La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

1 Campi applicazione dei modelli fuzzy Industriale Controllo( gestione processo, controllo qualità); Simulazione di processo(progettazione,affidabilità,diagnosi);

Presentazioni simili


Presentazione sul tema: "1 Campi applicazione dei modelli fuzzy Industriale Controllo( gestione processo, controllo qualità); Simulazione di processo(progettazione,affidabilità,diagnosi);"— Transcript della presentazione:

1 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 2 CAMBIO AUTOMATICO AUTOADATTANTE AUTO-ATTIVO 1. 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 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 4FUZZY-HOME(2) 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 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

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

6 6 Applicazioni di controllo Controllo PID vs Controllo Fuzzy Nella realizzazione dei sistemi di controllo, lapproccio 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 7 Controllo PID Lazione proporzionale è tanto maggiore quanto lerrore è maggiore. Lazione integrale(proporzionale allandamento avuto dallerrore) è utilizzata per annullare lerrore a regime a seguito di ingressi a gradino. Lazione derivativa( proporzionale alla tendenza dellerrore) ha lo scopo di anticipare il comportamento futuro dellerrore in transitorio.

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

9 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 10 Perché il fuzzy?(1) Ricorso allesperienza 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 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 12 Schema di un generico algoritmo fuzzy(1) Base delle regole Funzioni di appartenenza Metodo di defuzzyficazione Applicazione delle regole Fuzzificazione X Y (X) (Y)

13 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 lappartenenza alle varie classi.

14 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 luscita Y dellalgoritmo a fronte di una certa combinazione dei suoi ingressi. Linsieme di tali regole costituisce la base delle regole e codifica tutte le conoscenze che abbiamo sul comportamento del sistema.

15 15 Defuzzyficazione La forma delluscita 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;massimi Media pesata dei centri;centri Metodo del baricentro;baricentro Centro delle somme ;somme

16 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 17 Secondo Mandami Il conseguente di una proposizione è analoga per tipologia agli antecedenti(grandezza fuzzy)

18 18 secondoTakagi-Sugeno Il conseguente è una funzione dei valori delle variabili che compaiono nellantecedente 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 lanalisi 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 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 lalgoritmo modifica i guadagni[ K p, K i,K d] allo scopo di smussare lazione lineare dellalgoritmo PID nellintorno di zone di funzionamento poco lineari del processo, secondo una logica di Gain-Scheduling.

20 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 delovershoot mediante logica fuzzy

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

22 22 Regolatori PID e fuzzy cooperanti Regolatore fuzzy Regolatore PID attuatoreprocesso arbitro - Setpoint Lalgoritmo PID porta il processo intorno alla condizione di equilibrio desiderata e lalgoritmo fuzzy entra in gioco quando si rende necessaria unazione fine ed accorta, tipicamente non lineare nellintorno della condizione di regime.

23 23 Regolatore PID con arbitro fuzzy Algoritmo PID3 Algoritmo PID1 processoattuatore Algoritmo Fuzzy Algoritmo PID2 Linferenza 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 SP1 SP2 SP

24 24 Controllo PID con contenimento delovershoot 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 lavvicinamento della variabile di processo al valore di riferimento

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

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

27 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 dellorario degli autubus ( Toshiba, Keinan-Express)

28 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))y(t Valvola motorizzata per alimentazione bruciatori( u(t) );u(t) 12 tonn profilati; Logica PID/Fuzzy con arbitroarbitro

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

30 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 valvolaregolevalvola

31 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 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 33 Controllo di un attuatore pneumatico(2) D/A A/D Algoritmo fuzzy Elettrovalvola V2 Elettrovalvola V1 Cilindro Pneumatico A/D - setpoint V1 V2 Errore di velocità Errore di posizioneposizione

34 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 35 Controllo di un sistema di depurazione biologica(2) Regolatore fuzyy dello spurgo Regolatore fuzzy del ricircolo Regolatore del volume di accumulo Vasca di accumulo sedimentazione Vasca di ossidazione valvola Valvola di ricircolo Valvola Di spurgo valvola Qfil Qdrw volume OUR effluente massa altezza Fanghi di spurgo Q ricircolo Qi

36 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 limpianto 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 laltezza dei fanghi nel sedimentatore secondario; deve essere limitato laccumulo di massa nel sedimentatore; Ottimi rendimenti di depurazione anche facendo uso di poche misure e con attuatori non raffinati,rendendo limpianto meno vulnerabile alle brusche variazioni di carico.

37 37 Controllo della produzione del clinker

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

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

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

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


Scaricare ppt "1 Campi applicazione dei modelli fuzzy Industriale Controllo( gestione processo, controllo qualità); Simulazione di processo(progettazione,affidabilità,diagnosi);"

Presentazioni simili


Annunci Google