Sterowanie rozmyte

Logika rozmyta
• Przy rozwiązywaniu praktycznych problemów niealgorytmicznych
mamy często do czynienia z wiedzą nieprecyzyjną i niepewną. Do
rozpatrywania takich problemów dobrze nadają się zbiory rozmyte i
logika (rozumowanie) rozmyte (ang. Fuzzy logic).

• W odróżnieniu od logiki dwuwartościowej, wg której dany

element może do określonego zbioru tylko należeć lub nie
należeć, w koncepcji zbiorów rozmytych elementy nie są w pełni
podporządkowane określonym zbiorom. Zbiory rozmyte
umożliwiają wprowadzenie do programowania komputerowego
tzw. wiedzy zdrowego rozsądku, która występuje głównie w
postaci twierdzeń będących na ogół, ale nie zawsze
prawdziwymi.

1
 Logika rozmyta

• W przypadków zbiorów “normalnych”, tzw. ostrych,

dany element x albo należy (funkcja charakterystyczna
µA(x)=1) lub nie należy (µA(x)=0) do danego zbioru. W
teorii zbiorów rozmytych element może należeć
częściowo do określonego zbioru,
a funkcja charakterystyczna jest uogólniona do
funkcji przynależności, która przyporządkowuje
każdemu elementowi x wartość z przedziału [0, 1]
zamiast dwuelementowego zbioru {0, 1}.

• .
Twórcą logiki rozmytej jest profesor Zadeh, artykuł „Fuzzy sets” opublikowany w 1965 r

Sterowanie rozmyte

• Rozmyty system sterowania jest systemem

ekspertowym czasu rzeczywistego, implementującym
działania człowieka będącego operatorem lub
ekspertyzy inżynierów procesu, przy czym proces nie
może być łatwo wyrażony w postaci równań
różniczkowych, ale raczej jako reguły sytuacja -
działanie . Np.
• Jeżeli prędkość silnika DC trochę za mała I szybko
rosnąca to napięcie zasilania silnika jest zbyt duże.
• Wartości (zbiory) rozmyte, jak trochę za mała, szybko
rosnąca, zbyt duże oraz operatory rozmyte jak jeżeli,
I są przekształcane w celu uzyskania ostrej
(punktowej) wartości stanowiącej wyjście regulatora

2
Sterowanie rozmyte

Stan procesu ostry

(zbiór nierozmyty) Wyjście sterowania ostre
(zbiór nierozmyty)
x
u

Normalizacja Denormalizacja
Część opcjonalna
xw Część obligatoryjna
Maszyna uw
µ(x) wnioskująca µ(u)
Fuzyfikator Defuzyfikator
Baza reguł

Sterowanie rozmyte
Jedne z pierwszych przykładów zastosowań:
– Autopilot statków ze wspomaganiem za pomocą sytemu
rozmytego.
– Sterowanie pieców obrotowych w cementowni,
– Konstrukcja pralki automatycznej, odkurzacza i elektronicznego
systemu stabilizacji obrazu w kamerze wideo – firma
Matsushita.
– System klimatyzacji – firma Mitsubishi.
– Zastosowanie przemysłowe regulatorów opartych o logikę
rozmytą w sterowaniu koleją podziemną w Sendai (Japonia),
– W przemyśle samochodowym w czym przoduje Japonia.
Dotyczy to m.in. automatycznej przekładni biegów, układów
antypoślizgowych, sterowania zapłonu i innych układów
samochodu.

3
 Podstawy logiki rozmytej
Teoria zbiorów rozmytych (Fuzzy Sets)
Funkcja przynależności µF

Funkcja przynależności µF przyporządkowuje każdemu elementowi

u∈U wartość z przedziału jednostkowego [0, 1].

µ F : U → [0, 1]

Zbiór, który jest zdefiniowany na podstawie tak określonej funkcji

przynależności nazywany jest zbiorem rozmytym.
Każdy element u zbioru U ma stopień przynależności µF(u)∈[0, 1]:
Zbiór rozmyty F jest całkowicie określony przez zbiór n-tek:
F = {(u , µ F (u )) | u ∈ U }

Podstawy logiki rozmytej

Teoria zbiorów rozmytych (Fuzzy Sets)
Funkcja przynależności µF

F = {(u , µ F (u )) | u ∈ U }
Np. opis klasy miast takich jak Warszawa, Łódź, Szczecin, Katowice,
Gliwice, Mikołów mających tę właściwość że są duże.
{(Warszawa,1), (Łódź,1), (Szczecin,0.45), (Katowice, 0.3),
(Gliwice,0.05)}
a Mikołów zdecydowanie do dużych nie należy, czyli jest poza
zbiorem, lub ze stopniem przynależności 0.
Inny sposób zapisu - przykład dużych miast
{1/Warszawa, 1/Łódź, 0,45/Szczecin, 0.3/Katowice, 0.05/Gliwice }
 µ (u ) µ (u ) µ (u ) 
F =  F 1 , F 2 , ⋅⋅⋅ , F n 
 1 u u 2 un 

4
Podstawy logiki rozmytej
Teoria zbiorów rozmytych (Fuzzy Sets)
Funkcja przynależności µF
Funkcję przynależności zbioru rozmytego DUŻE MIASTA można
przedstawić np. w następującej postaci:

1 dla u > 0,6


µ F (u ) = 2,5 ⋅ (u − 0,2 ) dla 0,2 ≤ u ≤ 0,6
0 dla u < 0,2
 µF

gdzie u jest liczbą mieszkańców 1,0

w milionach
Jest to przykład funkcji rosnącej 0,5
(funkcji typu Γ) charakterystycznej
dla reprezentacji pojęć
lingwistycznych typu duży,
0 0,2 0,4 0,6 0,8 1,0 1,2 u
wysoki, gruby, gorący, szybki, itp.

Podstawy logiki rozmytej

Funkcja przynależności µF µF
1,0
Przykłady funkcji rosnących –
funkcja G:
0 dla u < a 0,5

 u − a 
µ F (u ) =   dla a ≤ u ≤ b
 b − a  0
1 dla u > b a b u

µF
Funkcja S Zadeha:
1,0
0 dla u ≤ a
 2
2 u − a  dla a < u ≤ b
 
  c − a  0,5
µ F (u ) = 
u−c
2

 1 − 2  dla b < u ≤ c
 c−a 0
a b c
1 dla u > c u

5
 Podstawy logiki rozmytej
Funkcja przynależności µF µF
Przykłady funkcji malejących – 1,0

funkcja L:
1 dla u < a
 0,5
 a − u 
µ F (u ) =   dla a ≤ u ≤ b
 b − a 
0 dla u > b 0
a b u
Reprezentacja pojęć lingwistycznych
typu mały, wolny, zimny, słaby, niski µF
itp. 1,0
1 dla u ≤ a

1 − 2 u − a  dla a < u ≤ b
2

 c−a 0,5
µ F (u ) = 
 u −c
2

2
 c−a  dla b < u ≤ c
 0
0 dla u > c a b c u

Podstawy logiki rozmytej

Funkcja przynależności µF µF
1,0
Przykłady funkcji trójkątnych –
funkcja:
µF 0,5
0 dla u < a
1,0 
 u − a  dla a ≤ u < b
 b − a  0
µ F (u ) =  a b c u
0,5
 c − u  dla b ≤ u < c
 c − b  µF
 1,0
0 dla u ≥ c
0
a b c d u

0,5
Reprezentacja pojęć
lingwistycznych typu średni,
komfortowy, nieco wolny, lekko 0 a b c u
dodatni, bliski zera, niewielki itp.

6
 Podstawy logiki rozmytej
Funkcja przynależności µF – fuzyfikacja
(rozmywanie)
Przykład:
Rozmyty układ regulacji klimatyzacji i reprezentacja zmiennych
lingwistycznych zimno, chłodno, komfortowo, ciepło, gorąco przez
funkcje przynależności. Przypisanie wartościom „ostrym” zmiennych
lingwistycznych oraz funkcji i współczynników przynależności –
fuzyfikacja (rozmywanie)
µF
zimno chłodno komfortowo ciepło gorąco
1,0

0,5

16 17 18 19 20 21 22 23 24 25 ϑ

System wnioskowania rozmytego Mamdaniego

Stan procesu ostry

(zbiór nierozmyty) Wyjście sterowania ostre
(zbiór nierozmyty)
x
u

Normalizacja Denormalizacja
Część opcjonalna
xw Część obligatoryjna
Maszyna uw
µ(x) wnioskująca µ(u)
Fuzyfikator Defuzyfikator
Baza reguł

7
 System wnioskowania rozmytego Mamdaniego
Układ fuzyfikatora
(rozmywania) Stan procesu ostry
(zbiór nierozmyty) Wyjście sterowania ostre
przekształca x
(zbiór nierozmyty)
u
nierozmyty zbiór
danych wejściowych x Normalizacja Denormalizacja
Część opcjonalna
w zbiór rozmyty x w Część obligatoryjna
u
zdefiniowany za µ(x)
Maszyna
wnioskująca µ(u)
w

Fuzyfikator
pomocą funkcji Defuzyfikator
Baza reguł
przynależności
µF
µ(x)
gorąco
Maszyna
1,0
zimno wnioskująca
chłodno
na podstawie
komfortowo ciepło
Układ defuzyfikatora
µch (ϑ1) zapisanych w bazie reguł
reguł (wyostrzania) wyznacza
przekształca rozmyty zbiór wejściowy wartość punktową u zmiennej
0,5
zdefiniowany za pomocą funkcji wyjściowej na podstawie
µk(ϑ1)
przynależności µ(x) w rozmyty zbiór zbioru rozmytego
wyjściowy zdefiniowany przez funkcję zdefiniowanego przez funkcję
25 ϑ
przynależności µ(u) przynależności µ(u)
16 17 18 19 ϑ 20 21 22 23 24
1

System wnioskowania rozmytego Mamdaniego

Reguła 1
Jeżeli x jest A1 to to u jest B
1

Reguła 2
Jeżeli x jest A2 to to u jest B
2
µ(u) u
x Agregator Defuzyfikator
Zbiór Zbiór
rozmyty ostry
Reguła M
Jeżeli x jest A to to u jest B
M M

JEŻELI x1 jest A1k I x2 jest A2k I ⋅⋅⋅ I xN jest ANk, TO u jest Bk

gdzie: k – numer reguły (k∈<1, M>)

8
 Reguły rozmyte wnioskowania
Implikacja rozmyta
JEŻELI x jest A, TO u jest B
A , B – wartości lingwistyczne zdefiniowane w sposób rozmyty przez
odpowiednie funkcje przynależności zmiennych x i u
x jest A – przesłanka µF
zimno chłodno komfortowo ciepło gorąco
(poprzednik) reguły 1,0

y jest B – konkluzja
(następnik) reguły Reguła 1
0,5

Jeżeli x jest A1 to to u jest B1

Reguła 2 16 17 18 19 20 21 22 23 24 25 ϑ

Jeżeli x jest A2 to to u jest B

2
µ(u) u
x Agregator Defuzyfikator
Zbiór Zbiór
rozmyty ostry
Reguła M
Jeżeli x jest AM to to u jest B
M

Reguły rozmyte wnioskowania

Implikacja rozmyta – agregacja poprzednika reguły –
uwzględnienie więcej niż jednej zmiennej wejściowej
Reguła 1
Jeżeli x jest A1 to to u jest B
1

Reguła 2
Jeżeli x jest A2 to to u jest B2
JEŻELI x11 jest A11 21 I ⋅⋅⋅ I xN
11 I x22 jest A21 N1, TO uµjest
N jest AN1 (u) B11 u
x Agregator Defuzyfikator
Zbiór
Wypadkowa wartość funkcji przynależności µA(x) (agregacja Zbiór
rozmyty ostry
poprzednika - poziom zapłony reguły):
Reguła M
• Interpretacja w postaci
to iloczynu logicznego (min):
Jeżeli x jest AM to u jest BM
µ A1 (x) = min {µ A1 ( xi )} µ A1 (x) = min 
 0,8 0,5 
i =1, ... , N ,  = 0,5
 x1 x2 
• Interpretacja w postaci iloczynu algebraicznego (prod):
N 2
µ A1 (x) = ∏ µ A1 ( xi ) µ A1 (x) = ∏ µ A1 ( xi ) = 0,8 ⋅ 0,5 = 0,4
i =1 i =1

9
 Reguły rozmyte wnioskowania
Implikacja rozmyta – agregacja na poziomie implikacji
JEŻELI jestA,
JEŻELI xx1jest jestAB2 I ⋅⋅⋅ I xN jest AN, TO u
I x2ujest
A1TO
jest B
Procedura agregacji na poziomie implikacji – przypisanie implikacji
A → B wartości funkcji przynależności µA → B(x, u) :
• Interpretacja w postaci iloczynu
1 1 1
logicznego (implikacja Mamdaniego):
wynik – zbiór (funkcja) µB(u) obcięty
(ściśnięty) do poziomu µA(x) - clipped
fuzzy set: µ A→ B (x, u ) = min{µ A (x), µ B (u )} *
x1 x1 x2* x2

• Interpretacja w postaci iloczynu

algebraicznego: wynik – zbiór rozmyty 1 1 1

skalowany – współrzędne zbioru

(funkcji) µB(u) pomnożone przez wartość
µA(x) : µ (x, u ) = µ (x) ⋅ µ (u )
A→ B
*
x1
*
x2 x2
A B x1

Reguły rozmyte wnioskowania

Implikacja rozmyta – agregacja na poziomie implikacji

JEŻELI xx1 jest
jestAA111 I x2 ujest
, TO B1I ⋅⋅⋅ I xN jest AN1, TO u jest B1
jestA21
Procedura agregacji na poziomie implikacji – przypisanie implikacji A
→ B wartości funkcji przynależności µA → B(x, u) :
Reguła 1
Jeżeli x jest A1 to to u jest B1

 Interpretacja wReguła 2
postaci
to
Jeżelilogicznego
iloczynu x jest A2 to u jest B2
µ(u) u
x (min) -implikacja Agregator Defuzyfikator
1 1 Zbiór 1 Zbiór
Mamdaniego: wynik – rozmyty ostry
zbiór (funkcja) RegułaµB(u)M
obcięty (ściśnięty)
Jeżeli x jest A
do to u jest B
to
M
poziomu µA(x) -Mclipped
fuzzy set:
x1a x1 x2a x2
µ A→ B (x, u ) = min {µ A (x), µ B (u )}

10
 Reguły rozmyte wnioskowania
Implikacja rozmyta – agregacja na poziomie implikacji
JEŻELI x jest A1, TO u jest B1
Procedura agregacji na poziomie implikacji – przypisanie implikacji
A → B wartości funkcji przynależności µA → B(x, u) :
• Interpretacja w postaci
iloczynu algebraicznego
1 1 1
(prod): wynik – zbiór
rozmyty skalowany –
współrzędne zbioru
(funkcji) µB(u) pomnożone
przez wartość µA(x) :
µ A→ B (x, u ) = µ A (x) ⋅ µ B (u ) x1a x1 x2a x2

System wnioskowania rozmytego Mamdaniego

Rozumowanie rozmyte – procedura umożliwiająca określenie
konkluzji wynikającej ze zbioru reguł : jeżeli
JEŻELI x1 jest A1k I x2 jest -Ato
2k I ⋅⋅⋅ I xN jest ANk, TO u jest Bk
x1, x2, ⋅⋅⋅ xN, – N wymiarowy wektor wejściowy – argument przesłanki
A1, A2, ⋅⋅⋅ AN, B – zmienne lingwistyczne zdefiniowane w sposób rozmyty
przez wartości odpowiedniego współczynnika przynależności µA(xi), µB(u)
k – numer reguły (k∈<1, M>)
Reguła 1
Jeżeli x jest A1 to to u jest B
1

Reguła 2
Jeżeli x jest A2 to to u jest B2
µ(u) u
x Agregator Defuzyfikator
Zbiór Zbiór
rozmyty ostry
Reguła M
Jeżeli x jest A to to u jest B
M M

11
System wnioskowania rozmytego Mamdaniego

Baza reguł

Reguła 1
Jeżeli x jest A1 to to u jest B
1

Reguła 2
Jeżeli x jest A2 to to u jest B2
µ(u) u
x Agregator Defuzyfikator
Zbiór Zbiór
rozmyty ostry
Reguła M
Jeżeli x jest AM to to u jest B
M

Założenie:
• x1 = e (np. uchyb regulacji)
• x2 = de (np. pochodna uchybu regulacji)

System wnioskowania rozmytego Mamdaniego

Agregacja zbioru reguł (bazy reguł)

Reguła 1
Jeżeli x jest A1 to to u jest B
1

Reguła 2
Jeżeli x jest A2 to to u jest B
2
µ(u) u
x Agregator Defuzyfikator
Zbiór Zbiór
rozmyty ostry
Reguła M
Jeżeli x jest AM to to u jest B
M

12
Agregacja zbioru reguł (bazy reguł)

1 1 1

e de
1 1 1

e1 e de1 de

Agregacja wyników implikacji wielu 1

reguł w postaci sumy logicznej (max):
µ (u ) = max{µ x (u )}

Agregacja zbioru reguł (bazy reguł)

1 1 1

e de
1 1 1

e1 e de1 de

Agregacja wyników implikacji wielu 1

reguł w postaci sumy ograniczonej
(sum):  
µ (u ) = min 1,  µ x (u )
 x 

13
 Agregacja zbioru reguł (bazy reguł)

1 1 1

e de
1 1 1

e1 e de1 de

Agregacja wyników implikacji wielu 1

reguł w postaci sumy algebraicznej
(probor):
µ (u ) = µ1 (u ) + µ 2 (u ) − µ1 (u ) ⋅ µ 2 (u )

System wnioskowania rozmytego Mamdaniego

Defuzyfikacja (wyostrzanie)
Reguła 1
Jeżeli x jest A1 to to u jest B
1

Reguła 2
Jeżeli x jest A2 to to u jest B
2
µ(u) u
x Agregator Defuzyfikator
Zbiór Zbiór
rozmyty ostry
Reguła M
Jeżeli x jest AM to to u jest B
M

1 1 1


  
µ (u ) = max{µ x (u )} µ (u ) = min 1,  µ x (u ) µ (u ) = µ1 (u ) + µ 2 (u ) − µ1 (u ) ⋅ µ 2 (u )
 x 

14
 Defuzyfikacja (wyostrzanie)
Metoda środka Metoda środka sum
obszaru (środka
ciężkości) (centroid) N
 u ⋅  µ k (u )du
 u ⋅ µ(u)du up = u k =1
N
uc = u   µ k (u )du
 µ(u )du u k =1
u

 ui ⋅ µ(ui )
N
 ui ⋅  µ k (ui )
uc = i
up = i k =1
 µ(ui ) N
i  µ k (ui )
i k =1
µ(u) µ(u)
1 wzięte raz 1 wzięte dwa
razy
µ2(u) µ1(u)

uc u up u

Defuzyfikacja (wyostrzanie)
Metoda średniej Metoda równego
z centrów (metoda podziału (bisector)
wysokości)
N
ub u max
 umk ⋅ µ (umk )
uc = k =1  µ(u)du =  µ(u)du
N u min ub
 µ(umk )
k =1

1 1

15
Defuzyfikacja (wyostrzanie)
Metody najmniejszej us Metoda średniej z
(som) oraz największej ul maksimów (Mean of
(lom) wartości u z Maximum Method mom)
maksimum
ul + u s
us - najmniejsza wartość u, dla której um =
{µ(u)=max} 2

ul - największa wartość u, dla której

{µ(u)=max}

1 1

Defuzyfikacja (wyostrzanie)
Porównanie metod
defuzyfikacji

16
 Schemat rozmytego systemu

Rozmywanie Wnioskowanie Wyostrzanie

baza reguł

Jeżeli temp=mróz
µmróz µzimno µciepło to zawór=otwarty µotw µpół µzamk
0.7 µmróz =0.7 0.7
Jeżeli temp=zimno
0.2 to zawór=półotwarty 0.2
T µzimno =0.2 u
Jeżeli temp=ciepło
Wejście: mierzona to zawór=zamknięty Wyjście:
temperatura µhot =0.0 położenie zaworu

System rozmyty jako sterownik nieliniowy

Rozmywanie Wnioskowanie Wyostrzanie

baza reguł

17
Przykład systemu rozmytego 2-wymiarowego
Baza reguł

Zawór
Temperatura
Pora mróz zimno ciepło
doby

dzień otwarty półotwarty zamknięty

noc półotwarty zamknięty zamknięty

JEŻELI Temperatura=mróz i Pora doby=dzień TO Zawór=otwarty

JEŻELI Temperatura=zimno i Pora doby=noc TO Zawór=zamknięty

1. Rozmywanie

Fuzyfikacja, rozmywanie: od pomiarów do funkcji przynależności:

Określenie stopnie przynależności zmiennych lingwistycznych
dla każdego ze zbiorów rozmytych:

Temperatura: T=4 C Godzina: h=21

µzimno(T)=0.7 µdzień(h)=0.3
1 1
0.7
0.3
0 0
4C T 21 h

JEŻELI Temperatura=zimno I Pora doby=dzień ...

18
 2. Agregacja poprzednika reguły

Oblicz stopień spełnienia reguły dla wszystkich przesłanek łącząc

ze sobą termy za pomocą rozmytego AND, np. operatora MIN.

µzimno(T)=0.7 µdzień(h)=0.3
1 1
0.7
0.3
0 0
4C T 21 h

JEŻELI Temperatura=zimno I Pora doby=dzień ...

µA(X) = µA1(X1) ∧ µA2(X2) ∧ µAN(XN) dla reguły RA

µcałe(X) = min{µzimno(T), µdzień(h)} = min{0.7,0.3} = 0.3

3. Wnioskowanie – agregacja implikacji

µpółotw(p) µkonkl(p)
1

... µprzesł=0.3 Wnioskowanie MIN

0 µkonkl=min{µprzesł, µpółotw}
u
TO Zawór =półotwarty

µpółotw(p) µkonkl(h)
1

... µprzesł =0.3 Wnioskowanie •

0 µkonkl. = µprzesł • µpółotw
u

19
4. Agregacja zbioru reguł

Dokonaj agregacji wszystkich przesłanek reguł używając

operatora MAX by obliczyć sumę.

TO Zawór =otwarty
TO Zawór =półotwarty
TO Zawór =zamknięty

0
u

5. Wyostrzanie

Oblicz ostrą wartość lub decyzję używając np. metody

środka ciężkości “Center of Gravity” (COG)

µkonkl(p)
1 COG

0
0,64 u

Σi µi • ui
u= Σi µi
µi = stopień przynależności do zbioru i

20
 Przykład systemu rozmytego 2-wymiarowego

Rozmyte układy regulacji

Regulatory rozmyte
• Regulator rozmyty typu PID (PI, PD)
Mamdaniego
• Ślizgowy regulator rozmyty
• Regulator rozmyty typu Sugeno-Takagi
~
x&= f (x) + B ⋅ u + z
y = C⋅x + D⋅u
z(t)
u = h(y z , y) yz(t) u(t) y(t)
. x(t)
h(yz,y) f(x,x,u,z) g(x,u)

X ( s ) = Go ( s )(U s ( s ) + Z ( s ) )
Z(s)
Xz(s) E(s) U(s) X(s)
E ( s) = X z (s) − X ( s) Gr(s) Go(s)
-
U ( s ) = Gr ( s ) E ( s )

21
 Reg. konwencjonalny PID a reg. rozmyty PID
Regulator konwencjonalny
Z(s)
Xz(s) Xz(s) E(s) U(s) U(s)
E(s) Gr(s) X(s)
G (s)
r - Go(s)
-
X(s) E(s) U(s)

U (s )  1  k
Gr ( s ) = = k p 1 + sTd +  = k p + sk d + i 1
E ( s)  sTi s s
t
u (t ) = k p e(t ) + k d e&(t ) + ki  e(t )dt = k p e(t ) + k d e&(t ) + ki δ(t )
0

Regulator rozmyty Mamdaniego

s
Baza reguł
xz e µ(e ) µ(u) u
Normalizacja Fuzyfikacja Defuzyfikacja Denormalizacja
Odpalanie
x 1 reguły
s

JEŻELI e jest Ae(i) I e jest Ae(i) I δ jest Aδ(i) TO u jest Bu(i)

Regulator typu PD
Regulator PD klasyczny NB NS ZO PS PB

u = k p e + k d e& U(s)
E(s)
e
u N = eN + e&N
NB NS ZO PS PB

de
Regulator PD rozmyty
NB NS ZO PS PB
JEŻELI e jest Ae(i) I de jest Ade(i) TO u jest Bu(i)

u
xz e Baza reguł
µ(e) µ(u) u
de Normalizacja Fuzyfikacja Defuzyfikacja Denormalizacja
s µ(de) Odpalanie
x
reguły

22
 Regulator typu PI
Regulator PI klasyczny, typ II e
u&(t ) = k p e&(t ) + ki e(t )

u=
t

0
Równanie linii przełączającej
u&N = e&N + eN u (t ) =  u&(t )dt u>0
s = k p e&+ k i e = 0
0 e
1 s N = e&N + δ N = 0 u<0
s
E(s) sU(s) 1 U(s)
s

Regulator PI rozmyty
JEŻELI e jest Ae(i) I de jest Ade(i) TO du jest Bdu(i)

xz e
µ(e)
Baza reguł µ(du) du 1
Fuzyfikacja Defuzyfikacja u
de Normalizacja Denormalizacja
s
s µ(de) Odpalanie
x
reguły

Regulator PI rozmyty

xz e
µ(e)
Baza reguł µ(du) du 1
Fuzyfikacja Defuzyfikacja u
de Normalizacja Denormalizacja
s
s µ(de) Odpalanie
x
reguły

23
 System wnioskowania rozmytego Mamdaniego

JEŻELI x1 jest A1k I x2 jest A2k I ⋅⋅⋅ I xN jest ANk, TO u jest Bk

x1, x2, ⋅⋅⋅ xN, – N wymiarowy wektor wejściowy – argument przesłanki

A1, ⋅⋅⋅ AN, B – zmienne lingwistyczne reprezentowane przez odp. funkcje przynależności
k – numer reguły (k∈<1, M>)

Reguła 1
Jeżeli x jest A1 to to u jest B
1

Reguła 2
Jeżeli x jest A2 to to u jest B
2
µ(u) u
x Agregator Defuzyfikator
Zbiór Zbiór
rozmyty ostry
Reguła M
Jeżeli x jest AM to to u jest B
M

System wnioskowania rozmytego Sugeno-Takagi

JEŻELI x1 jest A1k I x2 jest A2k I ⋅⋅⋅ I xN jest ANk, TO uk = fk(x1, x2, ... , xN)

x1, x2, ⋅⋅⋅ xN, – N wymiarowy wektor wejściowy – argument przesłanki

A1, A2, ⋅⋅⋅AN – zmienne lingwistyczne reprezentowane przez odp. funkcje przynależności
fk(x1, x2, ... , xN) – nierozmyta (ostra) funkcje następnika reguły

k – numer reguły (k∈<1, M>)

Reguła 1
Jeżeli x jest A1 to to u = f (x)
1 1

Reguła 2
Jeżeli x jest A2 to to u = f (x)
2 2
u
x Agregator
Zbiór
ostry
Reguła M
Jeżeli x jest AM to to u = f (x)
M M

24
System wnioskowania rozmytego Sugeno-Takagi
JEŻELI x1 jest A1k I x2 jest A2k I ⋅⋅⋅ I xN jest ANk, TO uk = fk(x1, x2, ... , xN)

x1, x2, ⋅⋅⋅ xN, – N wymiarowy wektor wejściowy – argument przesłanki

A1, A2, ⋅⋅⋅AN – zmienne lingwistyczne reprezentowane przez odp. funkcje przynależności
fk(x1, x2, ... , xN) – nierozmyta (ostra) funkcje następnika reguły
k – numer reguły (k∈<1, M>)

Stan procesu ostry

(zbiór nierozmyty) Wyjście sterowania ostre
(zbiór nierozmyty)
x
u

Normalizacja Denormalizacja
Część opcjonalna
xw Część obligatoryjna
uw
Maszyna
µ(x) wnioskująca
Fuzyfikator
Baza reguł

System wnioskowania rozmytego Sugeno-Takagi

JEŻELI x1 jest A1k I x2 jest A2k I ⋅⋅⋅ I xN jest ANk, TO uk = fk(x1, x2, ... , xN)

Reguła 1
Jeżeli x jest A1 to to u = f (x)
1 1

Reguła 2
Jeżeli x jest A2 to to u = f (x)
2 2
u
x Agregator
Zbiór
ostry
Reguła M
Jeżeli x jest AM to to uM = fM(x)

M
 µu uk
( ) ( )
k

uk = f k x1* , x2* , ... , x*N µ uk = min µ k ( x1* ), µ k ( x2* ), ..., µ k ( x*N ) u = k =M1
 µu k
k =1

25
System wnioskowania rozmytego Sugeno-Takagi
M
uk = (
f k x1* , x2* , ..., x*N ) µu k = min (µ k ( x1* ), µ k ( x*2 ), ... , µ k ( x*N ) )  µ u uk
k
u = k =M1
• Reguły  µu k
k =1
Jeżeli x1 jest A11 i x2 jest A21 to u1 = p1 · x1+ q1 · x2+ r1
Jeżeli x1 jest A12 i x2 jest A22 to u1 = p2 · x1 + q2 · x2 + r2
• Rozmyte wnioskowanie
A11 A21
u1 =
µ1
p1·x1* +q1·x2* +r1
x1 x2
A12 A22 u2 =
µ2 p2·x +q2·x2* +r2
1*

x1 x2 µ1 · u1+µ2 · u2
x2 * u=
x 1*
Π
µ1+µ2

System wnioskowania rozmytego Sugeno-Takagi

M
 µu uk*
(
uk* = f k x1* , x2* , ... , x*N ) (
µu k = min µ k ( x1* ), µ k ( x2* ), ..., µ k ( x*N ) ) u= k =1
M
k

 µu k
k =1

JEŻELI x1 jest DM I x2 jest ZO TO u1 = 3 x1 + 4 x2 x1* = 6 u1* = 26

JEŻELI x1 jest DD I x2 jest DM TO u2 = 2 x1 + 7 x2 + 7 x2* = 2 u2* = 33

DM DD DM
1 1 ZO
* *

*
*

x1* = 6 x1 x2* = 2 x2

µDM ( x1* ) = 0,4 µZO ( x2* ) = 0,2 min(0,4, 0,2) = 0,2 0,2 ⋅ 26 + 0,7 ⋅ 33
u= = 31,4
µDD ( x1* ) = 0,7 µDM ( x2* ) = 0,8 min(0,7, 0,8) = 0,7 0,2 + 0,7

26
 Regulator rozmyty PID typu Sugeno-Takagi
Reguły dla regulatora rozmytego PID typu Mamdaniego
JEŻELI e jest Ae(i) I e jest Ae(i) I δ jest Aδ(i) TO u jest Bu(i)

Regulator rozmyty PID Mamdaniego

s
Baza reguł
xz e µ(e ) µ(u) u
Normalizacja Fuzyfikacja Defuzyfikacja Denormalizacja
Odpalanie
x 1 reguły
s

Reguły dla regulatora rozmytego PID typu Sugeno-Takagi

JEŻELI e jest Ae(i) I e jest Ae(i) I δ jest Aδ(i) TO u(i) = fi(e, e, d)

Regulator rozmyty PID Sugeno

s
Baza reguł
xz e µ(e ) uw u
Normalizacja Fuzyfikacja Denormalizacja
Odpalanie
x 1 reguły
s

Regulator rozmyty PD typu Sugeno-Takagi

Regulator PD klasyczny NB NS ZO PS PB

u = k p e + k d e& U(s)
E(s)
e
u N = eN + e&N
NB NS ZO PS PB

de

Regulator PD rozmyty uD = e + de
uM = 0,5 ⋅ e + 0,5 ⋅ de
JEŻELI e jest Ae(i) I de jest Ade(i) TO u(i) = fi(e, de)
uZ = 0,1 ⋅ e + 0,1 ⋅ de

xz e Baza reguł
µ(e) uw u
de Normalizacja Fuzyfikacja Denormalizacja
s µ(de) Odpalanie
x
reguły

27
Przykłady zastosowań
– Zastosowanie przemysłowe regulatorów opartych o
logikę rozmytą w sterowaniu koleją podziemną w
Sendai (Japonia) – firma Hitachi,
– Rozmyty sterowania przekładnią automatyczną ,
sterownik systemu antypoślizgowego – Nissan,
– Sprzęt AGD np. pralki automatyczne firm GE,
Samsung, AEG…
– Biblioteka Fuzzy Control do sterowników PLC
SIMATIC S7 300/400/1500
– Sterowniki do kotłów na paliwa stałe (m.in. węgiel)
produkcji polskiej,
– Sterowniki klimatyzatorów,
– Nawigacja robotów mobilnych,
– Przetwarzanie obrazów

28