Fuzzy-regulering, teknikk for regulering av industrielle prosesser. Et fuzzy-reguleringssystem ligner i hovedstruktur på et vanlig reguleringssystem. En såkalt bør-verdi, også kalt settpunkt, angir hvilken verdi en prosessvariabel i en prosess skal ha. Denne bør-verdien sammenlignes med den verdien prosessvariabelen faktisk har, er-verdien. Avviket tilføres en regulator som beregner hvilket pådrag prosessen skal tilføres for at avviket skal bli minst mulig.

I et fuzzy-reguleringssystem er det regulatoren som er laget etter andre prinsipper enn vanlig, den kalles da en fuzzy-regulator. Ofte vil den enheten som sammenligner bør-verdien og er-verdien være integrert i regulatoren, og tidvis kan også bør-verdien være satt internt i regulatoren.

La oss tenke oss at vi skal benytte fuzzy-regulering for regulering av temperaturen i et rom ved hjelp av et klima-anlegg. Vi kan tenke oss at pådraget kan variere mellom –100 % og 100 %, slik at negative verdier tilsvarer kjøling, og positive verdier tilsvarer oppvarming. En temperaturmåler måler temperaturen i rommet, som sammenlignes med den ønskede temperatur, bør-verdien. Temperaturavviket føres til fuzzy-regulatoren. Utgangen fra fuzzy-regulatoren er pådraget, dvs. styresignalet til klima-anlegget.

Regulatoren består av tre deler: fuzzyfikatoren, inferensenheten, og defuzzyfikatoren. Fuzzyfikasjonen består i at avvikssignalet tilordnes et sett med lingvistiske variable (se fuzzy-logikk), som i henhold til sine tilhørsfunksjoner får en sannhetsgrad avhengig av avviket. I vårt eksempel benytter vi de lingvistiske variablene kaldt, passe og varmt med tilhørsfunksjoner. Et temperaturavvik på 5° C vil eksempelvis gi sannhetsgradene 0,5 for kaldt, 0,5 for passe og 0 for varmt.

Inferensenheten gjør om et sett lingvistiske variable til et annet sett lingvistiske variable, og gir disse sannhetsgrader avhengig av sannhetsgradene på de lingvistiske inngangsvariablene i henhold til et regelverk. I eksempelet har inferensenheten de lingvistiske utgangsvariablene varmere, nøytralt og kaldere. Vi kan tenke oss reglene: (1) Hvis kaldt så varmere. (2) Hvis passe så nøytralt og (3) Hvis varmt så kaldere. Disse reglene gir verdier til de lingvistiske variablene på utgangen. Dersom vi antar at kaldt, passe og varmt har sannhetsgradene henholdsvis 0,5, 0,5 og 0, vil regel (1) gi sannhetsgraden 0,5 til varmere, regel (2) gir sannhetsgraden 0,5 til nøytralt, og regel (3) gir sannhetsgraden 0 til varmere. I dette eksempelet får de lingvistiske utgangsvariablene bare én verdi hver. I det generelle tilfellet kan det imidlertid hende at hver av disse opptrer i flere regler, slik at vi får flere verdier på hver av dem. Da er det vanlig å kombinere disse med en ELLER-operasjon, slik at det er den regelen som gir størst verdi på en lingvistisk variabel, som benyttes.

Defuzzyfikatoren skal ut fra sannhetsgraden av de lingvistiske variablene lage et pådrag. Hver av disse lingvistiske variablene har sin tilhørsfunksjon. Disse skal nå imidlertid brukes i motsatt retning, slik at hver av de lingvistiske variable gir en verdi på pådraget. I vårt eksempel med tall som over gir varmere = 0,5 et pådrag lik +50 %, nøytral = 0,5 gir pådraget +50 %, mens kald = 0 gir et udefinert pådrag i området 0 % til +100 %. I dette tilfellet er det nærliggende å tolke dette slik at pådraget skal være +50 %. I det generelle tilfellet er det imidlertid mulig at de lingvistiske variablene gir forskjellige verdier til pådraget, det er derfor nødvendig å definere hvordan disse skal kombineres til én verdi. Dette kan gjøres på forskjellige måter, men hovedprinsippet er at de lingvistiske variable tillegges forskjellige vekter ut fra tilhørsfunksjonene.

I eksempelet har fuzzy-regulatoren bare et inngangs- og et utgangssignal. Ofte kan man ha flere inn- og utgangssignaler. I vårt eksempel kunne vi f.eks. tenke oss å måle temperaturen ute, og føre også denne til fuzzy-regulatoren.

Det finnes også fuzzy-reguleringssystemer med selvlærende egenskaper, slik at fuzzy-regulatoren selv forandrer reglene for reguleringen slik at den virker best mulig etter visse kriterier.

Fuzzy-regulering er mest anvendelig der man har liten kjennskap til prosessen som skal reguleres, slik at analyse etter tradisjonelle metoder er vanskelig, men man må ha erfaring med manuell regulering. Det hevdes da at det er enklere å overføre menneskelig erfaring til en fuzzy-regulator enn til en tradisjonell regulator.

Foreslå endringer i tekst

Foreslå bilder til artikkelen

Kommentarer

Har du spørsmål til artikkelen? Skriv her, så får du svar fra fagansvarlig eller redaktør.

Du må være logget inn for å kommentere.