Cap.

5 Reglarea multivariabilă

5.1. Introducere

Obs. Nu se va considera reglare multivariabilă, reglare după perturbaţie şi

reglarea în cascadă.
Trăsătura de bază a sistemelor de reglare multivariabile, prescrierea
sunt independente.
Principal există două metode ale SRMV:
• multiloop control design (extensia directă a reglării unei singure
mărimi la mai multe mărimi reglate, asociate unui proces);
A→B

• coordinated and controlized control (multivariabile control

design) – reglarea controlată la care un singur algoritm de reglare
utilizează toate măsurătorile pentru a calcula toate comenzile
simultan.
 5.2. Interacţiunea buclelor de reglare

Stabilirea perechii mărimii de

intrare, u, ieşire, y, astfel încât
buclele de reglare să aibă interacţiuni
tolerabile reprezintă o decizie în
proiectarea sistemelor şi dacă
interacţiunile sunt foarte puternice
duce la funcţionarea
necorespunzătoare a SRA trebuind
luată decizia proiectării unui decuplor.
Tratarea interacţiunii cu MAR (matricea amplificărilor relative),
RGA (Relative Gain Array)

⎡ y1 ⎤ ⎡b11 b12 ⎤ ⎡u1 ⎤

RS : ⎢ ⎥ = ⎢ ⎥⎢ ⎥ ,
⎣ y 2 ⎦ ⎣b21 b22 ⎦ ⎣u 2 ⎦
bij -coeficienţii
amplificării procesului în
RS pe canalul u j − y i
bij hij - funcţia
indicială, asociată
aceluiaşi canal.
Acest concept MAR este utilizabil în stabilirea perechilor agenţi de
reglare, mărime reglată.
Se observă:
ϑy1 ϑy ϑy ϑy
|u = b11 h11 ; 2 |u = b22 h22 ; 1 |u =ct = b12 h12 ; 2 |u = b21 h21 (1)
ϑu1 2
ϑu 2 1
ϑu 2 ϑu1
1 2

dy1 = b11h11du1 + b12 h12 du 2 (2)

dy 2 = b21 h21 du1 + b22 h22 du 2 (3)
Vom presupune următoarea buclă de reglare:

du 2 = −bc 2 hc 2 dy 2 (4)
− du 2 ⎛ 1 ⎞
Din (3) şi (4) => = b21 h21 du1 + b21 h22 du 2 − du 2 ⎜⎜ + b22 h22 ⎟⎟ = b21 h21 du1
bc 2 hc 2 ⎝ bc 2 hc 2 ⎠
(5)
Introducem relaţia (5) în (2):
b21 h21b12 h12 dy1 b h b h
dy1 = b11 h11 du1 − |: du1 => = b11 h11 − 21 21 12 12 (6)
1 du1 1
b22 h22 + b22 h22 +
bc 2 hc 2 bc 2 hc 2
Se observă că variaţia lui y1 faţă de u1 depinde de bucla 2 prin
regulatorul bc 2 .
În privinţa regulatorului c 2 există două cazuri extreme:
- c 2 are o simplificare foarte mică bc 2 hc 2 ≈ 0 => relaţia (6) ia forma
(1);
1
- c 2 are o amplificare foarte mare ≈ 0 => ieşirea y 2 este
bc 2 hc 2
ϑy b h b h
constantă => relaţia (6) devine 1 | y2 = b11 h11 − 21 21 12 12 (7)
ϑu1 b22 h22
Amplificarea relativă este definită prin (1)-(7).
ϑy1 ϑy
λ11 = |u / 1 | y (8)
ϑu1 2
ϑu1 2

−1
⎛ b h b h ⎞
λ11 = ⎜⎜1 − 12 12 21 21 ⎟⎟ (9)
⎝ b22 h22 b11 h21 ⎠
Ideal: λ11 = 1
 −1
ϑy ϑy 2 ⎛ b h b h ⎞
λ 22 = 2 |u | y1 = ⎜⎜1 − 21 21 12 12 ⎟⎟ (10)
ϑu 2 ϑu 2
1
⎝ b11 h11b22 h22 ⎠
⎛λ 1 − λ11 ⎞
λ = ⎜⎜ 11 ⎟⎟
⎝1 − λ12 λ11 ⎠
MAR are două proprietăţi importante:
• Este normalizată în sensul că suma elementelor de pe linie trebuie
să fie egală cu 1 (la fel şi elementele de pe o coloană).
• λij sunt adimensionale, valorile nu sunt afectate de unităţile de
măsură ale lui y respectiv u.
Unele valori ale lui λij şi semnificaţia acestora.
Dacă: λij = 1 , nu există interacţiune cu alte bucle de reglare.
λij = 0 , reglarea lui y i depinde de alte comenzi.
λij > 1 , interacţiunea reduce eficienţa reglării şi dacă valorile
sunt foarte mari se impune proiectarea unui decuplor.
Obs. λij sunt funcţii de timp, ceea ce înseamnă că problema
calculului devine f complicată şi practic se lucrează cu λij în RS (MARS).
Obs. Metode de calcul ale lui MARS
1. Prin aplicarea directă a relaţiilor de definiţie
2. Utilizând calculul numeric al valorilor dy/du sau experimental
3. Calculul matricial.
Aplicaţie

⎧Q1 + Q2 = Q
MMS: ⎨
⎩Q1 x1 + Q2 x 2 = Qx

ϑy1 ϑQ
|u 2 = |Q 2 = 1
ϑu1 ϑQ1
ϑy1 ϑQ
| y2 = |x
ϑu1 ϑQ1
Qx − Q1 x1 Qx − Q1 x1
Q2 = , Q1 + =Q,
x2 x2
 x1 − x 2 ϑQ ϑQ x − x2
Q1 = Q , λ11 = |Q 2 |x =
x − x2 ϑQ1 ϑQ1 x1 − x 2
⎡ x − x2 x − x2 ⎤ ⎡ x − x2 x1 − x ⎤
⎢x − x 1−
x1 − x2 ⎥ ⎢ x1 − x2 x1 − x2 ⎥
λ=⎢ 1 2 ⎥=⎢ ⎥, x1 = x , Q1 = Q ,
⎢ x − x2 x − x2 ⎥ ⎢ x1 − x x − x2 ⎥
⎢1 − x − x x1 − x2 ⎥⎦ ⎢⎣ x1 − x2 x1 − x2 ⎥⎦
⎣ 1 2

⎡1 0⎤
λ=⎢ .
⎣0 1⎥⎦
Debitul Q este dependent doar de Q1 , vom regla debitul Q → Q1 ;
rămâne să reglăm concentraţia Q2 → x .
Obs. SRA-D este foarte rapid în timp ce SRA-C este foarte lent.
Durata regimului tranzitoriu pentru SRA-D este în jur de 10 sec, în
timp ce pentru SRA-C o putem considera în jur de 10 min.
Cele două cuple sunt decuplate în RD (nu se influenţează una faţă
de cealaltă) iar SRA-D intervine numai în RS.
Se recomandă APCH vol.1 (pag 217-228); Ex. Pag.18

5.3. Deplasarea buclelor de reglare

(1) Se dă sistemul multivariabil:

Fig. 1

H1 − H 2 H H
AT 1 = 1m 2 ; AT 2 = 0,5m 3 ; Q1 = ; Q2 = 2 ; Q3 = 1 ; R1 = 0,5 min/ m 2 ;
R1 R2 R3
R2 = 2 min/ m 2 ; R3 = 1 min/ m 2
⎧ .
⎪ AT 1 H 1 = Qi1 − Q1 − Q3
MMD : ⎨ .
(1) Folosind relaţiile şi datele numerice:
⎪⎩ AT 2 H 2 = Qi 2 + Q1 − Q2
⎧.
⎪ H 1 = −3H 1 + 2 H 2 + Qi1 .
⎨. => H = AH + BQ (2)
⎪⎩ H 2 = 4 H 1 − 5H 2 + 2Qi 2
⎡− 3 2 ⎤ ⎡1 0 ⎤ ⎡ H 1 ⎤ ⎡ y1 ⎤ ⎡Qi1 ⎤
A=⎢ ⎥ ;B = ⎢ ⎥ ; H = ⎢ ⎥ = ⎢ ⎥ = y; Q = ⎢ ⎥ = u
⎣ 4 − 5⎦ ⎣0 2⎦ ⎣ H 2 ⎦ ⎣ y2 ⎦ ⎣Qi 2 ⎦
H ( s ) = ( sI − A) −1 BQ( s ) <=> y ( s ) = H p ( s )u ( s ) (3)
⎡s + 3 − 2 ⎤
sI − A = ⎢ =>
⎣− 4 s + 5⎥⎦
det( sI − A) = ( s + 3)( s + 5) − 8 = s 2 + 8s + 7 = ( s + 1)( s + 7)
⎡s + 5 2 ⎤
⎢ 4 s + 3⎥
⎡s + 3 − 4 ⎤ ⎣ ⎦ =>
( sI − A)T = ⎢ ⎥ => ( sI − A) −1
=
⎣− 2 s + 5⎦ ( s + 1)( s + 7)
⎡s + 5 4 ⎤
⎢ 4 2( s + 3)⎥
( sI − A) −1 B = ⎣ ⎦ (4)
( s + 1)( s + 7)

Fig. 2. Procesul reprezentat ca un sistem multivariabil

⎡ H 1 ( s ) ⎤ ⎡ H 11 ( s ) H 12 ( s ) ⎤ ⎡Qi1 ( s ) ⎤
⎢ H ( s )⎥ = ⎢ H ( s ) H ( s )⎥ ⎢Q ( s )⎥
⎣ 2 ⎦ ⎣ 21 22 ⎦⎣ i2 ⎦

(2) Se cere matricea H C (s) a regulatorului astfel încât sistemul să fie

decuplat. Regulatoarele primare se consideră R − ρ : H C 22 = k p 2 . Structura
sistemului este:
 Fig. 3. Sistemul multivariabil centralizat

Se consideră: H ε 1 = H ε 2 = 1; H T 1 = H T 2 = 1

Fig 4. SRA multivariabil cu regulator multivariabil

U 1 = H c11 E1 + H c12 E2 ⎡ H c11 H c12 ⎤

U = HcE Hc = ⎢
U 2 = H c 21 E1 + H c 22 E2 ⎣ H c 21 H c 22 ⎥⎦
⎡ E1 ⎤ ⎡U 1 ⎤ E1 = Yi1 − Y1
E = ⎢ ⎥; U = ⎢ ⎥ ; E = Yi − Y
⎣ E2 ⎦ ⎣U 2 ⎦ E2 = Y2i − Y2

Fig. 5
Y = H p H c E = H p H c (Yi − Y ) = H p H cYi − H p H cY ( I + H p H c )Y = H p H cYi
Deci: Y = ( I + H 0 ) −1 H 0Yi

⎡ H 11 H 12 ⎤ ⎡ H 11 H c11 + H 12 H c 21
H 11 H c12 + H 12 H c 22 ⎤
(3) H 0 = H p H c = ⎢ =
⎣ H 21 H 22 ⎥⎦ ⎢⎣ H 21 H c11 + H 22 H c 21
H 21 H c12 + H 22 H c 22 ⎥⎦
Pentru a nu fi interacţiune trebuie ca matricea ( I + H 0 ) −1 H 0 să fie
diagonală. Deoarece I este diagonală, ( I + H 0 ) −1 H 0 va fi diagonală dacă
H 0 e diagonală, adică:
⎧ H H
⎪ H c12 = − 12 c 22
⎧ H 11 H c12 + H 12 H c 22 = 0 ⎪ H 11
⎨ => ⎨
⎩ H 21 H c11 + H 22 H c 21 = 0 ⎪ H = − H 21 H c11
⎪⎩ c 21 H 22
Pentru exemplul dat rezultă:
4 ( s + 1)( s + 7) 4k p 2
H c12 = − k p2 =− ;
( s + 1)( s + 7) s+5 s+5

4 ( s + 1)( s + 7) 2k p1
H c 21 = − k p1 =−
( s + 1)( s + 7) 2( s + 3) s+3
⎡ k p1 ⎤
⎢ 3 0 ⎥
Matricea H 0 devine: H 0 = ⎢ s + ⎥ ← pentru sistemul decuplat
⎢ 2k p 2 ⎥
⎢⎣ 0 s + 5 ⎥⎦

Fig. 6.

Y = ( I + H 0 ) −1 H 0Yi Y = H 0 E = H 0 (Yi − Y )
⎡ k p1 ⎤ ⎡ k p1 ⎤
0 ⎥ 0 ⎥
⎡Y1 ( s ) ⎤ ⎢ s + 3 ⎡Y ⎤ ⎢ ⎡Y ( s ) ⎤
⎢Y ( s )⎥ = ⎢ ⎥ ⎢ 1i ⎥ = ⎢ s + 3 ⎥⎢ 1 ⎥
⎣ 2 ⎦ ⎢ 0 2k p 2 ⎥ ⎣Y2i ⎦ ⎢ 2k p 2 ⎥ ⎣Y2 ( s )⎦
⎢⎣ s + 5 ⎥⎦ ⎢⎣ 0 s + 5 ⎥⎦
 k p1
Y1 ( s ) = s + 3 Y (s)
k p1 k p1 k p1 1i
Y1 ( s ) = Y1i − Y1 ( s ) 1+
s+3 s+3 s+3
=>
2k p 2 2k p 2 2k p 2
Y2 ( s ) = Y2i − Y2 ( s )
s+5 s+5 Y2 ( s ) = s + 5 Y (s)
2k p 2 2 i
1+
s+5

(4) Rezultatul obţinut:

Fig. 7 „Două SRA” decuplate cu R-P

Răspunsul SMV din fig. 3 fără decuplare:

k p1 = k p 2 = 4; y1i = 1(t ); y 2i = 0
Răspunsul SMV din fig. 3 cu decuplare:

⎧ y1i = 1(t )
k p1 = k p 2 = 4; ⎨
⎩ y 2i = 0
k p1
H 1st = lim sH 1 ( s ) = lim s s + 3 1 = k p1 ≅ 0,6
s →0 s →0 k p1 s 3 + k p1
1+
s+3
Pentru eliminarea erorii staţionare se pot utiliza R-PI:
1 1 − 4k p 2 ( s + 1) − 2k p1 ( s + 1)
H c11 = k p1 (1 + ); H c 22 = k p 2 (1 + ); H c12 = ; H c 21 =
s s s ( s + 5) s ( s + 3)
Simularea SMV în aceste condiţii, cu k p1 = k p 2 = 4 :

Temă! Analizaţi sistemul multivariabil prezentat cu MARS.

5.4. Reglarea modală

(vezi APCh vol. I, p. 236-239)

Ideea reglării modale aparţine lui Rosenbrack (în anii `60).

 Principiu: utilizarea unei relaţii după stare convenabile prin care să
se modifice valorile proprii astfel încât să se obţină performanţe
corespunzătoare în condiţii de stabilitate.
Reglarea modală se aplică sistemelor ce pot fi considerate SPC cu
vectorii x, y, u de aceeaşi dimensiune R n .
⎧⎪ .
x = Ax + Bu A, B, C ∈ Rnxm
⎨
⎪⎩ y = Cx
Se utilizează transformarea T, x = Tx * , unde T este matricea
−
vectorilor proprii matricii A. ( T −1 AT = A )
⎡λ1 .............0 ⎤
−
⎢0 λ .........0 ⎥
A=⎢ 2 ⎥ λ1..n - valorile proprii ale matricii A.
⎢.................. ⎥
⎢ ⎥
⎣0.............λn ⎦
Reglarea modală presupune utilizarea unei reacţii de forma
u = − kx * .
*

Matricea T se numeşte matrice modală.

.
Ecuaţia decuplată x *i + λi xi* = ui* are componenta liberă α i e λ t a i

soluţiei. Această componentă se numeşte mod.

5.5. Reglarea cu matrice dinamică multivariabilă

Baza algoritmului de reglare este şi în acest caz răspunsul indicial

pentru fiecare combinaţie intrare-ieşire. Funcţia obiectiv este:
NC NN NM MM
FODMC = ∑ WWnc ∑ (enc
v
,i − y nc ,i ) +
r 2
∑ qqnm ∑ ∆unm2 ,i , i – asociat timpului de
nc =1 i =1 nm =1 i =1

eşantionare; NC – numărul de variabile reglate; NM – numărul de

comenzi; NN – orizontul ieşirii; MM – orizontul comenzii; WWnc -
parametru ajustabil care ponderează abaterea variabilei reglate nc de la
prescriere; qqnm - parametru ajustabil care ponderează ajustările comenzii
nm.
Din minimizarea FO => algoritmul de reglare:
K DMC = ( AT [WW ] A + [QQ]) −1 AT [WW ] => monovariabile K DMC = ( AT A) −1 AT
Pentru problema reglării unui sistem cu două variabile:
⎡ A11 A12 ⎤ ⎡[WW ]1 0 ⎤ ⎡[QQ]1 0 ⎤
A=⎢ ⎥ ; [WW ] = ⎢ ⎥ ; [QQ] = ⎢
⎣ A21 A22 ⎦ ⎣ 0 [WW ]2 ⎦ ⎣ 0 [QQ]2 ⎥⎦
Elementele acestor matrici sunt blocuri.
Bibliografie reprezentativă: Marlin E. Th. (1995) - Process Control New
York MoGraw-Hill, Cap. 19, 23.
 Cap.6 Sisteme de reglare inteligente

Un sistem de conducere inteligent, SCI, este acela care are

trăsăturile:
1. grad înalt de adaptabilitate;
2. grad înalt de autonomie;
3. o structură complexă.
SCI sunt automate care prelucrează informaţia cu metode specifice
IA:
- Reţele neuronale artificiale;
- Sisteme Fuzzy;
- Algoritmi genetici;
- Sisteme expert;
- Tehnici hibride.

6.1. Sisteme de conducere Fuzzy

fuzzy – vag, estompat, nesigur, imprecis, neclar (1965 Zadeh)

6.1.1. Mulţimi fuzzy

Elementele unei mulţimi au o proprietate comună:
- mulţimea normală – (crisp) set
- mulţimea fuzzy – fuzzy set
Def. O mulţime fuzzy este o mulţime de perechi ordonate de forma
F = {x, mF ( x) / x ∈ X } , unde x este un element generic, iar mF ( x) : x → [0;1]
se numeşte grad de apartenenţă a elementului x la X. X – univers de
discuţie.
O trăsătură a mulţimii fuzzy: între apartenenţa unui element la o
mulţime şi non apartenenţă există o serie de situaţii tranzitorii de natură
continuă caracterizată de aşa numitele grade de apartenenţă.
Funcţia de apartenenţă (membership function) se întâlneşte şi la
mulţimi clasice.
Pentru mulţimile clasice, funcţiile de apartenenţă sunt binare:
⎧1, x ∈ M
mM ( x ) = ⎨
⎩0, x ∉ M
Ex. 1 de mulţime clasică:
Fie M – mulţimea temperaturilor în o C în care apa îngheaţă (fig. 1)
 Fig. 1

Ex. 2 Fie M – mulţimea temperaturilor în o

C , pentru care atribuim
valoarea rece. (fig.2)

Fig. 2

Exemple de funcţii de apartenenţă

1) Fie T=R. Se defineşte pe mulţimea T, mulţimea fuzzy cu temperatura
de ≈ 30 o C

T30 = mulţimea temperaturii ≈ 30 o C . { T30 , mF }

2) Fie H=R. H – mulţimea înălţimii unei persoane în cm. Se defineşte pe
H mulţimea fuzzy înălţimea H a persoanelor înalte H ↑ .

{ H ↑ , mF }
3) Fie universul de discuţie v= R, vârsta persoanelor în ani. Se defineşte
pe v mulţimea fuzzy vârsta persoanelor tinere vT .

{ vT , m F }
• FA – triunghiulară
a+b
Obs: Ele se consideră definite pe intervalul [a,b], iar c =
2

⎧( x − a) /(c − a ), a ≤ x ≤ c x−c
m( x ) = ⎨ m( x ) = 1 − 2
⎩1 − ( x − c) /(b − c), c < x ≤ b b−a
• FA – trapezoidală

⎡ ⎛ x−c ⎞⎤
m( x) = min ⎢1; ht + ⎜⎜1 − 2 ⎟⎥; ht > 1
⎟
⎣⎢ ⎝ b−a ⎠⎦⎥
• Singleton

• Saturaţie

Operaţii cu mulţimi fuzzy

Sunt operaţii clasice (uzuale) din teoria clasică a mulţimilor şi

anume: reuniune (disjuncţie), intersecţie (conjuncţie).
- Mulţimea vidă Φ ⊆ X , mΦ ( x) = 0, x ∈ X
- Mulţimea totală X , m x ( x) = 1, (∀) x ∈ X
 - Reuniunea a două mulţimi fuzzy M ∪N .
mM ∪ N ( x) = mM ( x) ∪ m N ( x), x ∈ X
- Intersecţia: mM ∩ N = mM ( x) ∩ m N ( x), x ∈ X
- Negaţia: m ( x) = 1 − mM ( x), x ∈ X
−
M

Obs: Cei mai utilizaţi operatori sunt:

mM ∪ N ( x) = max{mM ( x), m N ( x)}
x∈X

mM ∩ N ( x) = min{mM ( x), m N ( x)}

x∈X

6.1.2. Elemente de logică

Logica fuzzy este o generalizare a logicii clasice bivalente. Se
înlocuieşte caracterul discret al funcţiilor de apartenenţă (care luau
valoarea 0 sau 1) cu unul de natură continuă.
În LF variabilele iau valori continue numite şi valori de adevăr în
intervalul închis [0,1].
Variabile fuzzy (variabile lingvistice) – sunt mărimi fuzzy asociate
variabilelor deterministe.
De exemplu o variabilă fuzzy poate lua valori de tipul foarte mic,
mic, mediu, mare, foarte mare.
Din punct de vedere al LF aceste valori sunt luate cu un anumit
grad de apartenenţă.

Exemple de variabile fuzzy şi de valori ale acestora

Temperatura mediului exterior. Valori posibile: foarte mică, mică,
medie, mare, foarte mare.
 Comanda generată de regulator. Valori posibile: mică, medie, sau
mare.

Operatori în LF
- Operatorul ŞI (AND) Dacă m1 , m2 şi mn sunt FA definesc pe
aceeaşi mulţime, X, operatorul ŞI este definit astfel:
m( x) = m1 ( x) ∩ m2 ( x) ∩ ... ∩ mn ( x) = min{m1 ( x), m2 ( x),..., mn ( x)}
x∈X

- Operatorul SAU (OR):

m( x) = m1 ( x) ∪ m2 ( x) ∪ ... ∪ mn ( x) = max{m1 ( x), m2 ( x),..., mn ( x)}
x∈X

- Operatorul negaţie (NOT):

−−−−−
m ( x ) = 1 − m( x )
- Operatorul produs * (PROD):
m( x) = m1 ( x) * m2 ( x) * ... * mn ( x)
- Operatorul sumă + (SUM):
1 1 n
m( x) = (m1 ( x) * m2 ( x) * ... * mn ( x)) = ∑ mi ( x)
n n i =1

6.1.3. Baza de reguli Fuzzy

În cadrul tehnicii fuzzy dependenţa între ieşirile şi intrările unui
sistem se realizează prin intermediul unor reguli fuzzy, având forma:
Dacă <condiţie> Atunci <acţiune>
premisă consecinţă
concluzie
IF THEN
Ansamblul acestor reguli, reprezintă baza de reguli fuzzy pe care o
vom nota BRF.
Prin urmare, o regulă se formulează prin compunerea premiselor
____
Pi , i = 1, n cu ajutorul operatorilor logici (not ⊗ ) şi echivalarea rezultatului
cu consecinţa C.
P1 ⊗ P2 ⊗ ... ⊗ Pn => C
 Se utilizează des, reprezentarea BRF sub formă de tabel.
Ex. BRF cu trei intrări şi o ieşire:

i2

NM a NM i NM e Ze PM i PM e PM a

PM a R1 R2 R3 R4 R5 R6 R7

PM e

PM i

i1 Ze R10

NM i

NM e

NM a

Mi
i3
⎧ PM a − pozitiv mare
⎪ PM − pozitiv mediu
⎪ e

⎧M i − mic ⎪ PM i − pozitiv mic

⎪ ⎪
i3 = ⎨M e − mediu i1, 2 ⎨Z e − zero
⎪M − mare ⎪ NM − negativ mic
⎩ a ⎪ i

⎪ NM e − negativ mediu
⎪
⎩ NM a − negativ mare
Exemple de reguli fuzzy
1) Pentru problema reglării distanţei faţă de maşina din faţă.
Dacă distanţa = mică şi viteza = foarte mare
Atunci forţa de frânare = 100%
Dacă distanţa = medie şi viteza = foarte mare
Atunci forţa de frânare = 75%
2) Problema reglării nivelului într-un vas, cu comanda pe evacuare.
Dacă nivelul = mare şi Qi = mare
Atunci Qe = foarte mare
 Dacă nivelul = foarte mic şi Qi = mediu
Atunci Qe = micşorat cu 40%

6.1.4. Prelucrarea fuzzy a informaţiei

Etapele prelucrării informaţiei în sistemul fuzzy sunt:
- fuzzificare;
- inferenţă;
- defuzzificare.
Fuzzificarea, realizează transformarea unei mărimi deterministe
într-o mărime fuzzy şi în mod concret, fiecărei intrări prin intermediul
funcţiilor de apartenenţă aferente i se asociază un vector având ca
elemente globale de apartenenţă la mulţimile fuzzy, definite pe domeniul
său de existenţă.
Exemplu. Mărimii de ieşire r[%] a unui traductor îi sunt asociate funcţii
de apartenenţă, având valori lingvistice mic, mediu, mare, ca în figură:

r=[0,75 0,25 0]
Mi Me Ma
Mai sus se observă gradele de apartenenţă la mulţimile fuzzy ( M i . M e ,
M a ).
Inferenţa – este o procedură de evaluare a regulilor din BRF.
Inferenţa cuprinde două părţi:
- delimitarea Fa a părţii atunci a fiecărei reguli pentru valoarea
curentă, a părţii dacă a acesteia (determinarea Fa a fiecărei
reguli);
- determinarea Fa a BRF prin compunerea (agregarea) Fa
asociate regulilor acestora.
Metode de inferenţă cele mai utilizate:
- Metoda min – max;
- Metoda prod – max.
Exemplu. Fie sistemul de conducere fuzzy (SCF):

Valorile lingvistice ale variabilelor sunt:

x1 : negativ, pozitiv
x2 : mic, mediu, mare
u: mic, mediu, mare
Presupunem că după fuzzificare am obţinut vectorii
r1 =[0,55 0,45] şi r2 =[0,60 0,40 0].
Subsistemul inferenţă, conţine regulile:
R1 : Dacă ( x1 =pozitiv) ŞI ( x2 =mediu)
Atunci (u=mediu)
R2 : Dacă ( x1 =negativ) SAU ( x2 =mic)
Atunci (u=mic)
Se va aplica inferenţa min-max:
R1 : Dacă ( x1 =pozitiv) ŞI ( x2 =mediu)
Atunci ( u 2 =mediu)
R2 : Dacă ( x1 =negativ) SAU ( x2 =mic)
Atunci (u=mic)

Obs. Există două tipuri de baze de reguli: baze de date Mamdani şi

Takegi Sugeno (TS).
Defuzificarea – trecerea de la Fa la BRF la o valoare numerică
deterministă.
Cea mai utilizată metodă este metoda COG (metoda centrelor de
greutate – center of gravity).
u=
∑Aui i
,
∑A i

Ai - arii ale figurilor geometrice în care se descompune aria de sub

Fa a BRF;
ui - centrele de greutate ale ariilor Ai .
Pentru exemplul tratat anterior s-a descompus în arii A1 , A2 , A3 :
A1 =10,5 u1 =7,5
A2 =12,25 u 2 =26,67 u=40
A3 =20 u3 =65
6.1.5. Regulatoare fuzzy
Structura unui SRA monovariabil cu regulator fuzzy:

P-S = pregătire semnale

R-F cuprinde cele trei subsisteme, iar blocul de pregătire semnale
poate să cuprindă operatori aritmetici, derivare, integrare.
La nivel intrare/ieşire faţă de un regulator PID, R-F diferă prin
faptul că pe lângă ieşirea y, poate avea drept intrări şi alte mărimi din
proces.
Sunt regulatoare neliniar statice (nu au elemente dinamice). Există
criterii de stabilitate.
Aplicaţie. Regulator fuzzy monovariabil:
e={0,20,40,60,80,100} ≡ A
u={0,20,40,60,80,100} ≡ B

meM i = 1.0 / 0 + 0,8 / 20 + 0,6 / 40 + 0.4/60+0.2/80+0/100

meM a = 0.0 + 0,2 / 20 + 0,4 / 40 + 0.6/60+0.8/80+1.0/100

muMi = ...m eMi

muMa = ...meMa

Se impun în cazul nostru două reguli:

R1 : Dacă (e=mic) Atunci (u=mic)
R2 : Dacă (e=mare) Atunci (u=mare)
 Determinarea tabelului BRF:
Pasul 1. Determinarea gradelor de adevăr ale părţilor dacă prin metoda
min-max. (nu este cazul)
Pasul 2. Determinarea Fa ale fiecărei reguli (prin limitarea Fa a părţii
atunci la acel grad de adevăr pe care partea dacă le oferă pentru diferite
intrări e) .
Determinarea Fa mR a regulii fuzzy atunci când m A reprezintă Fa a
părţii dacă şi mB este Fa a părţii atunci, se face cu relaţia
mR (e, u ) = min[m A (e), mB (u )] .
AxB

m A → FA a partii Daca
→ m R (e, u ) = min[m A (e), mB (u )]
m B → FA a partii Atunci AxB

m R1 = min[meMi (e), muMi (u )]

AxB

m R1 0 20 40 60 80 100 ← B
0 1.0 0.8 0.6 0.4 0.2 0.0
20 0.8 0.8 0.6 0.4 0.2 0.0
e 40 0.6 0.6 0.6 0.4 0.2 0.0
60 0.4 0.4 0.4 0.4 0.2 0.0
80 0.2 0.2 0.2 0.2 0.2 0.0
100 0.0 0.0 0.0 0.0 0.0 0.0
A↑

mR 2 = min[meMi (e), muMa (u )]

AxB

mR 2 0 20 40 60 80 100 ← B
0 0.0 0.0 0.0 0.0 0.0 0.0
20 0.0 0.2 0.2 0.2 0.2 0.2
e 40 0.0 0.2 0.4 0.4 0.4 0.4
60 0.0 0.2 0.6 0.6 0.6 0.6
80 0.0 0.2 0.4 0.6 0.8 0.8
100 0.0 0.2 0.4 0.6 0.8 1.0
A↑

Pasul 3. Agregarea Fa2 pentru obţinerea Fa a BRF prin concentrarea cu

operatorul max a mr1 şi mR 2 .
mBRF = min[mR1 , mR 2 ]
AxB
 m BRF0 20 40 60 80 100 ← B
0 1.0 0.8 0.6 0.4 0.2 0.0
20 0.8 0.8 0.6 0.4 0.2 0.2
e 40 0.6 0.6 0.6 0.4 0.4 0.4
60 0.4 0.4 0.4 0.6 0.6 0.6
80 0.2 0.2 0.4 0.6 0.8 0.8
100 0.0 0.2 0.4 0.6 0.8 1.0
A↑

Pasul 4. Defuzzificarea conform relaţiei u G = ∑

mi u i
oferă obţinerea
∑m i

următorului tabel:

e 0 20 40 60 80 100
u 26.7 38.3 44.0 56.0 66.7 73.3
e=0
1x0 + 0.8 x 20 + 0.6 x 40 + 0.4 x60 + 0.2 x80 + 0 x100
uG = = 26.7
1 + 0.8 + 0.6 + 0.4 + 0.2 + 0.0

Obs: Variabila de intrare în regulatorul fuzzy ia numai valori pozitive.

Pentru reglare este nevoie de un bloc de forma următoare:
e = 50 + eir Dacă se impune eir ≤ 20% atunci acest bloc de prelucrare va
avea forma e = 50 + 5eir .

6.2. Reţele neurale (neuronale)

6.2.1. Elemente introductive

Structura unui neuron:

Sistemul nervos central (SNC) conţine în jur de 1010 − 1012 neuroni,

care formează aproximativ 60 de trilioane de sinapse ( 60x1018 ).
= 10 −16 J / operatie / sec unda
Eficienţa energetică a creierului
= 10 −6 J / operatie / sec unda
Din punct de vedere al prelucrărilor semnalelor, neuronul poate fi
privit ca un µ procesor simplu care procesează semnalele venite prin
dendrite.
Semnalele sub formă de biocurenţi electrici provenite de la
dendrite sunt însumate în interiorul celulei nervoase propriu-zise. Dacă
suma acestora depăşeşte un anumit prag, neuronul răspunde prin
producerea unui impuls care este propagat prin axon.
Date privind calculul neural:
- 1943 – a apărut primul model de neuron. W.S. McCulloch VI.
Pitts au pus problema modelării acestui neuron.
- 1949 – apare un nou MM al învăţării.
- 1958 – apare perceptronul lui Rosenblatt.
- 1960 – modelul ADALINE (ADAptive LIniar NEuron),
constituit de Widrow.
 - 1969 – apare o carte de reţele neuronale de Minsky.
- 1986 – apar foarte multe cărţi din acest domeniu: Parallel
Distributed Proccessing Exploration in Microstructure by D.
Rumelhart.
Obs. RNA (reţelele neuronale) reprezintă o tehnică puternică de
prelucrare a datelor nestructurate sub formă numerică (măsurătorile).

Modelul structural abstract al neuronului

x1 ,...x n - intrări;
xn +1 = 1
w1 , w2 ,...wn - coeficienţii de ponderare
θ - termen de polarizare
x n+1θ - echivalentul lui u 0 de la R-P
f – funcţia de activare.
n
S = ∑ wj x j (1)
j =1

f : R → (0;1) (2)
Se utilizează în mod curent forma sigmoidă:
1
y = f ( s) = k>0 (3)
− 1 + e − k ( s −θ )
 Există diverse forme de activare, una dintre ele este funcţia treaptă:
⎧0, s − θ ≥ 0
f (s) = ⎨
⎩1, s − θ < 0

Pe această funcţie de activare se

observă că atunci când suma
intrărilor depăşeşte un numit
prag ( θ = 2 ) neuronul generează
o ieşire diferită de zero.

Reţea neuronală artificială (RNA)

Reprezintă un model simplificat al SNC, modele conexioniste
(stocarea informaţiei din creier).
Se face sub forma ponderilor sinaptice, care sunt modificate
(adaptate) pe durata învăţării.
Un RNA este o mulţime de neuroni conectaţi într-un anumit fel.
Calculul neural, utilizarea RNA presupune parcurgerea a două
etape:
1. Instruirea sau învăţarea (pentru intrări şi ieşiri cunoscute se
determină coeficienţii de pondere)
2. Faza operaţională de lucru sau reprezentarea cunoaşterii, RN
prelucrează intrările conform celor însuşite în faza de instruire.

Specificarea unui RNA

- numărul de neuroni
- modul de interconectare
- funcţii de activare
- modul de propagare a semnalelor de la intrare spre ieşire
- metoda de instruire utilizată
Pot exista tipuri de straturi:
- de intrare
- ascunse
- de ieşire
Algoritmii de instruire pot fi de trei tipuri:
1. cu supervizare
a. regula delta
b. backpropagation
c. învăţare hebbiană
d. algoritmi stochastici
2. fără supervizare
3. algoritmi reinforcement
Aceste reţele pot avea tipuri de arhitecturi, cum ar fi:
1) - Feedforward pentru un singur strat – modelul ADALINE
- Hopfield – modelul perceptron
2) Feedforward cu mai multe straturi – MADALINE, RBF
3) Recurente, reţele de tip ART, BAM.
Structura unui perceptron:

Aplicaţia SRA-N cu RNA

RN – reţea neuronală
w1 , w2 - ponderi y ∈ [0;1]
La SP se utilizează:
w1 = wmax
Dacă | e | > 2% Atunci ponderile primesc valori maxime ( )
w2 = wmax
wmax = 8e 2 (8 ⋅10 2 )
w min = − wmax
Funcţia de activare
Pentru neuronii din tabelul de intrare: f(s)=S
1
Pentru neuronii din stratul de ieşire: f ( s ) =
1 + e −0, 2 s