Что такое нечеткая логика?

Нечеткая логика может показаться не самым надежным средством реализации сложной системы управления. Однако способность систем нечеткой логики работать с неточными данными и реализовывать опыт экспертов делает их мощным инструментом в современных управляющих приложениях.

Обзор нечеткой логики

Нечеткая логика, подразделение ИИ (искусственного интеллекта), разработанное Лофти Задой в 1965 году, позволяет компьютерной системе имитировать то, как люди интерпретируют данные и взаимодействуют с ними. В то время как логика ограничена двумя результатами (Истина или Ложь, 0 или 1), нечеткая логика имеет дело со степенями истины.

В качестве примера рассмотрим систему машинного зрения, позволяющую автономной роботизированной системе перемещаться по загруженному складскому помещению. Мы бы увидели, как быстро открылась дверь справа от нас, и знали бы, что, вероятно, вот-вот появится препятствие. Но логическая логика не имеет дело с «вероятно» - она ​​имеет дело с «препятствием вот-вот появится» и «препятствие не вот-вот появится».

С помощью нечеткой логики ввод, такой как скорость, с которой открывается дверь (т. Е. Очень медленно, медленно, в среднем, быстро, очень быстро), где находится дверь, и время суток, могут быть преобразованы в вероятность того, что препятствие вот-вот появится (например, 0,8).

Основы нечеткой логики

В системе с нечеткой логикой есть три разных типа значений:

• Входные значения в виде четких числовых значений (например, T =120 ° C)
• Нечеткие значения, которые представляют вероятность того, что четкое значение попадает в набор лингвистически представленных категорий (например, низкий =0,2, нормальный =0,8, высокий =0,0).
• Четкие и четкие выходные значения (приоритет =0,7).

Система нечеткой логики состоит из четырех частей:

1. Модуль фаззификации
2. База знаний
3. Механизм вывода
4. Модуль дефаззификации

Модуль фаззификации получает системные входные данные в виде четких (в отличие от нечетких) числовых значений. Входной сигнал четких значений разделен на набор категорий, обычно представленных лингвистическими значениями (например, холодный, теплый, горячий).

Рисунок 1. График трех функций принадлежности, представляющих плохое, хорошее и отличное. Изображение предоставлено Mathworks

Нечеткое значение для каждой категории - это вероятность того, что четкое значение попадет в нее. Нечеткие значения также можно рассматривать как «степень истины»:автомобиль, движущийся со скоростью 95 миль в час, может «путешествовать быстро со степенью достоверности 0,75». Фактический процесс фаззификации осуществляется набором функций принадлежности, наиболее распространенными из которых являются треугольные, трапециевидные, гуассианские или сигмовидные.

База знаний содержит набор правил «если-то», основанных на человеческих рассуждениях и проинформированных экспертом в предметной области. Вот пример того, как это может выглядеть:

• ЕСЛИ температура высокая И скорость низкая, ТО Alert_Level =умеренный
• ЕСЛИ температура высокая И скорость очень_высокая, ТО ТОГДА Alert_Level =низкая
• ЕСЛИ скорость низкая И температура высокая ИЛИ ускорение ВЫСОКОЕ, тогда Alert_Level =High

Механизм вывода использует правила базы знаний для нечетких значений аналогично тому, как это сделал бы человек-эксперт в данной области. Результатом является другое нечеткое значение и в данном случае.

Наконец, модуль дефаззификации преобразует выходные данные механизма вывода в четкое значение, во многом как обратное преобразование модуля фаззификации. В этом примере уровень предупреждения может составить 0,8, что помогает техническим специалистам определять приоритеты задач профилактического обслуживания.

Как используется нечеткая логика

Нечеткая логика широко используется, и многие люди извлекают выгоду из ее возможностей, даже не осознавая этого. Обработка естественного языка, при которой голосовые команды используются для взаимодействия с объектами, является одной из областей применения нечеткой логики. При обработке естественного языка существует определенная степень неуверенности в том, что говорит человек. Тем не менее, нечеткая логика может работать с такими зашумленными или неточными данными, чтобы интерпретировать сказанное с высокой степенью точности.

Рисунок 2. Нечеткая логика и нейронные сети могут идентифицировать различные регионы на спутниковых снимках, включая морские нефтяные объекты.

Инженеры используют нечеткую логику как часть своей системы поддержки принятия решений, и ее можно найти интегрированной в маркетинг и рекламу. Кроме того, системы нечеткой логики можно комбинировать с нейронными сетями как часть систем машинного зрения для выявления возможных различий между сельхозугодьями, городскими районами, лесами и водой на спутниковых снимках.

Однако одна из областей, где нечеткая логика нашла широкое применение, - это системы управления.

Нечеткая логика и системы управления

В автомобилях может быть нечеткая логическая система, управляющая тормозной системой. Автономные транспортные средства в значительной степени зависят от нечеткого логического управления (FLC) для таких систем, как скорость, рулевое управление и адаптивный круиз-контроль. И даже неавтономные автомобили, вероятно, будут использовать FLC для тормозной системы. Системы кондиционирования воздуха также часто зависят от нечеткой логики в составе интеллектуальных термостатов, чтобы поддерживать комнатную температуру и скорость вращения вентилятора на комфортных уровнях, оптимизируя потребление энергии.

Однако это только два примера его использования. FLC можно найти в самых разных отраслях промышленности, включая промышленную автоматизацию, биомедицинское производство, нефтехимическую переработку, автомобилестроение и атомную энергетику.

Насосами, двигателями, вентиляторами и трансмиссией можно управлять с помощью нечеткой логики, получая данные от массива датчиков в качестве входных данных. Чрезвычайно точное управление движением может быть достигнуто с использованием FLC, следовательно, его можно использовать в системах обработки с числовым программным управлением (ЧПУ). Его способность эффективно контролировать температуру подтверждается его использованием в обжиговых печах и печах для термообработки, которые зависят от высокоточных температурных циклов. FLC также может контролировать чрезвычайно сложные системные взаимодействия, такие как те, что наблюдаются в роевой робототехнике.

Рисунок 3. Технология, лежащая в основе разработки роевых робототехнических систем, таких как эта, разработанная Исследовательской лабораторией электроники Массачусетского технологического института, использует мощь нечетких систем управления. Изображение предоставлено MIT

FLC также бесценен в системах, которые зависят от машинного зрения, и позволил сделать многие успехи в промышленной автоматизации, IIoT и Индустрии 4.0 возможными и эффективными.

Традиционные системы управления зависят от очень точных данных и правил, которые могут не учитывать опыт операторов и экспертов. С другой стороны, нечеткая логика идеально подходит для приложений, в которых данные зашумлены, неточны или частично отсутствуют. Его база знаний может использовать понимание и опыт реальных людей для моделирования их процесса принятия решений.