Нечеткая логика с большим успехом применяется в различных приложениях управления. Почти все потребительские товары имеют нечеткое управление. Некоторые из примеров включают в себя регулирование температуры в вашей комнате с помощью кондиционера, антиблокировочной системы, используемой в транспортных средствах, управления на светофорах, стиральных машинах, крупных экономических системах и т. Д.
Зачем использовать нечеткую логику в системах управления
Система управления — это совокупность физических компонентов, предназначенных для изменения другой физической системы, чтобы эта система демонстрировала определенные желаемые характеристики. Ниже приведены некоторые причины использования нечеткой логики в системах управления.
-
При применении традиционного контроля необходимо знать модель и целевую функцию, сформулированные в точных терминах. Это делает его очень сложным для применения во многих случаях.
-
Применяя нечеткую логику для управления, мы можем использовать человеческий опыт и опыт для разработки контроллера.
-
Нечеткие правила управления, в основном правила IF-THEN, лучше всего использовать при разработке контроллера.
При применении традиционного контроля необходимо знать модель и целевую функцию, сформулированные в точных терминах. Это делает его очень сложным для применения во многих случаях.
Применяя нечеткую логику для управления, мы можем использовать человеческий опыт и опыт для разработки контроллера.
Нечеткие правила управления, в основном правила IF-THEN, лучше всего использовать при разработке контроллера.
Допущения в дизайне нечеткой логики (FLC)
При разработке нечеткой системы управления следует сделать следующие шесть основных предположений:
-
Завод является наблюдаемым и управляемым — необходимо предположить, что входные, выходные и переменные состояния доступны для целей наблюдения и контроля.
-
Существование тела знаний. Следует предположить, что существует тело знаний, имеющее лингвистические правила и набор данных ввода-вывода, из которых можно извлечь правила.
-
Существование решения. Необходимо предположить, что решение существует.
-
«Достаточно хорошего» решения достаточно — управляющая техника должна искать «достаточно хорошее» решение, а не оптимальное.
-
Диапазон точности — контроллер нечеткой логики должен быть сконструирован в допустимом диапазоне точности.
-
Вопросы стабильности и оптимальности . Вопросы стабильности и оптимальности должны быть открыты при разработке логического контроллера Fuzzy, а не решаться в явном виде.
Завод является наблюдаемым и управляемым — необходимо предположить, что входные, выходные и переменные состояния доступны для целей наблюдения и контроля.
Существование тела знаний. Следует предположить, что существует тело знаний, имеющее лингвистические правила и набор данных ввода-вывода, из которых можно извлечь правила.
Существование решения. Необходимо предположить, что решение существует.
«Достаточно хорошего» решения достаточно — управляющая техника должна искать «достаточно хорошее» решение, а не оптимальное.
Диапазон точности — контроллер нечеткой логики должен быть сконструирован в допустимом диапазоне точности.
Вопросы стабильности и оптимальности . Вопросы стабильности и оптимальности должны быть открыты при разработке логического контроллера Fuzzy, а не решаться в явном виде.
Архитектура нечеткой логики
Следующая диаграмма показывает архитектуру Fuzzy Logic Control (FLC).
Основные компоненты FLC
Ниже приведены основные компоненты FLC, как показано на рисунке выше.
-
Fuzzifier — роль fuzzifier заключается в преобразовании четких входных значений в нечеткие значения.
-
База нечетких знаний — хранит знания обо всех нечетких отношениях ввода-вывода. Он также имеет функцию принадлежности, которая определяет входные переменные для базы нечетких правил и выходные переменные для контролируемой установки.
-
База нечетких правил — хранит знания о работе процесса домена.
-
Механизм вывода — действует как ядро любого FLC. В основном это моделирует человеческие решения, выполняя приблизительные рассуждения.
-
Defuzzifier — роль дефаззификатора заключается в преобразовании нечетких значений в четкие значения, полученные из механизма нечеткого вывода.
Fuzzifier — роль fuzzifier заключается в преобразовании четких входных значений в нечеткие значения.
База нечетких знаний — хранит знания обо всех нечетких отношениях ввода-вывода. Он также имеет функцию принадлежности, которая определяет входные переменные для базы нечетких правил и выходные переменные для контролируемой установки.
База нечетких правил — хранит знания о работе процесса домена.
Механизм вывода — действует как ядро любого FLC. В основном это моделирует человеческие решения, выполняя приблизительные рассуждения.
Defuzzifier — роль дефаззификатора заключается в преобразовании нечетких значений в четкие значения, полученные из механизма нечеткого вывода.
Шаги в разработке FLC
Ниже приведены этапы проектирования FLC.
-
Идентификация переменных — Здесь необходимо определить входные, выходные и переменные состояния объекта, который находится на рассмотрении.
-
Конфигурация нечеткого подмножества — Вселенная информации делится на количество нечетких подмножеств, и каждому подмножеству присваивается лингвистическая метка. Всегда убедитесь, что эти нечеткие подмножества включают в себя все элементы вселенной.
-
Получение функции членства — Теперь получите функцию членства для каждого нечеткого подмножества, которое мы получаем на предыдущем шаге.
-
Конфигурация базы нечетких правил. Теперь сформулируйте базу нечетких правил, задав взаимосвязь между нечетким входом и выходом.
-
Fuzzification — На этом этапе начинается процесс фаззификации.
-
Объединение нечетких выходов — применяя нечеткие приблизительные рассуждения, найдите нечеткий выход и объедините их.
-
Дефаззификация — наконец, запустите процесс дефаззификации , чтобы получить четкое изображение.
Идентификация переменных — Здесь необходимо определить входные, выходные и переменные состояния объекта, который находится на рассмотрении.
Конфигурация нечеткого подмножества — Вселенная информации делится на количество нечетких подмножеств, и каждому подмножеству присваивается лингвистическая метка. Всегда убедитесь, что эти нечеткие подмножества включают в себя все элементы вселенной.
Получение функции членства — Теперь получите функцию членства для каждого нечеткого подмножества, которое мы получаем на предыдущем шаге.
Конфигурация базы нечетких правил. Теперь сформулируйте базу нечетких правил, задав взаимосвязь между нечетким входом и выходом.
Fuzzification — На этом этапе начинается процесс фаззификации.
Объединение нечетких выходов — применяя нечеткие приблизительные рассуждения, найдите нечеткий выход и объедините их.
Дефаззификация — наконец, запустите процесс дефаззификации , чтобы получить четкое изображение.
Преимущества Fuzzy Logic Control
Давайте теперь обсудим преимущества Fuzzy Logic Control.
-
Дешевле — разработка FLC сравнительно дешевле, чем разработка на основе модели или другого контроллера с точки зрения производительности.
-
Надежность — FLC более надежны, чем ПИД-регуляторы, поскольку они способны охватывать широкий диапазон условий эксплуатации.
-
Настраиваемый — FLC можно настраивать.
-
Подражайте человеческому дедуктивному мышлению — в основном, FLC разработан, чтобы подражать человеческому дедуктивному мышлению, процессу, который люди используют, чтобы сделать вывод из того, что они знают.
-
Надежность — FLC надежнее обычной системы управления.
-
Эффективность — нечеткая логика обеспечивает большую эффективность при применении в системе управления.
Дешевле — разработка FLC сравнительно дешевле, чем разработка на основе модели или другого контроллера с точки зрения производительности.
Надежность — FLC более надежны, чем ПИД-регуляторы, поскольку они способны охватывать широкий диапазон условий эксплуатации.
Настраиваемый — FLC можно настраивать.
Подражайте человеческому дедуктивному мышлению — в основном, FLC разработан, чтобы подражать человеческому дедуктивному мышлению, процессу, который люди используют, чтобы сделать вывод из того, что они знают.
Надежность — FLC надежнее обычной системы управления.
Эффективность — нечеткая логика обеспечивает большую эффективность при применении в системе управления.
Недостатки нечеткой логики
Теперь поговорим о недостатках Fuzzy Logic Control.
Требует много данных — FLC требует много данных для применения.
Полезно в случае умеренных исторических данных — FLC бесполезен для программ, намного меньших или больших, чем исторические данные.
Требуется высокий человеческий опыт — это один недостаток, поскольку точность системы зависит от знаний и опыта людей.
Требуется регулярное обновление правил — Правила должны обновляться со временем.