Fuzzy Modeling for Control

مدل‌سازی فازی مبتنی بر قانون به عنوان یک تکنیک قدرتمند برای مدل‌سازی سیستم‌های غیرخطی تا حدی شناخته شده شناخته شده است. مدل‌های فازی می‌توانند به طور موثر اطلاعات را از منابع مختلف مانند قوانین فیزیکی، مدل‌های تجربی، اندازه‌گیری‌ها و اکتشافی ادغام کنند. حوزه های کاربردی مدل های فازی شامل پیش بینی، پشتیبانی تصمیم، تجزیه و تحلیل سیستم، طراحی کنترل و غیره است. مدل سازی فازی برایکنترل به مدل سازی فازی از دیدگاه سیستم ها و مهندسی کنترل می پردازد. این بر انتخاب ساختارهای مدل مناسب، بر کسب مدل‌های فازی پویا از اندازه‌گیری‌های فرآیند (شناسایی فازی)، و بر طراحی کنترل‌کننده‌های غیرخطی بر اساس مدل‌های فازی تمرکز دارد.
برای تولید خودکار مدل‌های فازی از اندازه‌گیری‌ها، یک روش جامع توسعه داده شده است که از تکنیک‌های خوشه‌بندی فازی برای تقسیم داده‌های موجود به زیر مجموعه‌هایی که با رفتار خطی محلی مشخص می‌شوند، استفاده می‌کند. روابط بین روش شناسایی ارائه شده و رگرسیون خطی مورد سوء استفاده قرار می گیرد و امکان ترکیب تکنیک های منطق فازی با ابزارهای شناسایی سیستم استاندارد را فراهم می کند. توجه به مبادله بین دقت و شفافیت مدل‌های فازی به‌دست‌آمده است. طراحی کنترل بر اساس یک مدل فازی از یک فرآیند دینامیکی غیرخطی، با استفاده از مفاهیم کنترل پیش‌بینی مبتنی بر مدل و کنترل مدل داخلی با یک مدل فازی معکوس، مورد بررسی قرار می‌گیرد. برای این منظور، روش‌هایی برای معکوس کردن انواع خاصی از مدل‌های فازی ارائه شده‌اند. در زمینه کنترل پیش بینی، بهینه سازی شاخه و کران اعمال می شود.
ویژگی های اصلی تکنیک های ارائه شده با استفاده از مثال های ساده نشان داده شده است. علاوه بر این، سه برنامه کاربردی در دنیای واقعی توضیح داده شده است. در نهایت، ابزارهای نرم‌افزاری برای ساخت مدل‌های فازی از اندازه‌گیری‌ها از نویسنده در دسترس است.

Rule-based fuzzy modeling has been recognised as a powerful technique for the modeling of partly-known nonlinear systems. Fuzzy models can effectively integrate information from different sources, such as physical laws, empirical models, measurements and heuristics. Application areas of fuzzy models include prediction, decision support, system analysis, control design, etc. Fuzzy Modeling forControl addresses fuzzy modeling from the systems and control engineering points of view. It focuses on the selection of appropriate model structures, on the acquisition of dynamic fuzzy models from process measurements (fuzzy identification), and on the design of nonlinear controllers based on fuzzy models.
To automatically generate fuzzy models from measurements, a comprehensive methodology is developed which employs fuzzy clustering techniques to partition the available data into subsets characterized by locally linear behaviour. The relationships between the presented identification method and linear regression are exploited, allowing for the combination of fuzzy logic techniques with standard system identification tools. Attention is paid to the trade-off between the accuracy and transparency of the obtained fuzzy models. Control design based on a fuzzy model of a nonlinear dynamic process is addressed, using the concepts of model-based predictive control and internal model control with an inverted fuzzy model. To this end, methods to exactly invert specific types of fuzzy models are presented. In the context of predictive control, branch-and-bound optimization is applied.
The main features of the presented techniques are illustrated by means of simple examples. In addition, three real-world applications are described. Finally, software tools for building fuzzy models from measurements are available from the author.