Fuzzy Logic Uitgelegd: Hoe AI Omgaat met Onzekerheid

Fuzzy logic klinkt misschien niet als de meest betrouwbare manier om een complex controlesysteem te implementeren. Echter, de vermogen van fuzzy logic systemen om met onprecieze data te werken en de ervaring van experts te implementeren, maakt het een krachtig hulpmiddel in moderne controletoepassingen.

Overzicht van Fuzzy Logic

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 data interpreteren en ermee interacteren. Terwijl Booleaanse logica beperkt is tot twee uitkomsten (True of False, 0 of 1), gaat fuzzy logic om graden van waarheid.

Overweeg, als voorbeeld, een machine vision-systeem dat een autonom robotisch systeem in staat stelt om een drukke opslagvloer te navigeren. We zouden een deur aan onze rechterkant zien die snel open gaat en weten dat een obstakel waarschijnlijk op het punt staat te verschijnen. Maar Booleaanse logica gaat niet om "waarschijnlijk" - het gaat om "een obstakel is op het punt te verschijnen" en "een obstakel is niet op het punt te verschijnen".

Met fuzzy logic kan invoer zoals de snelheid waarmee de deur open ging (bijv. heel langzaam, langzaam, gemiddeld, snel, heel snel), waar de deur zich bevindt, en het tijdstip van de dag getransformeerd worden in de kans dat een obstakel op het punt staat te verschijnen (bijv. 0.8).

De Basisprincipes van Fuzzy Logic

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

• Invoervalues, die in de vorm zijn van crisp numerieke waarden (bijv. T = 120°C)
• Fuzzy waardes, die de kans vertegenwoordigen dat een crisp waarde valt in een set linguïstisch vertegenwoordigde categorieën (bijv. Laag = 0.2, Normaal = 0.8, Hoog = 0.0)
• Uitvoerwaarden, die gedefuzzifieerd en crisp zijn (Prioriteit = 0.7)

Er zijn vier delen aan een fuzzy logic-systeem:

1. Fuzzificatielogica-module
2. Kennisbasis
3. Inferentiemotor
4. Defuzzificatielogica-module

De fuzzificatielogica-module ontvangt systeeminvoeren in de vorm van crisp (in tegenstelling tot fuzzy) numerieke waarden. De crisp waarde invoersignaal wordt verdeeld in een set categorieën die doorgaans vertegenwoordigd worden door linguïstische waarden (bijv. koud, warm, heet).

De fuzzy waarde voor elke categorie is de kans dat de crisp waarde erin valt. Fuzzy waardes kunnen ook worden gezien als een "graad van waarheid": een auto die rijdt met 95 mijl per uur zou "snel rijden met een graad van waarheid van 0.75" kunnen zijn. Het echte fuzzificatieproces wordt bereikt door een set lidmaatschapsfuncties, waar de meest voorkomende driehoeks-, trapezium-, Gaussiaanse, of Sigmoïde zijn.

De kennisbasis bevat een set als-dan regels gebaseerd op menselijke redenering en geïnformeerd door een expert in het vakgebied. Hier is een voorbeeld van hoe dit eruit kan zien:

• ALS Temp Hoog EN Snelheid Laag DAN Alert_Niveau = Matig
• ALS Temp Hoog EN Snelheid Zeer_Hoog DAN Alert_Niveau = Laag
• ALS Snelheid Laag EN Temp Hoog OF Versnelling HOOG DAN Alert_Niveau = Hoog

De inferentiemotor gebruikt de regels van de kennisbasis op de fuzzy waardes op een manier vergelijkbaar met hoe een vakexpert dat zou doen. Het resultaat is een andere fuzzy waarde en in dit geval.

Ten slotte converteert de defuzzificatielogica-module de uitvoer van de inferentiemotor in een crisp waarde, vergelijkbaar met een omgekeerde fuzzificatielogica-module. In dit voorbeeld kan het alertniveau uitkomen op 0.8, wat technici helpt preventieve onderhoudstaken te prioriteren.

Hoe Fuzzy Logic Gebruikt Wordt

Fuzzy logic wordt wijd gebruikt, en veel mensen profiteren van zijn mogelijkheden zonder het te beseffen. Natuurlijke taalverwerking, waar stemcommando's gebruikt worden om met objecten te interacteren, is een gebied waar fuzzy logic toegepast wordt. In natuurlijke taalverwerking is er een mate van onzekerheid over wat een individu zegt. Toch kan fuzzy logic met dergelijke ruisige of onprecieze data omgaan om te interpreteren wat er gezegd wordt met een hoge graad van nauwkeurigheid.

Ingenieurs gebruiken fuzzy logic als onderdeel van hun beslissingsondersteuningssysteem, en het kan geïntegreerd worden in marketing en advertentie. Daarnaast kunnen fuzzy logic systemen gecombineerd worden met neurale netwerken als onderdeel van machine vision systemen voor het identificeren van mogelijke differentiatie tussen akkerbouw, stedelijke gebieden, bossen, en water in satellietbeelden.

Eén gebied waar fuzzy logic extensieve toepassingen heeft gevonden, is controlsystemen.

Fuzzy Logic en Controlsystemen

In automobielen kan er een fuzzy logic-systeem zijn dat het remsysteem controleert. Autonome voertuigen hangen zwaar af van fuzzy logic control (FLC) voor systemen zoals snelheid, sturing, en adaptieve cruise control. En zelfs niet-autonome automobielen zullen waarschijnlijk FLC gebruiken voor het remsysteem. Airconditioning-systemen, evenzo, hangen vaak af van fuzzy logic als onderdeel van slimme thermostaten om kamertemperaturen en ventilatorsnelheid op comfortabele niveaus te houden terwijl energieverbruik geoptimaliseerd wordt.

Echter, dat zijn slechts twee voorbeelden van het gebruik. FLC kan in zeer diverse industrieën gevonden worden, inclusief industriële automatisering, biomedische productie, petrochemische verwerking, automobielproductie, en kernenergie.

Pompen, motoren, ventilatoren, en aandrijflijnen kunnen worden gecontroleerd met fuzzy logic, data ontvangend van een array van sensoren als invoer. Extremely nauwkeurige beweegbesturing kan bereikt worden door gebruik te maken van FLC's, vandaar het gebruik in computer numerieke controle (CNC) bewerkingssystemen. De vermogen om effectief temperaturen te controleren wordt bewijzen door het gebruik in ovens en warmtebehandelingsovens die afhankelijk zijn van hoogprecieze temperatuurcycli. FLC kan ook extreem complexe systeeminteracties superviseren, zoals die gezien in zwermrobotica.

FLC is ook onschatbaar in systemen die afhankelijk zijn van machine vision en heeft veel vooruitgang in industriële automatisering, IIoT, en Industrie 4.0 mogelijk en effectief gemaakt.

Traditionele controlsystemen hangen af van heel precieze data en regels die mogelijk niet in staat zijn de ervaring van operators en experts in rekening te brengen. Aan de andere kant, is fuzzy logic ideaal voor toepassingen waar de data ruisig, onprecies, of deels ontbrekend is. De kennisbasis kan de inzicht en ervaring van echte mensen benutten om hun besluitvormingsproces te simuleren.