Uncertainty의 엔지니어링 결정 시스템을 개선하기 위해 Fuzzy Logic 구현

왜 전통적인 이진 논리 실패는 공학 결정 시스템에서

, 환경 variability, 재료 불완전, 그리고 인간 요인은 이진 true/false 논리가 우아한 핸들을 갖지 못한다는 것을 임정밀을 소개하는 감지기 소음, 환경 variability, 그리고 인간적인 요인을 주의깊게 행동합니다. 온도 감지기는 37.2°C를 읽을지도 모르지만, “뜨거운” 또는 “뜨거운”이라고 읽을지도 모릅니다? crisp 논리의 밑에, 엔지니어는 임계값을 놓아야 합니다 - 38°C-so 37.9°C는 “뜨거운”로 분류됩니다. 이 과민한 체계에서는, 안전은 “뜨거운”와 같은 엄밀한 체계에서 엄밀하게 통제할 수 있습니다.

Fuzzy 논리는 0과 1. 사이의 진실 값의 연속성을 캡처하는 수학 프레임 워크로 중반 1960 년대에 Lotfi Zadeh에 의해 개척되었다. 대신 크리프 회원을 강제, fuzzy 논리는 동시에 여러 세트에 부분적으로 속할 수있는 변수를 허용한다. 예를 들어, 37.2°C는 "warm"에서 0.6의 회원이있을 수 있습니다. "hot"인간 직감. 이 방법은 퓨지 역학의 학위를 가진 이유가 인지 적법한 도구에 대한 결정을 실행하는 것입니다.

Fuzzy Logic의 핵심 개념

회원 기능

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

Linguistic 가변 및 규칙

Fuzzy 논리는 "온도,"압력,"또는 "오류"와 같은 언어 변수를 사용합니다. 즉, "낮은" "중간" "높은"과 같은 언어 값을 가지고 있습니다. Inference는 IF-THEN 규칙에 의해 구동됩니다. 온도가 높고 압력이 낮은 THEN 밸브 개방은 중간입니다. 이러한 규칙은 전문가 지식을 인코딩하고 인간의 연산자에서 파생되거나 데이터에서 배워 할 수 있습니다.

Fuzzy Inference 과정

표준 Mamdani inference 방법은 4 단계가 포함되어 있습니다. 습윤, 규칙 평가, 집계, 그리고 파괴. 각 단계는 변형 및 정보를 결합하여 행동 또는 결정에 적합한 크리스 출력을 생산합니다.

Step-by-Step 구현 가이드

엔지니어링 시스템의 fuzzy logic을 구현하는 것은 방법론적인 디자인이 필요합니다. 다음 단계는 제어 또는 의사결정 시스템에 대한 전형적인 워크플로를 미러링합니다.

1. 문제 Scoping 및 가변 선택

입력 변수를 식별 (예, 속도, 거리, 온도) 및 출력 변수 (예, 브레이크 힘, 밸브 위치, 경고 수준). 물리적 제한 및 운영 조건에 따라 각 변수에 대한 디플로이의 우주 정의.

2. 융합

각 언어 용어에 대한 디자인 회원 기능. 오버랩핑 지역을 결정하는 도메인 전문 기술을 사용합니다. MATLAB® Fuzzy Logic Toolbox 또는 Python의 scikit-fuzzy 라이브러리와 같은 도구는 신속한 프로토 타이핑을 허용합니다. 예를 들어, 수위 컨트롤러에서 "낮은""중간,"고"수준은 탱크 높이에 걸쳐 수직 기능으로 모델링 될 수 있습니다.

3. 규칙 기초 건축

원하는 시스템 동작을 캡처하는 IF-THEN 규칙을 작성하십시오. 온도 제어 시스템을 위해, 한 규칙은 될 수 있습니다 : "IF 온도는 높고 오류는 긍정적 인 대형 THEN 쿨러 속도가 빠릅니다." 콤비네이션 폭발을 방지하기 위해 규칙베이스 컴팩트 (10-50 규칙)을 유지하십시오. 과다한 또는 충돌 규칙은 우선순화 또는 무게 할당을 통해 해결해야합니다.

4. 규칙 평가 및 의회

각 규칙의 경우, T-norms (최소 또는 제품)을 fuzzified 입력에 적용함으로써 만족도 (피링 강도)를 준수합니다. 그런 다음 단일 출력 퓨지 세트로 (예 : 최대 또는 정상을 사용하여)의 일관성있는 퓨지 세트를 집계합니다. 결과는 모든 규칙의 결합 된 권고를 나타내는 모양입니다.

5. 방부

crisp 번호로 집계 된 퓨지 세트를 변환합니다. 일반적인 방법은 갑상선 (중력 중심), 비스듬한, 극대의 의미, 그리고 최대의 극대를 포함합니다. Centroid는 입력에 지속적으로 반응하는 매끄러운 출력을 생성하기 때문에 가장 널리 사용됩니다.

6. 조정과 검증

테스트 케이스와 refine 회원 기능 매개 변수 및 규칙 무게를 가진 체계를 시뮬레이션합니다. 유전 알고리즘은 설정 시간, 과잉, 또는 꾸준한 상태 오류와 같은 성능 지표에 대한 최적화하여 조정을 자동화 할 수 있습니다.

Conventional Approaches에 중요한 이점

소음 및 불완전한 자료에 튼튼한

퓨지 로직은 여러 오버랩핑 규칙을 집계하기 때문에 단일 손상 센서는 거의 촉매 출력 교대를 유발합니다. 이 시스템은 특히 자동차에 귀중한 재산을 등급을 매깁니다 안티 록 브레이킹 시스템 휠 속도 센서가 순간적 인 탈락을 경험할 수 있습니다.

모델 무료 자연

PID 관제사 또는 국가 공간 모형과는 달리, fuzzy 논리는 식물의 정확한 mathematical 모형을 요구하지 않습니다. 그것은 heuristic 지식에서 순수하게 디자인될 수 있습니다, 모델링이 불안정한 복잡한 비선형 체계를 위해 이상적을 만들기.

책임 및 유지

Fuzzy 규칙은 가까운 자연 언어로 표현되며, 도메인 전문가가 프로그래밍 전문 지식을 검토하고 결정 논리를 수정하지 않고 허용됩니다. 이 투명성은 디버깅 시간을 줄이고 의료 또는 항공 우주 공학의 규제 준수를 단순화합니다.

Adaptability에 대한 의견

Fuzzy 시스템은 적응형 신경 습지 인스펜션 시스템 (ANFIS)과 같은 학습 메커니즘을 통해 증강 될 수 있으며, 아래에서 해석 가능한 구조를 잃지 않고 데이터에서 매개 변수를 조정합니다.

Real-World 엔지니어링 응용 분야

로봇 및 자동화

Fuzzy 논리 컨트롤러는 거리와 방향 판독을 결합하여 구조화 된 환경을 통해 모바일 로봇을 안내합니다. 예를 들어, 로봇은 "IF 장애물이 닫히고 방향은 왼쪽 THEN 턴 날카로운 오른쪽"과 같은 규칙을 사용하여 좁은 복도를 탐색합니다. Festo]는 다양한 준수의 대상을 처리하는 적응 그립 시스템에 대한 퓨지 컨트롤을 사용합니다.

전력시스템 관리

현대 전기 그리드는로드 예측, 전압 규제 및 결함 검출을위한 퓨지 로직에 의존합니다. 퓨지 결정 시스템은 클라우드 커버 예측, 시간의 일 및 배터리 상태의 방전을 평가하여 스토리지와 재생 가능 세대를 균형을 수 있습니다. 모든 uncertain 입력.

환경 감시

무선 센서 네트워크는 PM2.5, 오존 및 습도에 대한 부분적으로 오버랩을 기반으로 공기 품질 지수를 분류하는 데 잇몸이 없습니다. 시스템은 이러한 경보보다 등급이 높은 경고 (카ution, alert, Critical)를 발급 할 수 있으므로 false 긍정적 인 긍정적 인 긍정적 인 영향을 줄 수 있습니다.

자동차 시스템

ABS를 넘어, fuzzy 논리 자동 변속기 스케줄링, 적응 크루즈 컨트롤 및 견인 제어에서 나타납니다. 차량의 전자 안정성 프로그램은 요트 레이트, 스티어링 각도 및 측면 가속을 기반으로 휠 당 브레이크 압력을 조절하는 데 사용할 수 있습니다.

산업 공정 제어

시멘트 킬른, 화학 반응기 및 폐수 처리 공장은 중요한 비선형 및 시간 지연으로 모든 작동한다. 이 컨텍스트에서 Fuzzy PI 컨트롤러 outperform 고전 PID, 빠른 응답 및 감소 된 오버랩을 제공.

도전과제 및 소송

차원의 치료

입력 변수 증가로, 규칙베이스는 폭발적으로 성장한다. 완화는 한 단계의 출력이 다른 입력되고, 비소는 중간 기술로베이스를 지배한다.

회원 기능 감도

Poorly 선택된 모양은 진동 또는 진해 응답을 일으킬 수 있습니다. 튜닝 동안 크로스 유효성을 사용 하 고 입자 회전 또는 Bayesian 방법을 통해 자동화된 최적화를 고려.

유효성 검사

퓨지 시스템은 비선형이며, 공식 검증은 어렵습니다. 접근법은 제어 시스템, 하드웨어 인 루프 테스트에 대한 Lyapunov 안정성 분석과 같은 배기 시뮬레이션을 포함합니다.

Existing Digital Controller와 통합

많은 산업 컨트롤러는 고정 지점의 arithmetic을 사용합니다. integer scaling-ensuring 멤버십 기능과 defuzzification를 가진 fuzzy inference를 실행하면 적절하게 효율적입니다.

미래 방향: 기계 학습과 Fuzzy Logic을 병합

다음 프론트어는 딥러닝 패턴 인식을 가진 퓨지 논리의 해석성을 결합하는 하이브리드 시스템입니다. Recent research는 데이터에서 헌정자가 인간적으로 읽을 수 있는 동안 데이터에서 배운 헌정을 탐구합니다. Reinforcement Learning은 통합되어 있으며, 작업 중 훈제가 조정될 수 있으므로, 이동할 수 있는 운영 조건을 조정할 수 있습니다.

의료 및 항공과 같은 분야의 설명 가능한 AI (XAI) 규정은 블랙 박스 신경 네트워크에 대한 본질적인 해석적 대안으로 퓨지 시스템의 채택을 가속화 할 가능성이 있습니다. Fuzzy logic은 또한 딥 모델에 비해 엄격한 기준 기반 인스톱이 경량화 및 세심한 역할을하기 때문에 가장자리 AI의 역할을합니다.