Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

1. Uvod
ta je fuzzy logika? Da bi odgovorili na ovo pitanje, uporediemo ovaj pristup sa konvencijalnom logikom. Osnove klasine logike je uvrstio jo u antikoj Grkoj poznati filozof Aristotel. Ova logika se zasniva na jasnim i precizno utvenim pravilima, a poiva na teoriji skupova. Neki element moe da pripada nekom skupu ili da ne pripada. Skupovi imaju jasno odreene granice. Tako su ovakvi skupovi, pa sa njima i logika, nazvani engleskom rei crisp, koja ima znaenje jasan, bistar. Fuzzy (/fzi/) je engleska re koja bi mogla da se prevede kao maglovito, nejasno, mutno. U fuzzy logici nije precizno definisana pripadnost jednog elementa odreenom skupu, ve se pripadnost meri u, recimo, procentima. Ove mere pripadnosti, skalirane, mogu da uzimaju vrednosti od 0 do1. Uzmimo kao primer dane u nedelji i napravimo dva skupa. Skup radnih dana i skup vikend. U crisp logici bi se u skupu radnih dana nali: ponedeljak, utorak, sreda, etvrtak i petak a u skupu vikend dana: subota i nedelja. Tj. pripadnost elementa nekom skupu bi se izrazila brojem 1 a nepripadanje brojem 0. Meutim u fuzzy zakljuivanju bi situacija bila neto drugaija. Petak, kao dan koji je delom radni dan a delom poetak vikenda bio bi negde na granici ova dva skupa. Tj. njegova pripadnost prvom, skupu radnih dana bi se izraavala, recimo brojem 0,75 dok bi pripadnost drugom, skupu vikend dana bila cifra 0,25. Slino bi bilo i za nedelju kao dan koji jeste vikend ali ne sasvim, celim svojim trajanjem, jer ipak se nedelja uvee doivljava kao priprema za novu radnu nedelju odnosno mnogi ljudi e ga okarakterisati kao ne sasvim vikend dan, jer posle njega dolazi ponedeljak. Vidimo da je ova logika jako bliska ljudskoj percepciji o mnogim stvarima u ivotu. Mnoge sline situacije koje nisu jasno razdvojene, koje su meavina vie stvari su svakodnevno prisutne oko nas. Ovde smo na prilino nestabilnom terenu, jer relevantnim postaje subjektivno miljenje o nekoj stvari. ak i kulturoloko naslee ili generacijske razlike imaju uticaja. Ali to je i poenta. Da li je desetogodinjak koji sebe smatra visokim stvarno i visok? Ovde smo predstavili domen u kome jasna da ne (tano netano) logika vie nije upotrebljiva. U fuzzy logici istinitost svakog tvrenja se meri u procentima.

Slika 1.1 Preslikavanje ulaza u izlaze Fuzzy logiku je predstavio Lotfi Zadeh 1965. godine a u kontrolu sistema ju je uveo E. Mamdani 1976. godine. Jo tada je ovaj pristup privukao zavidnu panju. Iako se za jednostavnije sisteme fuzzy pristup pokazao kao veoma efikasan i jasno prilagoen ljudskom poimanju stvari, za komplikovanije sisteme se pokazao kao veoma zahtevan. Naime, za realizaciju kontrolera u tom sluaju je potrebno mnogo resursa, i vremenskih i intelektualnih.
1

Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

U godinama koje su usledile razvijene su razliite metode za projektovanje kontrolera koje bi olakale ovaj proces. Jedna od tih metoda je projektovanje fuzzy PID kontrolera, odnosno zadravanje koncepta PID kontrolera i kombinovanje sa fuzzy logikom zakljuivanja. Takav pristup emo nadalje koristiti. Za ulaze kontrolera se usvajaju proporcionalno, integralno i diferencijalno dejstvo, kao do tad poznate i prihvaene promenjive o ijem se ponaanju poseduje dovoljno iskustvenog znanja. Sam fuzzy deo kontrolera je zamiljen tako da odgovara ponaanju konkretnog sistema. Fuzzy kontroler je kontroler koji vri preslikavanje ulaza u izlaze korienjem fuzzy logike (slika 1.1).

Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

2. Fuzzy logika i upravljanje

Do danas su razvijane mnoge tehnike projektovanja kontrolera koje bi trebalo da omogue jasnu metodologiju za ostvarivanje eljenih performansi i specifikacija koje kontroler treba da ispuni. Ove tehnike se razlikuju i u pristupu, pa se tako izdvajaju razliiti kontroleri: linearni, robusni, nelinearni, adaptivni, zasnovani na prostoru stanja itd. Najvei broj kontrolera u upotrebi danas su PID kontroleri koji se esto smatraju kao adekvatno reenje koje je jednostavno, pouzdano i u velikoj meri lako razumljivo. Svi ovi pristupi se oslanjaju na diferencijalne jednaine kojima se dovoljno dobro opisuje dinamiko ponaanje sistema. Matematike predstave fizikih zakonitosti po kojima se proces ponaa, dovode do odreenih zakljuaka kako da se procesom valjano upravlja. Ove jednaine, naravno, opisuju proces sa odreenim stepenom zanemarivanja a sve u cilju da se dobije to jednostavniji model procesa koji zadovoljavajue predstavlja sistem i njegovu dinamiku. Da bi se dobili kontroleri dobrih performansi razvijene su razne metode podeavanja kontrolera. Ove metode se zasnivaju na heuristikom predznanju o procesu koji treba kontrolisati, kao npr. najee koriena metoda Zigler Nikols (Ziegler Nichols). Javilo se pitanje kako bi se ponaao kontroler u ijem razvoju je primenjeno iskljuivo heuristiko znanje, bez kompleksnog matematikog aparata za modeliranje? Fuzzy upravljanje obezbeuje formalnu metodologiju za predstavljanje, manipulaciju i implementaciju ljudskog heuristikog predznanja o tome kako kontrolisati jedan, odreeni sistem. Ovo ne iskljuuje razvoj modela procesa jer nam je ovaj model u svakom sluaju potreban za detaljnu simulaciju ponaanja kontrolera u cilju ispitivanja zadovoljenja performansi, stabilnosti sistema kao i za ispitivanje krajnih ogranienja samog dizajna. Cilj fuzzy pristupa je da, umesto da jezikom matematike pokua da to bolje rei problem upravljanja sistemom, omogui implementaciju inenjerskog iskustva o procesu u sam algoritam kontrolera. Ovde emo predstaviti uoptenu filozofiju ovakvog pristupa dizajniranju kontrolera.

2.1 Struktura Fuzzy kontrolera

Slika 2.1 Struktura fuzzy kontrolera Baza pravila sadri znanje o tome kako najbolje kontrolisati sistem, i to u formi skupa logikih (if then) pravila. Interfejs je mehanizam za procenjivanje koja kontrolna pravila su relevantna za trenutno stanje sistema i odluuje logikim sklopom kakav e biti upravljaki signal, tj. ulaz u proces.
3

Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

Fazifikacija naprosto modifikuje signale ulaza tako da mogu biti pravilno protumaeni i uporeeni sa pravilima u bazi pravila. Crisp signal pretvaramo u adekvatan fuzzy oblik. Defazifikacija transformie zakljuak interfejsa u takav oblik signala da ovaj moe biti signal koji predstavlja ulaz u proces. Ovo je transformacija fuzzy oblika u crisp oblik signala, koji je razumljiv procesu.

U osnovi, na fuzzy kontroler treba gledati kao na vetakog donosioca odluke koji radi u sistemu sa zatvorenom spregom u realnom vremenu. On sakuplja podatke izlaza procesa, uporeuje ih sa referencom i onda na nain svojstven fuzzy logici odluje ta u tom trenutku treba da bude ulaz procesa, i to tako da se zadovolje eljene performanse i zadati ciljevi specifikacije. Da bi projektovali jedan fuzzy kontroler, potrebno nam je pre svega odreeno predznanje o ponaanju procesa. Heuristike informacije o tome kako najbolje upravljati nekim procesom mogu da se prikupe na dva naina. Informacije najee dobijamo od operatera koji ima dovoljno iskustvenih podataka o tome kako na najbolji nain upravljati procesom. Ree zakljuke o upravljenju procesa donose specijalno angaovani inenjeri koji, shvatajui dinamiku procesa, mogu da odrede pravila po kojima bi se procesom moglo upravljati. Ova pravila nam govore kakav bi trebao da bude ulaz procesa ako se njegov izlaz ponaa na takav i takav nain. Koliina informacija ne bi trebalo da bude manja od informacija potrebnih za dizajn nekog od konvencijalnih kontrolera. Iako nam predznanje o izgledu modela procesa nije neophodno za samo projektovanje fuzzy kontrolera, ako takvu informaciju i posedujemo, zato je ne iskoristiti? Ovo je esta zabluda pri prvom susretu sa fuzzy kontrolerom. Ako ni zbog ega drugog, model procesa e nam biti potreban za simulaciju upravljanja i ispitivanje kvaliteta kontrolera, pre eventualnog realnog putanja u rad. Ako su nam ve ti podaci dostupni onda je pametno da ih uzmemo u obzir i iskoristimo. Projektovanje fuzzy kontrolera po definiciji ne iskljuuje odsustvo potrebe za nalaenjem modela procesa. Prednost fuzzy naina se ne ogleda u tome. Pri konvencijalnom projektovanju za opisivanje dinamike sistema se koriste diferencijalne jednaine, koje se kasnije pokuavaju pojednostaviti i tako uine to razumljivije mainama. Time one postaju ujedno manje razumljive ljudima. Fuzzy pristup je drugaiji. On ljudski nain rezonovanja unosi u raunarsku logiku raunarski algoritam postaje blii ljudskom zakljuivanju i samim tim jednostavniji ljudima za shvatanje. Umesto da mi pokuavamo da mislimo na nain na koji to rade maine, omoguavamo mainama da misle na na nain. Logika pravila po kojim se vri upravljanje su realizovana u obliku if then pravila i ako je razvijena strategija upravljanja, sistem je spreman da se proveri u simulaciji. Postupak realizacije fuzzy kontrolera emo objasniti na jednostavnom primeru kontrole nivoa vode u rezervoaru putem jednog ventila. Nivo vode se zadaje a otvaranjem i zatvaranjem ventila se postie valjano upravljanje. Prvo emo odrediti koji bi mogli biti ulazi i izlazi naeg kontrolera.

2.1.1 Izbor ulaza i izlaza fuzzy kontrolera

Prvi korak u projektovanju predstavlja izbor ulaza i izlaza kontrolera. Promenljive koje nose informaciju o ponaanju sistema treba da budu ulazi kontrolera. Prouavanjem sistema vidimo da moemo uzeti razliite infomacije. U naem primeru to moe biti trenutni nivo vode u rezervoaru i prirataj nivoa vode, tj. tok vode. Drugi izbor za ulaze moe biti statika greka nivoa i izvod greke:
e (t ) = r (t ) y (t ) ,

(2.1)
4

Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

de ( t ) , dt
gde je r(t) referentni ulaz a y(t) izlaz procesa.

(2.2)

Primetiemo da nas ovaj izbor podsea na PID kontroler. Naravno postoje mnoga intuitivna reenja za izbor varijabli koje nose dovoljno informacija o trenutnom stanju sistema i na kojima e se zasnivati odluka kontrolera. Sledei korak je izbor kontrolne promenjive, odnosno ulaza u proces. Kako je na primer jednostavan, kao jedini izbor se namee kontrola ventila. Ventil kakarketiu dve osobine: stepen otvorenosti i brzina kojom se ventil zatvara/otvara. Za kompleksnije sisteme izbor ulaza i izlaza kontrolera moe biti tei. Da bi kontroler mogao da donese odluku o vrednosti upravljake promenjive, mora da prima dovoljno informacija kroz signale ulaza. Ako se ispostavi da kontroler ne radi dobro svoj posao, problem je moda upravo u izboru ulaznih signala ili u nedovoljnom broju relevantnih parametara koji su uzeti u obzir. Takoe, kontroler mora imati izlaz koji e upravljati sistemom tako da ga dovede u zahtevano stanje sa eljenim performansama. U laboratorijskim i uslovima simulacije, sistemi i njihovo ponaanje su nam relativno poznati. Sistemi sa kojima se inenjeri sreu u praksi su obino vieslojno komplikovani i izbor ovih varijabli se ne sme uzeti olako.

2.1.2 Lingvistike promenjive i lingvistike vrednosti

Jedna od osobina fuzzy logike je da se bazira na prirodnom jeziku, na osnovama ljudskog sporazumevanja. Obini, govorni jezik, predstavlja trijumf efikasnosti komunikacije. Ne primeujemo vanost ovoga, jer se jezikom sluimo svakodnevno. Kako je fuzzy logika izgraena od struktura koje se oslanjaju upravo na kvalitativnim opisima kojima se sluimo svakodnevno, u prirodnom jeziku, jednostavnost upotrebe fuzzy logike se sama namee. Ulazi i izlazi mogu imati razliite lingvistike nazive. Uobiajeno se promenjive nazivaju opisnim imenima, poput: nivo vode, priliv vode, ljudi srednjeg rasta, velike zarade, brzi automobili, mala rastojanja itd. Ovo je dobar pristup, ali treba biti obazriv da se, zarad postizanja to detaljnije dokumentacije i to boljeg opisa promenjive i njenog uticaja na sistem, ne napravi previe komplikovan i dug naziv. Transformaciju ovakvih izraza u oblik matematike predstave omoguava nam teorija fuzzy skupova. Lingvistike promenjive bi trebalo da imaju i lingvistike vrednosti. To mogu biti: negativno veliko, negativno srednje, negativno malo, blisko nuli, pozitivno veliko, dobro, otvori brzo i sl. Ovim vrednostima moemo da dodelimo i numeriku predstavu u cilju lakeg i kraeg obeleavanja. Ako hoemo da govorimo o toploti vode, moramo da ustanovimo opseg u kom se oekuje da temperatura varira kao i to ta mislimo pod terminom vrua. Odnosno kojih sve temperatura moe da bude voda ako je nazovemo vruom. Sve ovo nam koristi da to bolje objasnimo dinamiku sistema kroz lingvistiku predstavu znanja o procesu. to bolje razumemo proces, lingvistika predstava njegovog ponaanja e biti preciznija i samim tim dovesti do boljeg kontrolera. Sluaj da neka lingvistika promenjiva uzima odreenu lingvistiku vrednost mora da predstavlja jasno odreeno stanje sistema i da se distancira od drugih sluajeva. Ako je greka sistema, u naem primeru rezervoara, pozitivna, to moe da znai samo jedno: trenutni nivo vode je nii od eljenog nivoa.
5

Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

U naem primeru zadovoljavajue lingvistike promenjive su: e ( t ) za greku i

de za izvod greke, a za upravljaku promenjivu ventil, jer se ovom promenjivom dt upravo upravlja ventilom.

2.1.3 Funkcije pripadanja

Koju vrednost zapravo imaju lingvistike vrednosti? Ovde na scenu stupaju funkcije pripadanja. Ovo ustvari ilustruje prirodu lingvistikih vrednosti. Ako kaemo da je vreme danas vrue, ta to u stvari podrazumeva? Svakako ne podrazumeva tano odreenu temperaturu spoljnjeg vazduha, ve izvesni intuitivni opseg temperature. Funkcija pripadanja predstavlja kontinualno merilo sigurnosti da li je naa promenjiva klasifikovana kao ta lingvistika vrednost. Ova funkcija odreuje stepen pripadanja nekog objekta datom fuzzy skupu.

Slika 2.2 Konvencionalna funkcija pripadanja skupu visokih osoba

Uzmimo kao primer odreivanje pripadnosti skupu visokih ljudi. Kod konvencijalnog skupa granica pripadnosti bi bila otro odreena jednom prekidnom funkcijom (slika 2.2). Usvojena je granica do koje se neka osoba smatra visokom. Dve osobe bi bile razliito klasifikovane iako im se visina razlikuje u samo par santimetara.

Slika 2.3 Kontinualna funkcija pripadanja fuzzy skupu visokih osoba

Ovaj pristup bi imao smisla da govorimo o nekoj apstraktnoj predstavi kao to su, recimo brojevi. Moemo rei da su svi brojevi vei od nekog broja veliki a manji od njega mali. Meutim, kad priamo o neem to je uslovljeno subjektivnim, starosnim i drutvenim odlikama, kao to je procena da li je neka osoba visoka, postavljati ovakvu otru granicu je
6

Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

bez smisla. Zato uvodimo kontinualnu funkciju pripadanja koja odreuje da li i u kojem stepenu je neka osoba visoka (slika 2.3). Ova funkcija moe uzeti u obzir na koga se odnosi, da li na osobe enskog roda, da li na decu do 12 godina ili na sve punoletne osobe. Jedino to funkcija pripadanja mora da ispuni jeste da bude skalirana i da uzima vrednosti od 0 do 1, kao valjane reprezente stepena pripadanja promenjive toj funkciji. Ove funkcije mogu da imaju razliite oblike (slika 2.4). Kakva e biti funkcija pripadnosti zavisi od uslova i ponaanja sistema. Recimo za sve vrednosti promenjive e ( t ) vee od neke maksimalne relevantne vrednosti funkcija pripadnosti moe imati saturaciju, tj. sve vrednosti vee od te pripadaju jednoj funkciji.

Slika 2.4 Primer izbora funkcije pripadnosti za sluaj: e(t) je pozitivna

Ako funkciju pripadanja oznaimo sa A ( x) , onda je fuzzy skup A nad prostorom X definisan kao:

A = { x, A ( x ) x X } ,

(2.3)

gde je A ( x ) funkcija pripadnosti koja mapira stepen pridanosti elementa x skupu A. Na ovaj nain se uvodi neodreenost, koja potie od osobine ljudi da stvari ne posmatraju na egzaktan, odreen nain. Svaki element x skupa A ima stepen pripadanja A ( x ) = [ 0,1] . Matematika
predstava funkcija pripadanja i osobina fuzzy skupa e biti detaljnije predstavljena u podglavlju 2.2.

Slika 2.5 Trougaone funkcije (nazivaju se jo i L , i funkcije prema obliku)

Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

Kako bi se ostvarila raunska efikasnost, efikasnost korienja memorijskih resursa (to je vano kod autonomnih kontrolnih ureaja koji su esto skromnih hardverskih mogunosti) i da bi se ostvarile eljene performanse sistema, potrebna je uniformna predstava funkcije pripadnosti. Ovakva predstava moe se postii upotrebom funkcije pripadnosti uniformnog oblika i parametarske, odnosno funkcionalne definicije. Najpopularnije su funkcije trougaonog, trapezoidalnog i zvonastog oblika. U automatskom upravljanju se najvie koristi trougaoni oblik funkcije pripadnosti zato to je njen analitiki oblik najjednostavniji i najvie odgovara postojeim kontrolnim problemima (slika 2.5).

Slika 2.6 funkcije pripadanja: a) za ulaz e(t) b) za ulaz

de i c) za izlaz ventil dt

U primeru rezervoara ulazne promenjive i upravljaka promenjiva imaju funkcije pripadanja prikazane na slici 2.6. Primetiemo da imena funkcija odraavaju osobinu promenjivih, kako ulaznih tako i izlazne, upravljake. Ovim smo, dakle, odredili i lingvistike vrednosti koje ove varijable mogu uzimati.

2.1.4 Fazifikacija
Fazifikacija predstavlja samo vrstu predstave crisp veliina u takav oblik da bude primenjiv u fuzzy logici. esto se ovaj postupak naziva i kodiranje. Ovo nam omoguavaju upravo funkcije pripadnosti, koje ustvari mapiraju stepen istinitosti neke tvrdnje. Ako je e ( t ) = 0.3 kako se to predstavlja u jednom fuzzy sistemu? Ovo je slikovito objanjeno na

slici 2.7.

Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

Slika 2.7 Primer fazifikacija ulazne promenjive e ( t )

Fazifikacija predstavlja preslikavanje numerikih vrednosti ulaza x u fuzzy skup:

F : X X FUZ ,

(2.4)

gde su sa X FUZ predstavljeni svi fuzzy skupovi koji se mogu definisati nad domenom X. Pridruivanje fuzzy skupa AiFUZ promenjivoj xi moemo predstaviti relacijom:
F

( xi ) = AiFUZ .

(2.5)

Poseban oblik fazifikacije predstavlja singleton fazifikacija. Proizvod ovog preslikavanja je skup AiFUZ , ija funkcija pripadanja uzima samo jednu, diskretnu vrednost:
FUZ A (a) =
i

1 a = xi 0 inae.

(2.6)

Ovakva singleton funkcija se predstavlja diskretnom impulsnom funkcijom. Ona se esto koristi u procesu odreivanja fuzzy skupa izlaznih promenjivih fuzzy kontrolera. Izlazi tada uzimaju konaan broj diskretnih i odreenih vrednosti. Ovo je pogodnost u automatskom upravljanju, jer se esto vrednosti upravljakih signala moraju kretati u ogranienom opsegu, da bi se zadrala stabilnost sistema. Ovakvi kontoleri se nazivaju sugeno tip kontrolera.

2.1.5 Baza pravila

Pretpostavimo da je iskusni strunjak ve opisao najbolji nain za upravljanje sistemom i to na nekom prirodnom jeziku (npr. srpskom). Na zadatak je da pronaemo nain kako da ovo lingvistiko znanje o procesu unesemo u fuzzy kontroler. Cilj fuzzy kontrolera je da fuzzy logikom mapira preslikavanje ulaza u izlaze kontrolera. Primarni mehanizam za to je lista if then tvrenja koja nazivamo pravilima. Sva pravila se izvavaju paralelno i njihov redosled nije bitan. Ovakva lista pravila se naziva baza pravila (rule base). Pravila se odnose na lingvistike promenjive i na njihove osobine. Ako smo prethodno definisali sve termine i sve osobine koje definiu te termine, tj. promenjive, moemo da pristupimo projektovanju sistema koji interpretira pravila. Da bi izrazili posledicu koju proizvode trenutne vrednosti ulaznih pomenjivih gradimo pravila. Ova pravila imaju oblik: if <premisa> then <posledica>, odnosno: if x1 is A1,k and ... and xNx is ANx, then y1 is B1,k , ... , yNy is BNy,k.
9

Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

Na isti nain kao to teorija crisp skupova slui kao osnova za klasinu logiku , teorija fuzzy skupova slui kao osnova za fuzzy logiku. Osnovni pojam fuzzy logike, kao i logike crisp skupova, je tvrenje (iskaz) koje ima oblik x is A.

Slika 2.8 Razlika izmeu crysp i fuzzy logike

Operacije preseka, unije i komplementa imaju svoje korespodente, u fuzy logici, u veznicima and, or i not, tako da se pomou njih mogu graditi sloena tvrenja (slika 2.8). Vie o operatorima, relacijama i osobinama fuzzy skupa je reeno u podglavlju 2.2. Maksimalano mogu broj pravila je odreen brojem ulaznih veliina i brojem lingvistikih vrednosti. Ako je broj ulaza n , a broj vrednosti za svaku veliinu ponaosob m , onda je maksimalan broj pravila mn . Naravno ovo je u sluaju svih kombinacija, mada se deava da ako jedna promenjiva ima odreenu vrednost, druga ulazna promenjiva nema nikakav uticaj. Ako broj ulaza u kontroler nije prevelik, zgodan nain predstavljanja svih de i pet vrednosti koje ove sluajeva je u formi tabele. Ako imamo dva ulaza: e ( t ) i dt promenjive mogu uzeti: NB (negative big), NS (negative small), Z (zero), PS (positive small) i PB (positive big), predstava svih kombinacija bi bila kroz tabelu 2.1:
Tabela 2.1 tabelarna predstava baze znanja
u NB NS Z PS PB NB NB NB NB NS Z NS NB NB NS Z PS

de dt
Z NB NS Z PS PB PS NS Z PS PB PB PB Z PS PB PB PB

Primetiemo da ova pravila ne mogu da budu sasvim precizna. To je zato to promenjive uzimaju lingvistike vrednosti i to iz ogranienog skupa pa samim tim imamo i ogranieni skup pravila. Ona su samo apstraktne predstave o tome kako bi trebalo upravljati procesom. Na cilj i nije da budemo precizni ve da predstavimo stvari koje imaju vanost, koje su od znaaja za na problem upravljanja procesom.

10

Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

Sledei korak u projektovanju fuzzy kontrolera za upravljanje rezervoarom bi bio odreivanje pravila. Utvrena pravila su:
1. 2. 3. 4. 5.

If (e(t) is nula) then (ventil is bez_promene) If (e(t) is pozitivna) then (ventil is otvori_brzo) If (e(t) is negativna) then (ventil is zatvori_brzo) If (e(t) is nula) and (de/dt is negativno) then (ventil is zatvori_sporo) If (e(t) is nula) and (de/dt is pozitivno) then (ventil is otvori_sporo)

Posle fazifikacije ulaznih promenjivih (slika 2.7) primenjuju se fuzzy operatori shodno utvrenim pravilima (slika 2.9). Ove operacije dovode do odreenih zakljuaka (slika 2.10). Celokupni proces zakljuivanja je prikazan na slici 2.11.

Slika 2.9 Primer primene operatora and

2.1.6 Zakljuivanje i agregacija

Funkcionalan fuzzy sistem mora da sadri vie od jednog fuzzy lingvistikog pravila rk gde k=1, ..., Nr . Kombinovanjem ovih pravila (poznato kao agregacija), dobija se kompaktna matematika predstava celokupne baze znanja (slika 2.11 korak 4). U zavisnosti od tipa implikacije koja je koriena, agregacija se svodi na neku od osnovnih logikih operacija (konjunkciju ili disjunkciju, odnosno T- ili S-normu), tj. R = Rk ili R = Rk .
k k

Slika 2.10 Primer primene implikacije definisane kao minimum funkcija

11

Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

2.1.7 Defazifikacija
Defazifikacija predstavlja u sutini proces suprotan procesu fazifikacije pa se naziva i dekodiranje. Ovo je u stvari proces koji treba da pretvori rezultat agregacije, koji u osnovi predstavlja presek povri u signal koji je razumljiv procesu. Izlaz kontrolera mora da ima jednu jedinstvenu vrednost, najee predstavljenu realnim brojem. Metode koje se najee koriste za defazifikaciju su: centar povri (gravitacije), centar suma, centar najvee povri, prvog maksimuma, sredine maksimuma i visinska defazifikacija.

Slika 2.11 Prikaz algoritma zakljuivanja za primer rezervoara kroz korake

Defazifikacija metodom centra povri (Center of gravity COG) je najpoznatiji defazifikacioni metod (prikazan na slici 2.11 korak 5). Ovaj metod glasi:

u CRISP =

b ( u ) du
i =1 R i u B

( u ) du
i =1 u B

(2.7)

gde je R broj pravila a bi centar povri funkcije pripadanja skupa B koja predstavlja posledicu
i tog pravila i uzima odgovarajuu lingvistiku vrednost B i . Ovaj metod odreuje centar povri ispod kombinovane funkcije pripadnosti, koja se dobija posle agregacije. U obzir se

12

Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

uzima povrina ispod funkcija pripadnosti kao jedinstvena, pa stoga ako se povri preklapaju, to se ne reflektuje u formuli. Kada se utvrde svi metodi koji e se primenjivati: metod fazifikacije, operatora, implikacije, defazifikacije, moe se, za svaku kombinaciju dve ulazne promenjive dobiti trodimenzionalna povrina prenosa. Ova povrina slikovito prikazuje ponaanje izlaza u zavisnosti od kombinacije ulaznih promenjivih (slika 2.12).

Slika 2.12 Primer trodimenzionalne funkcije prenosa fuzzy sistema

2.2 Osobine fuzzy skupova, fuzzy logike i zakljuivanja

U teoriji fuzzy skupova karakteristina funkcija je uoptena do pojma funkcije pripadanja tako da se svakom x X pridruuje vrednost iz intervala [0,1] umesto iz dvoelementnog skupa {0,1}. Skup X predstavlja domen od interesa (universe of discourse) i predstavlja podskup skupa realnih brojeva za svaku promenjivu ponaosob, bilo da je ulazna ili izlazna. Ovako definisan skup naziva se fuzzy skupom. Fuzzy skup i fuzzy logika predstavljaju heuristiki kvantifikator znaenja lingvistikih promenjivih, vrednosti i pravila. Funkcija pripadanja A fuzzy skupa A je funkcija koja vri preslikavanje:

A : X [0,1] .

(2.8)

Na osnovu ovoga se dobija da svaki element x skupa X ima stepen pripadanja

A ( x ) [ 0,1] . Ova funkcija je povezana sa lingvistikim vrednostima A j koje promenjive

mogu da uzmu. A je potpuno odreen skupom ureenih parova:

A=

{( x,

( x )) x X } .
jasno odreen skup

(2.9)

Ako se pretpostavi da je A konaan, alternativna notacija bila :

{ x1 , x2 ,..., xn } ,

tada bi (2.10)

A = x1 + x2 + ... + xn , oznaavalo ureen par. Na osnovu ovoga moemo da napiemo:

gde + oznaava nabrajanje. Alternativni izraz za ( x, A ( x ) ) bi bio A ( x ) x , gde bi /

13

Kratak uvod u fuzzy logiku i upravljanje

n

Materijal za vebe

A = A ( x1 ) x1 + A ( x2 ) x 2 + ... + A ( xn ) x n = A ( xi ) xi .
i =1

(2.11)

Za svaki konaan ili diskretan prostor bi vailo: A = A ( x) x ,

x X

(2.12)

a kada je skup beskonaan ili kontinualan:

A = A ( x) x .
X

(2.13)

Skup svih taaka domena X za koje je A ( x ) > 0 se naziva podrkom fuzzy skupa: S ( A) = x X A ( x ) > 0 . Analogno tome, skup svih taaka za koje je A ( x ) > se naziva presek S ( A ) = x X A ( x ) > . irina fuzzy skupa A sa podrkom S(A) se moe predstaviti:
width ( A ) = sup ( S ( A ) ) inf ( S ( A ) ) ,

(2.14)

(2.15)

(2.16)

gde su sa sup i inf predstavljeni elementi koji ograniavaju skup sa gornje i sa donje granice:

= sup ( A ) akko x A x e > 0, x A x > e = inf ( A ) akko x A x e > 0, x A x < + e .

(2.17)

Ako je S(A) ogranien skup, to je najee u automatskom upravljanju, funkcije sup i inf se mogu zameniti sa funkcijama maksimuma i minimuma. Visina fuzzy skupa predstavlja vrnu vrednost funkcije pripadanja:
hgt ( A ) = sup A ( x ) .
x X

(2.18)

Normalan fuzzy skup je skup ija funkcija pripadanja barem u jednoj taki domena dostie vrednost 1. Ako ovo nije sluaj, skup se naziva subnormalan fuzzy skup. Nukleus fuzzy skupa A je skup koji koji sadri sve vrednosti x za koje funkcija pripadanja ima vrednost 1: nucleus ( A ) = x X A ( x ) = 1 . Ako postoji samo jedan ovakav element on se naziva vrh (peak) fuzzy skupa. Konveksan fuzzy skup jeste onaj koji zadovoljava nejednainu:

(2.19)

( x1 + (1 ) x2 ) min { ( x1 ) , ( x2 )} ,
za sve x1 , x2 X i sve vrednosti [ 0,1] .

(2.20)

Ako definiemo dva fuzzy skupa A1 i A2 i njihove funkcije pripadanja sa 1 ( x ) i

2 ( x ) moemo da definiemo operacije i relacije fuzzy logike.

14

Kratak uvod u fuzzy logiku i upravljanje

Materijal za vebe

A1 je podskup fuzzy skupa A2 u notaciji A1 A2 ako vai:

A ( x) A ( x) ,
1 2

(2.21)

za sve x X . Komplement (operator not) fuzzy skupa A ija je funkcija pripadanja A ( x ) predstavljen je fuzzy skupom A sa funkcijom pripadanja:

A ( x ) = 1 A ( x ) .
Dva fuzzy skupa se nazivaju jednakim ako su im jednake funkcije pripadanja: A1 = A2 akko A1 ( x ) = A2 ( x ) .

(2.22)

(2.23)

Presek dva fuzzy skupa (operator and) se moe predstaviti na dva naina funkcijom minimum ili algebarskim proizvodom:

A ( x ) A ( x ) = min {A ( x ) , A ( x ) x X }
1 2 1 2

(2.24) (2.25)

A ( x ) A ( x ) = { A ( x ) A ( x ) x X } .
1 2 1 2

Slino, unija dva skupa se moe predstaviti funkcijom maksimuma ili algebarskim zbirom:

A ( x ) A ( x ) = max {A ( x ) , A ( x ) x X }
1 2 1 2

(2.26) (2.27)

A ( x ) A ( x ) = { A ( x ) + A ( x ) A ( x ) A ( x ) x X } .
1 2 1 2 1 2

Za sistem sa vie ulaza a samo jednim izlazom (multy input single output MISO) moemo da definiemo fuzzy skupove kao:

{( x, A = {( x,
A1 =
2

A1 A2

( x )) x X }

( x )) x X } ( x )) x X }
(2.28)

... An =

B = ( u, B ( u ) ) u U . Tada if then pravilo koje predstavlja fuzzy implikaciju glasi: if A1 and A2 and and An then B ,
j

{( x,

An

(2.29)

gde su Ai , i=1..n fuzzy skupovi koji sadre sve kvantifikovane lingvistike vrednosti

Ai j = 1..R (gde je R broj pravila) koje logike promenjive mogu uzeti. Premisa i posledica implikacije se grade od fuzzy tvrenja. Fuzzy implikacija ima osobinu konzistentnosti i kompletnosti. Ovo proizilazi iz toga da su za sve mogue kombinacije ulaza i za sve vrednosti ulaza, odnosno za sve mogue pretpostavke, poznate posledice (konsekvence). Konzistentnost proistie iz osobine da nijedan zakljuak jednog pravila ne dolazi u konflikt sa zakljukom nekog drugog pravila. Kao to je ve spomenuto, pravila su paralelna i njihov redosled nema uticaja.

15