apartenenţă poate fi, de exemplu, funcţia clopot generalizat.
Parametrii acestui strat vor fi numiţi, în cele de urmează, parametrii premizei.

Stratul 2. Fiecare nod al acestui strat este un nod fix, a cărui ieşire este dată de
produsul semnalelor sale de intrare:

O2 ,i  wi   Ai ( x )   Bi ( x ) i  1, 2 (2.2.3)

Fiecare nod reprezintă mărimea de activare a unei reguli. În general, se poate folosi
pentru acest strat, orice operator de tip norma-T ca fiind funcţia de activare a unui nod.

43
 Stratul 3. Fiecare nod al acestui strat este un nod fix la nivelul căruia se
calculează raportul dintre puterea de activare a regulii i şi suma puterilor de activare ale
tuturor regulilor:

wi
O3 ,i  wi  i  1, 2 (2.2.4)
w1  w2

Ieşirile acestui strat sunt numite mărimi de activare normalizate.

Stratul 4. Fiecare nod al acestui strat este adaptiv, având funcţia de activare:

O4 ,i  wi fi  wi ( pi x  qi y  ri ) i  1,2 (2.2.5)

unde wi este puterea de activare normalizată a regulii i, iar pi, qi , ri este mulţimea
parametrilor acestui nod, numiţi în cele ce urmează parametrii consecinţei.

Stratul 5. Acest strat este format dintr-un singur nod fix notat cu Σ, care
calculează ieşirea ANFIS ca fiind suma tuturor semnalelor sale de intrare:

2
2  wi  fi
z  O5 ,1   wi  f i  i 1
2 (2.2.6)
i 1
 wi
i 1

Învăţarea într-un sistem ANFIS se bazează pe o schemă hibridă. Mai întâi,

utilizatorul decide numărul de reguli şi modul lor de interacţiune, construind astfel
cunoştinţele integrate a-priori despre structura soluţiei. Funcţiile de apartenenţă trebuie
iniţializate astfel încât să împartă cât mai egal universul de discurs şi trebuie să aibă
suficiente suprapuneri.
În pasul înainte al antrenării, se calculează ieşirile neuronilor până în stratul 4 iar
parametrii consecinţă (coeficienţii funcţiei liniare) sunt calculaţi prin metoda celor mai
mici pătrate. În pasul înapoi, semnalele de eroare sunt retro-propagate şi se actualizează
parametrii antecedenţi (ai funcţiilor de apartenenţă) prin metoda gradientului descendent.

Baza de reguli trebuie cunoscută apriori, deoarece structura ANFIS nu poate decât
să ajusteze funcţiile de apartenenţă ale parametrilor antecedenţi şi parametrilor
44
consecinţă. Algoritmul de învăţare necesită mari resurse de calcul, iar modelarea are
dificultăţi în privinţa abordării unor modele de mari dimensiuni, care implică un mare
număr de partiţii, reguli şi parametri consecinţă. Sistemele hibride neuro-fuzzy ANFIS
sunt printre cele mai moderne metode de identificare a proceselor industriale.
Implementarea practică a metodei ANFIS de modelare a unui proces industrial necesită
cunoaşterea detaliată a tehnologiei de funcţionare a acestuia (Jang, et al, 1997).

2.3. Modele hibride neuro-fuzzy ANFIS ale schimbătoarelor de căldură

cu plăci Alfa Laval tip M6-MF şi tip M6-MFG

În scopul aplicării metodei ANFIS de modelare neuro-fuzzy al schimbătoarelor de

căldură cu plăci echipa de cercetare a folosit pachetul software Fuzzy Logic Toolbox din
Matlab (MatLab®, 2002). Pentru schimbătoarele de căldură cu plăci Alfa Laval model
M6-MF şi model M6-MFG, în scopul obţinerii modelelor acestora s-au folosit seturi de
date de funcţionare diferite, seturi de date pentru antrenarea reţelelor ANFIS şi alte seturi
de date pentru testarea modelor neuro-fuzzy ANFIS obţinute în urma etapelor de
antrenare. Testarea modelelor neuro-fuzzy ANFIS pe alte seturi de date de funcţionare
este necesară în scopul validării modelelor obţinute, în special prin valorile erorilor de
estimare.
Seturile de date pentru parametrii tehnologici de funcţionare ai schimbătoarelor de
căldură cu plăci Alfa Laval model M6-MF şi model M6-MF din dotarea punctului termic
cu schema termomecanică prezentată în figura 2.1.1. au fost obţinute prin intermediul
unui sistem de monitorizare al datelor cu calculatorul. Sistemul de monitorizare permite
stocarea datelor pentru parametrii tehnologici de funcţionare ai schimbătoarelor de
căldură cu plăci în fişiere de date, la intervale de 5 minute.
45
 Obţinerea modelului neuro-fuzzy ANFIS al fiecărui model de schimbător de
căldură cu plăci a necesitat etape de studiu şi de încercări pentru găsirea numărului minim
optim de reguli fuzzy din bazele de reguli fuzzy în scopul reducerii gradului de
complexitate al modelului neuro-fuzzy rezultat. S-au obţinut astfel modele neuro-fuzzy cu
grad redus de complexitate şi cu utilitate practică pentru instalaţiile menţionate.
Astfel, în vederea antrenării şi testării unor structuri ANFIS care să modeleze
comportarea staţionară a schimbătoarelor de căldură cu plăci următoarele mărimi
tehnologice au fost disponibile.

Schimbător de căldură cu plăci Alfa Laval model M6 – MF pentru încălzire:

- Debit agent termic în circuit primar pentru încălzire (m3/h);

- Temperatură agent termic în circuit tur primar pentru încălzire (0C);
- Temperatură agent termic în circuit retur primar pentru încălzire (0C);
- Putere termică schimbător de căldură cu plăci pentru încălzire (kW);
- Temperatură apă caldă pentru încălzire în circuit tur secundar (0C);
- Temperatură apă caldă pentru încălzire în circuit retur secundar (0C);
- Temperatură mediu exterior (0C).

Schimbător de căldură cu plăci Alfa Laval model M6 – MFG pentru apă caldă de
consum menajer:

46
- Putere termică schimbător de căldură cu plăci pentru apă caldă de consum menajer
(kW);
- Debit agent termic în circuit primar pentru apă caldă de consum menajer (m3/h);
- Temperatură agent termic în circuit tur primar pentru apă caldă de consum menajer
(0C);
- Temperatură agent termic în circuit retur primar pentru apă caldă de consum menajer
(0C);
- Temperatură apă caldă de consum menajer în circuit tur secundar (0C);
- Temperatură apă caldă de consum menajer în circuit tur secundar (0C);
- Temperatură mediu exterior (0C).

Mărimile de intrare principale ale unui schimbător de căldură cu plăci sunt:

- Debit agent termic încălzire în circuitul primar (m3/h);
- Temperatură agent termic încălzire pentru tur primar (0C);
- Temperatură agent termic încălzire pentru retur primar (0C);
- Putere termică schimbător de căldură cu plăci (kW);

Temperatură mediu exteri

- Mărimile de ieşire principale ale unui schimbător de căldurTemperatură apă caldă
(pentru încălzire/consum menajer) în circuitul tur secundar (0C)
- Temperatură apă caldă (pentru încălzire/consum menajer) pentru retur secundar (0C)

În continuare este prezentată sintetic metoda de obţinere a modelului neuro-fuzzy

ANFIS pentru regimul staţionar al schimbătorului de căldură cu plăci Alfa Laval tip M6-
MF pentru încălzire. Numărul mărimilor de intrare are un rol hotărâtor în obţinerea unui
model cu eroare de estimare acceptabilă.

Astfel, dacă se adoptă pentru schimbătorul de căldură cu plăci Alfa Laval tip M6-
MF un model ANFIS cu trei mărimi principale de intrare:
- Debit agent termic în circuit primar pentru încălzire (m3/h);
- Temperatură agent termic în circuit tur primar pentru încălzire (0C) şi

47
- Temperatură mediu exterior (0C);
şi o mărime de ieşire:
- Temperatură apă caldă încălzire în circuit tur secundar (0C), se obţine un model
ANFIS cu structura prezentată în figura II.1.1.6.
În cadrul structurii ANFIS adoptată, pentru fiecare mărime de intrare s-a impus un
univers de discurs format din trei partiţii, funcţiile de apartenenţă ale variabilelor fuzzy
fiind alese de tip clopot.

2.4. Editorul Anfis

2.4.1 Introducere

Editorul Anfis este o colectie de functii construit in mediul MATLAB.El itzi ofera
instrumente pentru a crea si edita sisteme de inferenta fuzzy in cadrul MATLAB-ului,sau
dupa preferinta,poti integra sistemul tau fuzzy in simulare cu ajutorul Simulink-ului.Poti
eventual sa construiest programe independente in C care folosesc sistemele fuzzy create
in MATLAb.Acest editor se bazeaza foarte mult pe interfata grafica cu
utilizatorul(GUI),instrumente care te ajuta sa-ti duci la bun sfarsit munca,cu toate ca poti
lucra in totalitate din linia de comanda.

Editorul iti ofera trei categorii de instrumente:

 Functii din linia de comanda

 Instrumente interactive grafice

48
  Blocuri si exemple din Simulink

Prima categorie de intrumente este construita din functii pe care le poti accesa din
linia de comanda sau din aplicatia ta.Multe din aceste functii sunt fisiere cu extensia m
din MATLAB,o serie de comenzi de functii MATLAB care implementeaza algoritmi
logici specializati fuzzy.Poti vizualiza codul MATLAB pentru aceste functii utilizand
comanda:

type function_name

Poti schimba modul de functionare a oricarui editor copiind si redenumind

fisierul-M,apoi modificand copia.Poti de asemeni sa extinzi editoul prin adaugarea
fisierelor proprii cu extensia M.
In alt rand,editorul iti pune la dispozitie un numar de instrumente interactive care
te lasa sa accesezi multe din functii prin GUI. Impreuna ,instrumentele bazate pe GU iti
ofera in mediu pentru designe-ul de interfete fuzzy,analize,si implementari.
A treia categorie de intrumente este un set de blocuri pentru utilizarea de soft-uri
de simulare in Simulink.Acestea sunt construite special pentru inferente logice fuzzy de
viteza mare in mediul Simulink.

In continuare vom prezenta structura editorului ANFIS cu meniurile si functiile

lor .
Pentru a deschide editorul ANFIS se foloseste comanda : anfisedit , din linia de
comanda a MATLAB-ului. Imediat dupa accesarea comenzii anfisedit se va deschide o
fereastra ca in figura 2.4.1.

49
 Fig 2.4.1 Editorul ANFIS

Din acest editor (GUI) poti:

 Incarca date(de antrenare,testare sau verificare) selectand butonul Load
Data. Datele incarcate sunt plotate in regiunea de plotare.

50
  Genera un model initial FIS sau sa incarci unul,utilizand optiunea
Generate FIS.
 Vizualizezi structura modelului FIS de indata ce FIS-ul a fost incarcat sau
generat ,prin butonul Structure.
 Alege parametrii de optimizare a metodei modelului FIS :backpropagation
sau o combinatie intre backpropagation si least square(metoda hybrid).

 Alege numarul de epoci de antrenare sau testare si toleranta erorii .

 Testa sau antrena modelul FIS accesand butonul Train Now si plotand
datele.
 Vizualiza iesirea modelului FIS.

Pentru a incarca datele de antrenare,selectez Training,worksp. si apoi selectez

butonul Load Data...Fereastra GUI apare Fig 2.4.2 si iti da posibiliatea de a introduce
numele variabilei din spatiul de lucru al MATLAB-ului.

Fig 2.4.2 Load Data

Datele de antrenare apar in centrul ferestrei GUI sub forma o o (Fig 2.4.3).

51
 Fig 2.4.3 Training Data

Selectarea tipului de MF(Membership Functions):Fig 2.4.4

Fig 2.4.4

Singura conditie pe care MF trebuie sa satisfaca este ca trebuie sa varieze intre 0

si 1.Functia in sine poate fi o curba arbitrara a carei forma putem s-o definim ca o functie
care se potriveste din anumite privinte,conveninte,rapiditate si eficienta.unset clasic poate
fi exprimat ca A = {x | x > 6}.

Un set fuzzy este o extensie a setului clasic.Daca X este universul de discurs si

elementele lui sunt x,atunci un set fuzzy A in X este definit ca un set de perechi ordonate.
A = {x, µA(x) | x X} µA(x) este denumit MF(membership function-functie membra) a
lui x in A. MF mapeaza fiecare element a lui X la o valoare membra intre 0 si 1.
52
 Editorul de logica fuzzy include 11 functii membre predefinite.Aceste 11 functii
sunt,in schimb construite din cateva functii bazice:functia liniara piecewise,functia de
distributie a lui gauss,curba sigmoid,curba polinomiala patratica si cubica.Prin conventie
toate functiile membre mentionate mai sus sunt formate utilizand linii drepte.Dintre toate
cea mai simpla este functia triunghiulara numita trimf.Nu este mai mult decat o colectie
de trei puncte formand un triunghi.Functia membra trapezoidala numita trapmf, are varful
turtit si este de fapt functia triunghiulara truncata.Aceste functii membre din linii drepte
au avantajul simplitudinii.

Doua functii membre sunt construite pe curba Gausiana de distributie:o curba

simpla gausiana si o curba cu doua parti compusa din doua curbe Gausiene
diferentiale.Cele doua functii sunt gaussmf si gauss2mf. Functia membra clopot
generalizat este specificata de trei parametri si are numele gbellmf. Functia membra
clopot are un parametru in plus fata de functia membra Gausiana,pentru a se putea
apropia de un set non-fuzzy daca acest parametru liber este acordat.Datorita netezirii si
notatiei concise,functiile membre Gausiana si clopot reprezinta metode populare de
specificare a setului fuzzy.Ambele curbe au avantajul netezirii si fiind diferite de zero in
fiecare punct.

Cu toate ca functia Gausiana membra si functia clopot ating netezirea,ele sunt

incapabile de a specifica functii membre asimetrice,care sunt importante in anumite
aplicatii.In continuare definim functia membra sigmoidal,care este ori deschisa in dreapta
sau stanga.Asimetrica si inchisa(nu e deschis stanga sau dreapta) poate fi sintetizata o

functie formata din doua functii sigmoidale, dsigmf,si produsul celor doua functii psigmf.

53
 Trei functii inrudite sunt Z,S si Pi,toate denumite dupa formele lor.Functia zmf
este curba polinomial asimetrica deschisa in stanga,smf este imaginea in oglinda care se
deschide spre dreapta,si pimf este zero la ambele extreme cu o ridicare in mijloc.

Structura modelului ANFIS poate fi văzută folosind butonul Structure care

deschide fereastra ANFIS Model Structure .Aceasta conţine reprezentarea schematică a
intrărilor (imput) , funcţiilor de apartenenţă ale intrărilor (imputmf) , a regulilor ce
descriu modelul de tip Sugeno şi a operatorilor logici folosiţi (and,or,not), a funcţiilor
de apartenenţă ale ieşirilor (outputmf) şi a ieşirilor (outpuf).

Nodurile colorate reprezinta regulile,iar cele negre intrarea/iesirea.

Alte meniuri din editorul ANFIS :

54
  Meniul Membership Functions ,unde putem vizualiza functiile membre si forma
lor. Fig 2.4.5
 Meniul Rule Viewer, unde putem vizualiza regulile. Fig 2.4.6
 Meniul Surface, putem vizualiza in mod 2-D,3-D suprafata. Fig 2.4.7
Selectând din meniu Edit -> Membership Functions se poate intra în editorul
funcţiilor de apartenenţă (Fig. 2.4.5) de unde putem să vizualizăm grafic funcţiile de
apartenenţă si valorile parametrilor acestora

„Paleta de variabile” MF ale variabilelor

Poti vizualica Poti edita MF variabilelor.
numele si tipul
variabilei Click pe linie
curente pentru a selecta
si schimba
atributele,nume,
tip si paramatri
numerici si
forma .

Acest
parametru te
lasa sa schimbi
Fig 2.4.5 numele MF
curente.

Vizualizarea regulilor (Fig 2.4.6)

Poti schimba parametri

Fig 2.4.5 numerici ai functiei membre
curente

Cum cum sunt folosite

variabilele de intrare in
55
reguli
 Linia rosie
furnizeaza
Fiecare valoarea
rand de defuzificata.
ploturi
reprezinta o
regula(in
cazul Putem observa
cum iesirile
nostru 3)
fiecarei reguli
este combinata
Prin mutarea intr-o singura
liniei iesire si
modificam defuzzificata.
variabilele de
intrare si
generezi o
alta iesire

Acest camp iti da Muta plotul in

posibilitatea de definire a stanga,dreapta sau
intrarii explicit Fig 2.4.6 sus,jos
Bara de statul iti arata
cea mai recenta operatie

Vizualizarea suprafetei(Fig 2.4.7)

56
 Poti folosi mouse-ul pentru rotarea axelor

Plotul
reprezinta
suprafata
iesiri pentru
oricare iesire
VS fiecare 1
sau 2 intrari

Poti specifica
una sou doua
variabile de Poti specifica
intrare afisate. variabilele de
iesire
reprezentate

Permite
schimbarea
densitatii
grid-ului

Acest camp
permite sa
setez explicit
intrarea pentru Calcularea plotului
intrari Fig 2.4.7
nespecificate in
plot. Ultima operatie

Editorul FIS (Fig 2.4.8)

Dublu click pe diagrama sistemului

57
pentru a deschide editorul de reguli
 Dublu click pe variabila de intrare
pentru a deschide editorul MF.

Dublu click
Numele pe variabila
sistemului este de iesire
afisat pentru a
aici.Poate fi deschide
schimbat din editorul
meniul File MF.

Aici poti
Ajustarea edita
functiilor de numele
inferenta variabilelor
fuzzy cum ar de intrare si
fi metode de iesire
defuzzyficare

Ultima operatie

Fig 2.4.8

Selectând din meniu Edit -> Rules.... se poate intra în editorul regulilor
modelului. Printre facilităţile acestui editor se număra , pe lângă posibilitatea de a
vizualiza regulile modelului de tip Sugeno generate în mod automat la iniţializarea
acestuia , posibilitatea de a adăuga sau şterge reguli , de a vizualiza grafic inferenţele
modelului Sugeno (selectând din cadrul acestei ferestre View -> Rules ) sau reprezentări
grafice intrări-iesire (selectând din cadrul acestei ferestre View -> Sur/ace ).

Editorul de reguli (Fig 2.4.9)

58
 Meniu de selectie a intrarilor si a
iesirilor

Selectia
modului de Functionarea
imbinare a editorului de
regulilor reguli

Ultima
operatie Creaza sau editeaza cu ajutorul
butoanelor GUI si a optiunii din
Neaga intrarile sau Fig 2.4.9 meniul de intrare si iesire
iesirile

Teoretic, reţeaua ANFIS este mai complexă decât sistemele de inferenţă fuzzy. în
mediul ANFIS Editor GUI această reţea suportă doar sistemul de inferenţă de tip Sugeno
cu următoarele proprietăţi:
59
  să fie un Sistem Sugeno de ordin zero sau unu ;
 să aibă o singură ieşire obţinută printr-o defuzzyficare de tip mediere ponderată;
toate funcţiile de apartenenţă de la ieşire trebuie să fie de acelaşi tip;
 reguli diferite nu pot împărţi aceeaşi funcţie de apartenenţă la ieşire , deci numărul
de funcţii de apartenenţă la ieşire va fi acelaşi cu numărul de reguli;
 să aibă ponderi unitare pentru fie'care regula .
Ba mai mult , funcţia ANFIS din spatele interfeţei grafice nu poate accepta toate
modificările pe care un sistem de inferenţă fuzzy clasic le-ar accepta.De aceea nu putem
crea propriile noastre funcţii de apartenenţă şi defuzzyficare şitrebuie să le folosim pe
cele puse la dispoziţie.

2.5 Incercari experimentale

Datele existente ale reţelei de termoficare au fost procurate direct din bazele de
date ale firmei care se ocupa cu colectarea lor. Ele sunt extrase de pe parcursul traseelor
parcurse atât de apa calda menajera cat si cea de la incalzirc, prin intermediul unor
senzori plasaţi in anumite ale sistemului termodinamic. Aceştia sunt de mai multe tipuri ,
cum ar fi senzori de temperatura , sensori exteriori de temperatura, senzori de presiune,
termometre, manometre, traductoare de debit, temperatura si presiune, etc.
Deoarece aceşti senzori stochează valorile in real timc, apar erori in reţinerea
datelor, erori ce compromit utilitatea ulterioara a acesteia. Aceste erori pot apărea atât sub
anumite tipare, de exemplu depăşirea domeniului variabilei stocate, caz in care in locul
datei exact măsurate apare maximul sau minimul intervalului. Un alt tip de eroare apărut
in baza de date este determinat si prin blocarea pe un anumit interval a senzorului, blocare
ce face practic imposibila extragerea unor date ulterior prelucrabile din baza de date.
Stuctura bazei de date este una simpla. Ea conţine date la intervalle de o ora pe
parcursul unei anumite luni. Aceste date se succed in număr de 24, in funcţie de mulţimea
locaţiilor sensorilor de colectare, si a valorilor măsurate. Iar daca de exemplu, dispar
datele din ora

15 ale zilei de 7 , eroare aproape imposibil de depistat, datele ce apar după aceasta ora ,
apar eronate , prezentant ori depăşiri ale intervalelor, cat si citiri eronate ale unor senori.

60
 Datele vin in grupe de cate 5 fişiere pentru fiecare cartier. Aceste tipuri sunt
:Energie,Puterea,Volum,Debit, Blocuri incalzire. Primul conţine date referitoare la
valorile extrase de pe sensorii aflaţi pe Turul principal al apei calde menajere, cel de-al 2-
lea conţine valori inregistrate de către sensorii aflaţi la capetele modulului de expansiune,
cel de-al 3-lea conţine date referitoare la turul de la incalzire, cel de-al 4-lea conţine
valori ale energiei , volumului, temperaturii tur, temperaturii returi , si diferenţei de
temperatura , colectate prin intermediul senzorilor aflaţi pe traseul returului provenit de la
incalzire, iar ultimul conţine date de la senzorii aflaţi pe returul secundar al apei calde
menajere( provenite de la consumatori).
Fiecare dintre valorile Înregistrate in fişiere conţin cate 2 coloane. Prima coloana
conţine valoarea de start , adică valoarea inregistrata la începutul orei respective, iar cea
de-a 2-a valoare o reprezintă diferenţa dintre valoarea inregistrata la inceputul orei
precedente si inceputul orei curente( valoare de start).
Pentru acest proiect vor fi folosite doar valorile medii, adică diferentza inregistrata
intre valoarea precedenta si cea curenta.
Valorile de start apar in baza de date intr-o forma monoton crescătoare, deoarece senzori
măsoară aceasta energie cumulativ la ultima valoare inregistrata. Ele pot apărea si intr-o
forma constanta pe anumite intervalle de timp , ceea ce exprima o lipsa a consumului sau
a furnizării de căldura si/sau apa calda.
In afara iernii , valorile înregistrate in fişierele destinate stocării datelor de la
icalzire, apar de obicei constante sau chiar nule. Acest fapt se datorează lipsei de consum
la incalzire pe in anotimpurile cu o temperatura mai ridicata, ce nu necesita incalzire
centralizata.
Cele 744 de date au fost impartite in trei seturi de cate 248,doua pentru antrenare
iar unul pentru testare.
Pentru inceput vom incepe cu un sistem de doua intrari si o iesire,acestea fiind :
 intrare: Energia si Volumul
 iesire: Debitul

61
 Fig 2.5.1 Datele incarcate in editor

Pentru primul set de date am folosit in antrenare ca metoda de optimizare metoda

hybrid ,am selectat ca functie membra modelul de functie gbellmf de tip liniar,si am facut
antrenarea pe intervalul a 90 epoci (fig 2.5.2).

62
 Deoarece se obţin rezultate mai bune dacă folosim funcţii liniare în stratul de ieşire ce
realizează defuzzyficarea (rezultă un model Sugenom de ordin unu) decât dacă am folosi
constante (când rezultă model Sugenom de ordin zero) . încercările următoare vor avea în
structura stratului de ieşire neuroni cu funcţii de activare liniară. Cu privire la metoda de învăţare .
pe baza aceloraşi antrenări se observă că metoda backpropagation converge mai lent decât cea
hibridă. Prin urmare . metoda de antrenare folosită de acum încolo va fi de tip hibridă.

Fig 2.5.2

In urma antrenarii a rezultat o eroare de 1.0761, o eroare destul de buna ceea ce inseamna
ca modelul simulat se apropie destul de mult de cel real.
Eroare se calculeaza cu ajutorul unor reguli ale modelului Sugeno fata de datele
reale obtinute la iesire.Mai exact eroarea se calculeaza pentru datele de iesire :cele
simulate fata de cele reale .

63
 In Fig 2.5.3,Fig 2.5.4 si Fig 2.5.5 ,putem observa structura modelului,functiile
membre,regulile si suprafata:

Fig 2.5.3 Structura modelului

Fig 2.5.3 Functiile membre MF

64
 Fig 2.5.3 Vizualizarea regulilor

Fig 2.5.4 Vizualizarea suprafetei

Folosind aceleasi intrari : enegia si respectiv volumul si iesirea :debitul,dar pe setul al
doilea de date am obtinut o eroare de 1.7225. Fig 2.5.5

65
 Fig 2.5.5
In cotinuare vom folosi al treilea set de date pentru testare(Fig 2.4.6):
 Intrari: Energia si Volumul
 Iesiri: Debitul

Fig 2.4.6 Testarea datelor.

66
 Observam ca in acest (Fig 2.4.6) caz obtinem o eroare de 0.90373 , care este
destul de mica pentru a ne oferi o copie buna a modelului simulat cu cel real.
Iesirile sunt reprezentate in regiunea de plotare ca fiind cu rosu,iar datele de
testare cu albastru.
Pentru testare am folosit de asemenea modelul functiilor membre gbellmf de tip
liniar,metoda de optimizare hybrida iar numarul de epoci pe care s-a facut testarea de 90.

In continuare mai introducem o intrare ,acum sistemul avand trei intrai si o iesire
Fig 2.4.7 si Fig 2.4.8:
 Intrari: Temperatura exterioare,Volumul si Energia
 Iesire:Puterea.

Fig 2.4.7

67
 Fig 2.4.8

In figura 2.4.7 am folosit pentru antrenare modelul backpropagation si am selectat

functiile membre gaussmf de tip liniar.Antrenarea s-a facut pe intervalul a 300 de epoci
si am obtinut o eroare de 3.9305.O eroare destul de mare.
In figura 2.4.8 am folosit pentru antrenare modelul hybrid si am selectat functiile
membre gbellmf de tip liniar.Antrenarea s-a facut pe acelas set de date pe intervalul a 90
de epoci si am obtinut o eroare de 1.5444 care este mult mai mica decat in cazul
modelului backpropagation.
Am demonstrat ca pe acest set de date modelul hybrid se comporta mult mai bine
si ne ajuta sa aproximam modelul real mult mai bine dar inca nu suficient de fidel.

68
 Urmatoarea simulare va avea ca intrari :temperatura exterioare,temperatura tur si
energia; iar ca iesire debitul.Structura poate fi vizualizata in fig 2.4.9 iar antrenarea in Fig
2.4.10

Fig 2.4.9 Structura modelului

69
 Fig 2.4.10 Antrenare set 1 de valori

Eroarea obtinuta este de 1.8821. Am folosit modelul hybrid modelul functiilor

membre gaussmf de tip liniar iar periada de antrenare de 90 de epoci.
Eroarea obtinuta nu este prea satisfacatoare dar fata de simularea urmatoare, care
este facuta pe setul al doilea de date ,intrarile ramanand la fel:temperatura
exterioara,temperatura tur si energia iar iesirea :debitul, este mult mai mica,in cazul
urmator obtinand o eroare de 9.1876 ,aceasta din urma dovedind un model aproximat
foarte slab fata de cel real.(Fig 2.4.11)

70
 Fig 2.4.11

Ultima simulare este facuta pe setul de date care are ca intrare :temperatura
exterioara,temperatura tur si energia; iar ca iesire :puterea. Fig 2.4.12
Am folosit ca model al functiilor membre gbellmf de tip liniar si modelul de tip
hybrid.
In urma simularii am obtinut o eroare foarte mare de 16.7231 , iar modificarea
parametrilor modelului de antrenare nu a micsorat deloc aceasta eroare,incercarea de
modificare a functiilor membre folosite si a metodei de optimizare nu a facut nimic
altceva decat sa ne conduca la o eroare mai mare decat aceasta.In urma acestei antrenari
am ajuns la concluzia ca editorul ANFIS nu poate crea un model suficient de bun pentru a
putea simula modelul real ,datele nefiind in corelatie suficient de buna pentru ca
interactiunea dintre ele,respectiv a intrerilor si a iesirilor sa poata crea un set de reguli
pentru simularea modelului real.

71
 Fig 2.4.12

Concluzii

Se ştie că sistemele reale au o comportare neliniară ( mai puternică sau mai slabă) şi
variantă în timp . Din modelarea cu metodele clasice rezultă un model liniar de tip funcţie de
transfer care aproximează comportarea sistemelor în jurul unor puncte de funcţionare. Pe lângă
aspectul neliniarităţii, modelarea sistemelor reale cu metode clasice mai întâmpină şi alte
probleme cum ar fi numărul limitat de intrări (un număr de intrări mai mare de două duce la
dificultăţi în obţinerea modelului) sau sensibilitatea la perturbaţii.

72
 Mlodelul ANFIS vine să rezolve într-o anumită măsură aceste impedimente, sensibilitatea
la zgomote scade ( caracteristică moştenită de la modelele fuzzy) iar numărul de intrări pentru
cazuri concrete poate urca până la 6.
Avantajul principal al acestei metode este că se pot modela procese cu grad de
neliniaritate mare pe baza unor cunoştinţe despre mărimile de intrare şi de ieşire ale acestora .
Deci putem modela un proces fără a fi nevoie de cunoştinţe apriorice bogate.

Proiectul de faţă reuseste intr-o mare masura sa creeze o estimare a modelului real
de incalzire si distributie a apei calde de la CET Iasi prin antrenarile si testarile facute
acesta putand fi extins pentru prognozarea si estimarea unor consumuri de apa si
necesarul de energie folosit pentru incalzirea acesteia pentru o anumita luna.
Editorul ANFIS are o larga aplicabilitate pentru simularea unor modele care
folosesc logica fuzzy , modele de tip inteligent care ofera o mai buna dezvoltare si
modelare a sistemelor termica pentru a avea un randament mai bun.

73
Bibliografie:

[I] Crişan, O., Sisteme electroenergetice. Editura Didactică şi Pedagogică, Bucureşti. 1979. [2]
Carabogdan. I.Gh., ş.a.. Instalaţii termice industriale. Editura tehnica, Bucureşti, 1978.
[3] Athanasovici.V., Utilizarea căldurii în industrie. Voi îşi II. Editura Tehnică, Bucureşti, 1995.
[4] Dănescu. Al., ş.a.. Termotehnica şi maşini termice. Editura Didactică şi Pedagogică.
Bucureşti, 1985.
[5] Isachenko. P.V., ş.a., Heat transfer, Izdatelstvo Mir, Moskva. 1977.
[6J: Leca, A., ş.a., Ceni>;ale..e/ectrice..Probleme..Editura Didactică şi Pedagogică,.Bucureşti, 1977.
[7] Leonăchescu. N., Termoiehnica. Editura Didactică şi Pedagogică, Bucureşti, 1981.
[8] Mihoc, D., Iliescu. S.Şt., Automatizări şi protecţii prin relee în sistemele electr oener getice.
Editura Didactică şi Pedagogică, Bucureşti, 1983.
[9] Motoin, O, Centrale termo şi hidroelectrice. Editura Didactică şi Pedagogică, Bucureşti.
1974.
[10] Nitu, V., Energetica generală şi conversia energiei. . Editura Didactică şi Pedagogică.
Bucureşti, 1980.
[II] Pănoiu. N\. Cazane de abur.. Editura Didactică şi Pedagogică. Bucureşti, 1982.
j 12j Ştefănescu, D., ş.a.. Bazele termotehnicii. Editura Didactică şi Pedagogică, Bucureşti, 1970.
[13] Şletanescu, D., ş.a.. Transfer de căldură şi masă. Teorie şi aplicaţii. Editura Didactică şi
Pedagogică. Bucureşti, 1983.
[14] Manualul inginerului termolehnician. Voi. I. II. III, Editura Tehnică, Bucureşti, 1986.
[15] wwAv.cet-iasi.ro
[16] Laborator "Aplicaţii ale Reţelelor Neuronale in Automatizări" Octavian Pastravanu . Iaşi
[ 17] Brown, M., & Harris. C. (1994). Neuro-fuzzy adaptive mode/ling and
control. New York: Prentice-Hall.
118] Jang. J.-S.R., Sun, C.-T. (1993). Funcţional equivalence between radial
basis function netvvorks and fuzzy inference systems. IEEE Transactions
on Neural Networks, -/(1), 156-159.
[19] Driankov D.. Hellendson H.. Reinfrank M. (1993). An Introduction to Fuzzy Control. Ed.
jprinaer-Verlag. Bcriin.
[20] Robert Babuska . Henk Verbruggen .Annual Reviews in Control 27 (2003) Neuro-fuzzy
methodsfor nonlinear syslem identification
[21] Jang. J.-S.R. (1993). ANFIS: Adaptive-network-based fuzzy inference
systems. IEEE Transactions on Systems. Man & Cybemetics. 23(3).
665-685.
[22] Jang. J.-S.R.. Sun. C.-T. & Mizutani. E. (1997). Neuro-fuzzy and soft
compuiing: A computaţional approach to learning and machine intel/igence.
Upper Saddle River. NJ: Prentice-Hall.
[23] Mathworks.2001
|24| Tanaka. K.. Ikeda. T.. Wang. H.O. (1998). Fuzz> regulators and fuzzy
observers: Relaxed stabilit} conditions and LMI-based designs. IEEE
Transactions on Fuzzy Systems. 6(2). 250-265.
[25] Nelle*. O.. Fink. A.. Babuska. R.. Setnes. M. (2000). Comparison of rwo
construction algorithms for Takagi—Sugeno fuzzy models. International
Journal of Applied Mathematics and Computer Science. 10{4).

74