- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Применение нечеткой логики в системах автоматического управления презентация
Содержание
- 1. Применение нечеткой логики в системах автоматического управления
- 2. Основы нечеткой логики Предложенная Заде [Zadeh, 1965]
- 3. “Мягкие вычисления” Математический аппарат, используемый в традиционных
- 4. Этапы обработки информации при использовании нечеткой логики
- 5. Структура системы управления на основе нечеткой логики *
- 6. Общая структура адаптивной системы управления с использованием нечеткой логики *
- 7. Пример нечеткого логического вывода *
- 8. Какая разница между нечеткой логикой и обычными
- 9. Функциональная схема системы управления скоростью электродвигателя *
- 10. * Лингвистическая переменная Лингвистической называется переменная,
- 11. Функции принадлежности скорости автомобиля *
- 12. Проблемы теплосети ТЭЦ В настоящее время, несмотря
- 13. Проблемы теплосети ТЭЦ С другой стороны, качество
- 14. Особенности объекта управления Установка, осуществляющая процесс химической
- 15. Особенности объекта управления Нагрузка на блок, состоящий
- 16. Особенности объекта управления Задачей автоматического управления является
- 17. Особенности объекта управления Оператор, в ситуации такой
- 18. Термы лингвистической переменной «режимы работы фильтра»: 1.
- 19. Нечеткая система управления работой блока фильтров установки
- 20. Нечеткие регуляторы Для данных моделей были
- 21. Результаты моделирования нечеткой системы * а) б)
- 22. Схема реализации нечеткого алгоритма на ПЛК *
- 23. Преимущества нечетких систем возможность оперировать нечеткими входными
- 24. Преимущества нечетких систем возможность проведения быстрого моделирования
- 25. Пакеты систем нечеткой логики CubiCalc 2.0 RTC
- 26. Система FisPro * FisPro (Fuzzy Inference System
- 27. Термы и функции принадлежности переменной «Температура» *
- 28. Создание термов для переменной «Температура» *
- 29. Функции принадлежности для выходной переменной «Подача_тепла» *
- 30. Окно редактора базы правил *
- 31. Просмотр поверхности выхода *
- 32. Широкому распространению fuzzy-систем управления в немалой степени
- 33. *
- 34. *
- 35. *
- 36. *
- 37. *
- 38. *
- 39. *
- 40. *
- 41. Лингвистическая переменная Лингвистической называется переменная, принимающая
- 42. *
- 43. *
- 44. *
- 45. * Лица, принимающие решение В теории принятия
- 46. * Достоверно известно, что результатом кампании может
- 47. * Структура Fuzzy Logic Toolbox Fuzzy
- 48. *
- 49. * Операции нечеткого вывода Фаззификация (переход к
- 50. *
- 51. *
- 52. * Нечеткие системы типов Сугено и Мамдани
- 53. * * Схема нечеткого вывода по алгоритму Мамдани
- 54. * Особенности fis-редактора Графическое окно fis-редактора
- 55. *
- 56. Описание логико-лингвистической модели “Набор баскетболистов”
- 57. Описание логико-лингвистической модели “Набор баскетболистов” В качестве
- 58. Правила системы определяются таблицей *
- 59. *
- 60. *
Основы нечеткой логики Предложенная Заде [Zadeh, 1965] теория нечетких множеств (fuzzy set theory) представляет собой формализм, предназначенный для формирования суждений о таких категориях и принадлежащих к ним объектах. Эта теория лежит
Слайд 2Основы нечеткой логики
Предложенная Заде [Zadeh, 1965] теория нечетких множеств (fuzzy set
theory) представляет собой формализм, предназначенный для формирования суждений о таких категориях и принадлежащих к ним объектах. Эта теория лежит в основе теории нечеткой логики (fuzzy logic).
Привлекательность нечеткой логики для проектировщиков экспертных систем состоит в ее близости к естественному языку. Таким терминам, как «быстрый», «немного», чаще всего дается интерпретация на основе повседневного опыта и интуиции.
Привлекательность нечеткой логики для проектировщиков экспертных систем состоит в ее близости к естественному языку. Таким терминам, как «быстрый», «немного», чаще всего дается интерпретация на основе повседневного опыта и интуиции.
*
Слайд 3“Мягкие вычисления”
Математический аппарат, используемый в традиционных методах автоматического управления, не всегда
в полной мере может удовлетворить нуждам современного производства. Поэтому в последнее время находят широкое распространение так называемые “мягкие вычисления”, основной принцип которых заключается в обеспечении приемлемого качества управления в условиях неопределённости при относительно невысоком уровне затрачиваемых ресурсов (стоимостных, временных, вычислительных и т.п.). К мягким вычислениям в настоящее время относят такие информационные технологии, как экспертные системы, нейронные сети, нечеткие системы, генетические алгоритмы и ряд других.
*
Слайд 4Этапы обработки информации
при использовании нечеткой логики
Нечеткие рассуждения
На основе фаззификации –
преобразование численного
значения в
символьное нечеткое значение
Четкое принятие решения
– дефаззификация – преобразование
нечеткого символьного значения в число
символьное нечеткое значение
Четкое принятие решения
– дефаззификация – преобразование
нечеткого символьного значения в число
*
Слайд 8Какая разница между нечеткой логикой и
обычными методами управления?
Нечеткая логика вводит простой,
основанный на правилах вида IF X AND Y THEN Z подход к решению проблемы управления вместо попыток смоделировать систему математически. Нечеткая логика основана на эмпирике (опыте) оператора, а не на понимании внутренностей системы. Например, вместо того, чтобы оперировать такими высказываниями с температурой как
"SP =500F", "T <1000F", или "210Cмы имеем дело с правилами типа "IF (process is too cool) AND (process is getting colder) THEN (add heat to the process)"
или "IF (process is too hot) AND (process is heating rapidly) THEN (cool the process quickly)".
Эти высказывания неточны и в то же время описывают то, что действительно происходит. Нечеткая логика описывает поведение оператора при управлении.
"SP =500F", "T <1000F", или "210C
или "IF (process is too hot) AND (process is heating rapidly) THEN (cool the process quickly)".
Эти высказывания неточны и в то же время описывают то, что действительно происходит. Нечеткая логика описывает поведение оператора при управлении.
*
Слайд 10*
Лингвистическая переменная
Лингвистической называется переменная, принимающая значения из множества слов или
словосочетаний некоторого естественного или искусственного языка. Множество допустимых значений лингвистической переменной называется терм-множеством. Термом (term) называется любой элемент терм–множества. В теории нечетких множеств терм формализуется нечетким множеством с помощью функции принадлежности.
Ежедневно мы принимаем решения на основе лингвистической информации типа: "очень высокая температура"; "длительная поездка"; "быстрый ответ"; "красивый букет"; "гармоничный вкус" и т.п.
Ежедневно мы принимаем решения на основе лингвистической информации типа: "очень высокая температура"; "длительная поездка"; "быстрый ответ"; "красивый букет"; "гармоничный вкус" и т.п.
*
Слайд 12Проблемы теплосети ТЭЦ
В настоящее время, несмотря на довольно высокий уровень автоматизации
технологических процессов на тепловых электрических станциях, существует ряд процессов, где влияние человеческого фактора является определяющим из-за технологических особенностей объекта и сложностей, возникающих при применении классических методов теории управления. Как следствие, невозможно избежать влияния ошибочных действий оператора на процесс химводоподготовки, что может приводить к перерасходу химреагентов и подпиточной воды, а также повысить риск возникновения аварийных режимов.
*
Слайд 13Проблемы теплосети ТЭЦ
С другой стороны, качество управления в значительной степени определяется
опытом оператора по эксплуатации объекта, в частности, в некоторых ситуациях отчасти интуитивные решения, принятые оператором в нетривиальных ситуациях, оказываются наиболее верными. Таким образом, при решении задачи автоматического управления подпиткой теплосети необходимо основываться как на технологических требованиях, предъявляемых к процессам химической очистки воды и режимам работы, так и на опыте операторов, эксплуатирующих объект в течение длительного срока и обладающих необходимыми знаниями о возможных неопределенностях, возникающих в процессе работы объекта.
*
Слайд 14Особенности объекта управления
Установка, осуществляющая процесс химической очистки воды для подпитки теплосети
состоит из нескольких Н-катионитных фильтров, предназначенных для умягчения воды. При истощении фильтра проводят его регенерацию. В процессе работы фильтра и перед его регенерацией проводят взрыхление водой. Цель взрыхления заключается в устранении уплотненностей катионитного слоя для снижения гидравлического сопротивления фильтра и обеспечения свободного доступа воды и регенерационного раствора к зернам катионита.
*
Слайд 15Особенности объекта управления
Нагрузка на блок, состоящий из 6 фильтров определяется текущим
расходом воды. Поэтому, в зависимости от требуемой производительности блока, число одновременно работающих фильтров определяется требованием их номинальной нагрузки.
Решение по переключению фильтра из одного состояния в другое в настоящий момент принимается оператором, то есть управление распределением нагрузки на блок фильтров ведется в ручном режиме, что снижает оперативность и точность принятия решений.
Решение по переключению фильтра из одного состояния в другое в настоящий момент принимается оператором, то есть управление распределением нагрузки на блок фильтров ведется в ручном режиме, что снижает оперативность и точность принятия решений.
*
Слайд 16Особенности объекта управления
Задачей автоматического управления является определение момента переключения фильтра в
одно из возможных состояний (работа, резерв, взрыхление) таким образом, чтобы достигался заданный расход воды на блок и соблюдался требуемый режим на каждом конкретном фильтре блока, другими словами должна решаться задача распределения нагрузки между фильтрами блока, совместно с задачей стабилизации общего расхода воды на блок.
Поставленная задача является нетривиальной из-за сложности объекта регулирования. При её решении применение классического подхода затруднительно из-за больших сложностей возникающих при идентификации объекта, описании его математической модели и отсутствия четких правил переключения фильтров.
Поставленная задача является нетривиальной из-за сложности объекта регулирования. При её решении применение классического подхода затруднительно из-за больших сложностей возникающих при идентификации объекта, описании его математической модели и отсутствия четких правил переключения фильтров.
*
Слайд 17Особенности объекта управления
Оператор, в ситуации такой неопределенности, исходя из текущего состояния
объекта и опыта эксплуатации, по существу, интуитивно принимает решения по управлению их работой. Поэтому целесообразно применить к решению поставленной задачи методы интеллектуального управления как инструмента позволяющего качественно использовать знания об объекте в форме логико-лингвистических изъяснений и задействовать весь накопленный опыт эксплуатации объекта при разработке алгоритма принятия решения. Из всех систем интеллектуального управления наиболее подходящими к решению поставленной задачи являются системы основанные на использовании нечеткой логики.
*
Слайд 18Термы лингвистической переменной «режимы работы фильтра»:
1. A1: «Расход ниже минимально допустимого»
– меньше 150 м3/ч;
2. A2: «Расход ниже номинального» – 100-200 м3/ч;
3. A3: «Расход номинальный» – 150-300 м3/ч;
4. A4: «Расход выше максимально допустимого» – больше 250 м3/ч.
Для формирования нечеткой модели объекта управления принимаются стандартные трапециевидные функции принадлежности.
2. A2: «Расход ниже номинального» – 100-200 м3/ч;
3. A3: «Расход номинальный» – 150-300 м3/ч;
4. A4: «Расход выше максимально допустимого» – больше 250 м3/ч.
Для формирования нечеткой модели объекта управления принимаются стандартные трапециевидные функции принадлежности.
*
Слайд 19Нечеткая система управления работой блока фильтров установки подпитки теплосети на ТЭЦ
*
Модель
фильтра после параметрической настройки при помощи инструмента Optimization Toolbox прикладного пакета Matlab
Слайд 20Нечеткие регуляторы
Для данных моделей были разработаны нечеткие регуляторы двух основных
типов: Мамдани и Сугено для фиксированного количества работающих фильтров. Количество работающих фильтров в каждый момент времени принято равным трём, что является достаточным для моделирования максимально возможного количества сочетаний разных режимов работы фильтров.
*
Слайд 21Результаты моделирования нечеткой системы
*
а) б)
а - системы регулирования типа Мамдани,
б -
регулирования типа Сугено.
Слайд 23Преимущества нечетких систем
возможность оперировать нечеткими входными данными: например, непрерывно изменяющиеся во
времени значения (динамические задачи), значения, которые невозможно задать однозначно (результаты статистических опросов, рекламные компании и т.д.);
возможность нечеткой формализации критериев оценки и сравнения: оперирование критериями "большинство", "возможно", преимущественно" и т.д.;
возможность проведения качественных оценок как входных данных, так и выходных результатов: вы оперируете не только значениями данных, но и их степенью достоверности (не путать с вероятностью!) и ее распределением;
возможность нечеткой формализации критериев оценки и сравнения: оперирование критериями "большинство", "возможно", преимущественно" и т.д.;
возможность проведения качественных оценок как входных данных, так и выходных результатов: вы оперируете не только значениями данных, но и их степенью достоверности (не путать с вероятностью!) и ее распределением;
*
Слайд 24Преимущества нечетких систем
возможность проведения быстрого моделирования сложных динамических систем и их
сравнительный анализ с заданной степенью точности: оперируя принципами поведения системы, описанными fuzzy-методами, вы во-первых, не тратите много времени на выяснение точных значений переменных и составление описывающих уравнений, во-вторых, можете оценить разные варианты выходных значений.
*
Слайд 25Пакеты систем нечеткой логики
CubiCalc 2.0 RTC - одна из мощных коммерческих
экспертных систем на основе нечеткой логики, позволяющая создавать собственные прикладные экспертные системы ;
CubiQuick - дешевая "университетская" версия пакета CubiCalc ;
RuleMaker - программа автоматического извлечения нечетких правил из входных данных ;
FuziCalc - электронная таблица с нечеткими полями, позволяющая делать быстрые оценки при неточных данных без накопления погрешности;
OWL - пакет, содержащий исходные тексты всех известных видов нейронных сетей, нечеткой ассоциативной памяти и т.д.
CubiQuick - дешевая "университетская" версия пакета CubiCalc ;
RuleMaker - программа автоматического извлечения нечетких правил из входных данных ;
FuziCalc - электронная таблица с нечеткими полями, позволяющая делать быстрые оценки при неточных данных без накопления погрешности;
OWL - пакет, содержащий исходные тексты всех известных видов нейронных сетей, нечеткой ассоциативной памяти и т.д.
*
Слайд 26Система FisPro
*
FisPro (Fuzzy Inference System Professional) – это свободнораспространяемое профессиональное программное
обеспечение для проектирования, разработки и тестирования систем нечеткого вывода, базирующихся на математическом аппарате нечеткой логики. Данный программный продукт был разработан французской компанией Cemagref для широкого использования в научной и профессиональной деятельности.
Слайд 32Широкому распространению fuzzy-систем управления в немалой степени способствует программа MATLAB, в
составе которой имеется пакет программ по fuzzy-логике. Fuzzy Logic Toolbox позволяет создавать и редактировать fuzzy-системы управления с нечеткой логикой, называемые в терминах программной системы MATLAB - Fuzzy Inference System или FIS. Эти системы можно создавать, используя как графические инструменты, так и команды рабочего окна MATLAB. Кроме того, MATLAB включает в себя пакет моделирования динамических систем Simulink, который, в свою очередь, позволяет при помощи стандартных блоков, входящих в его библиотеку, сформировать одноконтурную или многоконтурную систему автоматики с аналоговым или fuzzy-регулятором.
*
Слайд 41Лингвистическая переменная
Лингвистической называется переменная, принимающая значения из множества слов или
словосочетаний некоторого естественного или искусственного языка. Множество допустимых значений лингвистической переменной называется терм-множеством. Термом (term) называется любой элемент терм–множества. В теории нечетких множеств терм формализуется нечетким множеством с помощью функции принадлежности.
Ежедневно мы принимаем решения на основе лингвистической информации типа: "очень высокая температура"; "длительная поездка"; "быстрый ответ"; "красивый букет"; "гармоничный вкус" и т.п.
Ежедневно мы принимаем решения на основе лингвистической информации типа: "очень высокая температура"; "длительная поездка"; "быстрый ответ"; "красивый букет"; "гармоничный вкус" и т.п.
*
Слайд 45*
Лица, принимающие решение
В теории принятия решений часто приходится оценивать различные величины,
имеющиеся в распоряжении лица, принимающего решение (ЛПР): ресурсы, параметры внешней среды и др. Рассмотрим, например, коммерческую фирму, которая рассматривает возможность проведения рекламной кампании своей продукции. Для того чтобы принять обоснованное решение, фирме необходимо предсказать, как проведение кампании скажется на продажах. Таким образом, руководству фирмы необходимо оценить изменение суммы продаж в результате проведения рекламной кампании.
Слайд 46*
Достоверно известно, что результатом кампании может быть
увеличение прибыли на $100000, и,
следовательно, степень принадлежности точки $100000 нечеткому множеству «увеличение продаж» равна единице.
Рис. 2. Функция принадлежности нечеткого множества «увеличение продаж»
Слайд 47*
Структура Fuzzy Logic Toolbox
Fuzzy Logic Toolbox - это пакет прикладных программ,
входящих в состав среды MatLab. Он позволяет создавать системы нечеткого логического вывода и нечеткой классификации в рамках среды MatLab, с возможностью их интегрирования в Simulink. Базовым понятием Fuzzy Logic Toolbox является FIS-структура - система нечеткого вывода (Fuzzy Inference System).
Система нечеткого логического вывода
Слайд 49*
Операции нечеткого вывода
Фаззификация (переход к нечеткости)
Точные значения входных переменных преобразуются в
значения лингвистических переменных посредством применения некоторых положений теории нечетких множеств, а именно - при помощи определенных функций принадлежности.
Дефаззификация (устранение нечеткости)
На этом этапе осуществляется переход от нечетких значений величин к определенным физическим параметрам, которые могут служить командами исполнительному устройству.
Дефаззификация (устранение нечеткости)
На этом этапе осуществляется переход от нечетких значений величин к определенным физическим параметрам, которые могут служить командами исполнительному устройству.
Слайд 52*
Нечеткие системы типов Сугено и Мамдани
Модуль fuzzy
позволяет строит нечеткие системы двух типов - Мамдани и Сугэно. В системах типа Мамдани база знаний состоит из правил вида
“Если x1=низкий и x2=средний, то y=высокий”.
В системах типа Сугэно база знаний состоит из правил вида
“Если x1=низкий и x2=средний, то y=a0+a1x1+a2x2”.
Таким образом, основное отличие между системами Мамдани и Сугэно заключается в разных способах задания значений выходной переменной в правилах, образующих базу знаний. В системах типа Мамдани значения выходной переменной задаются нечеткими термами, в системах типа Сугэно - как линейная комбинация входных переменных.
“Если x1=низкий и x2=средний, то y=высокий”.
В системах типа Сугэно база знаний состоит из правил вида
“Если x1=низкий и x2=средний, то y=a0+a1x1+a2x2”.
Таким образом, основное отличие между системами Мамдани и Сугэно заключается в разных способах задания значений выходной переменной в правилах, образующих базу знаний. В системах типа Мамдани значения выходной переменной задаются нечеткими термами, в системах типа Сугэно - как линейная комбинация входных переменных.
Слайд 56Описание логико-лингвистической модели “Набор баскетболистов”
Здесь описывается нечёткая система принятия решения
о принятии баскетболиста в команду. Для описания баскетболиста используются следующие лингвистические переменные:
Оценка техники игры: определяется в баллах от 0 до 100, строится на основе нечётких (субъективных) оценок игроков. Множество определения [0,100]. Базовые термы – отличная, очень хорошая, хорошая, не очень хорошая, плохая.
Рост игрока: рост игрока в сантиметрах. Множество определения [170,236]. Базовые термы – очень высокий, высокий, не очень высокий, низкий.
Оценка техники игры: определяется в баллах от 0 до 100, строится на основе нечётких (субъективных) оценок игроков. Множество определения [0,100]. Базовые термы – отличная, очень хорошая, хорошая, не очень хорошая, плохая.
Рост игрока: рост игрока в сантиметрах. Множество определения [170,236]. Базовые термы – очень высокий, высокий, не очень высокий, низкий.
*
Слайд 57Описание логико-лингвистической модели “Набор баскетболистов”
В качестве выхода используется критерий принятия игрока
в команду, измеряемый в процентах. Выходная лингвистическая переменная:
Уверенность отбора: Множество определения [0,100]. Базовые термы –полная, средняя, малая, не берём.
Уверенность отбора: Множество определения [0,100]. Базовые термы –полная, средняя, малая, не берём.
*
