چرا منطق دودویی در سیستم های تصمیم گیری مهندسی شکست می خورد

سیستم های مهندسی به طور معمول با شرایطی مواجه هستند که از صدای سنسور سیاه و سفید، تنوع زیست محیطی، نقص مواد، و عوامل انسانی به طور منظم با شرایطی مواجه هستند که منطق واقعی / کاذب باینری نمی تواند به طور ماهرانه ای کنترل شود، سنسور دما ممکن است 37.2 درجه سانتیگراد را بخواند، اما این است که "گرم" یا "نه داغ؟"، مهندسین باید به طور خودسرانه آستانه 38 درجه سانتیگراد - تنظیم کنند، بنابراین ایمنی ماشین های گرم است که "کنترلی" را به عنوان "کنترل گرم" طبقه بندی می کند.

منطق فازی توسط لوطفی زا توده در اواسط دهه 1960 به عنوان یک چارچوب ریاضی برای ثبت ارزش های حقیقت بین 0 و 1. به جای مجبور کردن عضویت در عضویت در یک عضو، منطق فازی اجازه می دهد تا یک متغیر به طور جزئی به چندین درجه به طور همزمان تنظیم شود.برای مثال، 37.2 درجه سانتیگراد ممکن است دارای عضویت در 0.6 در "جنگ" و "در توانایی "گرم" باشد که منعکس کننده این منطق است.

مفاهیم اصلی فازی منطق

تابع های عضویت

یک مجموعه فازی توسط تابع عضویت آن تعریف شده است که هر عنصر از جهان گفتمان را به یک ارزش در [0، 1] شکل های مشترک شامل مثلث، تلهezsian، Gaussian، و توابع sigmoid را نقشه می کند، انتخاب شکل و پارامترهای به طور مستقیم بر رفتار سیستم تأثیر می گذارد.به عنوان مثال، یک تابع مثلثی برای "سرعت پایین" ممکن است در سرعت 10 کیلومتر یا کاهش آن، در حالی که به صفر یا کاهش می دهد، و کاهش آن، در حالی که به سرعت 10 کیلومتر و کاهش آن اجازه می دهد.

متغیرهای زبانی و قوانین

منطق فازی از متغیرهای زبانی مانند "درجه"، "فشار"، یا "تروریسم" استفاده می کند که ارزش های زبانی مانند "پایین"، "متوسط"، "رتبه" را می گیرد، "در نظر توسط قوانین IF-T زمان: اگر دمای بالا و فشار پایین دریچه باز است، این قوانین دانش متخصص کد و می تواند از اپراتورهای انسانی یا داده های آموخته شده مشتق شده است.

فرآیند استنتاج فازی

روش مرجع استاندارد مامداانی شامل چهار مرحله است: فازی سازی، ارزیابی قانون، تجمع و تجزیه و تحلیل هر مرحله تبدیل و ترکیب اطلاعات برای تولید خروجی مناسب برای تغییر یا تصمیم.

راهنمای پیاده سازی مرحله به مرحله

پیاده سازی منطق فازی در یک سیستم مهندسی نیازمند طراحی روش است. مراحل زیر یک جریان کاری معمولی برای کنترل یا سیستم تصمیم گیری را منعکس می کند.

۱- مشکل Scoping و Variable Selection

متغیرهای ورودی (به عنوان مثال، سرعت، فاصله، دما) و متغیر خروجی (به عنوان مثال، نیروی ترمز، موقعیت دریچه، سطح هشدار) را شناسایی کنید. تعریف جهان گفتمان برای هر متغیر بر اساس محدودیت های فیزیکی و شرایط عملیاتی.

۲- اصلاح

عضویت طراحی برای هر اصطلاح زبان شناسی استفاده از تخصص دامنه برای تعیین مناطق همپوشانی مانند MATLAB® Fuzzy Logicbox یا کتابخانه علمی-fuzzy پایتون اجازه می دهد تا نمونه سازی سریع در یک کنترل کننده سطح آب، "low"، "medium" و "high" سطح ممکن است با توابع مثلثی که حتی در سراسر مخزن قرار دارند، مدل سازی شود.

۳- ساخت و ساز پایه

قوانینی را که رفتار سیستم مورد نظر را ثبت می کنند، برای یک سیستم کنترل دما، یک قانون ممکن است این باشد: «اگر دمای بالا است و خطا مثبت است، سرعت خنک کننده ی آن سریع است.»

۴- ارزیابی قانون و آگgregation

برای هر قاعده، درجه رضایت (قدرت انکار) را با استفاده از نورم (مین یا محصول) به ورودی های مبهم محاسبه کنید، سپس مجموعه های فازی (به عنوان مثال، استفاده از حداکثر یا خلاصه) را به یک مجموعه تک خروجی تقسیم کنید. نتیجه یک شکل است که نشان دهنده ترکیب تمام قوانین توصیه شده است.

۵- نقص زدایی

تبدیل مجموعه کل فازی به یک عدد دقیق. روش های مشترک شامل ۱۰۰٪roid (مرکز گرانش)، دو بخش، به معنای حداکثرا و بزرگترین از Centroid به طور گسترده ای استفاده می شود زیرا تولید یک خروجی صاف است که به طور مداوم به تغییرات در ورودی پاسخ می دهد.

۶- نظارت و اعتبار

سیستم را با موارد تست ساده سازی و اصلاح پارامترهای تابع عضویت و وزن های قانون، الگوریتم های ژنتیکی می توانند با بهینه سازی در برابر معیارهای عملکردی مانند زمان حل، عیب یابی یا خطای ثابت حالت، تنظیم کنند.

مزایای حیاتی در رویکرد های متعارف

افزایش نویز و داده های ناقص

از آنجا که منطق فازی قوانین همپوشانی چندگانه را جمع می کند، یک خواندن سنسور فاسد به ندرت باعث تغییر فاجعه بار خروجی می شود.سیستم به طور ماهرانه ای کاهش می یابد - یک ملک به ویژه ارزشمند در سیستم های ترمز خودرو (FLT:0 ضد قفل) [FLT 1] که سنسورهای سرعت چرخ ممکن است افت های لحظه ای را تجربه کنند.

مدل آزاد طبیعت

بر خلاف کنترل کننده های PID یا مدل های فضایی، منطق فازی نیازی به یک مدل دقیق ریاضی از گیاه ندارد.این می تواند صرفاً از دانش اکتشافی طراحی شده باشد و آن را برای سیستم های پیچیده غیر خطی که مدل سازی آن قابل ردیابی است، ایده آل می کند.

قابلیت پیش بینی و حفظ قابلیت

قوانین فازی در زبان تقریبا طبیعی بیان می شود، به کارشناسان حوزه بدون تخصص برنامه نویسی اجازه می دهد تا منطق تصمیم را بررسی و اصلاح کنند.این شفافیت زمان اشکال زدایی را کاهش می دهد و انطباق قانونی در مهندسی پزشکی یا هوافضا را ساده می کند.

سازگاری

سیستم های فازی را می توان با مکانیسم های یادگیری تقویت کرد - مانند سیستم های استنتاج عصبی-زوفریک (ANFIS) - برای تنظیم پارامترهای داده بدون از دست دادن ساختار تفسیر شده اساسی.

برنامه های مهندسی واقعی

رباتیک و اتوماسیون

کنترل کننده های منطق فازی ربات های تلفن همراه را از طریق محیط های بدون ساختار با ترکیب فاصله و جهت گیری (برای مثال، یک ربات از قوانینی مانند "IF مانع نزدیک است و سمت راست روشن را برای حرکت به سمت راهروهای باریک مانند شرکت ها مانند Festo [FLT: 1) استفاده از کنترل فازی در سیستم های کنترل انطباقی که از انطباق مختلف پیروی می کنند.

مدیریت سیستم قدرت

شبکه های الکتریکی مدرن به منطق فازی برای پیش بینی بار، تنظیم ولتاژ و تشخیص خطا متکی هستند.یک سیستم تصمیم گیری فازی می تواند نسل های تجدید پذیر را با ذخیره سازی با ارزیابی پیش بینی های پوشش ابری، زمان از روز و حالت شارژ باتری تعادل برقرار کند - همه ورودی های نامشخص.

نظارت بر محیط زیست

شبکه های سنسور بی سیم از استنتاج فازی برای طبقه بندی شاخص های کیفیت هوا بر اساس آستانه های پاره پاره وقت برای PM2.5، اوزون و رطوبت استفاده می کنند. سیستم می تواند هشدارهای درجه بندی شده (caution، هشدار، انتقادی) را به جای هشدارهای باینری، کاهش مثبت کاذب، صادر کند.

سیستم های خودرو

فراتر از ABS، منطق فازی در برنامه انتقال اتوماتیک، کنترل کروز تطبیقی و کنترل کشش ظاهر می شود.برنامه ثبات الکترونیکی خودرو ممکن است از قوانین فازی برای تنظیم فشار ترمز بر روی هر چرخ بر اساس نرخ یارد، زاویه فرمان و سرعت بعد از آن استفاده کند.

کنترل فرآیند صنعتی

کوره های سیمان، راکتورهای شیمیایی و گیاهان تصفیه فاضلاب همگی با عدم اهمیت و تأخیر زمان کار می کنند. کنترل کننده های فازی PIy در این زمینه ها، واکنش سریع تر و کاهش بیش از حد را ارائه می دهند.

چالش های اجرایی و مییگations

دانلود بازی The Afternoon of Dimensionality

با افزایش متغیرهای ورودی، پایه قانون به طور چشمگیری رشد می کند.مییگations شامل سیستم های فازی سلسله مراتبی است که خروجی های یک مرحله به ورودی های دیگری تبدیل می شود و پایگاه های حکمرانی با تکنیک های متقابل.

تابع حساسیت

شکل های انتخاب شده ضعیف می توانند باعث نوسانات یا واکنش ضعیف شوند.استفاده از سطح متقابل در هنگام تنظیم و در نظر گرفتن بهینه سازی خودکار از طریق توده ذره یا روش های zi.

دشواری های معتبر

از آنجا که سیستم های فازی ذاتا غیر خطی هستند، تأیید رسمی دشوار است. رویکردهای شامل شبیه سازی کامل با معیارهای پوشش، تجزیه و تحلیل ثبات Lyapunov برای سیستم های کنترل و تست سخت افزار در حلقه است.

ادغام با کنترل کننده های دیجیتال موجود

بسیاری از کنترل کنندگان صنعتی از حساب ثابت نقطه ای استفاده می کنند.اجرا کردن انحراف فازی با مقیاس صحیح - توابع عضویت و defuzzification به صورت محاسباتی کارآمد باقی می ماند.

مسیر های آینده: ادغام منطق فازی با یادگیری ماشین

مرز بعدی سیستم های هیبریدی است که تفسیر منطق فازی را با شناخت الگوی یادگیری عمیق ترکیب می کند. تحقیقات پیشرفته شبکه های عصبی فازی را بررسی می کند که در آن قوانین محاسبات از داده ها آموخته می شوند در حالی که یک متخصص همچنان قابل خواندن انسانی است.

مقررات AI قابل توضیح در بخش هایی مانند مراقبت های بهداشتی و حمل و نقل هوایی احتمالا سرعت بخشیدن به استفاده از سیستم های فازی به عنوان یک جایگزین ذاتی قابل تفسیر برای شبکه های عصبی جعبه سیاه است. منطق فازی نیز نقش در AI لبه ایفا خواهد کرد زیرا نفوذ مبتنی بر قانون در مقایسه با مدل های عمیق سبک و تعیین کننده است.

نتیجه گیری

منطق فازی سیستم های تصمیم گیری مهندسی را از شکننده، مکانیسم های مبتنی بر آستانه به مایع، چارچوب استدلال انسان مانند با رسیدگی به عدم اطمینان، صدا و عدم خط مشی با فیض تبدیل شده است، آن را تبدیل به یک ستون از کنترل مدرن و علم تصمیم گیری است. پیاده سازی نیاز به طراحی دقیق از توابع عضویت و پایگاه های حکومت، اما پرداخت قوی تر، تفسیر و سیستم های سازگاری است - به عنوان یک منطق ضروری و اجتناب ناپذیر است -