Effektive Fuzzy-Logic-Controller designen: Schritt-für-Schritt-Anleitung

Fuzzy-Logic-Controller sind buchstäblich überall um uns herum – von Antiblockiersystemen bis zu Waschmaschinen, die unsere Kleidung reinigen. Aber funktionieren sie wirklich? Und was sind die Vorteile ihrer Nutzung?

Kontaktplan (Ladder Logic) und Fuzzy Logic

Ein guter Startpunkt beim Lernen über Fuzzy-Logic-Steuerungen ist die Prüfung, ob Kontaktplan (Ladder Logic) mit Fuzzy Logic kompatibel ist. Kontaktplan ist ein häufig genutzter regelbasierter Ansatz zur SPS-Programmierung (Speicherprogrammierbare Steuerung), wenn sequenzielle Logik benötigt wird. Jede Sprosse in einem Kontaktplan-Programm stellt eine Logikgleichung dar, die entweder binär oder diskret ist.

Beachten Sie, dass Kontaktplan von links nach rechts, von oben nach unten gelesen wird – die rechte Seite einer Sprosse repräsentiert die Ausgangsbedingung. Diese hängt vom Ergebnis der Kontaktplan-Symbole links vom Ausgang ab.

Nehmen wir als Basisbeispiel die einzelne Sprosse in Abbildung 2. Man sieht, dass die Klimaanlage (A/C) nur aktiv ist, wenn der Schalter aktiv ist UND entweder HighTemp ODER Humid aktiv ist.

Als Regel ausgedrückt, nimmt diese Sprosse folgende Form an:

A/C = Schalter UND (HighTemp ODER Humid)

Da Kontaktplan als Regeln ausgedrückt werden kann, eignet er sich hervorragend für die Adoption in Fuzzy-Logic-Steuerung. Eine andere Sichtweise: Das Ergebnis hängt von den IF-Bedingungen ab, die durch die Kontaktplan-Symbole links repräsentiert werden, während der Ausgang das THEN-Ergebnis darstellt.

WENN (Schalter UND [HighTemp ODER Humid]) DANN A/C

Dieser Ansatz kann sicherlich mit Fuzzy-Logic-Regeln implementiert werden. In diesem Fall wären die scharfen Eingänge (crisp inputs) Temperatur und relative Luftfeuchtigkeit. Sensorwerte dieser Größen würden durch einen Fuzzifizierer in fuzzy Eingänge transformiert. Die Inferenzmaschine (Inference Engine) würde unter anderem die oben gezeigte Regel enthalten. Basierend auf den Regeln der Inferenzmaschine würde ein fuzzy Ausgangsset dem Defuzzifizierer präsentiert. Von dort würden scharfe Ausgänge (crisp outputs) an das Steuersystem geliefert.

Kurz gesagt: Kontaktplan kann mit Fuzzy Logic implementiert werden.

Grundlegende Schritte zum Design eines Fuzzy-Logic-Controllers

Fuzzy-Logic-Steuerungssysteme (oft FLC abgekürzt) sind ein alternativer Ansatz zur Entwicklung und Implementierung von Steuerungssystemen.

Die involvierten Annahmen erkennen

Bevor der Prozess des FLC-Designs beginnt, gibt es bestimmte Schlüsselannahmen:

• Eine Lösung für das Steuerungsproblem existiert.
• Eine „gut genug“ Lösung ist akzeptabel anstelle einer „optimalen“ Lösung.
• Eingangs-, Ausgangs- und Zustandsvariablen können beobachtet und für die Steuerung genutzt werden.
• Ein Wissensbestand existiert in Form von:
  • Linguistischen Regeln, und/oder
  • Einer Menge an Eingangs-Ausgangs-Daten, aus denen Regeln extrahiert werden können.
• Der FLC muss für einen akzeptablen Präzisionsbereich designed werden.
• Stabilität und Optimalität werden nicht explizit adressiert, sind aber offen.

Variablen für die Fuzzifizierung identifizieren und konfigurieren

Der erste Schritt beim FLC-Design ist die Identifikation der Eingangs-, Ausgangs- und Zustandsvariablen. Als Nächstes bestimmen Sie die fuzzy Teilmengen für die Variablen. Beispiel: Temperatureingang kann in fünf Teilmengen mit deskriptiven linguistischen Labels unterteilt werden: {‚kalt‘, ‚kühl‘, ‚nominal‘, ‚warm‘, ‚heiß‘}.

Sind die Teilmengen für die Variablen gewählt, sollten Mitgliedschaftsfunktionen konfiguriert werden, um diese Teilmengen zu repräsentieren. Optionen für Mitgliedschaftsfunktionen sind dreieckig, trapezförmig, sigmoidal und Gauß. Dies konstituiert den Fuzzifizierer, der scharfe Eingänge in fuzzy Werte umwandelt. Beachten Sie, dass fuzzy Teilmengen und zugehörige Mitgliedschaftsfunktionen auch für den Ausgang der Inferenzmaschine konfiguriert werden müssen.

Fuzzy-Logic-Regeln generieren

Die Konvertierung eines traditionellen Kontaktplan-Controllers in einen Fuzzy-Logic-Controller beginnt mit der Generierung von Fuzzy-Logic-Regeln.

Wie in den Annahmen angedeutet, kann dies die Form linguistischer Regeln annehmen, die bereits existieren oder mit Hilfe eines Fachexperten entwickelt werden können. Regeln können auch aus einer Menge an Eingangs-Ausgangs-Daten generiert werden. Und im Fall von Kontaktplan können die Fuzzy-Logic-Regeln direkt aus dem Kontaktplan-Diagramm abgelesen werden.

Das Ergebnis ist die Regelbasis (Rule Base) für das Fuzzy-System.

Implementierung der Inferenzmaschine und des Defuzzifizierers

Es gibt mehrere Ansätze zur Implementierung der Inferenzmaschine. In der Steuerungstechnik sind die zwei populärsten Mamdani und Sugeno. Beide Typen kombinieren den fuzzy Ausgang der Regelbasis mittels eines ODER-Operators und defuzzifizieren diesen anschließend, um einen scharfen Wert zu erhalten.

Anwendungen von Fuzzy-Logic-Controllern

Fuzzy-Logic-Controller haben extrem weite Verbreitung gefunden. Beispiel: Aufzüge nutzen oft Fuzzy-Logic-Controller, die Wartezeit verringern, Fahrten zwischen Etagen minimieren und Energieverbrauch senken. Ein zusätzlicher Vorteil der Minimierung von Etagenfahrten ist reduzierter Verschleiß kritischer Komponenten und längere Lebensdauer.

Ein weiteres faszinierendes Beispiel: digitale Videokameras und Camcorder. Operateure können die Kamera beim Filmen einer gleichmäßigen Aufnahme bewegen oder schütteln, aber Fuzzy-Logic-Control kann dies automatisch kompensieren.

Im industriellen Umfeld wird Fuzzy Logic oft zur Steuerung industrieller Prozesse und Systeme genutzt. Beispiel: Fuzzy Logic arbeitet gut mit Temperatur- und Prozesscontrollern, wie sie bei der Wärmebehandlung von Metallen eingesetzt werden. Typische Wärmebehandlungen involvieren hochpräzise Ramp-and-Soak-Zyklen für korrekte metallurgische Eigenschaften.

Ähnliche Anwendungen, die von FLC profitieren, sind Vulkanisation von Gummi oder Trocknung von Lösungsmitteln auf lackierten Oberflächen. Zudem sind all dies Beispiele für Steuerprozesse, die typischerweise einen PID-Regler (Proportional-Integral-Derivative) nutzen. CNC-Bearbeitung (Computerized Numerical Control) hängt oft von Fuzzy-Logic-Controllern ab, ebenso viele autonome Robotik, Machine Vision und Remote Sensing.

Vor- und Nachteile von Fuzzy-Logic-Control

Fuzzy-Logic-Control kann auch bei ungenauen Daten und Nichtlinearität im System noch funktionieren. Sie erlaubt die Integration menschlicher Erfahrung und Wissen in ein Steuerungssystem und ist hochgradig anpassbar. Fuzzy-Logic-Steuerungssysteme sind im Allgemeinen günstiger zu entwickeln als traditionellere Ansätze und tendieren dazu, effizienter, robuster und zuverlässiger zu sein.

Speziell in der Steuerungstechnik erfordert FLC nicht, dass das Modell und/oder das Ziel in präzisen Begriffen formuliert wird, wie es bei traditionelleren Steuerungsansätzen der Fall ist. Darüber hinaus lassen sich Fuzzy-Controls leicht mit anderen Steuerungssystemen kombinieren.

Es gibt natürlich auch Nachteile. Obwohl Fuzzy Logic ein Teilbereich von KI (Künstlicher Intelligenz) ist, ist es kein Typ von Machine Learning und kann sich daher nicht anpassen und lernen. Es gibt adaptive Fuzzy-Logic-Controller, aber deren Design und Komplexität gehen weit über den hier diskutierten Controllertyp hinaus.

Zusätzlich müssen Updates an den Regeln, von denen der Controller abhängt, irgendwann vorgenommen werden, und Fuzzy-Logic-Controller erfordern umfangreiche Tests und Validierung, bevor sie als implementierungsreif gelten.

Wann sollte ein Fuzzy-Logic-Controller eingesetzt werden? Sie sind eine ausgezeichnete Option für Steuerungsprobleme, die extrem komplex und schwer mit präzisen Modellen und Zielen darstellbar sind. Sie funktionieren gut bei ungenauen Daten und nichtlinearem Verhalten. Sie sind auch eine gute Wahl, wenn menschliche Erfahrung und Expertise in das System eingebracht werden können. Wie nutzen Sie Fuzzy Logic in Ihrem Steuerungssystem? Oder nutzen Sie nur PID-Regler?