Campi applicazione dei modelli fuzzy

Presentazione sul tema: "Campi applicazione dei modelli fuzzy"— Transcript della presentazione:

1 Campi applicazione dei modelli fuzzy
Industriale Controllo( gestione processo, controllo qualità); Simulazione di processo(progettazione,affidabilità,diagnosi); Aziendale: Simulazione per supporto alle decisioni(studi di mercato,scheduling); DB;

2 CAMBIO AUTOMATICO AUTOADATTANTE AUTO-ATTIVO
La Xantia è dotata di una nuova trasmissione automatica sviluppata dalla PSA Peugeot-Citroën, Renault e Siemens. Chiamato Auto-Attivo, è il primo cambio automatico auto-adattante basato sull'elaborazione dell'informazione secondo la "fuzzy logic" Esso offre 3 programmi (Normale, Sport, Neve) che gestiscono 10 leggi di passaggio.

3 FUZZY-HOME(1) Combinato convertibile Art 480 di Whirlpool. comandi elettronici soft touch Lavabiancheria Margherita Dialogic. Grazie ai sensori misura la quantità di bucato e riconosce i tessuti nel cestello seleziona la temperatura e la durata del lavaggio, valuta la durezza dell'acqua per un dosaggio corretto del detersivo, consente di ridurre al minimo i consumi di acqua, energia e detersivo

4 Lavastoviglie integrata totale
FUZZY-HOME(2) Lavabiancheria ad incasso W 989 i T679 Ci di Mìele. Comandi elettronici per impostare i programmi e i tempi di lavaggio con un unico selettore, sistema up-date aggiornare, i programmi della macchina, fuzzy logic per la regolazione automatica della quantità di acqua e quindi risparmio di energia, regolazione automatica della schiuma Lavastoviglie integrata totale Öko Favorit6270 Vi di AEG. Sistema di autoregolazione Sensorlogic che permette di caricare la quantità di acqua in base a quella delle stoviglie da lavare e al loro grado di sporco, Interheater resistenza elettrica incorporata (e inserita sotto il fondo della vasca per favorire la pulizia dell'interno e ridurre i consumi), Aqua Control sistema di protezione totale contro allagamenti

5 Controllore La presenza di incertezza e disturbi non misurabili nel sistema da controllare impongono l’utilizzo dello schema di feedback. Lo scopo del sistema è portare a zero l’errore nel minor tempo possibile, limitando al massimo l’entità delle sovraelongazioni della variabile controllata intorno al setpoint contenendo le oscillazioni della variabile di controllo

6 Applicazioni di controllo Controllo PID vs Controllo Fuzzy
Nella realizzazione dei sistemi di controllo, l’approccio ingegneristico tradizionale è denominato PID( Proportional Integrative Derivative). A parte il semplice controllo ON-OFF sono i controllori tradizionali di maggior impiego nel mondo industriale. Pur non garantendo prestazioni ottime, in virtù della loro relativa semplicità, hanno il pregio di fornire un rapporto costi-benefici difficilmente superabile da altri controllori

7 Controllo PID L’azione proporzionale è tanto maggiore quanto l’errore è maggiore. L’azione integrale(proporzionale all’andamento avuto dall’errore) è utilizzata per annullare l’errore a regime a seguito di ingressi a gradino. L’azione derivativa( proporzionale alla tendenza dell’errore) ha lo scopo di anticipare il comportamento futuro dell’errore in transitorio.

8 Schema tradizionale di controllo PID
Kp Var.di contr. u(t) Setpoint errore ò Processo Ki - Kd d Variabile di processo y(t)

9 Applicabilità/Problematiche
Sistema continuo-lineare: la F(s) trasformano le eq.differenziali in eq.algebriche; Nel mondo reale i processi sono spesso mal compresi e altamente non lineari. Il modello matematico è difficile da definire e da risolvere matematicamente, in tempi ridotti per permettere il controllo in tempo reale e tenendo conto dei fenomeni pratici e di difficile modellizzazione

10 Perché il fuzzy?(1) Ricorso all’esperienza umana di tipo qualitativo ed euristico di operatori ed esperti. Il controllo mediante sistema fuzzy è model-free e si basa sulla descrizione linguistica della strategia di controllo raffinandola in simulazioni successive(tuning)

11 Perché il fuzzy?(2) Maggior robustezza di funzionamento, tolleranza ad una notevole escursione dei parametri operativi(minor costo operativo sui sensori); Relativa facilità di sviluppo del software con accorciamento del Time-To-Market del prodotto finito; Trasparenza alla comprensione della logica del sistema; Alto raffinamento delle prestazioni e rapido adeguamento ai cambiamenti del contesto del processo

12 Schema di un generico algoritmo fuzzy(1)
X Fuzzificazione m(X) m(Y) Applicazione delle regole Y defuzzyficazione Base delle regole Funzioni di appartenenza Metodo di defuzzyficazione

13 Fuzzyficazione Procedimento attraverso il quale le variabili di ingresso (es. pressioni, temperature, portate…) vengono convertite in misure fuzzy della loro appartenenza a determinate classi( es.Nulla, Bassa, Media, Alta, Molto Alta). Tale conversione da grandezze deterministiche a fuzzy viene effettuata tramite le funzioni di appartenenza, producendo stringhe di valori che ne esprimono l’appartenenza alle varie classi.

14 Applicazione delle regole
Il cuore del ragionamento fuzzy è costituito da una serie di proposizioni IF(situazione)-THEN(azione) che codificano il valore che deve avere l’uscita Y dell’algoritmo a fronte di una certa combinazione dei suoi ingressi. L’insieme di tali regole costituisce la base delle regole e codifica tutte le conoscenze che abbiamo sul comportamento del sistema.

15 Defuzzyficazione La forma dell’uscita non sempre costituisce però un valore utilizzabile, specialmente per elementi fisici di controllo ( es.attuatori,valvole…).Si procede alla riconversione in valore deterministico(crisp), scegliendo fra le molte metodologie disponibili: Media dei massimi; Media pesata dei centri; Metodo del baricentro; Centro delle somme ;

16 Defuzzyficazione-Metodi e valutazione(2)
Media dei massimi Media pesata dei centri Metodo del baricentro Centro delle somme Continuità (analisi sensitiva):NO Media dei Massimi Complessità computazionale: Media dei Massimi e Media Pesata dei Centri Accuratezza: metodi del Baricentro e del Centro delle Somme

17 Secondo Mandami Il conseguente di una proposizione è analoga per tipologia agli antecedenti(grandezza fuzzy)

18 secondoTakagi-Sugeno
Il conseguente è una funzione dei valori delle variabili che compaiono nell’antecedente Ha trovato parecchia fortuna in ambito applicativo perché può essere visto come un sistema “quasi lineare”,ovvero come sistema lineare con parametri dipendenti dagli ingressi. Questo algoritmo può essere trattato con strumenti analoghi a quelli per l’analisi dei sistemi lineari e quindi nel caso di regolazione essere tarato al fine di ottenere le necessarie caratteristiche di stabilità per il sistema in anello chiuso.

19 Controllo PID con guadagno fuzzy(1)
Sfruttare la logica fuzzy non tanto per implementare direttamente il controllore quanto per realizzare efficaci algoritmi per la taratura dei parametri di un regolatore tradizionale(PID). Nel caso di sintonizzazione on-line dei parametri PID l’algoritmo modifica i guadagni[Kp,Ki,Kd] allo scopo di smussare l’azione lineare dell’algoritmo PID nell’intorno di zone di funzionamento poco lineari del processo, secondo una logica di Gain-Scheduling .

20 Controllo PID con supervisore fuzzy
Controllo PID fuzzy incrementale; Controllo PID con guadagno variabile fuzzy Controllo PID con fuzzyficazione di un singolo parametro Controllo PID con fuzzyficazione del peso sul set-point Controllo PID con contenimento del’overshoot mediante logica fuzzy

21 Controllo PID con guadagno fuzzy(2)
Setpoint Algoritmo PID attuatore processo - Algoritmo Fuzzy

22 Regolatori PID e fuzzy cooperanti
L’algoritmo PID porta il processo intorno alla condizione di equilibrio desiderata e l’algoritmo fuzzy entra in gioco quando si rende necessaria un’azione fine ed accorta, tipicamente non lineare nell’intorno della condizione di regime. Regolatore fuzzy Setpoint attuatore processo arbitro - Regolatore PID

23 Regolatore PID con arbitro fuzzy
L’inferenza fuzzy premia diversamente le uscite PID in funzione delle condizioni operative del momento; l’ attuatore verrà azionato principalmente in base alla modalità di controllo che al momento é più critica - Algoritmo PID1 SP1 Algoritmo PID2 Algoritmo Fuzzy attuatore processo SP2 - Algoritmo PID3 SP3 -

24 Controllo PID con contenimento del’overshoot mediante logica fuzzy
Modificare direttamente il valore corrente del set-point per limitare gli overshoot durante il transitorio 40 regole per generare il DSSP necessaria per rallentare l’avvicinamento della variabile di processo al valore di riferimento

25 Generazione del SSP - SV(SP) MV SSP PV - DSP DV(SP-PV) DPV
Selezionatore Algoritmo PID Processo SSP PV - DSP DV(SP-PV) Algoritmo Fuzzy DPV d/dt

26 Applicazioni industriali(1)
Elettrodomestici (lavatrici, frigoriferi) Veicoli (Automobili,Treni) Aereospazio (elicottero, Space Shuttle, Esplorazione di Marte) Impianti di flusso(cemento,detersivo,viabilità,climatizzazione,depurazione biologica) Robotica (braccio meccanico, controllo presa mano robotica,veicolo autonomi)

27 Applicazioni industriali(2)
Controllo automatico delle porte di deflusso nelle dighe di centrali idroelettriche(Tokio Electric Power) Controllo di Acciaierie (Kawasaki Steel,NKK) Controlli di sicurezza in impianti nucleari ( Hitachi, Nuclera Fuel Division) Stabilizzatore di tensione elettrica( Hitachi) Pianificazione ottimale dell’orario degli autubus ( Toshiba, Keinan-Express)

28 Termoregolazione di un forno per profilati in alluminio(1)
Trattamento di rinvenimento dei profilati; Forno a fasci tubieri radianti, con 2 bruciatori a metano; 2 termocoppie ai lati opposti del forno( y(t)) Valvola motorizzata per alimentazione bruciatori( u(t) ); 12 tonn profilati; Logica PID/Fuzzy con arbitro

29 Termoregolazione di un forno per profilati in alluminio(2)
Algoritmo PID setpoint valvola arbitro - Algoritmo Fuzzy forno TC2 TC1 - TC1: TEMPERATURA IN INGRESSO TC2: TEMPERATURA IN USCITA

30 Termoregolazione di un forno per profilati in alluminio(3)
Fuzzyficazione degli ingressi; %AP_EV: fuzz.regolarmente triangolare; 2 set di regole che combinate portano alla tabella di attivazione della valvola

31 Termoregolazione di un forno per profilati in alluminio(4)
Rampa pronunciata gestita del fuzzy(riduzione del 20% del tempo) Contenimento overshoot PID nella fase di mantenimento Ottima omogeneizzazione della temperatura lungo il profilato(differenze TC1-TC2 contenute)

32 Controllo di un attuatore pneumatico(1)
Controllo non lineare al variare delle condizioni operative Controllo fuzzy di sistemi MIMO; Cilindro pneumatico a doppio effetto; 2 elettrovalvole a cassetto a 3 vie;

33 Controllo di un attuatore pneumatico(2)
V1 setpoint Elettrovalvola V1 Algoritmo fuzzy D/A Cilindro Pneumatico - D/A Elettrovalvola V2 V2 A/D A/D Errore di velocità Errore di posizione

34 Controllo di un sistema di depurazione biologica(1)
Problema di controllo la cui complessità ne rende ardua una descrizione matematica in termini rigorosi; Processo di depurazione a fanghi biologici; Vasca di ossidazione-sedimentatore secondario-vasca di accumulo; Regolazione del livello della vasca di accumulo, la regolazione della Q di ricircolo e della Q di smaltimento dei fanghi.

35 Controllo di un sistema di depurazione biologica(2)
effluente Vasca di ossidazione sedimentazione Qi massa Qdrw altezza valvola valvola Q ricircolo Fanghi di spurgo Valvola di ricircolo Valvola Di spurgo Qfil Vasca di accumulo OUR volume Regolatore del volume di accumulo Regolatore fuzzy del ricircolo Regolatore fuzyy dello spurgo

36 Controllo di un sistema di depurazione biologica(3)
Le regole evitano lo svuotamento completo della vasca di accumulo,escludendo così prolungate condizioni di sottocarico; Garantire sempre un certo margine di volume libero,pur non sovraccaricando l’impianto a valle; Regole robuste a fronti di periodi di pioggia o di tempo secco(la vasca di accumulo è a cielo aperto); Il ricircolo viene limitato quando il carico organico è basso e/o in diminuzione, viene esaltato quando il carico è alto e/o in aumento; Il controllo dei fanghi di spurgo ha lo scopo di mantenere costante l’altezza dei fanghi nel sedimentatore secondario; deve essere limitato l’accumulo di massa nel sedimentatore; Ottimi rendimenti di depurazione anche facendo uso di poche misure e con attuatori non raffinati,rendendo l’impianto meno vulnerabile alle brusche variazioni di carico.

37 Controllo della produzione del clinker

38 Unmanned helicopter Yamaha R-50(1)
M.Sugeno(TIT); ATIP,YAMAHA,US Army Research Office,LIFE;

39 Unmanned helicopter Yamaha R-50(2)
Radio controllo dell’elicottero attraverso comandi orali; Gestione automatica della manovra di entrata in autorotazione; Unmanned Helicopter per soccorso marino;

40 Sistemi neuro-fuzzy Le reti neurali sono capaci di apprendere attraverso un training set. Completamento dei sistemi fuzzy consentendo l’apprendimento di membership functions e/o di regole quando ho un’esigenza di tuning di regole grossolane.

41 Conclusioni Tecnologia ampiamente sviluppata(formalismo,SW,HW)
Elevata capacità di modellizzazione Flessibilità Robustezza dei risultati Trasparenza del modello