Eine präzise und vollständige Systemmodellierung ist heutzutage in vielen Anwendungsfällen nicht praktikabel bzw. sogar unmöglich. Daher gibt es in der klassischen Regelungstechnik bei dem Entwurf und der Anpassung von Reglern oft mathematische Modelle der Regelstrecke. Wenn eine schnelle und kostengünstige Lösung angestrebt wird, hat sich schon seit einiger Zeit der Einsatz unscharfer, qualitativer Methoden bewährt. Damit hat man die Möglichkeit eine oftmals teure und langwierige Ent-wicklung eines Modells zu umgehen. Oft sind diese entwickelten Lösungen sogar robuster und besser als die mit erheblich höherem Aufwand entwickelte klassische Variante ([1], S. 118).
Die Grundidee der Fuzzy-Logik liegt in der Formalisierung menschlichen Problemwissens. Dieses kann von Experten bereitgestellt oder aber vom Entwickler des Systems in einer unscharfen (vagen) Form formuliert werden. Daher auch der Name Fuzzy-Logik (englisch: fuzzy = unscharf). Es handelt sich hierbei um eine Modellierungstechnik, bei der die menschliche Fähigkeit, Sachverhalte auf einer verhaltensorientierten Ebene zu erfassen, die Grundlage bildet. Somit ist es möglich sich Handlungs-wissen nutzbar zu machen, z.B. in Form von Verhaltensregeln ([2], S. 5). Im optimalen Fall könnte ein solches System die Leistungsfähigkeit der Person, bzw. der Gruppe von Personen, erreichen, die das entsprechende Wissen zu Verfügung gestellt haben ([1], S. 118). Die Anwendungsgebiete der Fuzzy Logik sind sehr differenziert, z.B. in der Technik, der Medizin, den Wirtschaftswissenschaften, der Physik oder der Mathematik. Dabei geht es in den verschiedenen Bereichen um Anwendungsfelder wie z.B.:
• Kontrollaufgaben, z.B. Regelungstechnik (fuzzy control)
• Klassifizierung und Kategorisierung
• Entscheidungsfindung
• Optimierung
• Mustererkennung
• Signalverarbeitung
• Managementaufgaben (z.B. Betriebsführung, Störfallmanagement)
• Fuzzy-Hardware-Realisierung für Spezialgebiete
• Im Bereich der künstlichen Intelligenz
• Entwurf hybrider Systeme uvm.
Inhaltsverzeichnis
Einführung
1. Theoretische Grundlagen der Fuzzy Logik
1.1 Unscharfe Menge (Fuzzy Set)
2.2 Linguistische Variablen
2.3 Operatoren auf Fuzzy-Mengen
2.4 Fuzzy-Relationen
2.5 Fuzzy-Inferenz
3. Unscharfe Regelung (Fuzzy Control)
3.1 Allgemeines und Motivation für Fuzzy Control
3.2 Das Fuzzy-System bzw. der Fuzzy-Regler
3.2.1 Der Fuzzifizierer
3.2.2 Die Wissens- bzw. Regelbasis
3.2.3 Die Entscheidungslogik
3.2.4 Der Defuzzifizierer
4. Praxisbeispiel – Kranregelung
5. Zusammenfassung
Zielsetzung & Themen
Die Arbeit befasst sich mit der theoretischen Herleitung und praktischen Anwendung der Fuzzy-Logik in der Regelungstechnik. Ziel ist es, das Konzept der unscharfen Logik zur Modellierung menschlichen Expertenwissens verständlich zu erläutern und den Entwurf eines Fuzzy-Reglers anhand eines konkreten Kransteuerungs-Szenarios nachvollziehbar darzustellen.
- Grundlagen der Fuzzy-Mengen und Zugehörigkeitsfunktionen
- Methodik der linguistischen Variablen und Fuzzy-Operatoren
- Struktur und Funktionsweise von Fuzzy-Regelsystemen
- Implementierung einer praktischen Kranregelung
- Vergleich von Fuzzy-Control mit klassischen Regelungsansätzen
Auszug aus dem Buch
3.2.2 Die Wissens- bzw. Regelbasis
Wie bereits angedeutet setzt sich die Fuzzy-Inferenzeinheit aus den beiden Teilen der Regel- bzw. Wissensbasis und der Entscheidungslogik (durch Inferenzstrategie repräsentiert) zusammen (siehe Abbildung 12). Die Gesamtaufgabe der Fuzzy-Inferenzeinheit besteht darin die fuzzifizierten Eingangsgrößen des regelbasierten Übertragungssystems gemäß bestimmten Regeln miteinander zu verknüpfen und hierdurch eine unscharfe Ausgangsgröße zu erzeugen. Diese wird dann wiederum der dritten Einheit des Fuzzy-Systems, der Defuzzifizierungseinheit, zur Verfügung gestellt ([3], S. 250).
Die Regel- bzw. Wissensbasis ist die Zusammenstellung aller Einzelregeln zu einem vollständigen Satz von Regeln. Diese sogenannten Einzelregeln bzw. Expertenregeln sind WENN-DANN-Regeln, wobei der WENN-Teil die Situation beschreibt, in der die Regel angewendet werden soll. Der DANN-Teil beschreibt dementsprechend die Reaktion hierauf ([4], S. 27). Zum besseren Verständnis soll bereits an dieser Stelle ein kleines Beispiel dazu erklärt werden, in Vorgriff auf das später folgende ausführliche Praxisbeispiel:
WENN Abstand = mittel DANN Motorleistung = pos_mittel
Dieser Satz beschreibt eine vereinfachte Situation bei einer Kransteuerung. Die Aussage des Satzes ist folgende: WENN der Abstand des Kranarmes von seiner momentanen Position bis zur gewollten Position gleich „mittel“ (linguistischer Term) ist, DANN soll die Motorleistung mittelgroß und positiv sein. „mittel“ und „pos_mittel“ stellen hierbei qualitative Werte bzw. linguistische Werte (auch Terme genannt) dar. „Abstand“ bzw. „Motorleistung“ bezeichnet man als linguistische Variablen.
Die Wissensbasis eines unscharfen Reglers setzt sich somit aus der Angabe der bestehenden kausalen Beziehungen (Regeln) und der Festlegung der verwendeten qualitativen Begriffe (unscharfe Mengen) zusammen ([1], S. 127).
Zusammenfassung der Kapitel
Einführung: Die Einleitung beleuchtet die Grenzen klassischer mathematischer Modellierungen und motiviert den Einsatz unscharfer, qualitativer Methoden zur Formalisierung menschlichen Problemwissens.
1. Theoretische Grundlagen der Fuzzy Logik: Dieses Kapitel erläutert fundamentale Konzepte wie unscharfe Mengen, linguistische Variablen und Operatoren, die für das Verständnis von Fuzzy-Systemen notwendig sind.
3. Unscharfe Regelung (Fuzzy Control): Das Kapitel beschreibt den Aufbau eines Fuzzy-Reglers, unterteilt in Fuzzifizierung, Regelbasis, Inferenzstrategie und Defuzzifizierung.
4. Praxisbeispiel – Kranregelung: Die theoretischen Inhalte werden an einem konkreten Beispiel der Containerkran-Regelung veranschaulicht, um die praktische Anwendung des Fuzzy-Reglers zu demonstrieren.
5. Zusammenfassung: Die Arbeit schließt mit einer Betrachtung der praktischen Erfolge und der Wettbewerbsfähigkeit von Fuzzy-Logik sowie deren Rolle als Ergänzung zur klassischen Regelungstechnik.
Schlüsselwörter
Fuzzy-Logik, Fuzzy-Control, Unscharfe Mengen, Zugehörigkeitsgrad, Linguistische Variablen, Fuzzifizierung, Defuzzifizierung, Regelbasis, Inferenz, Max-Min-Verfahren, Kranregelung, Regelungstechnik, Automatisierung, Prozessmodellierung, Expertenwissen.
Häufig gestellte Fragen
Worum geht es in der Arbeit grundsätzlich?
Die Arbeit behandelt die Grundlagen und Anwendungsgebiete der Fuzzy-Logik, mit einem Fokus auf der Implementierung von Fuzzy-Reglern in der Produktionsautomatisierung.
Was sind die zentralen Themenfelder?
Zentrale Themen sind die mathematische Modellierung unscharfer Mengen, die Struktur eines Fuzzy-Systems (Fuzzifizierer, Wissensbasis, Inferenz, Defuzzifizierer) und deren Anwendung in der Praxis.
Was ist das primäre Ziel der Arbeit?
Ziel ist es, die Funktionsweise von Fuzzy-Control-Systemen verständlich zu erklären und zu zeigen, wie Expertenwissen in regelbasierte Steuerungssysteme überführt werden kann.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit nutzt die Literaturanalyse zur theoretischen Fundierung und die fallstudienbasierte Analyse zur Demonstration der Fuzzy-Methodik am Beispiel einer Kransteuerung.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die theoretische Herleitung der Fuzzy-Logik-Operatoren und die detaillierte Beschreibung der einzelnen Komponenten eines Fuzzy-Reglers unter Mamdani-Bedingungen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Fuzzy-Logik, Regelungstechnik, Fuzzifizierung, Wissensbasis, Inferenz und Kranregelung sind die prägenden Begriffe.
Wie unterscheidet sich die Fuzzy-Menge von einer klassischen Menge?
Während eine klassische Menge einen Wert exakt zuordnet (0 oder 1), erlaubt eine Fuzzy-Menge Abstufungen mittels des Zugehörigkeitsgrads, was eine menschenähnliche, unscharfe Bewertung ermöglicht.
Was passiert bei der Defuzzifizierung?
Bei der Defuzzifizierung werden die durch den Inferenzprozess gewonnenen unscharfen, sprachlichen Aussagen wieder in einen konkreten, scharfen technischen Wert zurückgeführt, um ein physisches System wie einen Motor zu steuern.
Warum wird im Praxisbeispiel die "Center-of-Maximum"-Methode gewählt?
Diese Methode dient dazu, aus den verschiedenen gewichteten linguistischen Ergebnissen einen optimalen Kompromisswert zu bilden, der als stabiler Stellwert für die Motorleistung des Kranantriebs fungiert.
- Quote paper
- Dipl.-Ing. Sven Schaumann (Author), 2008, Fuzzy Logik. Ein kurzer Überblick, Munich, GRIN Verlag, https://www.grin.com/document/86827
