1 Campi applicazione dei modelli fuzzy Industriale Controllo( gestione processo, controllo...
-
Upload
giampaolo-mazzoni -
Category
Documents
-
view
217 -
download
0
Transcript of 1 Campi applicazione dei modelli fuzzy Industriale Controllo( gestione processo, controllo...
1
Campi applicazione dei Campi applicazione dei modelli fuzzymodelli fuzzy
IndustrialeControllo( gestione processo, controllo
qualità);Simulazione di
processo(progettazione,affidabilità,diagnosi); Aziendale:
Simulazione per supporto alle decisioni(studi di mercato,scheduling);
DB;
2
CAMBIO AUTOMATICO CAMBIO AUTOMATICO AUTOADATTANTE AUTO-ATTIVOAUTOADATTANTE 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
FUZZY-HOME(1)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
FUZZY-HOME(2)FUZZY-HOME(2)
Lavastoviglie integrata totaleÖko 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 elettroniciper 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
ControlloreControllore
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 controlloApplicazioni di controlloControllo PID vs Controllo FuzzyControllo 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 PIDControllo 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 Schema tradizionale di controllo PIDcontrollo PID
ProcessoKi
Kp
Kd
Setpoint erroreVar.di contr.
u(t)
Variabile di processoy(t)
d
-
9
Applicabilità/ProblematicheApplicabilità/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)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)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 Schema di un generico algoritmo fuzzy(1)algoritmo fuzzy(1)
Base delle regole
Funzioni di appartenenzaMetodo di
defuzzyficazione
defuzzyficazione
Applicazione delle regole
FuzzificazioneX
Y
(X)
(Y)
13
FuzzyficazioneFuzzyficazione
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 regoleApplicazione delle regoleIl 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
DefuzzyficazioneDefuzzyficazione
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 Defuzzyficazione-Metodi e valutazione(2)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 MandamiSecondo Mandami
Il conseguente di una proposizione è analoga per tipologia agli antecedenti(grandezza fuzzy)
18
secondoTakagi-SugenosecondoTakagi-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 Controllo PID con guadagno fuzzy(1)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 Controllo PID con supervisore fuzzyfuzzy
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 Controllo PID con guadagno fuzzy(2)fuzzy(2)
AlgoritmoFuzzy
AlgoritmoPID attuatore processo
-Setpoint
22
Regolatori PID e fuzzy Regolatori PID e fuzzy cooperanticooperanti
Regolatorefuzzy
RegolatorePID
attuatore processo arbitro -
Setpoint
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.
23
Regolatore PID con arbitro Regolatore PID con arbitro fuzzyfuzzy
AlgoritmoPID3
AlgoritmoPID1
processoattuatoreAlgoritmo
FuzzyAlgoritmo
PID2
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
SP1
SP2
SP3
-
-
-
24
Controllo PID con Controllo PID con contenimento del’overshoot contenimento del’overshoot
mediante logica fuzzymediante 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 Generazione del SSPSSP
AlgoritmoFuzzy
Selezionatore ProcessoAlgoritmo PID
d/dt
SV(SP)
DV(SP-PV)
MV
PV
-
SSP-
DPV
DSP
26
Applicazioni industriali(1)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)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 Termoregolazione di un forno per profilati in alluminio(1)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 Termoregolazione di un forno per profilati in alluminio(2)per profilati in alluminio(2)
AlgoritmoPID
AlgoritmoFuzzy
valvola
forno
arbitro
-
-TC2 TC1
setpoint
TC1: TEMPERATURA IN INGRESSOTC2: TEMPERATURA IN USCITA
30
Termoregolazione di un forno Termoregolazione di un forno per profilati in alluminio(3)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 Termoregolazione di un forno per profilati in alluminio(4)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 Controllo di un attuatore pneumatico(1)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 Controllo di un attuatore pneumatico(2)pneumatico(2)
D/A
D/A
A/D
Algoritmofuzzy Elettrovalvola
V2
ElettrovalvolaV1 Cilindro
Pneumatico
A/D
-
setpoint V1
V2
Errore di velocità
Errore di posizione
34
Controllo di un sistema di Controllo di un sistema di depurazione biologica(1)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 Controllo di un sistema di depurazione biologica(2)depurazione biologica(2)
Regolatore fuzyydello spurgo
Regolatore fuzzydel ricircolo
Regolatoredel volume di
accumulo
Vasca di accumulo
sedimentazioneVasca
di ossidazione
valvola
Valvoladi ricircolo
Valvola Di spurgo
valvola
Qfil
Qdrw
volume
OUR
effluente
massa
altezza
Fanghi di spurgoQ ricircolo
Qi
36
Controllo di un sistema di Controllo di un sistema di depurazione biologica(3)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 Controllo della produzione del clinkerclinker
38
Unmanned helicopter Unmanned helicopter Yamaha R-50(1)Yamaha R-50(1)
M.Sugeno(TIT); ATIP,YAMAHA,US Army
Research Office,LIFE;
39
Unmanned helicopter Unmanned helicopter Yamaha R-50(2)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 Sistemi neuro-neuro-fuzzyfuzzy
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
ConclusioniConclusioni
Tecnologia ampiamente sviluppata(formalismo,SW,HW)
Elevata capacità di modellizzazioneFlessibilitàRobustezza dei risultatiTrasparenza del modello