So entwerfen Sie einen Fuzzy-Logic-Controller

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

Abbildung 1. Moderne Bearbeitung hängt oft von Fuzzy-Logik ab, um kritische Aspekte des Prozesses zu kontrollieren. Bild mit freundlicher Genehmigung von Michael Schwarzenberger

Kontaktplanlogik und Fuzzylogik

Ein guter Ausgangspunkt für das Erlernen von Fuzzy-Logik-Steuerungen ist die Feststellung, ob Ladder-Logik mit Fuzzy-Logik kompatibel ist. Kontaktplanlogik ist ein häufig verwendeter regelbasierter Ansatz zum Programmieren von SPS (speicherprogrammierbare Steuerungen), wenn sequentielle Logik erforderlich ist. Jeder der Sprossen in einem Kontaktplanlogikprogramm stellt eine logische Gleichung dar, die entweder binär oder diskret ist.

Beachten Sie, dass die Kontaktplanlogik von links nach rechts und von oben nach unten gelesen wird, dann stellt die rechte Seite eines Strompfads die Ausgangsbedingung dar. Der Ausgangszustand dieser Sprosse hängt vom Ergebnis der Kontaktplansymbole links vom Ausgang ab.

Nehmen Sie als grundlegendes Beispiel die einzelne Sprosse in Abbildung 2. Beachten Sie, dass die Klimaanlage (Klimaanlage) nur aktiv ist, wenn der Schalter aktiv ist und entweder HighTemp oder Humid aktiv ist.

Abbildung 2. Leiterlogik-Sprung zur Steuerung einer Klimaanlage. Informationen mit freundlicher Genehmigung von Wikipedia

In der Regel ausgedrückt würde diese Sprosse folgende Form annehmen:

A/C =Switch AND (HighTemp OR Humid)

Da Ladder Logic als Regeln ausgedrückt werden kann, eignet sie sich leicht für die Übernahme in die Fuzzy-Logik-Steuerung. Eine andere Möglichkeit, sich dies vorzustellen, ist, dass das Ergebnis von den WENN-Bedingungen abhängt, die durch die Leiterlogiksymbole links dargestellt werden, während die Ausgabe das DANN-Ergebnis darstellt.

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

Abbildung 3. Blockschaltbild, das ein Fuzzy-Logik-System darstellt.

Dieser Ansatz kann sicherlich unter Verwendung von Fuzzy-Logik-Regeln implementiert werden. In einem solchen Fall wären die scharfen Eingaben Temperatur und relative Luftfeuchtigkeit. Die Sensorablesung dieser Werte würde durch einen Fuzzifizierer in Fuzzy-Eingaben umgewandelt. Die Inferenzmaschine würde unter anderem die oben gezeigten Regeln enthalten. Basierend auf den Regeln der Inferenzmaschine würde dem Defuzzifizierer ein Fuzzy-Ausgabesatz präsentiert. Von dort würden dem Steuerungssystem gestochen scharfe Ausgaben bereitgestellt.

Kurz gesagt, Kontaktplanlogik kann mit Fuzzy-Logik implementiert werden.

Grundlegende Schritte zum Entwerfen eines Fuzzy-Logic-Controllers

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

Abbildung 4. Einfaches Feedback-Steuerungssystem mit Fuzzy-Steuerung. Bild mit freundlicher Genehmigung von Boffy b

Erkenne die damit verbundenen Annahmen

Bevor mit dem Entwurf eines FLC begonnen wird, gibt es einige wichtige Annahmen.

• Für das Kontrollproblem existiert eine Lösung.
• Eine „ausreichend gute“ Lösung ist anstelle einer „optimalen“ Lösung akzeptabel.
• Eingabe-, Ausgabe- und Zustandsvariablen können beobachtet und zur Steuerung verwendet werden.
• Ein Wissensschatz existiert in Form von:
• Sprachregeln und/oder
• Ein Satz von Eingabe-Ausgabe-Daten, aus denen Regeln extrahiert werden können.
• Der FLC muss so ausgelegt sein, dass er einen akzeptablen Präzisionsbereich erreicht.
• Stabilität und Optimalität werden nicht explizit angesprochen, sind aber offen.

Identifizieren und konfigurieren Sie die Variablen für die Fuzzifizierung

Der erste Schritt beim Entwerfen eines FLC besteht darin, die beteiligten Eingangs-, Ausgangs- und Zustandsvariablen zu identifizieren. Bestimmen Sie als Nächstes die Fuzzy-Teilmengen für die Variablen. Zum Beispiel kann die Temperatureingabe in fünf Untergruppen mit einer beschreibenden linguistischen Bezeichnung für jede unterteilt werden:{‘kalt’, ‘kalt’, ‘nominell’, ‘warm’, ‘heiß’}.

Abbildung 5. Beispiel für die Verwendung von Zugehörigkeitsfunktionen zur Darstellung der Temperatur.

Nachdem die Teilmengen für die Variablen ausgewählt wurden, sollten Zugehörigkeitsfunktionen konfiguriert werden, um diese Teilmengen darzustellen. Zu den Optionen für Zugehörigkeitsfunktionen gehören dreieckig, trapezförmig, sigmoid und gaußförmig. Dies bildet den Fuzzifier die die scharfen Eingaben in Fuzzy-Werte umwandelt. Beachten Sie, dass Fuzzy-Subsets und zugehörige Zugehörigkeitsfunktionen auch für die Ausgabe der Inferenz-Engine configured konfiguriert werden müssen .

Generieren Sie die Fuzzy-Logik-Regeln

Die Umwandlung eines herkömmlichen Ladder-Logic-Controllers in einen Fuzzy-Logic-Controller beginnt mit der Generierung von Fuzzy-Logic-Regeln.

Dies können, wie in den Annahmen angedeutet, bereits existierende Sprachregeln sein oder mit Hilfe eines Fachexperten entwickelt werden. Regeln können auch anhand eines Satzes von Eingabe-Ausgabe-Daten generiert werden. Und im Fall von Ladder Logic können die Fuzzy-Logik-Regeln direkt aus dem Kontaktplan gelesen werden.

Das Ergebnis ist die Regelbasis für das Fuzzy-System.

Implementieren der Inferenz-Engine und des Defuzzifier

Es gibt verschiedene Ansätze zur Implementierung der Inferenz-Engine . Bei Kontrollen sind die beiden beliebtesten Ansätze Mamdani und Sugeno. Beide Arten von Inferenz-Engines kombinieren die Fuzzy-Ausgabe der Regelbasis mithilfe eines ODER-Operators und defuzzifiziert diese Ausgabe, um einen scharfen Wert zu erhalten.

Anwendungen von Fuzzy-Logic-Controllern

Fuzzy-Logic-Controller haben eine extrem weit verbreitete Verwendung gefunden. Aufzüge haben beispielsweise oft Fuzzy-Logic-Controller, die die Wartezeit verkürzen, die Fahrt zwischen den Etagen minimieren und den Energieverbrauch reduzieren. Ein zusätzlicher Vorteil bei der Minimierung der Verfahrwege zwischen den Etagen ist ein geringerer Verschleiß an kritischen Komponenten und eine längere Lebensdauer.

Ein weiteres faszinierendes Beispiel für Fuzzy-Steuerungssysteme sind digitale Videokameras und Camcorder. Bediener können die Kamera bewegen oder schütteln, während sie eine konsistente Aufnahme filmen, aber die Fuzzy-Logik-Steuerung kann dies automatisch kompensieren.

In einer industriellen Umgebung wird Fuzzy-Logik häufig verwendet, um industrielle Prozesse und Systeme zu steuern. Fuzzy-Logik funktioniert beispielsweise gut mit Temperatur- und Prozessreglern, wie sie beispielsweise bei der Wärmebehandlung von Metallen verwendet werden. Typische Wärmebehandlungen beinhalten hochpräzise Rampen- und Einweichzyklen, um die richtigen metallurgischen Eigenschaften zu erreichen.

Ähnliche Anwendungen, die von FLC profitieren, sind das Aushärten von Gummi oder das Trocknen von Lösungsmitteln auf lackierten Oberflächen. Darüber hinaus sind all dies Beispiele für Regelprozesse, die typischerweise einen PID-Regler (Proportional-Integral-Derivative-Regler) verwenden. Die CNC-Bearbeitung (Computer Numerical Control) hängt oft von Fuzzy-Logic-Controllern ab, ebenso wie viele autonome Robotik, maschinelles Sehen und Fernerkundung.

Abbildung 6. Blockschaltbild für einen Fuzzy-PID-Regler. Bild mit freundlicher Genehmigung von Mathworks

Vor- und Nachteile der Fuzzy-Logic-Steuerung

Fuzzy-Logik-Steuerung kann auch bei ungenauen Daten sowie Nichtlinearität im System funktionieren. Es ermöglicht auch die Integration von menschlicher Erfahrung und Wissen in ein Steuerungssystem und ist hochgradig anpassbar. Fuzzy-Logik-Steuerungssysteme sind im Vergleich zu traditionelleren Ansätzen im Allgemeinen kostengünstiger zu entwickeln und neigen dazu, effizienter, robuster und zuverlässiger zu sein.

Insbesondere bei Kontrollen erfordert FLC keine präzise Formulierung des Modells und/oder der Zielsetzung, wie dies bei einem traditionelleren Ansatz für Kontrollsysteme erforderlich ist. Darüber hinaus können Fuzzy-Steuerungen problemlos mit anderen Steuerungssystemen kombiniert werden.

Es gibt natürlich Nachteile bei der Verwendung von Fuzzy-Steuerungssystemen. Während Fuzzy-Logik eine Teilmenge der künstlichen Intelligenz (KI) ist, ist sie keine Art des maschinellen Lernens und kann sich daher nicht anpassen und lernen. Es gibt adaptive Fuzzy-Logik-Regler, aber ihr Design und ihre Komplexität gehen weit über die diskutierten Fuzzy-Regler hinaus.

Darüber hinaus müssen die Regeln, von denen der Controller abhängt, eventuell aktualisiert werden, und Fuzzy-Logic-Controller erfordern umfangreiche Tests und Validierungen, bevor sie als bereit für die Implementierung gelten.

Wann sollte ein Fuzzy-Logic-Controller verwendet werden? Sie sind eine hervorragende Option für Regelungsprobleme, die sehr komplex und mit präzisen Modellen und Objektiven nur schwer darstellbar sind. Sie funktionieren gut, wenn ungenaue Daten und nichtlineares Verhalten beteiligt sind. Sie sind auch dann eine gute Wahl, wenn menschliche Erfahrung und Fachwissen in das System eingebracht werden können. Wie verwenden Sie Fuzzy-Logik in Ihrem Steuerungssystem? Oder verwenden Sie nur PID-Regler?