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

Wat is Fuzzy Logic?

Fuzzy logic klinkt misschien niet als de meest betrouwbare manier om een ​​complex besturingssysteem te implementeren. Het vermogen van fuzzy logic-systemen om met onnauwkeurige gegevens te werken en de ervaring van experts te implementeren, maakt het echter een krachtig hulpmiddel in moderne besturingstoepassingen.

Een overzicht van vage logica

Fuzzy logic, een onderverdeling van AI (kunstmatige intelligentie) ontwikkeld door Lofti Zada ​​in 1965, stelt een computersysteem in staat om na te bootsen hoe mensen gegevens interpreteren en ermee omgaan. Terwijl Booleaanse logica beperkt is tot twee uitkomsten (waar of onwaar, 0 of 1), gaat fuzzy logic om met graden van waarheid.

Denk bijvoorbeeld aan een machine vision-systeem waarmee een autonoom robotsysteem door een drukke magazijnvloer kan navigeren. We zouden een deur naar onze rechterzwaai snel open zien gaan en weten dat er waarschijnlijk een obstakel zal verschijnen. Maar Booleaanse logica handelt niet over "waarschijnlijk" -- het gaat over "een obstakel staat op het punt te verschijnen" en "een obstakel staat niet op het punt te verschijnen."

Met fuzzy logic kan invoer zoals de snelheid waarmee de deur openging (dwz zeer langzaam, langzaam, gemiddeld, snel, zeer snel), waar de deur zich bevindt en het tijdstip van de dag worden omgezet in de kans dat een obstakel staat op het punt te verschijnen (bijv. 0,8).

De basis van vage logica

In een fuzzy logic-systeem zijn er drie verschillende soorten waarden:

  • Invoerwaarden in de vorm van scherpe numerieke waarden (bijv. T =120°C)
  • Vage waarden, die de kans vertegenwoordigen dat een scherpe waarde in een reeks taalkundig weergegeven categorieën valt (bijv. Laag =0,2, Normaal =0,8, Hoog =0,0)
  • Uitvoerwaarden, gedefuzzificeerd en helder (Prioriteit =0,7)

Een fuzzy logic systeem bestaat uit vier delen:

  1. Fuzzificatiemodule
  2. Kennisbasis
  3. Inferentie-engine
  4. Defuzzificatiemodule

De fuzzificatiemodule ontvangt systeeminvoer in de vorm van scherpe (in tegenstelling tot vage) numerieke waarden. Het invoersignaal met scherpe waarde is verdeeld in een reeks categorieën die gewoonlijk worden weergegeven door taalkundige waarden (bijv. koud, warm, heet).


Figuur 1. Een plot van drie lidmaatschapsfuncties die slecht, goed en uitstekend vertegenwoordigen. Afbeelding gebruikt met dank aan Mathworks

De vage waarde voor elke categorie is de kans dat de scherpe waarde erin valt. Fuzzy-waarden kunnen ook worden gezien als een 'waarheidsgraad':een auto die met 95 mph rijdt, kan 'snel rijden met een waarheidsgraad van 0,75'. Het feitelijke fuzzificatieproces wordt bereikt door een reeks lidmaatschapsfuncties, waarvan de meest voorkomende driehoekig, trapeziumvormig, guassiaans of sigmoïd zijn.

De kennisbank bevat een reeks als-dan-regels op basis van menselijk redeneren en geïnformeerd door een deskundige in het vakgebied. Hier is een voorbeeld van hoe dit eruit kan zien:

  • ALS de temperatuur hoog is EN de snelheid laag is, DAN Alert_Level =gemiddeld
  • ALS de temperatuur hoog is EN de snelheid erg hoog is, DAN Alert_Level =laag
  • ALS de snelheid laag is EN de temperatuur hoog is OF de versnelling HOOG is, dan is Alert_Level =hoog

De inferentie-engine gebruikt de regels van de kennisbank voor de vage waarden op een manier die vergelijkbaar is met hoe een expert op het gebied van menselijke materie zou doen. Het resultaat is een andere vage waarde en in dit geval.

Ten slotte converteert de defuzzificatiemodule de uitvoer van de inferentie-engine naar een scherpe waarde, net als een omgekeerde van de fuzzificatiemodule. In dit voorbeeld kan het waarschuwingsniveau uitkomen op 0,8, wat technici helpt bij het prioriteren van preventieve onderhoudstaken.

Hoe Fuzzy Logic wordt gebruikt

Fuzzy logic wordt veel gebruikt en veel mensen profiteren van de mogelijkheden ervan zonder het te beseffen. Natuurlijke taalverwerking, waarbij spraakopdrachten worden gebruikt om met objecten te communiceren, is een gebied waar vage logica wordt toegepast. Bij natuurlijke taalverwerking is er een zekere mate van onzekerheid over wat een persoon zegt. Toch kan fuzzy logic met zulke ruis of onnauwkeurige gegevens omgaan om wat er gezegd wordt met een hoge mate van nauwkeurigheid te interpreteren.

Figuur 2. Fuzzy logic en neurale netwerken kunnen verschillende regio's identificeren in satellietbeelden, inclusief offshore oliefaciliteiten.

Ingenieurs gebruiken fuzzy logic als onderdeel van hun besluitvormingsondersteunend systeem, en het is geïntegreerd in marketing en reclame. Bovendien kunnen fuzzy logic-systemen worden gecombineerd met neurale netwerken als onderdeel van machine vision-systemen voor het identificeren van mogelijke verschillen tussen landbouwgrond, stedelijke gebieden, bossen en water in satellietbeelden.

Een gebied waar fuzzy logic uitgebreide toepassingen heeft gevonden, zijn echter besturingssystemen.

Fuzzy logica en besturingssystemen

In auto's kan er een fuzzy logic-systeem zijn dat het remsysteem bestuurt. Autonome voertuigen zijn sterk afhankelijk van fuzzy logic control (FLC) voor systemen zoals snelheid, besturing en adaptieve cruisecontrol. En zelfs niet-autonome auto's zullen waarschijnlijk FLC gebruiken voor het remsysteem. Ook airconditioningsystemen zijn vaak afhankelijk van fuzzy logic als onderdeel van slimme thermostaten om de kamertemperatuur en ventilatorsnelheid op een comfortabel niveau te houden en tegelijkertijd het energieverbruik te optimaliseren.

Dit zijn echter slechts twee voorbeelden van het gebruik ervan. FLC is te vinden in zeer diverse industrieën, waaronder industriële automatisering, biomedische productie, petrochemische verwerking, autoproductie en kernenergie.

Pompen, motoren, ventilatoren en aandrijflijnen kunnen worden bestuurd met behulp van fuzzy logic, waarbij gegevens van een reeks sensoren als invoer worden ontvangen. Extreem nauwkeurige motion control kan worden bereikt met behulp van FLC's, vandaar het gebruik ervan in computer numerieke controle (CNC) bewerkingssystemen. Het vermogen om de temperaturen effectief te regelen, blijkt uit het gebruik in ovens en warmtebehandelingsovens die afhankelijk zijn van zeer nauwkeurige temperatuurcycli. FLC kan ook toezicht houden op extreem complexe systeeminteracties, zoals die te zien zijn in zwermrobotica.

Figuur 3. De technologie achter de ontwikkeling van zwermrobotsystemen, zoals deze ontwikkeld door MIT's Research Laboratory of Electronics, waarbij gebruik wordt gemaakt van de kracht van fuzzy-besturingssystemen. Afbeelding gebruikt met dank aan MIT

FLC is ook van onschatbare waarde in systemen die afhankelijk zijn van machinevisie en heeft veel vooruitgang in industriële automatisering, IIoT en Industrie 4.0 mogelijk en effectief gemaakt.

Traditionele controlesystemen zijn afhankelijk van zeer nauwkeurige gegevens en regels die mogelijk geen rekening kunnen houden met de ervaring van operators en experts. Aan de andere kant is Fuzzy-logica ideaal voor toepassingen waarbij de gegevens ruis bevatten, onnauwkeurig zijn of gedeeltelijk ontbreken. De kennisbank kan gebruikmaken van het inzicht en de ervaring van echte mensen om hun besluitvormingsproces te simuleren.


Industriële robot

  1. Wat is diamant draaien?
  2. Wat is ultrasoon bewerken?
  3. Wat is wrijvingsboren?
  4. Wat is gegalvaniseerd ijzer?
  5. Wat is draadborgende vloeistof?
  6. Wat is multi-materiaal 3D-printen?
  7. Wat is Robocasting in 3D-printen?
  8. Wat is gevulkaniseerd rubber?
  9. Wat rinkelt bij 3D-printen?
  10. Wat is industriële automatisering?
  11. Wat is A2 Steel?