Industriële fabricage
Industrieel internet der dingen | Industriële materialen | Onderhoud en reparatie van apparatuur | Industriële programmering |
home  MfgRobots >> Industriële fabricage >  >> Manufacturing Equipment >> Industriële robot

Een Fuzzy Logic-controller ontwerpen

Fuzzy logic-controllers zijn letterlijk overal om ons heen. Van antiblokkeersystemen tot de wasmachines die onze kleding reinigen. Maar werken ze ook echt? En wat zijn de voordelen van het gebruik ervan?

Figuur 1. Moderne bewerkingen zijn vaak afhankelijk van fuzzy logic om kritieke aspecten van het proces te beheersen. Afbeelding gebruikt met dank aan Michael Schwarzenberger

Ladderlogica en vage logica

Een goed startpunt bij het leren over fuzzy logic-besturingselementen is om te bepalen of ladderlogica compatibel is met fuzzy logic. Ladderlogica is een veelgebruikte, op regels gebaseerde benadering voor het programmeren van PLC's (programmeerbare logische controllers) wanneer sequentiële logica nodig is. Elk van de sporten in een logisch ladderprogramma vertegenwoordigt een logische vergelijking die binair of discreet is.

Houd er rekening mee dat ladderlogica van links naar rechts, van boven naar beneden wordt gelezen, en dat de uiterst rechtse kant van een sport de uitvoerconditie vertegenwoordigt. De uitgangstoestand van die sport hangt af van de uitkomst van de logische laddersymbolen links van de uitgang.

Neem als basisvoorbeeld de enkele sport die in figuur 2 wordt getoond. Merk op dat de airconditioning (airconditioning) alleen actief is als de schakelaar actief is en of HighTemp of Humid actief is.

Figuur 2. Ladderlogica-sport voor het aansturen van een airconditioningsysteem. Informatie gebruikt met dank aan Wikipedia

In de regel zou deze sport de volgende vorm hebben:

A/C =schakelaar AND (hoge temperatuur OF vochtig)

Omdat ladderlogica kan worden uitgedrukt als regels, leent het zich gemakkelijk voor adoptie in fuzzy logic-controle. Een andere manier om hieraan te denken is dat de uitkomst afhangt van de ALS-voorwaarden die worden weergegeven door de logische laddersymbolen aan de linkerkant, terwijl de uitvoer het THEN-resultaat vertegenwoordigt.

IF (Schakel EN [HogeTemp OF Vochtig]) DAN A/C

Figuur 3. Blokdiagram dat een vaag logisch systeem weergeeft.

Deze aanpak kan zeker worden geïmplementeerd met behulp van fuzzy logic-regels. In een dergelijk geval zouden de scherpe inputs temperatuur en relatieve vochtigheid zijn. Sensorlezing van deze waarden zou door een fuzzifier worden omgezet in vage invoer. De inferentie-engine zou onder andere de hierboven getoonde regels bevatten. Op basis van de regels van de inferentie-engine zou een vage uitvoerset aan de defuzzifier worden gepresenteerd. Van daaruit zouden heldere outputs aan het besturingssysteem worden geleverd.

Kortom, ladderlogica kan worden geïmplementeerd met behulp van fuzzy logic.

Basisstappen voor het ontwerpen van een Fuzzy Logic-controller

Fuzzy logic-besturingssystemen (vaak afgekort als FLC) zijn een alternatieve benadering voor het ontwikkelen en implementeren van besturingssystemen.

Figuur 4. Eenvoudig feedbackbesturingssysteem met fuzzy-regeling. Afbeelding gebruikt met dank aan Boffy b

Herken de betrokken veronderstellingen

Voordat u begint met het ontwerpen van een FLC, zijn er bepaalde belangrijke aannames.

  • Er bestaat een oplossing voor het controleprobleem.
  • Een 'goed genoeg'-oplossing is acceptabel in plaats van een 'optimale oplossing'.
  • Invoer-, uitvoer- en toestandsvariabelen kunnen worden geobserveerd en gebruikt voor besturing.
  • Er bestaat een hoeveelheid kennis in de vorm van:
  • Taalregels, en/of
  • Een set invoer-uitvoergegevens waaruit regels kunnen worden geëxtraheerd.
  • De FLC moet worden ontworpen om een ​​acceptabel precisiebereik te bereiken.
  • Stabiliteit en optimaliteit komen niet expliciet aan bod, maar staan ​​open.

Identificeer en configureer de variabelen voor fuzzificatie

De eerste stap bij het ontwerpen van een FLC is het identificeren van de betrokken invoer-, uitvoer- en toestandsvariabelen. Bepaal vervolgens de vage subsets voor de variabelen. De temperatuurinvoer kan bijvoorbeeld worden onderverdeeld in vijf subsets met een beschrijvend taalkundig label voor elk:{‘koud,’ ’koel’, ‘nominaal’, ’warm,’ ’heet’}.

Figuur 5. Voorbeeld van het gebruik van lidmaatschapsfuncties om temperatuur weer te geven.

Nadat de subsets voor de variabelen zijn gekozen, moeten lidmaatschapsfuncties worden geconfigureerd om deze subsets weer te geven. Opties voor lidmaatschapsfuncties zijn onder meer driehoekig, trapeziumvormig, sigmoïd en Gaussiaans. Dit vormt de fuzzifier die de scherpe invoer omzet in vage waarden. Merk op dat vage subsets en bijbehorende lidmaatschapsfuncties ook moeten worden geconfigureerd voor de uitvoer van de inferentie-engine .

Genereer de Fuzzy Logic-regels

Het omzetten van een traditionele ladderlogica-controller in een fuzzy logic-controller begint met het genereren van fuzzy logic-regels.

In de aannames gezinspeeld, kan dit de vorm aannemen van reeds bestaande taalregels of kunnen worden ontwikkeld met behulp van een materiedeskundige. Regels kunnen ook worden gegenereerd op basis van een set invoer-uitvoergegevens. En, in het geval van ladderlogica, kunnen de fuzzy logic-regels direct uit het ladderdiagram worden gelezen.

Het resultaat is de regelbasis voor het fuzzy-systeem.

De Inference Engine en Defuzzifier implementeren

Er zijn verschillende benaderingen voor het implementeren van de inferentie-engine . Bij controles zijn Mamdani en Sugeno de twee meest populaire benaderingen. Beide typen inferentie-engines combineren de vage uitvoer van de regelbasis met behulp van een OR-operator en defuzzificeert vervolgens die uitvoer om een ​​scherpe waarde te verkrijgen.

Toepassingen van Fuzzy Logic-controllers

Fuzzy logic-controllers zijn zeer wijdverbreid gebruikt. Liften hebben bijvoorbeeld vaak fuzzy logic-controllers die de wachttijd verkorten, het reizen tussen verdiepingen minimaliseren en het energieverbruik verminderen. Een bijkomend voordeel van het minimaliseren van verplaatsingen tussen verdiepingen is minder slijtage van kritieke componenten en een langere levensduur.

Een ander fascinerend voorbeeld van fuzzy-besturingssystemen zijn digitale videocamera's en camcorders. Operators kunnen de camera bewegen of schudden tijdens het filmen van een consistente opname, maar fuzzy logic-besturing kan dit automatisch compenseren.

In een industriële omgeving wordt vaak fuzzy logic gebruikt om industriële processen en systemen te besturen. Fuzzy logic werkt bijvoorbeeld goed met temperatuur- en procesregelaars, zoals die worden gebruikt bij de warmtebehandeling van metalen. Typische warmtebehandelingen omvatten zeer nauwkeurige hellings- en weekcycli om de juiste metallurgische eigenschappen te verkrijgen.

Vergelijkbare toepassingen die profiteren van FLC zijn onder meer het uitharden van rubber of het drogen van oplosmiddelen op geverfde oppervlakken. Bovendien zijn dit allemaal voorbeelden van regelprocessen die doorgaans gebruikmaken van een PID-regelaar (proportionele integrale afgeleide). CNC-bewerking (computer numerieke besturing) is vaak afhankelijk van fuzzy logic-controllers, net als veel autonome robotica, machinevisie en remote sensing.

Figuur 6. Blokschema voor een Fuzzy PID-controller. Afbeelding gebruikt met dank aan Mathworks

Voor- en nadelen van Fuzzy Logic-besturing

Fuzzy logic-besturing kan nog steeds functioneren wanneer ze worden geconfronteerd met onnauwkeurige gegevens en niet-lineariteit in het systeem. Het maakt het ook mogelijk menselijke ervaring en kennis te integreren in een besturingssysteem en is in hoge mate aanpasbaar. Fuzzy logic-besturingssystemen zijn over het algemeen goedkoper om te ontwikkelen in vergelijking met meer traditionele benaderingen, en zijn doorgaans efficiënter, robuuster en betrouwbaarder.

Met name bij controles vereist FLC niet dat het model en/of de doelstelling in nauwkeurige bewoordingen worden geformuleerd, zoals vereist is bij een meer traditionele benadering van controlesystemen. Bovendien kunnen fuzzy-besturingen gemakkelijk worden gecombineerd met andere besturingssystemen.

Er zijn natuurlijk nadelen aan het gebruik van fuzzy-controlesystemen. Hoewel fuzzy logic een subset is van kunstmatige intelligentie (AI), is het geen type machine learning en kan het zich daarom niet aanpassen en leren. Er zijn adaptieve fuzzy logic-controllers, maar hun ontwerp en complexiteit gaan veel verder dan het type fuzzy-controller dat wordt besproken.

Bovendien zullen er uiteindelijk updates moeten worden aangebracht in de regels waarvan de controller afhankelijk is, en fuzzy logic-controllers vereisen uitgebreide tests en validatie voordat ze als gereed voor implementatie worden beschouwd.

Wanneer moet een fuzzy logic-controller worden gebruikt? Ze zijn een uitstekende optie voor besturingsproblemen die extreem complex en moeilijk te representeren zijn met behulp van nauwkeurige modellen en doelstellingen. Ze werken goed wanneer het gaat om onnauwkeurige gegevens en niet-lineair gedrag. Ze zijn ook een goede keuze wanneer menselijke ervaring en expertise aan het systeem kunnen worden toegevoegd. Hoe gebruik je fuzzy logic in je besturingssysteem? Of gebruikt u alleen PID-controllers?


Industriële robot

  1. Hoe ontwerp je doorzichtige plastic producten
  2. Ontwerp voor maakbaarheid:een handleiding
  3. Hoe het toevoegen van een antenne het ontwerpproces verandert
  4. Een PWM-controller maken in VHDL
  5. Hoe virtual reality kan helpen bij het ontwerpen van industriële robots
  6. Hoe kabels en harnassen te documenteren
  7. Een controller voor industriële automatisering kiezen?
  8. Een controller selecteren
  9. Hoe interferentie in PCB-ontwerp te verslaan
  10. Hoe HDI-ontwerp in elektronica te optimaliseren
  11. 3D-geprinte scharnieren ontwerpen