Нечеткая логика объяснена: как ИИ справляется с неопределенностью

Нечеткая логика может не звучать как самый надежный способ внедрения сложной системы управления. Однако способность нечетких логических систем работать с неточными данными и внедрять опыт экспертов делает её мощным инструментом в современных приложениях управления.

Обзор нечеткой логики

Нечеткая логика, подразделение ИИ (искусственного интеллекта), разработанная Лотфи Заде в 1965 году, позволяет компьютерной системе имитировать то, как люди интерпретируют и взаимодействуют с данными. В то время как булева логика ограничена двумя исходами (Истина или Ложь, 0 или 1), нечеткая логика имеет дело с степенями истинности.

Рассмотрим, как пример, систему машинного зрения, позволяющую автономной роботизированной системе навигировать по загруженному складскому полу. Мы бы увидели дверь справа, быстро распахивающуюся, и знали, что препятствие, вероятно, вот-вот появится. Но булева логика не имеет дела с «вероятно» — она имеет дело с «препятствие вот-вот появится» и «препятствие не вот-вот появится».

С нечеткой логикой вход, такой как скорость, с которой открывалась дверь (т.е., очень медленно, медленно, средне, 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 нечеткой логической системе есть три разных типа значений:

• Входные значения, которые в форме четких числовых значений (например, T = 120°C)
• Нечеткие значения, которые представляют вероятность того, что четкое значение попадает в набор лингвистически представленных категорий (например, Низкое = 0.2, Нормальное = 0.8, Высокое = 0.0)
• Выходные значения, которые дефаззифицированы и четкие (Priority = 0.7)

В нечеткой логической системе четыре части:

1. Модуль фаззификации
2. База знаний
3. Машинный вывод (inference engine)
4. Модуль дефаззификации

Модуль фаззификации получает системные входы в форме четких (в противовес нечетким) числовых значений. Четкое входное значение сигнала делится на набор категорий, обычно представленных лингвистическими значениями (например, холодно, тепло, горячо).

Нечеткое значение для каждой категории — это вероятность того, что четкое значение попадает в неё. Нечеткие значения также можно думать как «степень истинности»: автомобиль, движущийся со скоростью 95 миль/ч, может быть «движется быстро со степенью истинности 0.75». Фактический процесс фаззификации достигается набором функций принадлежности, наиболее распространенными из которых являются треугольные, трапецеидальные, гауссовы или сигмоидные.

База знаний содержит набор правил если-то, основанных на человеческом рассуждении и информированных экспертом в предметной области. Вот пример того, как это может выглядеть:

• ЕСЛИ Темп Высокое И Скорость Низкое ТО Alert_Level = Умеренный
• ЕСЛИ Темп Высокое И Скорость Очень_Высокое ТО Alert_Level = Низкий
• ЕСЛИ Скорость Низкое И Темп Высокое ИЛИ Ускорение ВЫСОКОЕ ТО Alert_Level = Высокий

Машинный вывод использует правила базы знаний к нечетким значениям в манере, похожей на то, как эксперт по теме сделал бы. Результат — другое нечеткое значение и в этом случае.

Наконец, модуль дефаззификации конвертирует выход машинного вывода в четкое значение, очень похоже на обратный модуль фаззификации. В этом примере уровень тревоги может выйти 0.8, что помогает техникам приоритизировать задачи профилактического обслуживания.

Как используется нечеткая логика

Нечеткая логика широко используется, и многие люди получают выгоду от её возможностей, не осознавая этого. Обработка естественного языка, где голосовые команды используются для взаимодействия с объектами, — одна область, где применяется нечеткая логика. В обработке естественного языка есть уровень неопределенности в том, что говорит человек. Тем не менее, нечеткая логика может справляться с такими шумными или неточными данными, чтобы интерпретировать, что сказано, с высокой степенью точности.

Инженеры используют нечеткую логику как часть своих систем поддержки принятия решений, и она может быть найдена интегрированной в маркетинг и рекламу. Кроме того, нечеткие логические системы могут комбинироваться с нейронными сетями как часть систем машинного зрения для идентификации, возможно, различения между сельскохозяйственными угодьями, городскими зонами, лесами и водой в спутниковых снимках.

Одна область, где нечеткая логика нашла обширные приложения, однако — системы управления.

Нечеткая логика и системы управления

В автомобилях может быть нечеткая логическая система, контролирующая тормозную систему. Автономные транспортные средства сильно 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 как часть умных термостатов для поддержания комфортных температур и скорости вентилятора при оптимизации энергопотребления.

Однако это только два примера её использования. FLC можно найти в очень разнообразных отраслях, включая промышленную автоматизацию, биомедицинское производство, нефтехимическую переработку, автомобилестроение и ядерную энергетику.

Насосы, моторы, вентиляторы и приводы могут управляться с использованием нечеткой логики, получая данные от массива датчиков как вход. Экстремально точное управление движением может быть достигнуто с использованием FLC, отсюда его использование в системах ЧПУ (CNC) обработки. Его способность эффективно контролировать температуры подтверждается его использованием в печах и термических обработка печей, зависящих от высокоточных температурных циклов. FLC также может контролировать экстремально сложные системные взаимодействия, такие как те, что видны в ройовой робототехнике.

FLC также бесценен в системах, зависящих от машинного зрения, и сделал многие достижения в промышленной автоматизации, IIoT и Индустрии 4.0 возможными и эффективными.

Традиционные системы управления зависят от очень точных данных и правил, которые могут не иметь возможности учитывать опыт операторов и экспертов. С другой стороны, нечеткая логика идеальна для приложений, где данные зашумлены, неточны или частично отсутствуют. Её база знаний может использовать инсайт и опыт реальных людей для симуляции их процесса принятия решений.