МАШИННИЙ АНАЛІЗ НЕКОНТРОЛЬОВАНИХ ПАРАМЕТРІВ ПРОМИСЛОВИХ СИСТЕМ В РЕЖИМІ РЕАЛЬНОГО ЧАСУ НА ОСНОВІ НЕЧІТКОЇ ЛОГІКИ

Автор(и)

DOI:

https://doi.org/10.32782/IT/2022-2-2

Ключові слова:

нечітка логіка, фазифікація, інтервальна множина, правило Мамдані, коефіцієнти Такагі-Сугено

Анотація

Проведено комплексне дослідження та визначено загальні теоретичні засади використання машинного аналізу неконтрольованих параметрів промислових систем в режимі реального часу на основі теорії нечіткої логіки. В основу запропонованої математичної моделі було покладено класифікацію, яка включає у себе три типи нечітких множин: нечітку множину першого порядку, нечітку множину другого порядку та інтервальну нечітку множину другого порядку. Для кожного зі згаданих типів множин було побудовано математичний апарат, що повною мірою відображає її особливості, але при цьому характеризується мінімальною ресурсомісткістю при роботі у режимі реального часу. Метою дослідження є побудова комплексної методології розроблення FLS-бібліотек, математичний апарат якої передбачає застосування правила Мамдані та коефіцієнтів Такагі-Сугено для нечіткої множини першого порядку, нечіткої множини другого порядку та інтервальної нечіткої множини другого порядку. Розроблено методику побудови бібліотек для систем нечіткої логіки, яка складається з трьох етапів. Першим етапом є фазифікація, що переводить вхідний набір значень у нечітку множину та передує етапу логічного виведення, який відповідає за представлення вхідного набору даних відповідно до встановленої системи правил. Останнім етапом є дефазифікація, що переводить нечітку множину вихідних даних у набір даних, які можуть бути використані системою керування промисловим комплексом. Визначено ефективність використання при вдосконаленні базової математичної моделі формулювання нечіткого правила для системи нечіткої логіки правила Мамдані та набору коефіцієнтів Такагі-Сугено. Розроблено узагальнений принцип побудови моделі формулювання нечіткого правила для системи нечіткої логіки. Розроблена комплексна схема сценарію використання бібліотек систем нечіткої логіки, що може бути використана у мікроконтролерах роботизованих промислових систем, і включає у себе конфігурацію бібліотек та побудову системних алгоритмів. Показано, що з допомогою представленої математичної моделі на базі однієї програмної платформи можна побудувати алгоритми аналізу неконтрольованих параметрів в режимі реального часу з різними конфігураціями, що включають у себе кілька бібліотек систем нечіткої логіки.

Посилання

Згуровський М.З., Зайченко І.П. The Fundamentals of Computational Intelligence: System Approach. – Springer International Publishing, 2017. – 375 с.

Карднес-Відма M., Марін Р. (2019). FTCLogic: Fuzzy Temporal Constraint Logic. Fuzzy Sets and Systems, 363, 84–112. doi:10.1016/j.fss.2018.05.014.

Задех Л.А. The concept of a linguistic variable and its application to approximate reasoning ii. Information sciences, 8 (4): 301–357, 1975

Ейох І., Ейох Дж. (2020). Interval Type-2 Intuitionistic Fuzzy Logic System for Time Series and Identification Problems – A Comparative Study. International Journal of Fuzzy Logic Systems, 10(1), 1–17. doi: 10.5121/ijfls.2020.10101.

Кара А.Б., Вагнер С., Хаграс Х. (2013). Multiobjective Optimization and Comparison of Nonsingleton Type-1 and Singleton Interval Type-2 Fuzzy Logic Systems. IEEE Transactions on Fuzzy Systems, 21(3), 459–476. doi: 10.1109/tfuzz.2012.2236096.

Мендель Дж.М. Uncertain rule-based fuzzy logic system: introduction and new directions. Prentice–Hall PTR, 2001.

Сахаб Н., Хаграс, Х. (2011). A type-2 nonsingleton type-2 fuzzy logic system to handle linguistic and numerical uncertainties in real world environments. 2011 IEEE Symposium on Advances in Type-2 Fuzzy Logic Systems (T2FUZZ). doi:10.1109/t2fuzz.2011.5949565.

Міядзіма Х., Сігей Н. (2016). System identifications by SIRMs models with linear transformation of input variables. Artificial Intelligence Research, 5(2). doi: 10.5430/air.v5n2p55.

Мендель Дж.М., Лю Ф. Interval type-2 fuzzy logic systems made simple. IEEE Transactions on Fuzzy Systems, 14 (6) :808–821, 2006.

Лі М., Джін Т (2007). An Adaptive Tracking Control for Robotic Manipulators based on RBFN. International Journal of Fuzzy Logic and Intelligent Systems, 7 (2), 96–101. doi:10.5391/ijfis.2007.7.2.096.

Бігларбєджан М., Мєлік В., Мендель Дж.М. Design of novel interval type-2 fuzzy controllers for modular and reconfigurable robots: theory and experiments. IEEE Transactions on Industrial Electronics, 58 (4): 1371–1384, 2011.

Бенетар Б, Айкелін У. (2013). Performance Measurement Under Increasing Environmental Uncertainty in the Context of Interval Type-2 Fuzzy Logic Based Robotic Sailing. SSRN Electronic Journal. 8 (4): 17–25 doi: 10.2139/ssrn.2828470

Мадхава М., Мегана Н, Супрія М. (2016). Automatic Train Control System Using Fuzzy Logic Controller. Bonfring International Journal of Research in Communication Engineering, 6(Special Issue), 56–61. doi: 10.9756/bijrce.8201

Баклуті Н. Алімі А.М. The geometric interval type-2 fuzzy logic approach in robotic mobile issue. P. 1971–1976, 2009.

Гуаріно Д., Сафіотті А. (2007). A Study on Intelligent System Design of U-Business Service by Using Ubiquitous Component Technologies. International Journal of Advanced Robotic Systems, 9(1), 10. doi: 10.5772/45857

Ойх Дж. (2011). Fuzzy Logic Deadzone Compensation for a Mobile Robot. Fuzzy Controllers, Theory and Applications. doi:10.5772/13676.

Люсіан Т., Міхаела Р. (2011). New Applications of Fuzzy Logic Methodologies in Aerospace Field. Fuzzy Controllers, Theory and Applications. doi:10.5772/14540

Русу-Ангел С., Герм Л. (2012). Embedded Fuzzy Logic Controllers in Electric Railway Transportation Systems. Fuzzy Controllers- Recent Advances in Theory and Applications. doi:10.5772/48588.

Кох М, Шаферс Л., Кляйнйохан Б. An efficient data flow oriented fuzzy library. P. 3159–3162, 2008.

Резнік Л. (1997). Fuzzy Sets, Logic and Control. Fuzzy Controllers Handbook, 3–18. doi:10.1016/b978-075063429-8/50006-3.

Патіра М.Дж. (1996). Design Considerations of Digital Fuzzy Logic Controllers. Fuzzy Logic, 143–175. doi:10.1007/978-3-322-88955-3_5

Серрано Ф.Є, Флорєс М.А.. C++ library for fuzzy type-2 controller design with particle swarm optimization tuning. P. 1–7, 2015.

Мендель Дж. Systems, controls, and control theory. Handbook of Fuzzy Computation. doi: 10.1887/0750304278/b438c3

Сянг Н. (2009). Cooperative Evolutionary Learning of Linguistic Fuzzy Rules and Parametric Aggregation Connectors for Mamdani Fuzzy Systems. IEEE Transactions on Fuzzy Systems, 15(6), 1162–1178. doi: 10.1109/tfuzz.2007.904121.

Мамдані Є. An experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine Studies, 7 (1): 1–13, 1975.

Грантер Дж.Л., Фодор Дж.А. (2010). Takag Sugeno type fuzzy automaton model. International Journal of Man-Machine Studies, 5 (2):. doi:10.1109/fuzzy.2010.5583982.

Валашек-Бабічевська А. (2010). Takagi Sugeno-Kang type fuzzy models with fuzzy equations in the consequence part. International Journal of Advanced Robotic Systems, 3 (2) doi:10.1109/mmar.2010.5587260

Ма З., Жанг Ф., Ян Л., Ченг Дж. (2011). Representing and reasoning on fuzzy UML models: A description logic approach. Expert Systems with Applications, 38 (3), 2536–2549. doi:10.1016/j.eswa.2010.08.042

##submission.downloads##

Опубліковано

2022-12-29