REFERAT

CONTROLUL SISTEMELOR ELECTRONICE

REGLAREA UTILIZÂND TEHNICA

„FUZZY”

Masterand: COORD:
Mirela OLTEANU PROF. DR. ING. Niculaie Corvin
PALAGHIȚĂ

Cluj-Napoca
 2020
1. Considerații generale
Gloria de a fi considerat “părintele logicii fuzzy” îi revine lui Lotfi A. Zadeh, în urma
publicării articolului “Mulţimi fuzzy” în revista “Information and Control” în anul 1965. În
1991 la Tokyo, Zadeh spune că editorul din acea vreme al revistei i-a confirmat ceea ce
presupunea şi el şi anume că articolul a fost publicat numai pentru că Zadeh era un membru al
colectivului de redacţie.

“Motivul pentru care am ales cuvântul fuzzy este că ceea ce am avut în minte sunt
clasele care nu au graniţe precis delimitate”.

“Logica fuzzy nu este exact genul de termen pe care l-aţi folosi în literatura ştiinţifică
[…]. Mă gândesc că termenul a provocat anumite controverse. Dar controversa serveşte unui
scop util dând subiectului o mai mare vizibilitate”.

“Unii oameni se impotrivesc logicii fuzzy chiar dacă nu ştiu ce este, numai din cauza
numelui. Dar ca şi cu orice altceva, odată cu trecerea timpului, numele devin mai puţin
importante.”

Spre deosebire de statistică și probabilitate, care se ocupă cu incertitudinea aleatorie

obiectivă, mulțimile vagi au de-a face cu incertitudinea aleatorie subiectivă.

Logica rationamentului aproximativ este o extensie a logicii multivalente; generalizare

a logicii conventionale.

Rationament aproximativ cuprinde metode care faciliteaza efectuarea unui raționament

utilizand intrări imprecise (valori aproximative) (mulţimi fuzzy) pentru a obtine ieşiri
semnificative (pline de inteles).

Relațiile între intrare și ieșire sunt descrise prin reguli condiționale “Dacă – atunci”, ca
în exemplul: Dacă temperatura este mică atunci încălzește puternic.

Care sunt avantajele logicii fuzzy?

 Este ușor de înțeles și utilizat (intuitiva, concepte matematice simple) ;

 Se bazeaza pe limbajul natural;
 Poate utiliza cunoștințelor experților (experienţa acumulată);
 Este flexibilă;
 Este tolerantă la date imprecise;
  Poate modela funcții complexe cu nivel ridicat de precizie;
 Poate fi combinată cu tehnici convenționale de control;

Când nu este recomandat să utilizăm logica fuzzy?

 deja există o soluție simplă;

 există controlere care funcționează foarte bine;
 nu este convenabila din diverse alte motive;

Dacă X este o mulțime oarecare, aplicația F:X → [ 0,1] se va numi ”mulțime fuzzy” (în
X). O mulțume fuzzy X este caracterizată prin ”funcția de apartenență” μ(x):

μ(x): X→ [ 0,1] (1)

Valorile 0 și 1 reprezintă cel mai mic și cel mai mare grad de apartenență al unui element
x ∈ X la mulțimea fuzzy. Funcțiile de apartenență se pot exprima analitic în diverse moduri.

Fig.1 Funcțiile de apartenență de tip triunghi, respectiv trapez

Mulțime fuzzy triunghiulară

(2)

1
Dacă c = 2(a+b), relația (2) devine:

(3)
Pentru reprezentarea analitică a funcției de apartenență de tip trapez, se va ține cont de
faptul că trapezul reprezentat în figura 1 este format dintr-un triunghi cu înălțimea supraunitară
h> 1 intersectat cu dreapta orizontală μ(x) = 1:
 (4)

Fig. 2 Funcțiile de apartenență de tip saturație cu rampă spre dreapta și spre stânga
Funcțiile de apartenenă de tip saturație cu rampa spre dreapta se pot scrie:

(5)
Funcțiile de apartenenă de tip saturație cu rampa spre stânga se pot scrie:

(6)

Fig.3 Funcția de apartenență de tip Gauss

Funcția de apartenență de tip clopotul lui Gauss centrată pe dreapta de ecuație x=𝑥0 ,
caracterizată de dispersia ϭ și amplitudinea A se exprimă prin relația:

(7)
Un caz particular îl reprezintă funcția de apartenență singleton asimilată unei forme ce
derivă din impulsul Dirac când funcția de apartenență are o singură valoare.
 Fig. 4 Funcția de partenență de tip singleton

2. Structura unui controller fuzzy în sistemele cu reacție negativă

Fig.5 Structura unui controller fuzzy

Figura 5 prezintă structura de principiu a unui controller fuzzy. Blocul de fuzzificare
convertește semnalele măsurate într-un set de variabila fuzzy.
În cazul în care se utilizează șapte astfel de nivele, acestea vor fi denumite după cum
urmează:

Fig.6 Setul de funcții de apartenență pentru 5 nivele de fuzzyficare

3. Controllerul fuzzy de tip proporțional

Acest tip de controller este cel mai simplu tip de controller fuzzy. Intrarea este
constituită de către eroarea ε(t), iar ieșirea este semnalul de comandă u(t).
Dacă alegem 5 nivele fuzzy. LN, MN, Z, MN, LP, algoritmul de reglare poate
implementa urmptoarele reguli, iar schema controllerului fuzzy este prezentată alături.
 1. Dacă ε este LN atunci u este LN
2. Dacă ε este MN atunci u este MN
3. Dacă ε este Z atunci u este Z
4. Dacaă ε este MP atunci u este MP
5. Dacă ε este LP atunci u este LP

4. Controller fuzzy de tip proporțional derivativ

Derivata erorii are rolul de a reduce acțiunea de control în cazul în care ieșirea din
proces variază prea rapid. În acest mod se poate reduce suprareglajul în raport cu prescrierea.
Pornind de la aceasta idee se pot compune un set de reguli fuzzy care să descrie efectul
introducerii componentei derivatie:
1. Dacă ε este LN atunci u este LN
2. Dacă ε este MN atunci u este MN
3. Dacă ε este Z atunci u este Z
4. Dacă ε este MP atunci u este MP
5. Dacă ε este LP atunci u este LP
6. Dacă ε este Z și ∆u este LP atunci u este LN
7. Dacă ε este Z și ∆u este LN atunci u este LP

5. Controller fuzzy de tip proporțional-integral

Componenta integrală este introdusă pentru eliminarea erorii staționare la poziție. Chiar
dacă eroarea este mică pozitivă, acțiunea componentei integrale va crește mărimea de comandă,
sau va reduce mărimea de comandă dacă eroarea este mică negativă.

Fig.7 Controller fuzzy incremental

Ieșirea controllerului incremental se numește variașia ieșirii iar blocul de control al

amplificării ișirii este notat cu GCU.

6. Controller fuzzy de tip proporțional-integral-derivativ

Controllerul fuzzy PID se construiește utilizând trei termeni: eroarea 𝜀𝑘 , integrala erorii
i𝜀𝑘 și derivata erorii 𝑐𝜀𝑘 .
 Introducerea componentei integrale presupune o anumită dificultate atunci când vine
vorba de a scrie regulile fuzzy. O soluție ar fi separarea componentei integrale de celelalte două
componente.

Fig. 8 Controller fuzzy PD+I

7. Aplicație practică – Implementarea unui controller fuzzy PID în Matlab-

Simulink

Structura de control PID fuzzy

Controlerul fuzzy din acest exemplu se află în bucla de feedback și calculează acțiuni
asemănătoare cu PID folosind inferență fuzzy.

Fig.9 Schema din Matlab-Simulink

Controlerul PID fuzzy utilizează o structură paralelă așa cum se arată în
subsistemul PID Fuzzy. Dâmd dublu click pe subsisemul fuzzy putem vedea structura
acestuia.
 Fig. 10 Subsistemul fuzzy
Controlerul PID fuzzy utilizează schimbarea ieșirii - (y (k) -y (k-1)), în locul
schimbării erorii e (k) -e (k-1), ca al doilea semnal de intrare la FIS . Procedând astfel,
împiedică schimbarea pasului în semnalul de referință să declanșeze direct acțiunea
derivată. Cele două blocuri de câștig, GCE și GCU, pe calea de avans înainte de la r la
u, se asigură că semnalul de eroare e este utilizat în acțiune proporțională atunci când
regulatorul PID fuzzy este liniar.

Fig. 10 Strctură interna PID Convențional

Controlerul PID convențional din acest exemplu este un controler PID cu
integrare numerică Backward Euler atât în acțiunile integrale, cât și în cele derivate.
Câștigurile controlerului sunt Kp, Ki și Kd.
Similar controlerului PID fuzzy, semnalul de intrare pentru acțiunea derivatului
este -y (k), în loc de e (k).
Putem regla câștigurile controlerului PID manual sau folosind formule de
reglare. În acest exemplu, obținem designul PID inițial folosind comanda pidtune de la
Control System Toolbox.
Definim structura PID și extragem câștigurile PID.
Proiectare echivalentă controller liniar fuzzy PID
Prin configurarea FIS și selectarea celor patru factori de scalare, putem obține
un controler liniar PID fuzzy care reproduce performanța de control a controlerului PID
convențional.
În primul rând, configurăm sistemul de inferență fuzzy astfel încât să producă o
suprafață de control liniară de la intrările E și CE până la ieșirea u. Setările FIS se
bazează pe următoarele:
 Utilizăm un sistem de inferențe fuzzy în stil Sugeno, cu metode de referință
implicite.
 Normalizăm intervalele ambelor intrări până la [-10 10].
 Utilizăm funcții de membru triunghiular de intrare care se suprapun funcțiilor
vecine la un grad de apartenență de 0,5.
 Utilizăm un interval de ieșire de [-20 20].

Construim sistemul fuzzy:

Definim variabila de intrare E:

Definim variabila de intrare CE

Definiți variabila de ieșire u cu funcția de apartenență constantă.

 Definim următoarele reguli fuzzy:
1. Dacă E este negativă și CE este negativă, atunci u este -20.
2. Dacă E este negativă și CE este zero, atunci u este -10.
3. Dacă E este negativă și CE este pozitivă, atunci u este 0.
4. Dacă E este zero și CE este negativă, atunci u este -10.
5. Dacă E este zero și CE este zero, atunci u este 0.
6. Dacă E este zero și CE este pozitivă, atunci u este 10.
7. Dacă E este pozitivă și CE este negativă, atunci u este 0.
8. Dacă E este pozitivă și CE este zero, atunci u este 10.
9. Dacă E este pozitivă și CE este pozitivă, atunci u este 20.

Fig.11 Lista de reguli

Fig. 12 Suprafața de control

 Determinăm factorii de scalare GE, GCE, GCU și GU din câștigurile Kp, Ki și Kd ale
controlorului PID convențional. Comparând expresiile PID tradițional și PID fuzzy liniar,
variabilele sunt corelate după cum urmează:
Kp = GCU * GCE + GU * GE
Ki = GCU * GE
Kd = GU * GCE
Presupunem referința maximă este 1, și astfel eroarea maximă este 1. Deoarece
intervalul de intrare E este [-10 10], setăm GE pe 10. Putem determina apoi GCE, GCU și GU.

Rezultatele simulări:

Cum era și de așteptat, ambele sisteme livrează același rezultat.

Concluzii:
În urma simulării circuitului prezentat în figura 9 se poate observa că modelând un
sistem de control fuzzy pornind de la un controller PID clasic, se obține același rezultat.
Similitudinea între cele două sisteme se datorează faptului că suprafața de control este
una liniară. Dacă suprafața ar fi neliniară atunci răspunsurile sistemului nu ar mai fi identice.
Bibliografie:
[1] Cursul 13 – Controllere fuzzy – Prof. Dr. Ing. Niculaie Palaghiță
[2] http://www.bel.utcluj.ro/dce/didactic/sln/
[3] Xu, J. X., Hang, C. C., Liu, C. "Parallel structure and tuning of a fuzzy PID
controller." Automatica, Vol. 36, pp. 673-684. 2000.
[4] Jantzen, J. Tuning of Fuzzy PID Controllers, Technical Report, Dept. of Automation, Technical
University of Denmark. 1999.