AFN-Berichte Dipl.-Inform. Stephani Hillebrand. Fuzzy-Software-Tools. Stephani Hillebrand

Transkript

1 Fuzzy-Software-Tools Stephani Hillebrand IAM-Institut für angewandte Mikroelektronik GmbH Richard-Wagner-Str Braunschweig Telefon: 05 31/ , Telefax: 05 31/ Nach jahrzehntelangem Schattendasein gilt Fuzzy-Logik heute als Schlüsseltechnologie, um Sachverhalte, die sich nicht präzise beschreiben lassen, mathematisch darzustellen. Typische Fuzzy-Anwendungen sind Vorgänge, zu denen kein formales Beschreibunsmodell existiert oder das vorhandene Modell sehr komplex ist. Auch nichtlineare Zusammenhänge, die sich mit klassischen Methoden kaum darstellen lassen, sind als Fuzzy Sets und Regeln formulierbar. Ebenso läßt sich vage formuliertes Expertenwissen in Form unscharfer Regeln mathematisch abbilden und verarbeiten. Auch indirekte Meßgrößen, oftmals durch verblüffend einfache Sensorik ermittelt, führen zwar nicht zu mathematisch hochpräzisen Ergebnissen, doch sie liefern mit verringertem Aufwand gegenüber klassischen Verfahren ein Ergebnis von hinreichender Genauigkeit. Aufgrund dieser Einsatzmöglichkeiten ist die Fuzzy-Logik eine sinnvolle Ergänzung zur klassischen Regelungstechnik und hat sich unter der Bezeichnung Fuzzy-Control etabliert. Fuzzy-Systeme stellen aus regelungstechnischer Sicht nichtlineare Kennfeldregler dar. Doch nicht nur für Control-Anwendungen ist Fuzzy-Logik prädestiniert. Mehr und mehr werden auch andere Domänen mit Fuzzy-Methoden bearbeitet. Anwendungsgebiete Fuzzy-Control Typische regelungstechnische Anwendungen sind das Inverse Pendel, Heizungsregelungen, Balancieren einer Kugel sowie die klassische Zementofen-Regelung. Auch bekannten japanischen Fuzzy-Anwendungen wie z.b. die Steuerung der U-Bahn in Sendai und die fuzzy-gesteuerten Haushaltsgeräte fallen in den Bereich Fuzzy-Control. Fuzzy-Datenanalyse Die Auswertung und Beurteilung von Meßdaten ist oftmals Sache eines Experten, der nach langjährigem Training auf einen Blick sehen kann, wie auf die vorliegenden Eingangsdaten reagiert werden muß. Dieses Analysewissen zu sammeln und in Form unscharfer Regeln zu formulieren, um auch größere Datenmengen und kompliziertere Sachverhalte zuverlässig auswerten zu können, ist die Zielsetzung der Fuzzy-Datenanalyse. So kann das Wissen weniger Experten einem breiten Anwenderkreis zur Verfügung gestellt werden. Beispiele für Fuzzy-Datenanalyse sind die Auswertung von Maschinenzuständen oder Abnutzungserscheinungen bei Werkzeugen. Auch die Ermittlung der Fadenverschiebung bei der Simulation textiler Gewebe fällt in diesen Anwendungsbereich. Klassifikation, Mustererkennung Fuzzy-Logik ermöglicht scharfe oder unscharfe Zuordnungen von Eingangsdaten zu Ordnungsklassen. Die Sortierung oder 'Erkennung' von Objekten bzw. Mustern beruht auf einer Sammlung unscharfer Regeln, die typische Merkmale jeder einzelnen Ordnungsklasse beschreiben. Nacheinander ausgewertet ergibt sich ein Spektrum anteiliger Zugehörigkeiten zu den einzelnen Klassen, das entweder als unscharfes Ergebnis weiterverarbeitet werden kann oder zu einem eindeutigen, scharfen Zuordnungswert verdichtet wird. Auf 38

2 diese Weise werden z.b. Kronkorken unterschieden, Tennisbälle am Sprungverhalten erkannt, Schriftzeichen interpretiert und verschiedene Schiffstypen ermittelt. Entscheidungssysteme Auswahl- und Entscheidungshilfen gewinnen bei wachsender Informationsflut zunehmend an Bedeutung. Immer komplexer werdende Anforderungen und gezielte Prioritäten sind bei Entscheidungsfindungen zu berücksichtigen. Das große, oft unüberschaubare Angebot möglicher Alternativen mit den zugehörigen, umfangreichen Beschreibungen ist kaum noch ohne geeignete Software zu bewältigen. Fuzzy-Entscheidungssysteme unterstützen den Auswahlprozeß. Sie ermöglichen z.b. Datenbank-Anfragen mit unscharfen Argumenten wie 'etwa 3 Jahre', 'ungefähr 9000 Kilometer'. Bei der Bewertung verfügbarer Alternativen kann ein Ausgleich zwischen den Argumenten stattfinden. So kompensieren vielleicht 'deutlich weniger Kilometer' ein 'etwas höheres Alter'. Angewandt wird dieses Verfahren bei der Auswahl aus Angeboten, wie z.b. Hauskauf oder Autokauf. Zunehmend dringt es auch in die klassischen Optimierungsanwendungen der Betriebswirtschaft vor, wenn es darum geht, strategische Entscheidungen zu treffen, Kosten zu optimieren oder zukünftige Arbeitsschwerpunkte festzulegen. Die Fuzzy-Control ist bisher das verbreitetste und bekannteste Anwendungsgebiet und soll daher vorrangig betrachtet werden. Die Entwicklung eines Fuzzy-Controllers Ebenso wie in der klassischen Regelungstechnik beginnt die Entwicklung eines Fuzzy-Controllers mit der Systemanalyse, Festlegung von Automatisierungszielen, Festlegung der Ein- und Ausgangsgrößen, mit denen sich diese Ziele erreichen lassen. Als Eingangssignale eignen sich nicht nur direkt meßbare Größen, sondern auch indirekte Beschreibungen, die sich interpretativ auswerten lassen. In diesem Zusammenhang wird auch die benötigte Sensorik ausgewählt. Systemarchitektur Nächster Schritt bei der Entwicklung eines Reglers ist die Festlegung der Systemarchitektur durch Anordung der Systemmodule im Regelkreis. Erst in dieser Phase muß man sich entscheiden, ob die klassische Regelungstechnik, die Fuzzy-Logik oder eine Kombination beider Verfahren angewendet werden soll. Die Schnittstellen zur Einbindung eines Fuzzy- Systems in den Gesamtaufbau werden vorbereitet und damit beginnt die Entwicklung des eigentlichen Fuzzy-Reglers. Zugehörigkeitsfunktionen Die Erstellung eines Fuzzy-Systems beginnt mit der Festlegung von Ein- und Ausgangsgrößen, den linguistischen Variablen mit ihren jeweiligen Attributen und den Zugehörigkeitsfunktionen, die als Kurvenformen vereinbart werden. Die Zugehörigkeitsfunktionen legen die Bedeutung der linguistischen Variablen im System eindeutig fest. 39

3 Regeln Durch Expertenbefragung oder aus Handbüchern werden Regeln aufgestellt. Unter Verwendung der linguistischen Variablen repräsentieren die Regeln das unscharfe Expertenwissen und integrieren es in ein zur Weiterverarbeitung geeignetes Schema. Operatoren, Defuzzifikationsmethode Auch die Methoden der Regelauswertung, die sogenannten Inferenzmechanismen kann der Systementwickler variieren, wie z.b. durch Auswahl der Fuzzy-Operatoren für die ANDbzw. OR-Verknüpfung. Zwar sind hier MIN und MAX am gebräuchlichsten, doch auch andere Operatoren (z.b. Gamma-Operator) sind vorteilhaft einsetzbar. Ähnliches gilt für die Wahl der Defuzzifikationsmethode, die festlegt, wie aus der Fuzzy-Ergebniskurve ein exakter Regelungsausgangswert ermittelt werden soll. Die meistens verwendete Schwerpunktmethode (Center of Gravity) führt nicht immer zu den gewünschten Ergebnissen. Test und Simulation Am Ende eines jeden Entwicklungsablaufes stehen Test und Simulation. Bei der Erstellung von Fuzzy-Systemen ist die Testphase besonders wichtig, denn sie dient dazu, den prototypartigen Erstentwurf des Fuzzy-Reglers schrittweise zu verfeinern und zu optimieren. Unentbehrliche Hilfsmittel bei der Erstellung von Fuzzy-Systemen sind komfortable Software-- Werkzeuge zur Unterstützung der einzelnen Entwicklungsschritte. Daraus ergeben sich einige konkrete Anforderungen an Fuzzy-Tools. Was sollten Fuzzy-Werkzeuge leisten? Eingabe der Systemstruktur Eingabe der Fuzzy-Sets Eingabe der Regeln Übersichtliche Darstellung von Fuzzy-Sets und Regeln Operatoren für AND/OR Abarbeitung der Regeln Defuzzifizierung Test mit Einzelwerten / Wertebereichen Übersichtsdarstellung des Reglers Online-Integration in Gesamt-Regelungssystemen Codeerstellung zur Einbindung in Gesamtsystemen Zusatzfunktionen für Datenanalyse und Klassifikation Diese Aufzählung ist sicherlich nicht vollständig. Besonders im Hinblick auf andere Anwendungsbereiche, wie Datenanalyse und Klassifikation sind noch einige Zusatzfunktionen wünschenswert. Um dem Benutzer die Fuzzy-Programmierung zu erleichtern und diese Anforderungsliste zumindest in wesentlichen Punkten zu erfüllen, existiert eine Vielzahl auf dem Markt befindlicher 40

4 Fuzzy-Software-Werkzeuge Aufgrund des großen, zum Teil sehr kurzweiligen Angebotes, erscheint es sinnvoll, zunächst eine Bestandsaufnahme zu machen, bei der die Einsatzschwerpunkte der jeweiligen Systeme berücksichtigt werden: Fuzzy-Control: fuzzytech FCM - Fuzzy Control Manager FuzzySoft TIL-Shell FIDE FLIRT FS-30AT FUDGE Fuzzy Box Fuzzy Control Desk FuzzySP IFT-Ilmenauer FuzzyTool (INFORM GmbH) (TransferTech GmbH) (FuzzySoft AG) (Togai Infralogic) (Aptronix, Inc.) (Uni Hannover) (Omron Electronics) (Motorola) (ZeTec GmbH) (Fuzzy Demo-Zentrum) (Scientific Computers) (SEI GmbH Ilmenau) Regler-Entwurfssysteme: DORA-Fuzzy Matrixx RT/Fuzzy DynStar WinFACT (Uni Dortmund) (Tedas GmbH) (HTW Zittau/Görlitz) (Ing.-Büro Dr. Kahlert) Datenanalyse: Data Engine (MIT GmbH) Neuro-Fuzzy: NeuFuz4 (Nat. Semiconductor) Entscheidungssysteme: Fuzzy Decision Desk (Fuzzy Demo-Zentrum) Eine Liste der vollständigen Anbieteradressen ist im IAM erhältlich. Ausgehend von dieser Auflistung sind klare Auswahlkriterien festzulegen, die je nach Anwendungsfall die Entscheidung für eine Entwicklungsumgebung erleichtern. Die Abbildungen 1-3 zeigen typische Eingabefenster einiger exemplarisch ausgewählter Software- Tools. 41

5 Abbildung. 1: FuzzyTech (Inform) Kriterien für die Beurteilung von Fuzzy-Tools sind die potentiellen Anwendungsbereiche, aber auch die Formen der System-Eingabe sowie die Möglichkeiten zur Überprüfung und Bewertung des Fuzzy-Systems. Besonders im Verlauf der Optimierung müssen Änderungen an Fuzzy-Sets und Regeln einfach durchführbar und ihre Auswirkungen sofort sichtbar sein. 42

6 Abbildung 2: FCM - Fuzzy Control Manager (TransferTech) 43

7 Abbildung 3: TilShell (Togai Infralogic) Zur Einbindung des Fuzzy-Reglers in ein Gesamtsystem ist die Erzeugung von Quellcode einer Hochsprache, meist C in verschiedenen Dialekten, erforderlich. Soll der erzeugte Quellcode auf verschiedene Hardwareplattformen portierbar sein, so muß das Programm ohne compilerspezifische Runtime-Libraries (RT) lauffähig sein. Durch Verwendung eines bestimmten Prozessors kann die Ausführungszeit erheblich reduziert werden, wenn spezieller Assemblercode generiert wird. Viele Fuzzy-Tools unterstützen eine Auswahl verschiedener Prozessoren, um auch zeitkritische Anwendungen und Echtzeitsysteme mit Fuzzy-Logik realisieren zu können. Neben gängigen Standardprozessoren gibt es eine Reihe von Fuzzy-Chips, die speziell für eine schnelle Abarbeitung von Zugehörigkeitsfunktionen und Regeln ausgelegt sind. 44

8 Fuzzy-Software für den Reglerentwurf Name fuzzytech FCM TIL-Shell FuzzySoft Hersteller Inform TransferTech TogaiInfralogic FuzzySoftAG Bereich F-Control F-Control F-Control F-Control Programmierspr. Prozessoren Systemeingabe Regeleingabe ANSI-C 80C160, 80535, SPS- Systeme ANSI-C, keine RT- Libraries 8051, HC11, NEC 75x, SPS-Systeme, Fuzzy- Prozessoren C-Code FC-110,37450, H8/300/500, i8051, i8096 Ansi-C, mit RT-Libraries DB-Kopplung 68xxx, i8051, 6811, 80C166 grafisch grafisch grafisch grafisch grafisch (Tabelle) grafisch, Tabelle, Matrix Text, Tabelle grafisch, Tabelle grafisch grafisch grafisch grafisch Debuggen interaktiv, 2D interaktiv, Datenberge, HW-Monitor Plattform Variableneingabe PC,MS- Windows PC, MS- Windows interaktiv PC,MS-Wind., SUN Sparc Oszilloskop PC, MS-Windows Eine genauere Analyse der verfügbaren Fuzzy-Software-Tools durchzuführen ist Aufgabe des AFN-Arbeitskreises "Fuzzy-Software-Werkzeuge". Der AFN-Arbeitskreis "Fuzzy-Software-Werkzeuge" Der Arbeitskreis will Hilfestellung leisten bei der Entwicklung von Fuzzy-Systemen und im Umgang mit den gängigen Software-Werkzeugen. Hier versammeln sich Fuzzy-Experten und - Interessenten, um Erfahrungen auszutauschen, zur Zusammenarbeit (z.b. in Projekten) anzuregen, aktuelle Fragen zu klären und Empfehlungen für zukünftige Entwicklungen zu erarbeiten. Im einzelnen sind folgende Arbeitsschritte geplant: verfügbare Fuzzy-Software-Werkzeuge zusammenstellen (Lieferantenadressen, akt. Version, Verfügbarkeit von Demoversionen,...), Erfahrungen bei der Entwicklung von Fuzzy-Sytemen und beim Einsatz von Fuzzy-Software zusammentragen, Beratung bei der Auswahl von Fuzzy-Software, 45

9 Anforderungsliste zur Beurteilung marktgängiger Fuzzy-Entwicklungssysteme erstellen, Vergleich verschiedener Entwicklungsumgebungen anhand der Anforderungsliste, Vorschläge zur Verbesserung und Weiterentwicklung von Fuzzy-Tools sammeln, Einbeziehung benachbarter Wissensgebiete,um sie in Fuzzy- Entwicklungssystemen zu untersuchen, z.b. - Standard-Regelungstechnik - Expertensystem-Ansätze - Neuronale Netze - Evolutionäre Strategien Diese Liste von Arbeitsvorschlägen ist sicher nicht vollständig. Sie soll nur die grobe Zielrichtung des Arbeitskreises aufzeigen. Letztlich kommt es auf jedes einzelne Mitglied an, den Arbeitskreis in seinem Sinne mitzugestalten. Nur so besteht eine reale Chance, der Fuzzy- Logik in Norddeutschland den Weg in die praktische Anwendung zu ebnen. Literatur [1] Joachim Angstenberger, Burghard Walesch Entwicklungswerkzeuge und Spezialprozessoren für Fuzzy-Anwendungen, atp(36) 06/94. [2] N.N. Der Wettbewerb hat begonnen: Fuzzy-Tools, -Hardware und -Produkte beleben den Markt, Elektronik plus 2/93, Sonderheft Automatisierungspraxis, Franzis-Verlag GmbH, München. [3] Günther Trautzl Werkzeuge für Fuzzy-Logik-Entwicklungen, KI 04/91, S. 69, GI-Fachbereich 1. [4] Berthold Hellenthal, Gabor Goertz Was Fuzzy-Tools wirklich leisten, Elektronik 24/91, S.18. [5] Daniel Gariglio Fuzzy in der Praxis, Elektronik 20/91, S.63. [6] Dr. Rudolf Felix Fuzzy-Logik: Schrittmacher der Zukunft, Elektronik 02/93, S.92. [7] Joachim Angstenberger Software-Werkzeuge zur Entwicklung von Fuzzy-Reglern, atp(35) 02/93, S