Fuzzy Logic erklärt: Wie KI mit Unsicherheit umgeht

Fuzzy Logic mag nicht nach der zuverlässigsten Methode klingen, ein komplexes Steuerungssystem zu implementieren. Doch die Fähigkeit von Fuzzy-Logic-Systemen, mit ungenauen Daten zu arbeiten und Expertenwissen zu implementieren, macht sie zu einem mächtigen Werkzeug in modernen Steuerungsanwendungen.

Überblick über Fuzzy Logic

Fuzzy Logic, eine Unterteilung von KI (Künstlicher Intelligenz), entwickelt 1965 von Lofti Zadeh, befähigt Computersysteme, zu mimiken, wie Menschen Daten interpretieren und damit interagieren. Während Boolesche Logik auf zwei Ausgänge beschränkt ist (Wahr/Falsch, 0/1), handelt Fuzzy Logic mit Graduierungen der Wahrheit.

Betrachten wir als Beispiel ein Machine-Vision-System, das ein autonomes Robotersystem befähigt, einen belebten Lagerboden zu navigieren. Wir sehen eine Tür zu unserer rechten Seite schnell aufschwingen und wissen, dass wahrscheinlich gleich ein Hindernis auftaucht. Boolesche Logik kennt kein „wahrscheinlich“ – sie kennt nur „ein Hindernis taucht auf“ und „kein Hindernis taucht auf“.

Mit Fuzzy Logic können Eingaben wie die Geschwindigkeit, mit der die Tür geöffnet wurde (sehr langsam, langsam, durchschnittlich, schnell, sehr schnell), die Türposition und die Tageszeit in die Wahrscheinlichkeit transformiert werden, dass ein Hindernis auftaucht (z. B. 0,8).

Grundlagen der Fuzzy Logic

In einem Fuzzy-Logic-System gibt es drei Arten von Werten:

• Eingangswerte – scharfe numerische Werte (z. B. T = 120 °C)
• Fuzzy-Werte – Repräsentieren die Wahrscheinlichkeit, dass ein scharfer Wert in eine linguistisch dargestellte Kategorie fällt (z. B. Niedrig = 0,2, Normal = 0,8, Hoch = 0,0)
• Ausgangswerte – defuzzifiziert und scharf (z. B. Priorität = 0,7)

Ein Fuzzy-Logic-System besteht aus vier Teilen:

1. Fuzzifizierungsmodul
2. Wissensbasis (Knowledge Base)
3. Inferenzmaschine (Inference Engine)
4. Defuzzifizierungsmodul

Das Fuzzifizierungsmodul empfängt Systemeingänge als scharfe (crisp) numerische Werte. Der scharfe Eingangswert wird in eine Menge an Kategorien unterteilt, meist linguistisch repräsentiert (z. B. kalt, warm, heiß).

Der Fuzzy-Wert für jede Kategorie ist die Wahrscheinlichkeit, dass der scharfe Wert hineinfällt. Fuzzy-Werte können auch als „Grad der Wahrheit“ betrachtet werden: Ein Auto, das 95 mph fährt, könnte „schnell fahrend mit einem Wahrheitsgrad von 0,75“ sein. Die eigentliche Fuzzifizierung wird durch eine Menge an Mitgliedschaftsfunktionen bewerkstelligt – die häufigsten sind dreieckig, trapezförmig, Gauß und Sigmoid.

Die Wissensbasis enthält eine Menge an Wenn-Dann-Regeln, basierend auf menschlichem Denken und informiert durch einen Fachexperten. Ein Beispiel:

• WENN Temp HOCH UND Geschwindigkeit NIEDRIG DANN Alert_Level = MODERAT
• WENN Temp HOCH UND Geschwindigkeit SEHR_HOCH DANN Alert_Level = NIEDRIG
• WENN Geschwindigkeit NIEDRIG UND Temp HOCH ODER Beschl. HOCH DANN Alert_Level = HOCH

Die Inferenzmaschine nutzt die Regeln der Wissensbasis auf die Fuzzy-Werte, ähnlich wie ein menschlicher Fachexperte. Das Ergebnis ist ein weiterer Fuzzy-Wert.

Schließlich wandelt das Defuzzifizierungsmodul den Ausgang der Inferenzmaschine in einen scharfen Wert um – ähnlich einer Umkehrung des Fuzzifizierungsmoduls. In diesem Beispiel könnte der Alert-Level auf 0,8 kommen, was Technikern hilft, präventive Wartungsaufgaben zu priorisieren.

Wie Fuzzy Logic genutzt wird

Fuzzy Logic ist weit verbreitet, und viele Menschen profitieren von ihren Fähigkeiten, ohne es zu merken. Natural Language Processing (Natürliche Sprachverarbeitung), wo Sprachbefehle zur Interaktion mit Objekten genutzt werden, ist ein Bereich, wo Fuzzy Logic angewendet wird. Hier gibt es Unsicherheit darüber, was eine Person sagt – doch Fuzzy Logic kann mit solchen rauschhaften oder ungenauen Daten umgehen und interpretieren, was gesagt wurde, mit hoher Genauigkeit.

Ingenieure nutzen Fuzzy Logic als Teil ihrer Entscheidungsunterstützungssysteme, und sie findet sich integriert in Marketing und Werbung. Zudem können Fuzzy-Logic-Systeme mit neuronalen Netzen als Teil von Machine-Vision-Systemen kombiniert werden, um z. B. Ackerland, städtische Gebiete, Wälder und Wasser in Satellitenbildern zu unterscheiden.

Ein Bereich, wo Fuzzy Logic extensive Anwendungen gefunden hat, sind jedoch Steuerungssysteme.

Fuzzy Logic und Steuerungssysteme

In Automobilen kann ein Fuzzy-Logic-System das Bremssystem steuern. Autonome Fahrzeuge hängen stark von Fuzzy Logic Control (FLC) für Systeme wie Geschwindigkeit, Lenkung und adaptiven Tempomat ab. Auch nicht-autonome Autos nutzen wahrscheinlich FLC für das Bremssystem. Klimaanlagen hängen oft von Fuzzy Logic als Teil smarter Thermostate ab, um Raumtemperaturen und Lüftergeschwindigkeiten auf komfortablem Niveau zu halten, während Energieverbrauch optimiert wird.

Das sind nur zwei Beispiele. FLC findet sich in sehr diversen Branchen: industrielle Automatisierung, biomedizinische Fertigung, petrochemische Verarbeitung, Automobilfertigung, Kernkraft.

Pumpen, Motoren, Lüfter und Antriebsstränge können mit Fuzzy Logic gesteuert werden, die Daten von Sensorarrays empfängt. Extrem präzise Motion Control kann mit FLCs erreicht werden – daher der Einsatz in CNC-Bearbeitungssystemen (Computerized Numerical Control). Die Fähigkeit, Temperaturen effektiv zu kontrollieren, zeigt sich in Brennöfen und Wärmebehandlungsofen, die auf hochpräzisen Temperaturzyklen basieren. FLC kann auch extrem komplexe Systeminteraktionen überwachen, wie sie in Schwarmrobotik (Swarm Robotics) auftreten.

FLC ist auch unschätzbar in Systemen, die auf Machine Vision angewiesen sind, und hat viele Fortschritte in industrieller Automatisierung, IIoT und Industrie 4.0 möglich und effektiv gemacht.

Traditionelle Steuerungssysteme hängen von sehr präzisen Daten und Regeln ab, die die Erfahrung von Operatoren und Experten möglicherweise nicht berücksichtigen können. Fuzzy Logic hingegen ist ideal für Anwendungen, wo Daten rauschhaft, ungenau oder teilweise fehlend sind. Ihre Wissensbasis kann die Einsicht und Erfahrung realer Menschen nutzen, um deren Entscheidungsprozess zu simulieren.