Sie sind auf Seite 1von 55

Sk r i pt zur Vor l esung

Fuzzy Cont r ol
i m Wi nt er semest er 2011/ 2012

Ch. Ament







Technische Universit t I lmenau
I nst it ut fr Aut omat isierungs- und Syst emt echnik
Fachgebiet Syst emanalyse

www.t u- ilmenau.de/ syst emanalyse
St and: 08.10.2011
Vorlesung Fuzzy Cont rol Seit e 0- 1
Prof. Dr.- I ng. Ch. Ament Gliederung und Lit erat ur

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Gl i eder ung
Li t er at ur ................................................................................................................. 2
1 Ei nl ei t ung ...................................................................................................... 1- 1
2 Gr undl agen der Fuzzy- Mengen und Fuzzy- Logi k ........................................... 2- 1
2.1 Fuzzy- Mengen ......................................................................................... 2- 1
2.2 Logische Fuzzy- Operat oren ....................................................................... 2- 1
2.3 Zugehrigkeit sfunkt ionen ....................................................................... 2- 10
2.4 Fuzzy- I nt ervallen und - Zahlen ................................................................. 2- 12
2.5 Fuzzy- Syst eme ...................................................................................... 2- 15
3 Model l bi l dung ................................................................................................ 3- 1
3.1 Modellbildung auf Basis von Expert enwissen ............................................... 3- 1
3.2 Modellbildung auf Basis von Messdat en ...................................................... 3- 6
3.3 Modellbildung fr dynamische Syst eme .................................................... 3- 15
4 Fuzzy- Regel ungen ......................................................................................... 4- 1
4.1 St euerung mit inversem St reckenmodell ..................................................... 4- 2
4.2 I nt ernal Model Cont rol .............................................................................. 4- 3
4.3 Model Predict ive Cont rol ( MPC) .................................................................. 4- 5
4.4 Direkt e Opt imierung des geschlossenen Kreises ........................................... 4- 6
4.5 Fuzzy- Adapt ion klassischer Regelungen ...................................................... 4- 7
5 Kl assi f i k at i on und Di agnose mi t Fuzzy- Syst emen ......................................... 5- 1
5.1 Klassifikat ion ohne Referenz ...................................................................... 5- 2
5.2 Klassifikat ion mit Referenz ........................................................................ 5- 4
5.3 Diagnose mit Fuzzy- Syst emen ................................................................... 5- 5
6 Anw endungen von Fuzzy- Syst emen .............................................................. 6- 1

Vorlesung Fuzzy Cont rol Seit e 0- 2
Prof. Dr.- I ng. Ch. Ament Gliederung und Lit erat ur

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Li t er at ur

Fuzzy- Syst eme
- Koch M., Kuhn Th., Wernst edt J.:
Fuzzy Cont rol Opt imale Nachbildung und Ent wurf opt imaler Ent scheidungen,
Oldenbourg, Mnchen, 1996.
- Kiendl H.:
Fuzzy Cont rol met hodenorient iert , Oldenbourg, Mnchen 1997.
- Biewer B.:
Fuzzy Met hoden Praxisrelevant e Rechenmodelle und Fuzzy- Programmiersprachen,
Springer, Berlin 1997.
I SBN: 978- 3- 540- 61943- 7, 99,95
- Ross T.J.:
Fuzzy logic wit h engineering applicat ions, 2nd edit ion, Wiley, 2004.
I SBN: 978- 0- 470- 86075- 5, 62,90
- Jaanineh G., Maij ohann M.:
Fuzzy- Logik und Fuzzy- Cont rol, Vogel, 1996.
I SBN: 3- 8023- 1535- 9

Fuzzy- und Neur o- Syst eme
- Adamy J.:
Fuzzy Logik, Neuronale Net ze und Evolut ionre Algorit hmen
Shaker Verlag, Aachen 2005.
I SBN: 978- 3- 8322- 4461- 3, 15
- Borgelt Ch., Klawonn F., Kruse R., Nauck D.:
Neuro- Fuzzy- Syst eme Von den Grundlagen knst licher Neuronaler Net ze zur
Kopplung mit Fuzzy- Syst emen, 3. Auflage, Vieweg, Wiesbaden, 2003.
I SBN: 978- 3- 528- 25265- 6, 29,90
- Zilouchian A., Jamshidi M.:
I nt elligent Cont rol Syst ems Using Soft Comput ing Met hodologies, CRC Press, Boca
Rat on, 2001.
I SBN- 10: 0849318750, $ 99,95
- Nguyen H.T., Prasad N.R., Walker C.L., Walker E.A.:
A First Course in Fuzzy and Neural Cont rol, 3rd edit ion, Chapman & Hall/ CRC, 2003
I SBN- 10: 1584885262, $ 93,95

Vorlesung Fuzzy Cont rol Seit e 1- 1
Prof. Dr.- I ng. Ch. Ament 1. Einfhrung

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
1 Ei nl ei t ung
Die Grundidee der unscharfen Logik geht zurck auf Zadeh, der im Jahre 1965 einen er-
weit ert en Mengenbegriff einfhrt e, welcher eine unscharfe Mengenzuordnung zulie, und
so den Begriff der Fuzzy Logik prgt e.

Zu Beginn der 1990iger Jahre ist die Met hode
durch ihre Anwendungen in Japan bekannt ge-
worden. Auf Basis des Konzept s der Fuzzy Logik
wurden St euerungen und Regelungen fr t echni-
sche Prozesse ent wickelt . Fuzzy Cont rol erlaubt e
es, St euerungen auf Basis linguist ischer Beschrei-
bungen zu erst ellen. Es weckt e die Hoffnung auf
einen einfachen Ent wurf mit geringem mat he-
mat ischen Aufwand. Fuzzy wurde einerseit s ein
Schlagwort fr das Produkt market ing und rief
andererseit s Skepsis im wissenschaft lichen Be-
reich hervor.


Heut e hat sich Fuzzy Cont rol als eine Met hode der Regelungst echnik et abliert , die insbe-
sondere dann geeignet ist , wenn
- die Modellierung der St recke sehr aufwndig ist ( z.B. bei komplexen Prozessen in
einer Klranlange) ,
- die Modellierung unmglich ist ( z.B. bei medizinischen Syst emen) ,
- das Wissen ber eine St euerung oder Regelung von einem Expert en in Regeln for-
muliert werden kann.
Es wurden Met hoden ent wickelt , die ein Training von Fuzzy- Syst emen auch auf Basis von
Messdat en ermglichen und t heoret ische Analysen ( z.B. hinsicht lich der St abilit t ) erlau-
ben.

Vorlesung Fuzzy Cont rol Seit e 1- 2
Prof. Dr.- I ng. Ch. Ament 1. Einfhrung

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Syst embeschr ei bungen
Nebenst ehende met eorologische
Beispiele zeigen, dass der
Mensch damit vert raut ist , Pro-
zesse durch unscharfe Aussagen
zu beschreiben. Zahlreiche Aus-
sagen ( nicht mehr weit ,
wechselnd bewlkt ) darin sind
unscharf, dennoch lassen sich
sogar Wenn- Dann- Regeln damit
formulieren. Linguist ische For-
mulierungen sind also hufig
unscharf.
Wie nachst ehende Tabelle zeigt ,
knnen j e nach Art des Prozes-
ses unt erschiedliche Konzept e
zur Beschreibung und zum Ent -
wurf von St euerungen und Regelungen genut zt werden. Ein t ypisches Beispiel ist die Un-
t erscheidung in eine det erminist ische bzw. st ochast ische Beschreibung. Es wird deut lich,
dass Fuzzy- Konzept e eine weit ere Beschreibungsform darst ellen, die nicht mit st ochast i-
schen Konzept en verwechselt werden drfen.

Pr ozess Konzept zur Beschr ei bung und Ent schei dung
sicher Det erminist ische Konzept e
unsicher St ochast ische Konzept e
ungenau/ unscharf Fuzzy Konzept e
unvollst ndig Lernende Konzept e

Um zu einer Beschreibung t echnischer Syst eme zu gelangen, knnen verschiedene Anst ze
verfolgt werden. Die Wahl ist meist davon abhngig, welche I nformat ionen ber das Sys-
t em als Ausgangspunkt einer Modellbildung zur Verfgung st ehen:
- Gl ei chungen: St ehen physikalische Gleichungen fr die Charakt erisierung eines
Syst ems zur Verfgung, fhrt die t heoret ische Modellbildung auf ein St rukt urmodell
( z.B. als Different ialgleichungen, bert ragungsparamet ern) mit physikalisch int er-
pret ierbaren Paramet ern.
- Messdat en: Messdat en erlauben eine experiment elle Modellbildung. Als Ergebnis
st ehen nicht - paramet rische Modelle ( z.B. ein Bode- Diagramm) oder t abelliert e
Funkt ionen ( aber auch ein t rainiert es Neuronales Net z oder Fuzzy- Syst em) zur Ver-
fgung.
- Ex per t enw i ssen: Die linguist ischen Aussagen eines Expert en lassen sich in eine
regelbasiert e Beschreibung umset zen, z.B. durch ein Fuzzy- Syst em.
I n der Praxis knnen diese Met hoden auch kombiniert werden.
Vorlesung Fuzzy Cont rol Seit e 2- 1
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
2 Gr undl agen der Fuzzy- Mengen und Fuzzy- Logi k
2.1 Fuzzy- Mengen
I n der konvent ionellen Mengenlehre ist ein Obj ekt a ent weder Element einer Menge M,
oder es ist nicht Element der Menge. Das kann durch einen Zugehrigkeit sgrad
M
(a) be-
schrieben werden, der nur die Wert e 0 oder 1 annimmt :
1 ) ( = e a M a
M

0 ) ( = e a M a
M

Die erweit ert e Mengendefinit ion der Fuzzy Logik lsst fr die Fuzzy- Menge M auch Zugeh-
rigkeit sgrade im kont inuierlichen Wert ebereich zwischen 0 und 1 zu:
] 1 , 0 [ ) ( e a
M

Mit dieser Erweit erung lassen sich insbesondere Prozesse, bei denen eine exakt e Klassifika-
t ion nicht mglich ist , vort eilhaft beschreiben, wie das folgende Beispiel zeigt : Zur Realisie-
rung einer Fllst andsregelung wird die Regeldifferenz in die drei diskret en Ereignisse
zu niedrig okay zu hoch
einget eilt . I m Sinne der konvent ionellen Mengenlehre kann der Regeldifferenz des Fll-
st ands e nur einer dieser Mengen zugeordnet werden, z. B.:
0 ) ( , 0 ) ( , 1 ) (
hoch zu okay niedrig zu
= = = e e e
I st aber beispielsweise die vorgegebene Sollhhe nicht ganz erreicht , erlaubt die erweit ert e
Definit ion der Fuzzy- Mengen folgende Beschreibung:
0 ) ( , 5 , 0 ) ( , 5 , 0 ) (
hoch zu okay niedrig zu
= = = e e e
2.2 Logi sche Fuzzy- Oper at or en
Sie dienen der Verknpfung von Mengenzuordnungen und werden beispielsweise bent igt ,
um mehrere Messgren zu verbinden oder um Wenn- Dann- Aussagen einer Regelbasis zu
formulieren.
Fuzzy- Operat oren werden als Erweit erung der aus der klassischen Logik bekannt en Boole-
schen Operat oren definiert .
- Die binren Zugehrigkeit sgrade

= 0 bzw.

= 1 werden aus Sicht des Fuzzy- Logic
auch als crisp ( = hart ) bezeichnet . Fr diese sollen sich Fuzzy- und Boolesche
Operat oren gleich verhalt en.
- Fr die dazwischen liegenden fuzzy ( = unscharfen ) Zugehrigkeit sgrade sind
unt erschiedliche Definit ionen mglich.
I m Folgenden werden zunchst j eweils zwei mgliche Definit ionen vorgest ellt , die auch in
der Fuzzy Logic Toolbox von Mat lab implement iert sind. Weit ere Definit ionen sind auf den
Seit en 2- 7 und 2- 8 zusammengefasst .
Vorlesung Fuzzy Cont rol Seit e 2- 2
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
2.2.1 Und- Oper at or
Die folgenden zwei Definit ionen erfllen die vorst ehend genannt en Bedingungen, wie aus
der Tabelle und den Grafen zu ersehen ist . Von Zadeh wurde die Bildung des Minimums
der Zugehrigkeit sgrade als Und- Operat or ( .) vorgeschlagen:
Definit ion 1: ) , min(
B A B A
=
.

Diese Funkt ion kann auch auf sehr kleinen Prozessoren unt er Echt zeit - Bedingungen aus-
gewert et werden. Die alt ernat ive Definit ion ber das Produkt der Zugehrigkeit sgrade ist
im Vergleich et was aufwndiger, biet et aber den Vort eil, dass es sich um eine analyt isch
differenzierbare Funkt ion handelt . Diese Eigenschaft muss evt l. fr die Opt imierung von
Fuzzy- Syst emen vorausgeset zt werden:
Definit ion 2:
B A B A
=
.

UND- Verknpfung
A


Definit ion 1
) , min(
B A

Definit ion 2
B A

1 crisp 0 0 0 0
2 0 1 0 0
3
1 0 0 0
4
1 1 1 1
5 fuzzy 0,5 0 0 0
6 0,5 0,5 0,5 0,25
7 0,5 1 0,5 0,5
I n den als crisp bezeichnet en Fllen ent sprechen die Ergebnisse der klassischen Logik, fr
fuzzy Wert e sind j e nach Definit ion verschiedene Ergebnisse mglich ( s. Zeile 6) . Die Zeilen
der Tabelle ent sprechen den nummeriert en Punkt en in den Grafen:

B

B
) , min(
B A B A
=
.

B
B A B A
=
.
1
3
2
4
5
6
7
1
3
2
4
5
6
7
Vorlesung Fuzzy Cont rol Seit e 2- 3
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
2.2.2 Oder - Oper at or
Analoges gilt fr den Fuzzy- Oder- Operat or ( v) : Auch er soll fr = 0 bzw. = 1 der Bil-
dung der Vereinigungsmenge konvent ioneller Mengen ent sprechen. Es gibt auch hier zwei
hufig verwendet e Definit ionen, die dies erfllen ( siehe auch Tabelle und Grafen) .
Der Fuzzy- Oder- Operat or kann durch Maximumbildung
) , max(
B A B A
=
v

oder durch die so genannt e algebraische Summe
B A B A B A
+ =
v

definiert werden. Durch diese Definit ion wird insbesondere sichergest ellt , dass der Wer-
t ebereich der Oder- Verknpfung im Bereich [ 0,1] liegt .
ODER-
Verknpfung
A

B
Definit ion 1
) , max(
B A

Definit ion 2
B A B A
+
1 crisp 0 0 0 0
2 0 1 1 1
3 1 0 1 1
4 1 1 1 1
5 fuzzy 0,5 0 0,5 0,5
6 0,5 0,5 0,5 0,75
7 0,5 1 1 1
Auch hier hngt das Ergebnis fr fuzzy Wert e von der Wahl der Definit ion ab ( s. Zeile 6) .
Die Zeilen der Tabelle ent sprechen den nummeriert en Punkt en in den Grafen:

B
) , max(
B A B A
=
v

B
B A B A B A
+ =
v
1
3
2
4
5
6
7
1
3
2
4
5
6
7
Vorlesung Fuzzy Cont rol Seit e 2- 4
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
2.2.3 Negat i on
Die Negat ion ( Operat or A ) wird durch
A
A
= 1


definiert , was im Einklang mit der konvent ionellen Mengent heorie st eht ( siehe Tabelle) .

NEGATI ON
A

A
1
crisp 0 1
1 0
fuzzy 0,5 0,5

Mit den Operat oren Und , Oder sowie Negat ion lassen sich nun logische Verknpfun-
gen zwischen Zugehrigkeit sgraden berechnen.

2.2.4 Ver al l gemei ner ung: T- und S- Nor men
Die Fuzzy- Operat oren wurden als Erweit erung der klassischen logischen Operat oren einge-
fhrt . Welche aus der klassischen Logik bekannt en Rechengeset ze gelt en fr sie und wel-
che nicht ? Gibt es darber hinaus noch weit ere mgliche Definit ionen fr Fuzzy-
Operat oren? Um dieses zu syst emat isieren, werden die T- und S- Norm eingefhrt , fr die
spezielle Geset zmigkeit en gefordert werden:
- Die T- Norm charakt erisiert den allgemeinen UND- Operat or. Fr die Verknpfung
der Zugehrigkeit en zu den Mengen A und B schreibt man:
] , [
B A B A
T =
.

Die Wert ebereiche der Operanden und des Ergebnisses mssen im I nt ervall [ 0,1]
liegen:
] 1 , 0 [ ] 1 , 0 [ ] 1 , 0 [

Darin st ellt das kart esische Produkt x alle mglichen Verknpfungen der beiden
Operanden dar.

- Die S- Norm ( auch als T- Co- Norm bezeichnet ) ist ent sprechend der allgemeine
ODER- Operat or. Man schreibt :
] , [
B A B A
S =
v

Auch hier liegen alle Wert ebereiche im I nt ervall [ 0,1] :
] 1 , 0 [ ] 1 , 0 [ ] 1 , 0 [
Vorlesung Fuzzy Cont rol Seit e 2- 5
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Fr T- Normen ( und die komplement ren fr S- Normen) werden zunchst die folgenden
fnf Geset zmigkeit en gefordert :
1. Neut r al es El ement
Es gibt ein neut rales Element der Verknpfung. Fr die T- Norm ist dies die 1, fr die S-
Norm die 0. Eine Verknpfung mit diesem Operanden liefert denselben Wert wieder als
Ergebnis:
T- Norm S- Norm
A A
T = ] 1 , [
A A
S = ] 0 , [
2. Nul l - bzw . Ei nsel ement
Eine Verknpfung mit diesem Element liefert immer 0 bzw. 1 als Ergebnis:
T- Norm S- Norm
0 ] 0 , [ =
A
T 1 ] 1 , [ =
A
S
3. Kommut at i vi t t
Die Reihenfolge der Operanden kann vert auscht werden:
T- Norm S- Norm
] , [ ] , [
A B B A
T T = ] , [ ] , [
A B B A
S S =
4. Assozi at i vi t t
Die Reihenfolge der Auswert ung ( z.B. durch Klammerung definiert ) kann vert auscht wer-
den:
T- Norm S- Norm
| | | | ] , [ , ] , , [
C B A C B A
T T T T = | | | | ] , [ , ] , , [
C B A C B A
S S S S =
5. Monot oni e
Eine Ordnungsrelat ion in den Operanden bleibt auch im Ergebnis erhalt en:
T- Norm S- Norm
Mit
C A
s und
D B
s

folgt

] , [ ] , [
D C B A
T T s
Mit
C A
s und
D B
s

folgt

] , [ ] , [
D C B A
S S s

Vorlesung Fuzzy Cont rol Seit e 2- 6
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Bisher gibt es keine Verbindung zwischen der T- und der S- Norm. Diese kann man herst el-
len, in dem man die Glt igkeit des folgenden De- Morgan- Geset zes fordert :
6. De- Mor gan- Geset ze
Die Negat ion der T- Norm ist gleich der S- Norm mit negiert en Operanden. Komplement r
ist die Negat ion der S- Norm gleich der T- Norm mit negat iven Operanden:
T- Norm S- Norm
] , [ ] , [
B A B A
S T = ] , [ ] , [
B A B A
T S =
Fazi t :
- Diese Forderungen werden alle auch durch die klassischen Logik- Operat oren erfllt .
- Ebenso kann man zeigen, dass die Geset ze 1 bis 5 durch die beiden bereit s defi-
niert en Fuzzy- Operat oren erfllt werden. Z.B. gilt fr Geset z 1 ( Neut rales Element ) :
T- Norm S- Norm
Definit ion 1:
A A
= ) 1 , min(
A A
= ) 0 , max(
Definit ion 2:
A A
= 1
A A A
= + 0 0
- Durch die De- Morgan- Geset ze ent st ehen Paare von T- und S- Normen. Beispiels-
weise lsst sich die Glt igkeit des De- Morgan- Geset zes fr die T- Norm unt er Ver-
wendung der Definit ion 2 wie folgt zeigen:
] , [ ] , [ 1
1
1 2
) 1 ( ) 1 ( ) 1 ( ) 1 (
] 1 , 1 [ ] , [
B A B A
B A
B A B A B A
B A B A
B A B A
T T
S S





= =
=
+ + =
+ =
=

Die Glt igkeit dieses Geset zes ist also nur innerhalb eines Definit ions- Paares gege-
ben. D.h. es gilt z.B. nicht , wenn man fr die T- Norm Definit ion 1 und fr die S-
Norm Definit ion 2 verwendet .
- Acht ung: Nicht alle aus der klassischen Logik bekannt en Geset ze sind aut omat isch
fr die T- und S- Norm erfllt . Fr die Verknpfung mit dem Komplement gilt :
T- Norm S- Norm
im Allgemeinen: 0 ] , [ =
A A
T im Allgemeinen: 1 ] , [ =
A A
S
- Es gibt eine Vielzahl weit erer mglicher Definit ionen fr T- und S- Normen. Eine Zu-
sammenst ellung gibt nachfolgende Tabelle. I n einer Zeile st ehen j eweils Paare
komplement rer Definit ionen.


Vorlesung Fuzzy Cont rol Seit e 2- 7
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
T- Norm S- Norm
Minimum: ) , min(
B A B A
=
.


Maximum: ) , max(
B A B A
=
v


Algebraische Produkt :
B A B A
=
.


Algebraische Summe:
B A B A B A
+ =
v


Hamacher- Produkt :
B A B A
B A
B A

+

=
.


Hamacher- Summe:
B A
B A B A
B A


+
=
v
1
2



0
.
1
0
.
1
0.1 0.1 0.1
0
.
2
0
.
2
0.2 0.2 0.2
0
.
3
0
.
3
0.3 0.3
0
.
4
0
.
4
0.4 0.4
0
.
5
0.5 0.5
0
.
6
0.6 0.6
0
.
7
0.7
0.8
0.9

B
0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0.1
0.2
0
.
3
0.3
0
.
4
0.4
0
.
5
0.5 0.5
0
.
6
0
.
6
0.6 0.6
0
.
7
0
.
7
0.7 0.7
0
.
8
0
.
8
0.8 0.8 0.8
0
.
9
0
.
9
0.9 0.9 0.9

B
0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
.
1
0
.
1
0
.1
0.1
0
.
2
0
.
2
0
.2
0.2
0
.
3
0
.
3
0.3
0
.
4
0
.
4
0
.4
0
.
5
0
.5
0
.
6
0
.6
0
.
7
0
.
8
0
.
9

B
0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
.
1
0
.
2
0
.
3
0
.
4
0
.4
0
.
5
0
.5
0
.
6
0
.
6
0
.6
0
.
7
0
.
7
0
.7
0
.
8
0
.
8
0
.8
0.8
0
.
9
0
.
9
0.9
0.9

B
0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
.
1
0
.
1
0
.1
0.1 0.1
0
.
2
0
.
2
0.2
0.2
0
.
3
0
.
3
0.3
0
.
4
0
.4
0.4
0
.
5
0.5
0
.
6
0.6
0
.
7
0
.8
0
.
9

B
0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
.
1
0
.2
0
.
3
0
.
4
0.4
0
.
5
0.5
0
.
6
0
.6
0.6
0
.
7
0
.
7
0.7
0
.
8
0
.
8
0.8
0.8
0
.
9
0
.
9
0.9
0.9
0.9

B
0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Vorlesung Fuzzy Cont rol Seit e 2- 8
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
T- Norm S- Norm
Einst ein- Produkt :
) 1 ( ) 1 ( 1
B A
B A
B A

+

=
.


Einst ein- Summe:
B A
B A
B A

+
+
=
v
1


Beschrnkt e Differenz:
) 1 , 0 max( + =
. B A B A



Beschrnkt e Summe:
) , 1 min(
B A B A
+ =
v


0
.
1
0
.
1
0
.1
0.1
0
.
2
0
.
2
0
.2
0.2
0
.
3
0
.
3
0
.3
0
.
4
0
.
4
0
.4
0
.
5
0
.
5
0
.
6
0
.
6
0
.
7
0
.
8
0
.
9

B
0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
.
1
0
.
2
0
.
3
0
.
4
0
.
4
0
.
5
0
.5
0
.
6
0
.
6
0
.6
0
.
7
0
.
7
0
.7
0
.
8
0
.
8
0
.8
0
.8
0
.
9
0
.
9
0
.9
0.9

B
0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
.
1
0
.
1
0
.
1
0
.
1
0
.
2
0
.
2
0
.
2
0
.
3
0
.
3
0
.
3
0
.
4
0
.
4
0
.
4
0
.
5
0
.
5
0
.
6
0
.
6
0
.
7
0
.
8
0
.
9

B
0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
.
1
0
.
2
0
.
3
0
.
4
0
.
4
0
.
5
0
.
5
0
.
6
0
.
6
0
.
6
0
.
7
0
.
7
0
.
7
0
.
8
0
.
8
0
.
8
0
.
9
0
.
9
0
.
9
0
.
9

B
0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Vorlesung Fuzzy Cont rol Seit e 2- 9
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
2.2.5 I mpl i k at i on
Als I mplikat ion wird das Ergebnis einer logischen Folgerung verst anden. Eine sprachliche
I nt erpret at ion ist in Form einer Wenn- Dann- Aussage mglich:
WENN Prmisse DANN Konklusion
Die Aussage der Folgerung ist , dass die Prmisse P eine hinreichende ( aber nicht not wen-
dige) Bedingung fr die Konklusion K ist . Formal schreibt man:
) ( K P
Ein Beispiel: Die Prmisse P ist Es regnet , die Konklusion K laut et Die St rae ist nass .
Offenbar ist die Prmisse eine hinreichende Bedingung fr die Konklusion; sie ist aber kei-
ne not wendige Vorausset zung. ( Schlielich kann die St rae auch nass sein, weil sie z.B.
gereinigt wurde.) Demnach muss die Aussage Es regnet und die St rae ist nicht nass.
falsch sein. Alle anderen Aussagen sind aber wahr. I nsbesondere in den Fllen, in denen
die Prmisse als hinreichende Bedingung nicht erfllt ist , ist die Gesamt aussage nicht
falsch. Somit ergibt sich die Wahrheit st abelle der klassischen Logik ent sprechend unt en
st ehender Tabelle ( crisp ) .
Es kann rasch berprft werden, dass diese Wahrheit st abelle fr die klassische Logik durch
folgenden Term beschrieben werden kann:
) ( ) ( K P K P v =
Die eingefhrt en Definit ionen erlauben eine Erweit erung fr die Fuzzy- Logik:
Definit ion 1: ) , 1 max(
K P K P
=


Definit ion 2:
K P P K P K P K P
+ = + =

1 ) 1 ( 1
Die Tabelle st ellt beide Definit ionen gegenber:
I MPLI KATI ON
P

K
Definit ion 1
) , 1 max(
K P

Definit ion 2
K P P
+ 1
1 crisp 0 0 1 1
2 0 1 1 1
3 1 0 0 0
4 1 1 1 1
5 fuzzy 0,5 0 0.5 0,5
6 0,5 0,5 0.5 0,75
7 0,5 1 1 1
Die I mplikat ion ist von groer Bedeut ung, da sie fr die Formulierung des Expert enwissens
in Fuzzy- Expert ensyst emen oder in Fuzzy- Reglern verwendet wird ( siehe Kapit el 2, I nfer-
enz ) . Die Prmisse ist dann eine Bedingung, die aus logischen Verknpfungen von Ein-
gangsdat en best immt wird. I n der Konklusion wird die zugehrige Akt ion formuliert , wel-
che die Ausgangsgren spezifiziert .
Vorlesung Fuzzy Cont rol Seit e 2- 10
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
2.3 Zugehr i gk ei t sf unk t i onen
Die Zuordnung reeller Wert e ( beispielsweise von Messwert en am Eingang eines Fuzzy-
Syst ems) zu Fuzzy- Mengen wird durch Zugehrigkeit sfunkt ionen definiert . Dabei ist der
Zugehrigkeit sgrad ) (
M
u zur Menge M als Funkt ion ber dem Wert u aufget ragen.
Da Fuzzy- Mengen meist eine sprachliche I nt erpret at ion besit zen, werden sie synonym als
linguist ische Wert e bezeichnet .

2.3.1 St ck w ei se l i near e Zugehr i gk ei t sf unk t i onen
Nachst ehendes Bild zeigt hufig verwendet e, st ckweise lineare Zugehrigkeit sfunkt ionen.

Die Trapez- Funkt ion ( a) lsst sich durch die 4 Paramet er [ a, b, c, d] eindeut ig beschreiben.
Die Paramet er a und d begrenzen den Bereich, in dem die 0 ) (
M
> u ist ; die Wert e b, c
definieren den Bereich, in dem 1 ) (
M
= u gilt . Die Dreiecks- und Rampenfunkt ionen lassen
sich auf das Trapez zurckfhren:
Funk t i on Par amet er der Tr apez- Funk t i on
Trapez ( Mat lab Fuzzy Logic Toolbox: trapmf) [ a, b, c, d]
Dreieck [ e, f, f, g]
Rampe ( links) [ , , h, i]
Rampe ( recht s) [ k, l, + , + ]

I n den meist en prakt ischen Anwendungen wird auf Basis dieser Funkt ionen die Fuzzifizie-
rung der Eingangsdat en durchgefhrt ( siehe Seit e 2- 16) .
u

M
( u)
b) Dreieck
u

M
( u)
a) Trapez
u

M
( u)
c) Rampe ( links)
u

M
( u)
d) Rampe ( recht s)
1 1 1 1
a b c d e f g h i k l
Vorlesung Fuzzy Cont rol Seit e 2- 11
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
2.3.2 Di f f er enzi er bar e Zugehr i gk ei t sf unk t i onen
I m Vergleich zu den st ckweise linearen haben differenzierbare Zugehrigkeit sfunkt ionen
den Vort eil, dass sie auch in Opt imierungsverfahren eingeset zt werden knnen, in denen
eine Gradient eninformat ion ( also die Ableit ung der Funkt ion) erforderlich ist .
Nachfolgende Tabelle zeigt hufig verwendet e Zugehrigkeit sfunkt ionen.
Gaufunkt ion
2
2
2
) (
M
) (
o

m u
e u

=
Mat lab Fuzzy Logic Toolbox: gaussmf

( fr o = 2 und m = 5)
Sigmuidfunkt ion
) (
M
1
1
) (
m u a
e
u

+
=
Mat lab Fuzzy Logic Toolbox: sigmf

( fr a = 2 und m = 4)
Verallgemeinert e Glockenkurve
b
a
m u
u
2
M
1
1
) (

+
=
Mat lab Fuzzy Logic Toolbox: gbellmf

( fr a = 2, b = 4 und m = 6)
2.3.3 Ei genschaf t en von Zugehr i gk ei t sf unk t i onen
Nachfolgend sollen einige Definit ionen fr die Charakt erisierung von Zugehrigkeit sfunkt io-
nen eingefhrt werden.
Tr ger
Der Bereich einer Zugehrigkeit sfunkt ion
M
(u), fr den
M
(u) > 0
gilt , wird als Trger bezeichnet ( siehe nebenst ehendes Bild) .
Ker n
Der Bereich einer Zugehrigkeit sfunkt ion
M
(u), fr den
M
(u) = 1
gilt , wird als Kern bezeichnet ( siehe nebenst ehendes Bild) .
u

M
( u)
1
Kern
Trger
Vorlesung Fuzzy Cont rol Seit e 2- 12
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Nor mal i si er t e Zugehr i gk ei t sf unk t i on
Eine normalisiert e Zugehrigkeit sfunkt ion ist so skaliert , dass ihr maximaler Wert eins ist :
Mit ] 1 , 0 [ ) (
M
e u exist iert ein u mit 1 ) (
M
= u .
Konvex e Zugehr i gk ei t sf unk t i on
Die Zugehrigkeit sgrade st eigen monot on bis zum Maximum an und
fallen dann wieder monot on ab ( siehe Bild) :
Mit ] 1 , 0 [ ) (
M
e u und
c b a
u u u < < gilt ( ) ) ( ) , ( min ) (
M M M c a b
u u u > .
2.4 Fuzzy- I nt er val l en und - Zahl en
Fuzzy- I nt er val l
Die Darst ellung eines unscharfen I nt ervalls zeichnet sich durch einen Wert ebereich aus, in
dem der Zugehrigkeit sgrad gleich eins ist :
Die Zugehrigkeit sfunkt ion ] 1 , 0 [ ) (
M
e u ist normalisiert und konvex;
mit
b a
u u < und ] , [
b a
u u u e gilt 1 ) (
M
= u .
Ein Sonderfall ist das scharfe I nt ervall ( crisp ) mit } 1 , 0 { ) (
M
e u , das auch als Recht eck-
funkt ion bezeichnet wird ( siehe Tabelle unt en) .
Fuzzy- Zahl
Bei einer Fuzzy- Zahl nimmt die Zugehrigkeit sfunkt ion genau in einem Punkt den Wert 1 an:
Die Zugehrigkeit sfunkt ion ] 1 , 0 [ ) (
M
e u ist normalisiert und konvex;
es exist iert ein Punkt
0
u , fr den gilt 1 ) (
0 M
= = u u .
Ein Sonderfall ist die scharfe Zahldarst ellung ( crisp ) mit } 1 , 0 { ) (
M
e u . Die Zugehrig-
keit sfunkt ion nimmt nur fr u = u
0
den Wert 1 an, sie wird als Singlet on- Funkt ion bezeich-
net ( siehe Tabelle unt en) .
unscharf ( fuzzy ) scharf ( crisp )
I
n
t
e
r
v
a
l
l


Z
a
h
l


u

M
(u)
1
u

M
(u)
1
u

M
(u)
1
u

M
(u)
1
u u
a
u
c
u
b
( u
a
)
( u
c
)
( u
b
)
Recht eckfunkt ion
Singlet on- Funkt ion
Trapezfunkt ion
Dreiecksfunkt ion
Vorlesung Fuzzy Cont rol Seit e 2- 13
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik

Rechenr egel n
Der Gedanke liegt nahe, fr die zuvor eingefhrt en Fuzzy- I nt ervalle und - Zahlen arit hmet i-
sche Operat oren einzufhren. Man geht dazu hnlich wie bei der Ent wicklung der logischen
Operat oren vor: Auch die arit hmet ischen Operat oren sollen crispe Zahlen in der gewohn-
t en Weise mit einander verknpfen und darber hinaus auf die Fuzzy- Darst ellung erweit er-
bar sein.
Von Zadeh wurde das Erweit erungsprinzip fr Fuzzy- Darst ellungen ent wickelt , das diese
Forderung erfllt :
Seien ) (
A
u und ) (
B
v zwei Fuzzy- I nt ervalle oder - Zahlen und die Funkt ion ( ) B A f C , =
definiere die arit hmet ische Operat ion. Die erweit ert e Fuzzy- Operat ion ist dann
( )
( ) | | ) ( ) , ( min sup ) (
,
v u w
B A
v u f w
C

=
=
bzw. 0 ) ( = w
C
fr Wert e w, die auerhalb des Ergebnisbereichs von f liegen.
Fr einen speziellen Funkt ionswert w liefert die Funkt ion w = f( u,v) eine Verknpfung zwi-
schen u und v, so dass z.B. daraus v( u) best immt und ( ) ) ) ( ( ) , ( min u v u
B A
als Funkt ion
von u berechnet werden kann. Das Supremum ( Maximum der Menge ber u) dieser Funk-
t ion in u ist der gesucht e Zugehrigkeit sgrad
C
im Punkt w.
Nachfolgende Tabelle st ellt die Fuzzy- Operat oren fr die vier Grundrechenart en zusam-
men.

Addit ion
( ) | |
( ) | | ) ( ) , ( min sup
) ( ) , ( min sup ) (
u w u
v u w
B A
u
B A
v u w
C
=
=
+ =



Subt rakt ion
( ) | |
( ) | | ) ( ) , ( min sup
) ( ) , ( min sup ) (
w u u
v u w
B A
u
B A
v u w
C
=
=
=



Mult iplikat ion
( ) | |
( ) | | ) / ( ) , ( min sup
) ( ) , ( min sup ) (
u w u
v u w
B A
u
B A
v u w
C


=
=
=

Division
( ) | |
( ) | | ) / ( ) , ( min sup
) ( ) , ( min sup ) (
/
w u u
v u w
B A
u
B A
v u w
C


=
=
=



Vorlesung Fuzzy Cont rol Seit e 2- 14
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Bei spi el zur Fuzzy- Ar i t hmet i k
Es werden eine Fuzzy- Zahl ungefhr 2 ( Trapezfunkt ion mit den Paramet ern [ 1, 2, 2, 3] )
sowie ein Fuzzy- I nt ervall ungefhr 3 bis 4 ( Trapezfunkt ion mit den Paramet ern [ 2, 3, 4, 5] )
mit einander verknpft . Nachfolgende Graphiken zeigen j eweils die beiden Operanden ( ge-
st richelt ) und das Ergebnis fr die vier Grundrechenart en.



- Whrend die Addit ion und Subt rakt ion st ckweise linearer Zugehrigkeit sfunkt ionen
wieder st ckweise lineare Funkt ionen ergibt , fhren Mult iplikat ion und Division auf
gekrmmt e Linienverlufe, die evt l. durch Geraden angenhert werden knnen.
- Bei einer Verket t ung von Operat oren ist hufig eine st arke Aufweit ung des Trgers
der Zugehrigkeit sfunkt ion zu beobacht en. Dieses schwcht die I nt erpret at ion des
Ergebnisses ab.

0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
u

(
u
)
- 5 0 5
0
0.2
0.4
0.6
0.8
1
u

(
u
)
0 5 10 15
0
0.2
0.4
0.6
0.8
1
u

(
u
)
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
u

(
u
)
Addi t i on Subt r ak t i on
Mul t i pl i k at i on Di v i si on
Vorlesung Fuzzy Cont rol Seit e 2- 15
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
2.5 Fuzzy- Syst eme
Mit Hilfe eines Fuzzy- Syst ems ( auch als Fuzzy- I nferenz- Syst em ( FI S) bezeichnet ) soll ein
st at ischer, nicht linearer Funkt ionszusammenhang ) ( f u y = wiedergegeben werden. Am
Eingang sind m Eingangssignale zu einem Eingangsvekt or u = [ u
1
, u
2
, u
m
]
T
zusammen-
gefasst .


Um die folgenden Bet racht ungen einfach zu halt en, wird vorausgeset zt , dass der Ausgang
y des Fuzzy- Syst ems eine skalare Gre ist . Werden fr eine Aufgabe mehrere Ausgnge
bent igt , mssen mehrere solcher Fuzzy- Syst eme parallel geschalt et werden, die dann
j eweils einen Ausgang best immen und alle mit dem gleichen Eingangsvekt or u versorgt
werden.
Solche Fuzzy- Syst eme sollen im Weit eren fr verschiedene Aufgaben eingeset zt werden:
- Die Ent wicklung eines Modells, das einen Ausschnit t eines realen Prozesses mg-
lichst gut beschreibt , ist das Ziel der Modellbildung ( Kapit el 3) .
- Ein Fuzzy- Syst em, das Handlungswissen besit zt , um einen Prozess zu regeln, wird
als Fuzzy- Regler ( oder Fuzzy Cont roller) bezeichnet ( Kapit el 4) .
- Fuzzy- Syst eme knnen eine Klassifikat ion des durch den Eingangsvekt ors u be-
schriebenen Eingangsraum durchfhren ( Kapit el 5) . Dies wird z. B. fr die Diagnose
t echnischer Syst eme eingeset zt ( Kapit el 6) .

2.5.1 Gesamt st r uk t ur
Die Besonderheit einer Funkt ionsbeschreibung durch ein Fuzzy- Syst em liegt in der regelba-
siert en Darst ellung des Ein- Ausgangsverhalt ens. Zusammen mit einer sprachlichen I nt er-
pret at ion der im Syst em eingeset zt en Fuzzy- Mengen kann man eine t ransparent e und an-
schaulich diskut ierbare Darst ellung der Kausalit t en zwischen Ein- und Ausgang erwart en.
Um reelle Funkt ionseingnge u in eine Fuzzy- Darst ellung umzuwandeln bzw. aus einer
Fuzzy- Darst ellung einen reellen Ausgangswert y zu erhalt en, mssen Schnit t st ellen einge-
fhrt werden, die als Fuzzifizierung bzw. Defuzzifizierung bezeichnet werden ( siehe umsei-
t iges Bild) .
Dazwischen muss der Zusammenhang zwischen Ein- und Ausgangsgren definiert wer-
den. Dies geschieht ausschlielich in einer fuzzy Darst ellung und wird als I nferenz bezeich-
net . Das I nferenzsyst em best eht aus der Regelbasis mit insgesamt r Regeln sowie der Ag-
gregat ion, welche die Vereinigungsmenge aller Regelausgnge durch eine Oder-
Verknpfung bildet ( siehe umseit iges Bild) .
y = f( u
1
, u
2
, , u
m
)
u
1
u
2
u
m

y
^
^
Vorlesung Fuzzy Cont rol Seit e 2- 16
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik

Nachfolgend wird die Umset zung der 3 St ufen eines Fuzzy- Syst ems im Einzelnen erlut ert .
2.5.2 Fuzzi f i zi er ung
Die St ufe der Fuzzifizierung ist durch die Zugehrigkeit sfunkt ionen der Eingnge definiert .
Zu j edem Eingang u
i
mit i = 1, , m knnen dabei mehrere Zugehrigkeit sfunkt ionen
) , ( ) , (
) 2 ( ) 1 (
i i i i
u u
definiert werden. I n der Regel whlt man die Zugehrigkeit sfunkt ionen fr j eden Eingang i
so, dass die Summe aller Zugehrigkeit en fr einen beliebeigen Eingangswert u
i
gleich Eins
ist :
1 ) (
) (
=

k
i
k
i
u fr beliebiges u
i
und alle Eingnge i = 1, , m
Nachfolgendes Bild zeigt ein Beispiel mit 5 st ckweise linearen Zugehrigkeit sfunkt ionen.
Die Funkt ionen knnen j eweils benannt werden, z.B.
) 1 (
i
= st ark negat iv , et c.

u
1
u
2

Fuzzifizierung I nferenz Defuzzifizierung


fuzzy Wert e reelle Wert e reelle Wert e
Eingangsgren Ausgangsgren
Zfunkt ionen
fr u
1
Zfunkt ionen
fr u
2
Zfunkt ionen
fr u
m
u
m
y
Regel 1
Regel 2
Regel r

Oder
Regelbasis Aggregat ion

Zfunkt ionen
fr y

I nf
( y)

Regel1

Regel2

Regel r

1
( 1)

1
( 2)

m
( 1)

m
( 2)
^
^
u
i
( u
i
)
1

i
( 1)
( u
i
)

i
( 3)
( u
i
)

i
( 5)
( u
i
)
i
( 4)
( u
i
)
i
( 2)
( u
i
)
Vorlesung Fuzzy Cont rol Seit e 2- 17
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
2.5.3 I nf er enz
Den Kern eines Fuzzy- Syst ems bildet die Regelbasis. Sie best eht aus j = 1, , r Regeln, in
denen der kausale Zusammenhang zwischen Ein- und Ausgangsgren definiert wird.
- Jede Regel j speichert einen Kausalzusammenhang in Form einer Wenn- Dann-
Aussage
WENN Prmisse j DANN Konklusion j ,
die auch als logische I mplikat ion ( P
j
K
j
) formuliert werden kann ( siehe Seit e 2- 9) .
- Die Prmisse best eht aus einer logischen Verknpfung der Zugehrigkeit sgrade der
Eingangsgren.
- I n der Konklusion st eht eine der Zugehrigkeit sfunkt ion fr den Ausgang y. Auf die-
se Weise kann die in der j eweiligen Regel gewnscht e Akt ion fr y definiert werden.
I n der Regelbasis kann auf diese Weise das Wissen ber das Ein- Ausgangsverhalt en ge-
speichert werden; es ist unabhngig von akt uell anliegenden Eingangsvekt oren.
Liegt ein konkret er Eingangsvekt or u an, soll j ede Regel j in dem Mae akt iv werden, in
dem ihre Prmisse erfllt ist . I n der klassischen Logik wird diese Schlussregel als Modus
Ponens bezeichnet . Der logische Wert der Regel ist also:
( ) ) ( Regel
j j j
K P P j . =

Mit den Geset zen der klassischen Logik lsst sich dieser Ausdruck umformen:
( ) ( ) ( )
j j j j j j j j j j j j
K P K P P P K P P K P P j . =
|
|
|
.
|

\
|
. v . = v . = . =
=
) ( ) ( ) ( ) ( Regel
0 Logik klass. nur


D.h. nach klassischer Logik geschieht die Auswert ung der Regel j durch eine Und-
Verknpfung der Prmisse mit der Konklusion. Auch in der Fuzzy- Logik wird diese Form der
Regelauswert ung sehr hufig verwendet sie st ellt aber eine Nherung dar!
Dazu knnen die bekannt en Met hoden zur Berechnung der Und- Verknpfung angewendet
werden, wie z.B. das Minimum oder das Produkt :
( ) ) ( , min ) (
Regel
y y
Kj Pj j
= bzw. ( ) ) ( ) (
Regel
y y
Kj Pj j
=
Nachst ehendes Bild zeigt ein Beispiel: Das Minimum schneidet die Zugehrigkeit sfunkt ion

Kj
( y) des Ausgangs auf der Hhe des Erfllt heit sgrades
p
der Prmisse ab, whrend das
Produkt die Zugehrigkeit sfunkt ion im Ganzen um
p
skaliert .

y

Kj
( y)
1

p
y

Regelj
( y)
1

p
Regelauswert ung
Mi ni mum
Produkt
Vorlesung Fuzzy Cont rol Seit e 2- 18
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Um aus den Ergebnissen aller Regeln j = 1, , r eine einzige Handlungsanweisung fr die
Ausgangsgre zu erhalt en, wird die Vereinigungsmenge
) ( ) (
Regel . . . Regel2 Regel1 I nf
y y
r v v v
=

gebildet , was als Aggregat ion der Regeln bezeichnet wird. Auch hier knnen wiederum ver-
schiedene Definit ionen der Oder- Verknpfung verwendet werden.
Wird beispielsweise die Regelauswert ung mit dem Minimum- und die Aggregat ion mit dem
Maximum- Operat or durchgefhrt , spricht man von einer Min- Max- I nferenz.
Nachfolgendes Bild zeigt eine Aggregat ion mit Hilfe des Maximums:

2.5.4 Def uzzi f i zi er ung
Am Ausgang der I nferenz- St ufe liegt mit ) (
I nf
y eine Fuzzy- Darst ellung der Ausgangsgr-
e vor. Zur Rckwandlung in einen reellen Wert ist der let zt e Schrit t einer Defuzzifizierung
unumgnglich. Um einen reellen Ausgangswert y

aus ) (
I nf
y zu gewinnen, wird meist die
Schwerpunkt met hode ( Cent er of Gravit y CoG) verwendet . Dabei wird der Schwerpunkt
der Zugehrigkeit sfunkt ion ) (
I nf
y ent lang der y- Achse nach
}
}



=
dy y
dy y y
y
) (
) (

I nf
I nf


berechnet .
( Bei der Best immung eines physikalischen Masseschwerpunkt es wird brigens das I nt egral
ber das gesamt e Krpervolumen ausgefhrt ; st at t des Zugehrigkeit sgrades wird die
Dicht e verwendet .)
Alt ernat iv kann die Maximum- Met hode zur Defuzzifizierung angewendet werden: Dabei
wird der Funkt ionswert y ausgegeben, der zum maximalen Zugehrigkeit sgrad gehrt .
Diese Met hode hat den Nacht eil, dass sie bei
mehreren Maxima ( z.B. bei einem Plat eau )
nicht eindeut ig ist .
Das kann dadurch gelst werden, dass der
Mit t elwert der Maxima ( Mean of Maxima
MoM) als Ausgangswert y verwendet wird.
Die Grafik vergleicht die Met hoden CoG und
MoM an einem Beispiel.
y

Regel2
( y)
Regel3
( y)

Regel1
( y)
Aggregat ion
y

I nf
( y)
y

I nf
( y)
1 2 3 4 5 6
y
CoG
= 8/ 3 y
MoM
= 2
^ ^
1
0,5
Vorlesung Fuzzy Cont rol Seit e 2- 19
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
2.5.5 Mamdani - Fuzzy- Syst eme
Beschrnkt man sich bei der Wahl der Zugehrigkeit sfunkt ionen fr den Ausgang aus-
schlielich auf Singlet on- Funkt ionen, erhlt man als Sonderfall ein Mamdani- Fuzzy- Syst em.
Es zeichnet sich dadurch aus, dass fr die Auswert ung der Schwerpunkt met hode keine
Berechnung von I nt egralen erforderlich ist , so dass es auch auf kleinen Hardware-
Plat t formen unt er Echt zeit - Bedingungen verwendet werden kann.
Da durch eine Singlet on- Zugehrigkeit sfunkt ion eine Zahl beschrieben wird ( Seit e 2- 12) ,
kann man die Regel dann auch als
WENN Prmisse j DANN
j
y y =
schreiben.
I n diesem Sonderfall hat die Zugehrigkeit sfunkt ion ) (
I nf
y am Ende der I nferenz- St ufe
die Form eines Kamms, wobei die Zhne durch die Singlet on- Funkt ionen der Regel-
Konklusionen erzeugt werden. Die Hhe der Zhne ( zwischen 0 und 1) durch die Erfllung
der Prmissen best immt wird ( Beispiel siehe umseit iges Bild) .

Fr Mamdani- Fuzzy- Syst eme lassen sich die Schrit t e der I nferenz und der Defuzzifizierung
zusammenfassen. Es gilt dann fr die reelle Ausgangsgre:

=
=

=
r
j
Pj
r
j
j Pj
y
y
1
1


Darin ist y
j
die Posit ion des Singlet ons der Konklusion aus Regel j . Diese Beziehung lsst
sich numerisch sehr schnell auswert en.
( Hinweis: Die Begriffe in der Fuzzy Logic Toolbox von Mat lab knnen zu Verwirrung fhren.
Dort werden Mamdani- Fuzzy- Syst eme als Sugeno- Fuzzy- Syst eme mit der Opt ion
const ant bezeichnet ! )
2.5.6 Sugeno- Fuzzy- Syst eme
Ein weit erer Sonderfall sind die Sugeno- Fuzzy- Syst eme. I hre Konklusion lsst sich nicht
mehr durch Zugehrigkeit sfunkt ionen beschreiben. I n der Konklusion wird der Ausgangs-
wert als eine Linearkombinat ion der Eingnge u definiert :
WENN Prmisse j DANN
m m j j j j
u y u y u y y y
, 2 2 1 1 0
+ + + + =
y

I nf
( y)
1
Regel 3
Regel 1
Regel 5
Regel 2
y
3
y
1
y
5
y
2
y
4
Vorlesung Fuzzy Cont rol Seit e 2- 20
Prof. Dr.- I ng. Ch. Ament 2. Grundlagen der Fuzzy- Mengen und Fuzzy- Logik

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Dieser Ansat z ist vort eilhaft fr eine genaue Approximat ion von Funkt ionen, und wir wer-
den ihn dazu in Kapit el 3 nut zen. Allerdings geht dies zu Last en der I nt erpret ierbarkeit der
Fuzzy- Regeln!
Analog zum Mamdani- Fuzzy- Syst em kann I nferenz und Defuzzifizierung auch hier zusam-
men ausgewert et werden:
( )

=
=
+ + +
=
r
j
Pj
r
j
m m j j j Pj
u y u y y
y
1
1
, 1 1 0




( Hinweis: I n der Fuzzy Logic Toolbox von Mat lab werden Sugeno- Fuzzy- Syst eme mit der
Opt ion linear charakt erisiert .)
Vorlesung Fuzzy Cont rol Seit e 3- 1
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
3 Model l bi l dung
3.1 Model l bi l dung auf Basi s von Ex per t enw i ssen
Die Vorgehensweise veranschaulicht das folgernde Blockschalt bild:

Durch die Beobacht ung des realen Syst ems oder aufgrund von Erfahrungswissen besit zt
ein Expert e ein gedankliches Modell des zu modellierenden Prozesses.
Der Expert e definiert auf Basis seines Prozesswissens
o geeignet e linguist ische Begriffe
( Fuzzy- Mengen der Eingnge bzw. des Ausgangs sowie deren Zugehrigkeit s-
funkt ionen zur Fuzzifizierung und Defuzzifizierung) ,
o Fuzzy- Regeln
( verbinden die linguist ischen Begriffe der Eingnge in den Regel- Prmissen mit
denen des Ausgangs in den Regel- Konklusionen) .
Die Modellbildung t echnischer Prozesse ist hufig aufwndig und kost enint ensiv. Werden
keine hohen Anforderungen an die Genauigkeit des Modells gest ellt , kann die int uit ive Mo-
dellbildung eines Fuzzy- Syst em eine effekt ive und oft ausreichende Lsung darst ellen. Die
dem Modell zugrunde liegenden Regeln knnen auch gut mit anderen Expert en diskut iert
werden.
Eine int uit ive Modellierung gelingt eher fr berschaubare Syst eme mit 1 bis maximal 3
Eingngen. Bei Syst emen mit mehr Eingngen wchst die Zahl der mglichen Kombinat io-
nen der Eingangswert e st ark an, so dass es auch fr einen Expert en schwierig wird, die
bersicht zu behalt en.
Manches Expert enwissen liegt auch nicht explizit in Form von Regeln vor, so dass die For-
mulierung in Regeln Schwierigkeit en bereit et . Ein Beispiel: Sie knnen Radfahren, sind also
ein Expert e fr diesen Prozess. Dennoch knnen Sie kaum explizit zu formulieren, wie Sie
sich in einem speziellen Fahrzust and verhalt en!
r eales Syst em
Modell:
Fuzzy- Syst em
u y
y
^
u
^
Beobacht ung
Definit ion von linguist ischen
Begriffen und Fuzzy- Regeln
Expert enwissen
( gedankliches Modell)
Vorlesung Fuzzy Cont rol Seit e 3- 2
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Bei spi el : Fuzzy- Model l zur Ber echnung ei nes Tr i nk gel des
aus: Fuzzy Logic Toolbox fr Mat lab, Users Guide
Es soll ein Fuzzy- Syst em ent worfen werden, dass in Kennt nis der Essens- und Servicequali-
t t bei einem Rest aurant besuch die Hhe des Trinkgelds vorschlgt . Wenn Sie nach einem
Rest aurant besuch Trinkgeld geben, verwenden Sie dazu offenbar int uit iv gewisse Regeln
( die z.B. von Land zu Land unt erschiedlich sein knnen) . Dieses Expert enwissen soll Ba-
sis fr ein Fuzzy- Modell sein.
- Das Fuzzy- Syst em soll zwei Eingnge, drei Regeln und einen Ausgang besit zen.

- Die Mat lab Fuzzy Logic Toolbox st ellt mit dem Befehl fuzzy eine Bedienoberflche
zur Verfgung, mit deren Hilfe ein Fuzzy- Syst em schrit t weise definiert werden kann.
- Haupt fenst er: Definit ion der Ein- und Ausgangsgren, der Operat oren fr die logi-
schen Operat oren und der Defuzzifizierungsmet hode:


( aus:
Fuzzy Logic
Toolbox,
Users Guide)
Vorlesung Fuzzy Cont rol Seit e 3- 3
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
- Definit ion der Zugehrigkeit sfunkt ionen ( Trapezfunkt ionen) fr den erst en Eingang:


- Analoge Definit ion der Zugehrigkeit sfunkt ionen fr den zweit en Eingang:

Vorlesung Fuzzy Cont rol Seit e 3- 4
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
- Definit ion der Zugehrigkeit sfunkt ionen des Ausgangs ( Singlet on- Funkt ionen wer-
den durch Recht eckfunkt ionen angenhert ) :


- Definit ion der Regelbasis:


- Damit ist das Fuzzy- Syst em vollst ndig beschrieben.

Vorlesung Fuzzy Cont rol Seit e 3- 5
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
- Das Fuzzy- Syst em kann auf eine Variable im Mat lab Workspace zugewiesen wer-
den. Verwenden Sie dazu das Men: File , Export , t o Workspace . I m Mat lab
Command Window kann das Fuzzy- Syst em dann z.B. mit der Funkt ion evalfis
ausgewert et werden. Wurde das Fuzzy- Syst em auf die Variable Trinkgeld expor-
t iert , so erhlt man folgendes Ergebnis:

Tip = evalfis([8,6],Trinkgeld)

Tip =
12.5000

- Die durch das Fuzzy- Syst em definiert e, nicht lineare Funkt ion zwischen den beiden
Eingngen und dem Ausgang kann grafisch dargest ellt werden. Verwenden Sie dazu
das Men: View , Surface :



Vorlesung Fuzzy Cont rol Seit e 3- 6
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
3.2 Model l bi l dung auf Basi s von Messdat en
Die allgemeine Vorgehensweise zeigt das folgende Blockschalt bild:


- Ausgangspunkt : Das reale Syst em ist unbekannt , es st ehen aber Messdat en des
Syst emeingangs u( k) sowie der zugehrigen Syst emant wort y( k) zu diskret en Zeit -
punkt en k = 1, , N zur Verfgung.
- Es ist die klassische Aufgabe einer Modellbildung fr das Syst em zu lsen. Als Mo-
dellansat z soll hier im Speziellen ein Fuzzy- Syst em verwendet werden. Diese Wahl
ist dann sinnvoll, wenn keine physikalischen Geset zmigkeit en bekannt sind ( z.B.
weil es sich um sehr komplexe Prozesse oder um nicht - t echnische Prozesse han-
delt ) und eine regelbasiert e Darst ellung des Modells gewnscht ist .
- Welches Modell beschreibt das reale Syst em am best en?
Die quant it at ive Ant wort dieser Frage bedarf zweier Schrit t e ( vgl. Blockschalt bild) :
o Ein Ausgangsfehler ) ( ) ( ) ( k y k y k e = wird best immt .
o Dieser Fehler wird durch ein Gt ema J bewert et . I n der Gest alt ung dieser
Bewert ung ist man im Prinzip frei. Sehr hufig wird ein quadrat isches Feh-
lerma verwendet und dieses ber die Messzeit punkt e k = 1, , N aufsum-
miert :
e e k e J
N
k
T

=
= =
1
2
) ( mit | |
T
N e e e ) ( ) 1 ( =
Je kleiner das Gt ema ist , dest o besser ent spricht das Modell also dem realen Sys-
t em.
- Ein Opt imierungsverfahren ( = Scht zverfahren) kann verwendet werden, um die
Gt efunkt ion J( p) in Abhngigkeit von den Modellparamet ern p aut omat isch zu mi-
nimieren. Dabei ist zu unt erscheiden, ob die Paramet er p linear in den Modellaus-
gang y eingehen, so dass eine geschlossene Lsung der Opt imierungsaufgabe
mglich ist ( siehe Abschnit t 3.2.1) , oder andernfalls nicht lineare Verfahren erforder-
lich sind ( siehe Abschnit t 3.2.2) .
reales Syst em
Modell:
Fuzzy- Syst em
u
Scht z-
verfahr en
Bewert ung
y
e
J
p
y
^
Vorlesung Fuzzy Cont rol Seit e 3- 7
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Spezi el l e Fest l egungen f r das Fuzzy- Syst em
Um die nachfolgende Ent wicklung von Opt imierungsverfahren fr die Fuzzy- Modellbildung
zu vereinfachen, werden einige spezielle Fest legungen fr das Fuzzy- Syst em get roffen:
1. Es werden alle mglichen Kombinat ionen zwischen den Zugehrigkeit sfunkt ionen
der Eingangssignale gebildet . Fr j ede dieser Kombinat ionen wird eine eigene Re-
gel aufgest ellt , in deren Prmisse die ent sprechenden Zugehrigkeit sgrade und-
verknpft werden. Besit zt ein Syst em z. B. 2 Eingnge, die einmal mit 3 und ein-
mal mit 2 Zugehrigkeit sfunkt ionen fuzzifiziert werden, so gibt es 6 2 3 = mgli-
che Kombinat ionen und ebenso viele Regeln.
2. Es werden nur Mamdani- und Sugeno- Fuzzy- Syst eme zugelassen ( siehe Abschnit t e
2.5.5. und 2.5.6) .
3. Das Fuzzy- Syst em soll insgesamt eine differenzierbare Funkt ion darst ellen. Daher
werden
a. nur differenzierbare Zugehrigkeit sfunkt ionen fr die Fuzzifizierung zugelas-
sen ( also z.B. keine st ckweise linearen Funkt ionen) ,
b. die Und- Verknpfungen durch die Mult iplikat ion ( Met hode 2) realisiert und
c. fr die Regelauswert ungen ebenfalls Mult iplikat ionen ( Met hode 2) verwen-
det .
Wie ein solches Fuzzy- Syst em aussehen kann, soll am Beispiel eines Modells zur Trinkgeld-
Berechnung ( vgl. Abschnit t 3.1) gezeigt werden. Fr die Fuzzifizierung des Eingangs u
1

werden 3, fr Eingang u
2
werden 2 Gaufunkt ionen verwendet :
2
1
2 ) (
1 0 1
2
) (
1
) (
1
) (
o

i
u u
i
e u

= mit 8 , 5 , 2
) 3 (
1 0
) 2 (
1 0
) 1 (
1 0
= = = u u u und 5 , 1
1
= o
2
2
2 ) (
2 0 2
2
) (
2
) (
2
) (
o

i
u u
i
e u

= mit 8 , 2
) 2 (
02
) 1 (
2 0
= = u u und 3
2
= o

Es sind nun 6 Kombinat ionen mglich, um Zugehrigkeit sgrade fr die Regelprmissen zu
berechnen. Dazu wird die Mult iplikat ion verwendet ( Fest legung 3b) :
0 1 2 3 4 5 6 7 8 9 10
0
0.2
0.4
0.6
0.8
1
1.2
1.4
u
1
( Qualit t des Service)

0 1 2 3 4 5 6 7 8 9 10
0
0.2
0.4
0.6
0.8
1
1.2
1.4
u
2
( Qualit t des Essens)

1
( 1)

1
( 2)

1
( 3)

2
( 1)

2
( 2)
Vorlesung Fuzzy Cont rol Seit e 3- 8
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
) ( ) ( ) (
2
) 1 (
2 1
) 1 (
1 1
u u u
P
= ; ) ( ) ( ) (
2
) 1 (
2 1
) 2 (
1 2
u u u
P
= ; ) ( ) ( ) (
2
) 1 (
2 1
) 3 (
1 3
u u u
P
=
) ( ) ( ) (
2
) 2 (
2 1
) 1 (
1 4
u u u
P
= ; ) ( ) ( ) (
2
) 2 (
2
1
) 2 (
1 5
u u u
P
= ; ) ( ) ( ) (
2
) 2 (
2
1
) 3 (
1 6
u u u
P
=
Damit deckt j ede Prmisse einen lokalen Bereich des Eingangsraumes ab. I n nachfolgender
Plot ist die Superposit ion alle Prmissen ber dem Eingangsraum dargest ellt ( darin ist o =
0,5 bewusst zu klein gewhlt , um eine bessere Darst ellung zu erreichen) .

Ent sprechend knnen nun 6 Regeln formuliert werden. Es wird ein Mamdani- Fuzzy- Syst em
verwendet :
WENN Pr.1 DANN % 0 = y ; WENN Pr.2 DANN % 0 = y ; WENN Pr.3 DANN % 5 = y ;
WENN Pr.4 DANN % 5 = y ; WENN Pr.5 DANN % 10 = y ; WENN Pr.6 DANN % 15 = y ;
Das Ausgangssignal be-
st immt sich aus ( vgl. Ab-
schnit t 2.5.5) :

=
=

=
r
j
Pj
r
j
j Pj
y u
u y
1
1
) (
) (


Gemeinsam mit denen
durch die Regeln gewhl-
t en y
j
ist das gesamt e
Fuzzy- Syst em definiert .
Nebenst ehender Plot zeigt
die so definiert e Gesamt -
funkt ion.

0
2
4
6
8
10
0
2
4
6
8
10
0
0.5
1
1.5
Service Essen
T
r
i
n
k
g
e
l
d

i
n

%
1
2
3
4
5
6
0
2
4
6
8
10
0
2
4
6
8
10
0
0.5
1
1.5
Service Essen
T
r
i
n
k
g
e
l
d

i
n

%
1
2
3
4
5
6
0
2
4
6
8
10
0
5
10
2
4
6
8
10
12
14
Service
Speisen
T
r
i
n
k
g
e
l
d
a
n
t
e
i
l

i
n

%
Vorlesung Fuzzy Cont rol Seit e 3- 9
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
3.2.1 Li near e Opt i mi er ung der Def uzzi f i zi er ung
Mamdani - Fuzzy- Syst eme
Beschrnken wir uns der bersicht lichkeit halber zunchst auf Mamdani- Fuzzy- Syst eme
( vgl. Fest legung 2) . Nach Abschnit t 2.5.5 gilt folgender Funkt ionszusammenhang zwischen
den Regelprmissen ) (u
Pj
am Ausgang der Fuzzifizierung und dem Ausgang ) ( u y des
Fuzzy- Syst ems bei mult iplikat iver Regelauswert ung ( Fest legung 3c) :

=
=

=
r
j
Pj
r
j
j Pj
y u
u y
1
1
) (
) (


Darin best immt y
j
die Lage der Singlet on- Zugehrigkeit sfunkt ion j in der Defuzzifizierung.
Da nach Fest legung 1 fr j ede mgliche Kombinat ion der Eingnge eine eigene Regel defi-
niert wurde, kann an dieser St elle fr j ede dieser Kombinat ion ein spezifischer Wert fr die
Defuzzifizierung verwendet werden. Ziel der Opt imierung des Fuzzy- Syst ems soll es daher
sein, die Paramet er y
j
opt imal zu best immen.
Durch die Einfhrung der Basisfunkt ion

=
=
r
i
Pi
Pj
j
u
u
1
) (
: ) (

| ,
die eine normiert e Zugehrigkeit sfunkt ion darst ellt , lsst sich dieser Funkt ionszusammen-
hang noch kompakt er schreiben und vekt oriell darst ellen:
| | p u m
p
y
y
u m
u u y u u y
T
r
T
r
r
j
j j
=
(
(
(

= =

=
) (
) (
) ( ) ( ) ( ) (
1
1
1


| | |
Darin wird deut lich, dass der Paramet ervekt or p mit zu opt imierenden Paramet ern linear in
den Ausgang y eingeht und es sich folglich um ein lineares Opt imierungsproblem handelt ,
das geschlossen gelst werden kann. Fasst man k = 1, , N aufeinander folgende Messun-
gen zusammen, lsst sich vekt oriell schreiben:
p M
N y
y
y =
(
(
(

=
) (
) 1 (
mit
(
(
(
(

=
) ) ( (
) ) 1 ( (
N u m
u m
M
T
T

Ebenso kann der Fehler zwischen Modellausgang und realem Syst emausgang fr alle Mes-
sungen vekt oriell geschrieben werden:
p M y y y e = = mit
(
(
(

=
) (
) 1 (
N y
y
y
Vorlesung Fuzzy Cont rol Seit e 3- 10
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Die opt imale Lsung fr p im Sinne der Minimierung des quadrat ischen Fehlers
) ( ) ( p M y p M y e e J
T T
= =
laut et :
( ) y M M M p
T T
=
1

I n der Regel sollt e die Anzahl N der Messungen deut lich ber der Zahl r der zu best immen-
den Paramet er liegen. Eine Lsung exist iert , falls ( ) M M
T
invert ierbar ist . Man bezeichnet
dann das Syst em als ident ifizierbar. I st dies nicht der Fall, wurden hufig nicht genug oder
zu gleichart ige Messungen durchgefhrt .
Bei spi el : Ex per i ment el l e Best i mmung der Hhe ei nes Tr i nk gel des
I m Unt erschied zum Beispiel aus Abschnit t 3.1 wird das Fuzzy- Syst em j et zt nicht durch
einen Expert en, sondern durch Messungen spezifiziert . Dazu knnt e die Hhe des gegebe-
nen Trinkgeldes bei mehreren Gst en gemessen und in Abhngigkeit zur Qualit t prot okol-
liert werden:
Gast 1 2 3 4
Qualit t des Service u
1
5 9 2 9
Qualit t des Essens u
2
8 5 3 9
Hhe des Trinkgelds 10 % 5 % 0 % 15 %
Fr die 4 konkret en Messungen werden die Basisfunkt ionen und daraus
(
(
(
(

=
9028 , 0 0322 , 0 0000 , 0 0627 , 0 0022 , 0 0000 , 0
0001 , 0 0249 , 0 1837 , 0 0002 , 0 0943 , 0 6968 , 0
4828 , 0 0172 , 0 0000 , 0 4828 , 0 0172 , 0 0000 , 0
0938 , 0 6932 , 0 0938 , 0 0127 , 0 0938 , 0 0127 , 0
M sowie
(
(
(
(

=
15
0
5
10
y
best immt . Die Lsung des linearen Opt imierungsproblems laut et :
( )
(
(
(
(
(
(
(
(

= =

6432 , 16
3052 , 12
0
7252 , 6
0
4382 , 0
1
y M M M p
T T

I m nebenst ehenden Plot sieht man,
dass die durch die Gst e vorgegebe-
nen Messpunkt e richt ig wiedergege-
ben werden. I n Bereichen ohne Mess-
wert e werden aber nicht sinnvolle
Regeln erzeugt ( z.B. negat ives Trink-
geld) . Es msst en noch mehr Mess-
wert e erhoben werden, um den ge-
0
2
4
6
8
10
0
5
10
-5
0
5
10
15
Service
Speisen
T
r
i
n
k
g
e
l
d
a
n
t
e
i
l

i
n

%
1
2
3
4
Vorlesung Fuzzy Cont rol Seit e 3- 11
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
samt en Eingangsraum mglichst gut abzudecken.
Vorlesung Fuzzy Cont rol Seit e 3- 12
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Sugeno- Fuzzy- Syst eme
Fr Sugeno- Fuzzy- Syst eme mit mult iplikat iver Regelauswert ung ( Fest legung 3c) gilt nach
Abschnit t 2.5.6:
( )

=
=
+ + +
=
r
j
Pj
r
j
m m j j j Pj
u y u y y u
u y
1
1
, 1 1 0
) (
) (



Dieses lsst sich vekt oriell schreiben:
( )
| |
| |



) (
) (
) ( ) ( ) ( ) ( ) ( ) (
) ( ) (
1 0 1 1 1 0 1
1 1 1 1 1
1
, 1 1 0
u p
y y y y y y
u m
u u u u u u u u u u
u y u y y u u y
T
m r r r m
T
m r r r m
r
j
m m j j j j

=
+ + + =

=
| | | | | |
|

Auch hier geht der Paramet ervekt or p linear in den Ausgang ein, so dass die Aufgabe auch
hier auf ein lineares Opt imierungsproblem zurckgefhrt ist .
Das Sugeno- Fuzzy- Syst em ermglicht in der Regel eine bessere Funkt ionsapproximat ion,
allerdings st eigt die Zahl der zu best immenden Paramet er. I m Beispiel der Trinkgeldbe-
rechnung gibt es m = 2 Eingnge. Pro Regel sind m+ 1 = 3 Paramet er zu best immen; d.h.
insgesamt sind es 18 st at t bisher 6 Paramet er.
3.2.2 Ni cht l i near e Opt i mi er ung der Fuzzi f i zi er ung
Ein einfaches Verfahren zur Lsung eines nicht linearen Opt imierungsproblems biet et die
Liniensuche. Beginnend bei einem St art wert p
( 0)
fr den Paramet ervekt or wird im Parame-
t erraum eine Abst iegsricht ung q gesucht , in deren Richt ung die Gt efunkt ion J( p) kleiner
wird. Mit der Schrit t weit e o laut et somit die I t erat ion:
q o =
+ ) ( ) 1 ( k k
p p
Eine mgliche Abst iegsricht ung ist der negat ive Gradient :
p
p J
c
c
=
) (
q
Sollen nun Paramet er der Zugehrigkeit sfunkt ionen in der Fuzzifizierung opt imiert werden,
liegt deren Wirkung also nahe dem Eingang des Fuzzy- Syst ems, whrend das Gt ema J
auf Basis des Ausgangsfehlers, also am Ausgang des Fuzzy- Syst ems, best immt wird. Der
Gradient muss also ber das Fuzzy- Syst em hinweg berechnet werden, was auch als Back
Propagat ion bezeichnet wird.
Die Berechnung kann mit Hilfe der Ket t enregel der Different iat ion schrit t weise durchge-
fhrt werden. Es muss daher vorausgeset zt werden, dass die Funkt ionen des Fuzzy-
Syst ems differenzierbar sind. Deshalb wurden die Fest legungen 3a bis 3c am Anfang des
Vorlesung Fuzzy Cont rol Seit e 3- 13
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Abschnit t es 3.2 get roffen. I n der folgenden Tabelle werden die Funkt ionszusammenhnge
des Fuzzy- Syst ems und die ent sprechenden Gradient en schrit t weise ( fr den Fall einer
Messung) zusammengest ellt ( vgl. auch Blockschalt bild auf Seit e 2- 16) :
Funkt ionszusammenhang Gradient
Gt ema:
2
e J =
e
e
J
2 =
c
c

Ausgangsfehler:
y y e =
1

=
c
c
y
e

Modellausgang:

=
=
r
j
j j
y y
1
|
j
j
y
y
=
c
c
|


Basisfunkt ion:

=
=
r
i
Pi
Pj
j
1

|
( )
Pj
j j
Pj
j

| |

|
=
c
c 1

( siehe Nebenrechnung 1)
Zugehrigkeit sgrad der Regelprmisse:
[
=
=
m
i
k
i Pj
1
) (

) ( ) ( k
i
Pj
k
i
Pj

=
c
c

( siehe Nebenrechnung 2)
Zugehrigkeit sgrad nach Fuzzifizierung:
) , (
) (
p u f
i
k
i
= p
p u f
p
i
k
i
c
c
=
c
c ) , (
) (


Nebenrechnung 1:
( )
Pj
j j
Pj
j
r
i
Pi
Pj
r
i
Pi
r
i
Pi
r
i
Pj Pi
r
i
Pi
r
i
Pj Pi
Pj
j

| |

|
=
(
(
(
(
(

=
|
|
.
|

\
|

=
c
c

= = =
=
=
=
1
1
1
1 1
1 1 1
1
2
1
1

Nebenrechnung 2:
| |
) (
) ( ) (
2
) (
1
) ( ) ( k
i
Pj
m
k
i
k
i
Pj

=
c
c
=
c
c


Damit gilt fr den gesamt en Gradient en:
( )
( )
p
p u f
y y y
p
p u f
y e
p
y
y
e
e
J
p
p J
i
k
i
j j
i
k
i
Pj
Pj
j j
j
k
i
k
i
Pj
Pj
j
j
c
c
=
c
c
=
c
c
c
c
c
c
c
c
c
c
c
c
=
c
c
) , (
1
1 ) ( 2
) , ( 1
) 1 ( 2

) (
) (
) (
) (
) (

| |

|
|

Vorlesung Fuzzy Cont rol Seit e 3- 14
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Darin ist der let zt e Term spezifisch fr die gewhlt e Zugehrigkeit sfunkt ion zu best immen.
Dies soll an zwei Zugehrigkeit sfunkt ionen ( nach Abschnit t 2.3.2) gezeigt werden.

Gauf unk t i on
Die Funkt ion ist definiert als
2
2
2
) (
i i
) (
o

m u
i
e u

=
Mit den zu opt imierenden Paramet ern | |
T
m p o = knnen die Gradient en best immt wer-
den:
( )
2
i
2
2
) (
i
) ( 1
2
2
) ( 2
2
o

o
m u
u
m u
e
m
u
i
i
i
m u
i
i

=
c
c


( ) ( )
3
2
i
3
2
2
) (
i
) (
2
2
) ( 2
2
o

o o

o
m u
u
m u
e
u
i
i
i
m u
i
i

=
|
|
.
|

\
|

=
c
c


Ver al l gemei ner t e Gl ock enf unk t i on
Die Funkt ion ist definiert als
b
i
b
i
i
a
m u
a
m u
u
(
(

|
.
|

\
|
+
=

+
=
2
2
i
1
1
1
1
) (
Mit den zu opt imierenden Paramet ern | |
T
b a m p = knnen die Gradient en best immt
werden:

m u
b
a
m u
u
m
u
i
b
i
i i
i

(
(

|
.
|

\
|
=
c
c
2
2 i
) ( 2
) (



a
b
a
m u
u
a
u
b
i
i i
i

(
(

|
.
|

\
|
=
c
c
2
2 i
) ( 2
) (


(
(

|
|
.
|

\
|

(
(

|
|
.
|

\
|
=
c
c
2 2
2 i
ln ) (
) (
a
m u
a
m u
u
b
u
i
b
i
i i
i



Vorlesung Fuzzy Cont rol Seit e 3- 15
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
3.2.3 ANFI S- Al gor i t hmus
Der ANFI S- Algorit hmus fhrt die lineare Opt imierung der Paramet er der Defuzzifizierung
( siehe Abschnit t 3.2.1) und die nicht lineare Opt imierung der Paramet er der Fuzzifizierung
( siehe Abschnit t 3.2.2) im Wechsel nacheinander aus, bis keine Verbesserung der Gt e J
mehr erreicht werden kann.
Der Algorit hmus wurde 1993 verffent licht ( J.-S.R. Jang: ANFI S: Adapt ive- Net work- Based
Fuzzy I nference Syst em, I EEE Transact ions on Syst em, Man and Cybernat ics 23, No. 3, pp.
665685)
Nachfolgendes Flussdiagramm fasst den Algorit hmus zusammen.

Der ANFI S- Algorit hmus st eht in der Fuzzy Logic Toolbox von Mat lab durch Befehle zur Ver-
fgung: Whrend anfis den Algorit hmus st art et , knnen Sie mit anfisedit eine Bedien-
oberflche zur int erakt iven Dat enerfassung und - auswert ung ffnen.
3.3 Model l bi l dung f r dynami sche Syst eme
Um den Ansat z darzust ellen, beschrnken wir uns auf zeit diskret e Syst eme. Ein lineares,
zeit diskret es Syst em mit der zugehrigen bert ragungsfunkt ion
n
n
m
m
z a z a z a
z b z b z b b
z U
z Y
z G


+ + + +
+ + + +
= =

2
2
1
1
2
2
1
1 0
1
) (
) (
) (
kann durch folgendes Blockschalt bild realisiert werden:

Anfangswer t e:
Zfunkt ionen der Fuzzifizier ung fest legen, z.B. als Git t er
Singlet ons der Defuzzifizierung beliebig fest legen
Lineare Opt imierung der Paramet er der Defuzzifizier ung
( Par amet er der Fuzzifizierung konst ant )
Nicht lineare Opt imierung der Paramet er der Fuzzifizierung
( Paramet er der Defuzzifizierung konst ant )
J verbessert ?
Ende
nein
j a
Vorlesung Fuzzy Cont rol Seit e 3- 16
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik


Der Verzgerungsoperat or z
1
speichert das Signal an seinem Eingang und gibt es eine
Abt ast periode spt er am Ausgang wieder aus. Wie das Bild zeigt , wird sowohl das Ein-
gangssignal in u( k) als auch das Ausgangssignal ) ( k y in einer Verzgerungsket t e zwi-
schengespeichert . Der Ausgang ) ( k y berechnet sich dann aus einer linearen Funkt ion die-
ser zeit verzgert en Ein- und Ausgangswert e.
Ein dynamisches Fuzzy- Syst em kann in analoger Weise aufgebaut werden, in dem die bis-
herige lineare Funkt ion durch ein ( st at isches) Fuzzy- Syst em erset zt wird:

Das Gedcht nis oder die Dynamik wird durch die beiden Verzgerungsket t en zur Verf-
gung gest ellt , das eigent liche Fuzzy- Syst em ist st at isch und ent spricht also vllig dem in
Abschnit t 2.5 eingefhrt en Syst em. Allerdings hat diese Erweit erung auch ihren Preis: Fr
j edes verzgert e Signal muss ein eigener Eingang fr das Fuzzy- Syst em vorgesehen wer-
den. Es sind insgesamt n+ m+ 1 Eingnge not wendig.
Die geeignet en Dimensionen n und m mssen aus Erfahrung oder experiment ell fest gelegt
werden. Z.B. kann n und m variiert und die zugehrige Gt e J ermit t elt werden. Man wird
best rebt sein n und m so klein wie mglich bei noch akzept abler Gt e J zu whlen.
b
0
z
- 1
b
1
b
m
z
- 1
a
n
a
n- 1
a
1
z
- 1
b
m- 1

z
- 1
z
- 1
z
- 1
lineare Funkt ion
y( k)
u( k)
^
Verzgerungsket t e
u( k- 1) u( k- m)
Verzgerungsket t e
y( k- 1)
y( k- n)
^
^
z
- 1
z
- 1
z
- 1

z
- 1
z
- 1
z
- 1
Fuzzy- Syst em
y( k)
u( k)
^
Verzgerungsket t e
u( k- 1) u( k- m)
Verzgerungsket t e
y( k- 1)
y( k- n)
^
^
Vorlesung Fuzzy Cont rol Seit e 3- 17
Prof. Dr.- I ng. Ch. Ament 3. Modellbildung mit Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Dynamische Fuzzy- Syst eme knnen in der gewohnt en Weise opt imiert werden ( z.B. mit
dem ANFI S- Algorit hmus aus Abschnit t 3.2.3) . Die dazu erforderlichen Dat enst ze halt en
die Ein- und Ausgangssignale in zeit verzgert er Weise.
Dies soll am Beispiel eines Syst em mit m
= 1 und n = 2 gezeigt werden. Neben-
st ehend ist das ent sprechende Block-
schalt bild dargest ellt , in dem die Ein-
gnge durchnummeriert sind. Anst elle
des Modellausgangs ) ( k y werden die
realen Messwert e y( k) verwendet . Die
Tabelle zeigt wie die Signale u( k) und
y( k) ent sprechend der Verzgerungsket -
t en zeit verzgert in den Dat ensat z ber-
nommen werden.




n+ m+ 1 = 4 Eingnge Ausgang
k u
1
( k) =
u( k)
u
2
( k) =
u( k- 1)

u
3
( k) =
y( k- 1)
u
4
( k) =
y( k- 2)
y( k)
2 u( 2) u( 1) y( 1) y( 0) y( 2)
3 u( 3) u( 2) y( 2) y( 1) y( 3)
4 u( 4) u( 3) y( 3) y( 2) y( 4)
5 u( 5) u( 4) y( 4) y( 3) y( 5)
6 u( 6) u( 5) y( 5) y( 4) y( 6)

z
- 1
z
- 1
z
- 1
Fuzzy- Syst em
y( k)
u( k)
^
u( k- 1)
y( k- 1)
y( k- 2)
^
^
1
2
4
3
Vorlesung Fuzzy Cont rol Seit e 4- 1
Prof. Dr.- I ng. Ch. Ament 4. Fuzzy- Regelungen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
4 Fuzzy- Regel ungen
Das Blockschalt bild zeigt die St rukt ur eines klassischen Regelkreises.

Die Aufgabe des Reglers ist es, eine St ellgre u in geeignet er Weise zu erzeugen,
- so dass das gesamt e Syst em st abil ist ,
- uere St rungen eine mglichst geringen Einfluss auf die Regelgre y haben
und
- die Regelgre y der Fhrungsgre w folgt .
Wie im Blockschalt bild gezeigt , wird dem Regler im klassischen Regelkreis die Regeldiffe-
renz e am Eingang zur Verfgung gest ellt .
Somit ist es das Ziel des Ent wurfs einer Fuzzy- Regelung, ein Fuzzy- Syst em zu ent wickeln,
das die Aufgabe des Reglers bernimmt . Es soll also z. B. bei gegebener Regeldifferenz e
eine geeignet e St ellgre u best immen.
Regl er ent w ur f dur ch Ex per t en
St eht ein Expert e zu Verfgung, der das Regler- Wissen besit zt , so kann er direkt eine
geeignet e Regelbasis formulieren. Dies ent spricht der Modellbildung auf Basis von Exper-
t enwissen aus Abschnit t 3.1, nur dass die Modellbildung sich j et zt auf die Aufgabe des
Reglers bezieht . Fr berschaubare Syst eme mit einfachen Anforderungen kann das ein
prakt ikabler und effizient er Weg zum Ent wurf eines Fuzzy- Reglers sein.
Regl er ent w ur f dur ch Model l bi l dung ei nes best ehenden Regl er s
I m eher selt enen Fall, dass bereit s ein gut funkt ionierender Regler vorhanden ist , der ledig-
lich durch ein Fuzzy- Syst em kopiert werden soll, kann dies auch als Aufgabe der Modellbil-
dung nach Abschnit t 3.2 aufgefasst werden. I m laufenden Bet rieb werden Messungen e
und u aufgezeichnet , die dann als Grundlage zum Training eines Fuzzy- Syst ems genut zt
werden. Das t rainiert e Fuzzy- Syst em kann danach die Aufgabe des Reglers bernehmen.
Es wird aber best enfalls das Verhalt en des vorherigen Reglers kopieren; eine Verbesserung
des Regelungsverhalt ens darf nicht erwart et werden.
Abgr enzung der Auf gaben von Model l bi l dung und Regel ung
Prinzipiell unt erscheidet sich die Aufgabe des Reglerent wurfs von der einer Modellbildung.
Bei der Modellbildung st eht fr den Syst emsausgang y fr immer eine direkt e Vergleichs-
gre y zum Training zur Verfgung ( Abschnit t 3.2) . Der Ausgang des Reglers ist die St ell-
gre u ( siehe obiges Blockschalt bild) , fr die es aber keine direkt e Referenz gibt . Die
St ellgre ist geeignet zu whlen, das Erfolg wird aber erst am Ausgang der St recke be-
St recke
u y
Regler
e w
Fhrungs-
gr e
Regel-
differ enz
St ell-
gr e
Regel-
gr e
Vorlesung Fuzzy Cont rol Seit e 4- 2
Prof. Dr.- I ng. Ch. Ament 4. Fuzzy- Regelungen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
wert et : Die Regelgre y soll der Fhrungsgre w ent sprechen. Diese mit t elbare Wirkung
des Reglers von seinem Ausgang u ber die St recke hinweg bis zur Erfolgsbewert ung am
Ausgang y der St recke macht es erforderlich, neue St rat egien zu ent wickeln. Einige Kon-
zept e werden in den folgenden Abschnit t en dieses Kapit els vorgest ellt .
4.1 St euer ung mi t i nver sem St r eck enmodel l
Um sich dem Ziel einer Regelung schrit t weise zu nhern, soll zunchst auf die Rckfhrung
der Regelgre y verzicht et werden. Ausgehend vom Blockschalt bild auf Seit e 4- 1 verbleibt
folgendes Syst em:

Damit die Regelgre y der Fhrungsgre w ent spricht , msst e das bert ragungsverhal-
t en der Ket t e aus Regler und St recke gleich Eins sein, d.h. der Regler msst e das zur St re-
cke inverse bert ragungsverhalt en besit zen.
Um ein Fuzzy- Syst em fr den Regler zu erhalt en, ist also ein inverses St reckenmodell zu
t rainieren. Dies kann erreicht werden, in dem man die Modellbildungsaufgabe ( Seit e 3- 6)
modifiziert :

Das zu t rainierende Fuzzy- Syst em liegt j et zt nicht mehr parallel zur St recke, sondern wird
der St recke nachgeschalt et . Verglichen werden dadurch die St ellgren u und u mit einan-
der, um den Fehler e zu berechnen. Aus Sicht des Fuzzy- Syst ems sind die Ein- und Aus-
gnge get auscht : Am Eingang liegt y, am Ausgang u an. Somit wird ein inverses St re-
ckenmodell t rainiert , das nach Abschluss des Trainings im Blockschalt bild darber als Reg-
ler eingeset zt werden kann.
Diese Vorgehensweise hat zwei Nacht eile:
- Nicht fr alle St recken lsst sich ohne weit eres eine inverse St recke best immen.
Besit zt die St recke Tot zeit verhalt en, fhrt die I nverse auf ein nicht kausales
Syst em. Bei St recken mit int egrierendem Verhalt en besit zt die I nverse differen-
St recke
u y
Regler
w
Fhrungs-
gr e
St ell-
gre
Regel-
gre
reale
St r ecke
Fuzzy- Syst em
u
Scht z-
verf ahr en
Bewer t ung
y
e
J
p
^
u
u
Vorlesung Fuzzy Cont rol Seit e 4- 3
Prof. Dr.- I ng. Ch. Ament 4. Fuzzy- Regelungen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
zierendes Verhalt en, was schlecht realisiert werden kann. Fr rein st at ische Zu-
sammenhnge ist das z. B. kein Problem.
- Bei St rungen, die auf die St recke wirken, ist keine Korrekt ur mglich, da j a
keine Rckfhrung der Regelgre y vorhanden ist . Dies kann durch das im
nachfolgenden Abschnit t 4.2 beschriebene Konzept behoben werden.
Der Bet rieb des Fuzzy- Syst ems als Regler und das Training knnen auch zeit lich parallel
ausgefhrt werden. Dadurch erhlt man einen adapt iven Regler. ( Prakt isch best eht dabei
die Gefahr, dass Teile des Eingangsraums nicht ausreichend t rainiert werden und es dann
zu St abilit t sproblemen kommen kann! ) . Das folgende Blockschalt bild zeigt die St rukt ur:

Zunchst wird das best ehende Fuzzy- Syst em genut zt , um zur Fhrungsgre w eine St ell-
gre u zu erzeugen. Der Erfolg wird a- post eriori bewert et und zur Verbesserung genut zt :
Es werden der Eingang u und der Ausgang y der St recke gemessen, der Ausgang y wird
durch ein ident isches Fuzzy- Syst em geschickt , um u zu best immen. Der Fehler e ist die
Differenz aus u und u ; auf dieser Basis wird die Opt imierung durchgefhrt .
4.2 I nt er nal Model Cont r ol
Wie kann das im vorst ehenden Abschnit t beschriebene Verfahren verbessert werden, um
eine Abweichung der Regelgre y am Ausgang der St recke korrigieren zu knnen?
Es muss bewert et werden, ob die gemessene Regelgre y dem modelliert en Verhalt en
ent spricht oder aber aufgrund von St rungen davon abweicht . Als Referenz wird also der
Ausgang y des ungest rt en Syst ems bent igt , der auf Basis eines St reckenmodells aus
dem bekannt en Eingang u berechnet werden kann ( siehe nachst ehendes Blockschalt bild) .
Es wird dazu also ein ( nicht - inverses) St reckenmodell bent igt , das auch durch ein Fuzzy-
Syst em reprsent iert werden kann und im Sinne einer Modellbildung ( siehe Abschnit t e 3.2
und 3.3) auf Basis von Messdat en der St recke t rainiert werden kann.
Es wird die Differenz y y y = A gebildet ( siehe Blockschalt bild) . I st diese Null, ist keine
Abweichung aufget ret en und es ist keine weit ere Akt ion erforderlich. Trit t im anderen Fall
r eale
St recke
Fuzzy- Syst em
w
Scht z-
verfahren
Bewer t ung
u
e
J
p
y
u
Fuzzy- Syst em
Online- Adapt ion
^
Vorlesung Fuzzy Cont rol Seit e 4- 4
Prof. Dr.- I ng. Ch. Ament 4. Fuzzy- Regelungen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
eine Abweichung 0 = Ay auf, muss versucht werden, durch einen geeignet en St reingriff
u A die St rung in der St recke zu kompensieren. Um ein u A zu best immen, wird y A mit
1 mult ipliziert ( Kompensat ion! ) und durch das inverse St reckenmodell geschickt . Da das
inverse St reckenmodell bereit s zur Bercksicht igung der Fhrungsgre w genut zt wird
( siehe Abschnit t 4.2) , wird y A zust zlich am Eingang dieses inversen St reckenmodells
eingekoppelt ( siehe Blockschalt bild) .

Es sind also insgesamt zwei Fuzzy- Syst eme im Regelkreis eingeset zt ; das Modell der St re-
ckeninversen wird ent sprechend Abschnit t 4.2, das der St recke ent sprechend Abschnit t 3.2
und 3.3 t rainiert . Ein Reglerent wurf ist damit ausschlielich auf Basis von Messdat en mg-
lich.
Zwei Krit ikpunkt e sind zu nennen:
Die St abilit t des geschlossenen Kreises ist nicht sichergest ellt . Fhren z.B. grere
St rungen zu greren Abweichungen y A des Ausgangs, ist das so berechnet e u A
nicht in der Lage, die St rung zu kompensieren.
Das bereit s im Abschnit t 4.2 genannt e Problem der Realisierung einer St reckenin-
versen best eht auch hier. Dazu schafft das Konzept des folgenden Abschnit t s Abhil-
fe.
St r ecke
u y w
Fuzzy- Syst em:
St recke
Fuzzy- Syst em:
inver se St r ecke
y
^
Ay
Vorlesung Fuzzy Cont rol Seit e 4- 5
Prof. Dr.- I ng. Ch. Ament 4. Fuzzy- Regelungen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
4.3 Model Pr edi ct i ve Cont r ol ( MPC)
Liegt ein Modell der St recke vor, kann damit eine Vorhersage ( = Prdikt ion) des St re-
ckenvehalt ens fr die Zukunft gemacht werden. Man geht also vom akt uellen Zust and der
St recke zum Zeit punkt t
0
aus und berechnet den Verlauf der zuknft igen Regelgre y
i
fr
einen endlichen Zeit horizont bis zum Zeit punkt t
N
:

Um zu bewert en, ob die Regelgre y
i
einen geeignet en Verlauf besit zt , wird sie mit der
Fhrungsgre w
i
verglichen. Ein Gt ema J wird eingefhrt , das z.B. die quadrat ische
Abweichung zwischen y
i
und w
i
ber den Prdikt ionshorizont hinweg aufsummiert .
Der Verlauf der Regelgre lsst sich durch die St euerfolge u( t
0
) , , u( t
N
) beeinflussen. Es
ist also das Ziel einer Opt imierungsaufgabe, diej enige St euerfolge zu finden, die das G-
t ema J minimiert . I m Gt ema J kann weit erhin der St ellaufwand gewicht et werden.
Ebenso knnen Grenzen fr die St ellgren u und die Regelgren y whrend der Opt imie-
rung bercksicht igt werden, man hat dann ein beschrnkt es Opt imierungsproblem zu l-
sen.
Als St ellgre u( t
0
) zum akt uellen Zeit punkt wird der erst e Wert der gefundenen opt imier-
t en St euerfolge an die St recke ausgegeben.
Umseit iges Flussdiagramm fasst den Algorit hmus des Model Predict ive Cont rols zusammen.
Die Opt imierung muss in Echt zeit fr j eden Zeit schrit t durchgefhrt werden. Das Verfahren
ist daher eher fr ( komplexe) Syst eme mit geringer Dynamik geeignet . Fr solche Syst eme
ist es aber i.d.R gut mglich, ein Fuzzy- Modell der St recke zu t rainieren ( vgl. Kapit el 3) ,
was dann dem MPC- Algorit hmus zu Grunde gelegt wird.
t
0
t
1
t
2
t
3
t
n
Gegenwart
Zukunf t
Prdikt ionshorizont
i
y
i
w
Vorlesung Fuzzy Cont rol Seit e 4- 6
Prof. Dr.- I ng. Ch. Ament 4. Fuzzy- Regelungen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
MPC- Al gor i t hmus:

4.4 Di r ek t e Opt i mi er ung des geschl ossenen Kr ei ses
Diese St rukt ur ent spricht dem St andard- Regelkreis, in dem das Fuzzy- Syst em die Aufgabe
des Reglers bernimmt :

derzeit iger St reckenzust and x( t
0
)
whle u( t
0
) , , u( t
N
)
Simulat ion mit Fuzzy- Modell:
) ( ) , . . . , (
1 N
t y t y
Bewert ung durch Zielfunkt ion:
mit :
Gewicht ungsmat rizen Q, R > 0
und Randbedingungen:

= =
+ =
N
i
N
i
t
t t
i i
T
t
t t
i i
T
t u R t u t e Q t e J
1 1
) ( ) ( ) ( ) ( A A
) ( ) ( ) (
i i i
t y t w t e =
) ( ) ( ) (
1
=
i i i
t u t u t u A
max mi n
u u u s s
max min
y y y s s
J verbessert ?
Verwende u( t
0
) als St ellgre
variiere
u( t
0
) , , u( t
N
)
Opt imierung
j a
nein
St recke
u y
Fuzzy-
Regler
e w
Fhrungs-
gre
Regel-
differenz
St ell-
gre
Regel-
gre
St rukt ur Paramet er
Test signal
Messung
1
2
3
4
Vorlesung Fuzzy Cont rol Seit e 4- 7
Prof. Dr.- I ng. Ch. Ament 4. Fuzzy- Regelungen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
Um den Fuzzy- Regler in dieser St rukt ur zu ent werfen, kann in folgender Weise vorgegan-
gen werden:
1. Es wird eine St rukt ur fr den Fuzzy- Regler gewhlt . Dies kann beispielsweise ein
Fuzzy- PI D- Regler sein, bei dem ein I nt egrat or und ein Differenzierer als ext erne
Dynamik vorgeschalt et sind ( siehe Bild unt en) . I n der zeit diskret en Darst ellung wird
der I nt egrat or durch eine Summat ion, der Differenzierer durch eine Differenzbil-
dung approximiert ( siehe Bild unt en) .
2. Ein Test signal wird als Fhrungsgre w vorgegeben und regt den Regelkreis an.
3. Die Regelgre y wird gemessen, mit der Fhrungsgre w verglichen und durch
ein Gt ema J bewert et .
4. Die Paramet er des Reglers werden opt imiert , so dass das Gt ema J minimal wird.


4.5 Fuzzy- Adapt i on k l assi scher Regel ungen
I n der als Fuzzy- Adapt ion klassischer Regelungen bezeichnet en Konfigurat ion bleibt der
St andard- Regelkreis erhalt en, d.h. dass der Regler beispielsweise ein best ehender PI D-
Regler ist . Um Funkt ionen zu erweit ern, wird ein bergeordnet es Fuzzy- Syst em ergnzt ,
das t ypischer Weise durch einen Expert en ent worfen wird ( s. Abschnit t 3.1) . Auf Basis von
I nformat ionen ber den St reckenzust and und Vorgaben knnen verschiedene Bet riebsflle
unt erschieden werden ( z.B. Hochfahren , I m Arbeit spunkt , Herunt erfahren ) , in denen
unt erschiedliche Reglerkonfigurat ionen verwendet werden.


Fuzzy-
Syst em
e
u
zeit kont inuier licher
Fuzzy- PI D- Regler
Fuzzy-
Syst em
e
z
- 1
u
zeit diskret er
Fuzzy- PI D- Regler
z
- 1
St recke
u y
Regler
e w
Fuzzy- Syst em
Modifikat ion
Zust and Vorgaben
Vorlesung Fuzzy Cont rol Seit e 5- 1
Prof. Dr.- I ng. Ch. Ament 5. Klassifikat ion und Diagnose

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
5 Kl assi f i k at i on und Di agnose mi t Fuzzy- Syst emen
Die t echnische Diagnose hat die Aufgabe, Fehlerzust nde eines laufenden t echnischen Pro-
zesses zu erkennen und ggf. in verschiedene Fehlerart en zu klassifizieren. Dazu mssen
also aus dem Prozess Messdat en erfasst werden und daraus Merkmale gebildet werden, die
dann in Fehlerklassen klassifiziert werden.
Zu diesem Zweck sollen in diesem Kapit el Klassifikat ionsverfahren vorgest ellt werden. Mit
Hilfe der Fuzzy Logik lsst sich eine Klassifikat ion in naheliegender Weise formulieren:
Werden die Klassen als Fuzzy- Mengen aufgefasst , so kann die ( unscharfe) Klassifikat ion
eines Merkmals in diese Klassen durch Fuzzy- Zugehrigkeit sgrade erfolgen.
Wie kann fr eine gegebene Aufgabe ein geeignet er Fuzzy- Klassifikat or gefunden werden?
Dazu werden zwei Flle unt erschieden:
1. Fr das Training eines Klassifikat ors st eht eine List e aus Trainingsdat en zur Verf-
gung. Die Dat enst ze best ehen aus einem Vekt or von Merkmalen u sowie der An-
gabe der Klasse y, in die dieser Fall eingeordnet werden soll:
k Merkmale Klasse
1 u
1
( 1) u
2
( 1) u
m
( 1) y( 1)
2 u
1
( 2) u
2
( 2) u
m
( 2) y( 2)

N u
1
( N) u
2
( N) u
m
( N) y( N)
Die Klassifikat ion soll also den Zusammenhang zwischen Merkmalen und Klassen
wiedergeben. Diese Aufgabe ist hnlich einer Modellbildungsaufgabe und wird als
Klassifikat ion mit Referenz in Abschnit t 5.2 nher bet racht et .
2. St ehen hingegen nur Merkmalsvekt oren u und keine zugehrigen Klassen als Trai-
ningsdat en zur Verfgung, spricht man von Klassifikat ion ohne Referenz:
k Merkmale
1 u
1
( 1) u
2
( 1) u
m
( 1)
2 u
1
( 2) u
2
( 2) u
m
( 2)

N u
1
( N) u
2
( N) u
m
( N)
I n diesem Fall ist es das Ziel des Klassifikat ionsalgorit hmus, gleichart ige Merkmals-
vekt oren u in die gleiche Klasse einzuordnen, also eine Gruppierung der Merkmale
vorzunehmen.
I m erst en Fall st eht die Vorgabe der Klasse z.B. durch die Bewert ung eines Expert en zur
Verfgung, whrend dies im zweit en Fall nicht der Fall ist .

Vorlesung Fuzzy Cont rol Seit e 5- 2
Prof. Dr.- I ng. Ch. Ament 5. Klassifikat ion und Diagnose

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
5.1 Kl assi f i k at i on ohne Ref er enz
Fr einen Sat z von N Merkmalsvekt oren soll eine opt imale Zuordnung zu c Fuzzy- Mengen
gefunden werden.
Fr eine opt imale Zuordnung mssen zwei not wendige Vorausset zungen erfllt sein:
1. Jede Klasse wird durch ein Klassenzent rum reprsent iert . Das Klassenzent rum muss
im Schwerpunkt der zu dieser Klasse gehrigen Merkmale liegen.
2. Der Zugehrigkeit sgrad eines Merkmals zu einer Klasse ist eine Funkt ion des Ab-
st ands zwischen Merkmal und Klassenzent rum. Der Zugehrigkeit sgrad nimmt mit
wachsendem Abst and ab. ( Z.B. auf = 1 normiert , falls Merkmal und Klassenzent -
rum gleich sind, und = 0 in unendlich weit er Ent fernung.)
Um eine Klassifikat ion zu erhalt en, geht der Fuzzy- C- Means- Algorit hmus it erat iv vor: I nit ial
werden fr die N Merkmalsvekt oren zufllige Zugehrigkeit sgrade zu den c Klassen fest ge-
legt . Nun wird abwechselnd versucht , die beiden not wendigen Vorausset zungen zu erfl-
len, in dem zunchst ent sprechend Vorausset zung 1 das Klassenzent rum in den Schwer-
punkt seiner Merkmale gelegt wird. Nun st immen Abst and und Zugehrigkeit sgrade ent -
sprechend Vorausset zung 2nicht , daher werden die Zugehrigkeit sgrade der Merkmale neu
berechnet . Jet zt liegen die Klassenzent ren aber nicht mehr in den Schwerpunkt en ( Voraus-
set zung 1) , so dass diese wieder neu berechnet werden, usw. Die I t erat ion wird beendet ,
falls die nderung zwischen zwei Schrit t en einen Schwellwert unt erschreit et .
Fuzzy- C- Means- Al gor i t hmus
1. Fr j edes Merkmal u
j
mit j = 1,,N werden die Zugehrigkeit sgrade
i,j
zu den
i = 1,,c Klassenzent ren zufllig im I nt ervall [ 0, 1] init ialisiert .
2. Die Klassenzent ren v
i
mit i = 1,,c werden in den Schwerpunkt der zugehrigen
Merkmale gelegt :
( )
( )

=
=

=
N
j
p
j i
j
N
j
p
j i
i
u
v
1
,
1
,


Darin ist p ein Design- Paramet er, der als Fuzzifier oder Kont rast paramet er bezeich-
net wird.

3. Die Zugehrigkeit sgrade
i,j
aller Merkmale j = 1,,N zu allen Klassenzent ren
i = 1,,c werden best immt :
( ) ( )
i j
T
i j
j i
v u v u d =
2
,

( )
1
1
2
,
,
1

=
p
j i
j i
d
g

Vorlesung Fuzzy Cont rol Seit e 5- 3
Prof. Dr.- I ng. Ch. Ament 5. Klassifikat ion und Diagnose

I nst it ut fr Aut omat isierungs-
und Syst emt echnik

=
=
c
i
j i
j i
j i
g
g
1
,
,
,


Der euklidische Abst and zwischen Merkmal u
j
und Klassenzent rum v
i
im Merkmals-
raum ist d
i,j
. Daraus wird das Gewicht g
i,j
berechnet und im let zt en Schrit t zu
i,j
normiert .
4. Der Algorit hmus wird ab Schrit t 2 wiederholt , bis die nderungen zum vorherge-
henden Schrit t einen vorgegebenen Schwellwert unt erschreit en.
Der dargest ellt e Algorit hmus minimiert das folgende Gt ekrit erium:
( )

= =
=
c
i
N
j
j i
p
j i
d J
1 1
2
,
,


Die Fuzzy Logic Toolbox in Mat lab st ellt den Fuzzy- C- Means- Algorit hmus als Funkt ion fcm
zur Verfgung. Eine Demonst rat ion fr zweidimensionale Merkmale wird mit fcmdemo ge-
st art et .
Das nachfolgende Bild zeigt Merkmale ( als nicht - gefllt e Kreise) in einem zweidimensiona-
len Merkmalsraum. Es wurde der Fuzzy- C- Means- Algorit hmus mit c = 4 Klassenzent ren
( gefllt e Kreise) angewendet .

Ein Nacht eil dieses Algorit hmus ist , dass die Klassenanzahl c vorgegeben werden muss.
Prinzipiell sinnvoll ist der Bereich 1 2 s s N c . Es ist nun eine Sache der Abwgung, ob
man eine st arke Reduzierung auf wenige Klassen oder eine differenziert e Darst ellung in
mehreren Klassen wnscht . Dabei kann die Bet racht ung des Gt ekrit eriums J in Abhngig-
u
1
u
2
Vorlesung Fuzzy Cont rol Seit e 5- 4
Prof. Dr.- I ng. Ch. Ament 5. Klassifikat ion und Diagnose

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
keit der Klassenanzahl c unt erst t zen. Nachfolgende Grafik zeigt diesen Zusammenhang
fr das vorgenannt e Beispiel:

Man erkennt , dass bei einer Erhhung von c = 2 auf 3 sowie von c = 3 auf 4 eine deut liche
Verbesserung der Klassifikat ionsgt e erreicht wird, darber fallen die Verbesserung gerin-
ger aus. Daher kann c = 4 eine sinnvolle Wahl sein.
Gust af son- Kessel - Al gor i t hmus
Die Element e innerhalb des Merkmalsvekt ors knnen unt erschiedliche physikalische Di-
mensionen besit zen oder unt erschiedlich normiert sein. Sind die Zahlenwert e in einer Di-
mension des Merkmalsraums wesent lich grer als in einer anderen, wird die Klassifikat ion
im Wesent lichen nur ent lang der Dimension mit den greren Zahlenwert en vollzogen. I n
diesem Fall kann eine Korrekt ur durch eine Gewicht ungsmat rix A
i
ergnzt werden.
Der Gust afson- Kessel- Algorit hmus best immt eine posit iv definit e Gewicht ungsmat rix
( ) ( ) ( )
( )

=
=

=
N
j
p
j i
N
j
T
i j i j
p
j i
i
v u v u
S
1
,
1
,


1
) det(

=
i i i
S S A
,

die in Schrit t 3 des vorst ehenden Fuzzy- C- Means- Algorit hmus ergnzt wird:
( ) ( )
i j i
T
i j j i
v u A v u d =
2
,

5.2 Kl assi f i k at i on mi t Ref er enz
St eht zust zlich zu den Merkmalen eine Referenz fr die Klassifikat ion zur Verfgung ( z.B.
durch einen Expert en vorgegeben) , so ist j et zt die Aufgabe, eine Modellbildung fr diesen
Klassifikat ionsvorgang durchzufhren. Somit kann auch ein hnliches Vorgehen wie in Ka-
pit el 3 gewhlt werden.
Als Ausgang des klassifizierenden Fuzzy- Syst ems wird fr j ede der i = 1,,c Klassen ein
Zugehrigkeit sgrad
i
erwart et . Damit ist eine Rckwandlung zu einem reellwert igen Aus-
gangssignal nicht erforderlich, so dass im Vergleich zum Fuzzy- Syst em in Abschnit t 2.5.1
2 3 4 5 6 7 8 9 10
0
5
10
15
20
25
Anzahl der Kassen c
G

t
e
k
r
i
t
e
r
i
u
m


J
Vorlesung Fuzzy Cont rol Seit e 5- 5
Prof. Dr.- I ng. Ch. Ament 5. Klassifikat ion und Diagnose

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
die Schrit t e der Defuzzifizierung und Aggregat ion ent fallen knnen. Nachst ehendes Bild
zeigt das verbleibende, zur Klassifikat ion geeignet e Fuzzy- Syst em.

Die logischen Verknpfungen im I nferenz- Syst em und die Zugehrigkeit sfunkt ionen der
Fuzzifizierung dieses Syst ems knnen von einem Expert en definiert werden. Liegen Mess-
dat en vor, kann auch der ANFI S- Algorit hmus genut zt werden, um ein Modell aus Messda-
t en zu t rainieren.
5.3 Di agnose mi t Fuzzy- Syst emen
Nach [ Adamy: Fuzzy Logik, Neuronale Net ze und Evolut ionre Algorit hmen] kann die t ech-
nische Diagnose in die nachfolgend dargest ellt en Schrit t e gegliedert werden.

Fr die Klassifikat ion der aus dem Prozess best immt en Residuen ( = Merkmale) knnen die
zuvor eingefhrt en Klassifikat ionsmet hoden eingeset zt werden.

u
1
u
2

Fuzzif izierung I nf erenz


f uzzy Wert e reelle Wert e
Zf unkt ionen
f r u
1
Zf unkt ionen
f r u
2
Zf unkt ionen
f r u
m
u
m
Klasse 1
Klasse 2
Klasse c

1
(1)

1
(2)

m
(1)

m
(2)
Prozess
Sympt om-
generierung
Residuen-
generierung
Fehlererken-
nung und
- analyse
Alarme
Fehlerart
Signale,
Dat en
Sympt ome Residuen
Vorlesung Fuzzy Cont rol Seit e 6- 1
Prof. Dr.- I ng. Ch. Ament 6. Anwendung von Fuzzy- Syst emen

I nst it ut fr Aut omat isierungs-
und Syst emt echnik
6 Anw endungen von Fuzzy- Syst emen

Einen gut en berblick gibt die folgende Verffent lichung in zwei Teilen:
- B.- M. Pfeiffer, J. Jkel, A. Kroll, Ch. Kuhn, H.- B. Kunt ze, U. Lehmann, T. Slawinski,
V. Tews: Erfolgreiche Anwendungen von Fuzzy Logik und Fuzzy Cont rol ( Teil 1) , Au-
t omat isierungst echnik 50 ( 2002) , 10, S. 461471.
- B.- M. Pfeiffer, J. Jkel, A. Kroll, Ch. Kuhn, H.- B. Kunt ze, U. Lehmann, T. Slawinski,
V. Tews: Erfolgreiche Anwendungen von Fuzzy Logik und Fuzzy Cont rol ( Teil 2) , Au-
t omat isierungst echnik 50 ( 2002) , 11, S. 511521.