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