4 Prozessautomatisierung mit qualitativen Modellen - Universität ...
4 Prozessautomatisierung mit qualitativen Modellen - Universität ...
4 Prozessautomatisierung mit qualitativen Modellen - Universität ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
AT II<br />
§ 4 Automatisierung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
Lernziele<br />
– Verstehen, was qualitative Modellbildung ist<br />
– Entscheidungstabellen und kausale Netze entwerfen können<br />
– Qualitative Modelle <strong>mit</strong> Intervall-Variablen entwerfen können<br />
– Qualitative Modelle zur Prozessüberwachung und Diagnose anwenden<br />
können<br />
– Die Grundzüge der Fuzzy-Logik verstehen<br />
– Fuzzy-Controller entwerfen können<br />
© 2013 IAS, Universität Stuttgart 281
AT II<br />
§ 4 Automatisierung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
4.1 Qualitative Modellbildung<br />
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
4.3 Fuzzy-Logik und Fuzzy-Control<br />
4.4 Zusammenfassung<br />
© 2013 IAS, Universität Stuttgart 282
4.1 Qualitative Modellbildung<br />
AT II<br />
Qualitative Modellbildung<br />
– Grundidee der <strong>qualitativen</strong> Modellbildung<br />
Qualitative Beschreibung des prinzipiellen Verhaltens<br />
– Vorteile qualitativer Modelle<br />
Globale Aussagen über das Verhalten des Prozesses<br />
Vermeidung eines aufwendigen quantitativen Modells<br />
Entspricht menschlicher Denkweise<br />
Einbeziehung von heuristischem Erfahrungswissen<br />
© 2013 IAS, Universität Stuttgart 283
4.1 Qualitative Modellbildung<br />
AT II<br />
Übersicht wichtiger Konzepte zur Modellierung technischer<br />
Prozesse<br />
Prozessmodelle<br />
Prozessmodelle von Fließprozessen<br />
(zeitkontinuierliche Prozesse)<br />
qualitative Modelle<br />
zeitkontinuierlicher<br />
Prozesse<br />
quantitative Modelle<br />
zeitkontinuierlicher<br />
Prozesse<br />
Prozessmodelle von<br />
Folge- und Stückprozessen<br />
(ereignisdiskrete<br />
Prozesse)<br />
Modelle <strong>mit</strong><br />
kausalen<br />
Beziehungen<br />
Modelle <strong>mit</strong><br />
Regeln<br />
Modelle <strong>mit</strong><br />
<strong>qualitativen</strong><br />
Variablen<br />
Mathematische<br />
Modelle<br />
Simulative<br />
Modelle<br />
Simulative<br />
Modelle<br />
Mathematische<br />
Modelle<br />
Modelle <strong>mit</strong><br />
Wertebereich-<br />
Variablen<br />
Modelle<br />
<strong>mit</strong><br />
"fuzzy”<br />
Variablen<br />
Analytische<br />
mathematische<br />
Modelle<br />
Empirische<br />
mathematische<br />
Modelle<br />
Steuerungsablauf<br />
Modelle<br />
Simulationssprachenorientierte<br />
Modelle<br />
Zustandsmodelle<br />
Petri-<br />
Netz-<br />
Modelle<br />
© 2013 IAS, Universität Stuttgart 284
4.1 Qualitative Modellbildung<br />
AT II<br />
Qualitative Modellierungskonzepte am Beispiel "Beheizung<br />
eines Hauses" (1)<br />
abströmende<br />
Wärmemenge<br />
Innentemperatur<br />
Heizkörper<br />
Umgebungs-<br />
Temperatur<br />
(<br />
u < ) u<br />
Pumpe<br />
Warmwasser-<br />
Heizkessel<br />
Brenner<br />
© 2013 IAS, Universität Stuttgart 285
4.1 Qualitative Modellbildung<br />
AT II<br />
Qualitative Modellierungskonzepte am Beispiel "Beheizung<br />
eines Hauses" (2)<br />
Wesentliche<br />
physikalische<br />
Prozessgrößen<br />
(t)<br />
zugefügte<br />
Wärmemenge<br />
q e<br />
(t)<br />
u (t)<br />
abströmende<br />
Wärmemenge<br />
q a<br />
(t)<br />
u Temperaturen in °C<br />
q e<br />
, q a<br />
zu- bzw. abströmende<br />
Wärmemenge in Cal/s<br />
Einflussgrößen<br />
(t) u<br />
q e<br />
(t)<br />
(Ursachen)<br />
u (t)<br />
q e<br />
(t)<br />
q a<br />
(t)<br />
Wirkungsrichtung<br />
(t)<br />
Ergebnisgröße<br />
(t)<br />
(Wirkung)<br />
Kausales<br />
qualitatives<br />
Prozessmodell<br />
Regel-orientiertes<br />
qualitatives<br />
Prozessmodell<br />
u (t)<br />
q e<br />
(t)<br />
wenn<br />
dann<br />
wenn<br />
dann<br />
> u<br />
q a<br />
> 0<br />
q e<br />
> q a<br />
> 0<br />
(t)<br />
Qualitatives<br />
[<br />
u ] [ q ] a<br />
Modell <strong>mit</strong><br />
- [ d ] [ ]<br />
[ q ] +<br />
Signume<br />
Variablen<br />
© 2013 IAS, Universität Stuttgart 286
4.1 Qualitative Modellbildung<br />
AT II<br />
Kausale qualitative Modelle<br />
– Beschreibung von Wirkungsbeziehungen zwischen Prozessvariablen<br />
"Lesart" der Beziehungen von den Wirkungen zu den Ursachen<br />
(entgegen der Wirkungsrichtung)<br />
– Reine phänomenologische Beschreibung<br />
Oberflächenwissen: Aus der Erfahrung gewonnenes Wissen über das äußere<br />
Verhalten eines technischen Systems (black box Betrachtung)<br />
Einflussgrößen<br />
u (t)<br />
u (t)<br />
q a (t)<br />
(t)<br />
Ergebnisgröße<br />
(t)<br />
q<br />
q e (t) e (t)<br />
(Ursachen)<br />
(Wirkung)<br />
Wirkungsrichtung<br />
© 2013 IAS, Universität Stuttgart 287
4.1 Qualitative Modellbildung<br />
AT II<br />
Regelorientierte Modelle<br />
– Regelorientierte Modellierungskonzepte<br />
Entscheidungstabellen<br />
Expertensysteme (Wissensbasierte Systeme)<br />
– Anwendung: Darstellung heuristischen Erfahrungswissens<br />
u<br />
(t)<br />
wenn<br />
dann<br />
> u<br />
q a<br />
> 0<br />
(t)<br />
q e<br />
(t)<br />
wenn<br />
dann<br />
q e<br />
> q a<br />
> 0<br />
© 2013 IAS, Universität Stuttgart 288
UND<br />
4.1 Qualitative Modellbildung<br />
AT II<br />
Entscheidungstabellen<br />
Name der<br />
Entscheidungstabelle<br />
Bedingungsteil<br />
Bedingung 1<br />
Bedingung 2<br />
.<br />
.<br />
.<br />
Bedingung n<br />
Aktionsteil<br />
Aktion 1<br />
Aktion 2<br />
.<br />
.<br />
.<br />
Aktion k<br />
Regel 1 Regel 2 . . . Regel m ELSE<br />
Kombinationen von Bedingungen,<br />
z.B. WENN Bedingung 1 UND Bedingung 2<br />
ODER<br />
Sequenzen von Aktionen<br />
z.B. DANN 1. Aktion 2,<br />
2. Aktion k<br />
Vorteile: formale Darstellung, leicht erlernbar, übersichtlich<br />
© 2013 IAS, Universität Stuttgart 289
4.1 Qualitative Modellbildung<br />
AT II<br />
Beispiel einer Entscheidungstabelle:<br />
Drehzahlregelung eines Motors<br />
Bedingungen Regel 1 Regel 2 Regel 3 Regel 4 ELSE<br />
Spannung im Toleranzbereich nein ja ja ja<br />
Drehzahl zu hoch normal<br />
zu<br />
niedrig<br />
Aktionen<br />
Motor abschalten 2 nein nein nein<br />
Motor abbremsen 1 ja nein nein<br />
Motor beschleunigen nein nein nein ja<br />
© 2013 IAS, Universität Stuttgart 290
4.1 Qualitative Modellbildung<br />
AT II<br />
Wissensbasierte Modelle (Expertensysteme)<br />
– Verwendung von Produktionsregeln<br />
Prämissen<br />
Produktionsregeln<br />
Folgerungen<br />
Regel 1<br />
Motor<br />
abschalten<br />
Spannung<br />
im Toleranzbereich<br />
Regel 2<br />
Motor<br />
abbremsen<br />
Motor-<br />
Drehzahl<br />
Regel 3<br />
keine<br />
Operation<br />
Regel 4<br />
Motor<br />
beschleunigen<br />
Vorwärtsverkettung<br />
© 2013 IAS, Universität Stuttgart 291
4.1 Qualitative Modellbildung<br />
AT II<br />
Beschreibung von Zeitbedingungen in<br />
Echtzeitexpertensystemen<br />
Beispiel: WENN 5 Sekunden nachdem die Pumpe eingeschaltet<br />
worden ist kein Wasser fließt<br />
DANN<br />
ist die Förderleistung der Pumpe beeinträchtigt<br />
oder es liegt eine Verengung des Zuflusses vor<br />
– Darstellung zeitlicher Angaben und Beziehungen<br />
Darstellung absoluter Zeitangaben (z.B. um 11:17 Uhr)<br />
Darstellung relativer Zeitangaben (z.B. 5 Min. 10 Sek. vor Zugeinfahrt)<br />
Explizite Darstellung von Zeitintervallen (z.B. 12:00 bis 12:30 Uhr)<br />
Implizite Darstellung von Zeitintervallen (z.B. "solange Wasser fließt”)<br />
Darstellung qualitativer Zeitbeziehungen (z.B. früher, später, während)<br />
Darstellung quantitativer Zeitbeziehungen (z.B. 5 Min. 10 Sek. später)<br />
– Anforderungen an Echtzeitexpertensysteme<br />
Zeitmodell zur expliziten Darstellung der Zeit<br />
Unterbrechbarkeit bei Alarmmeldungen<br />
Auswertungen müssen ohne Konsistenzprobleme fortsetzbar sein<br />
© 2013 IAS, Universität Stuttgart 292
4.1 Qualitative Modellbildung<br />
AT II<br />
Künstliche neuronale Netze (KNN)<br />
Ausgangssignale<br />
Eingangssignale<br />
Knoten<br />
gewichtete<br />
Kante<br />
künstliches neuronales Netz (KNN)<br />
– Arbeitsweise<br />
Wert eines Knoten wird aus den Werten der vorhergehenden Knoten<br />
unter Berücksichtigung der Kantengewichtung bestimmt<br />
© 2013 IAS, Universität Stuttgart 293
4.1 Qualitative Modellbildung<br />
AT II<br />
Vorgehensweise beim Entwurf eines KNNs<br />
– Auswahl eines geeigneten Netzwerktyps und einer günstigen Topologie<br />
– Durchführung von Trainings-Experimenten zur Veränderung der Gewichtsfaktoren<br />
– Im Falle der Konvergenz Einfrieren des neuronalen Netzes<br />
reale Ausgangsgrößen<br />
Eingangsgrößen<br />
Aktorik<br />
reale technische Anlage<br />
zu überwachendes<br />
technisches System<br />
Sensorik<br />
Lernalgorithmus<br />
+<br />
_<br />
Ausgangsgrößen<br />
des KNN<br />
künstliches neuronales Netz (KNN)<br />
Video: Künstliche Neuronale Netze<br />
© 2013 IAS, Universität Stuttgart 294
4.1 Qualitative Modellbildung<br />
AT II<br />
Qualitative Modellbildung <strong>mit</strong> Signum-Variablen<br />
Prozessgrößen werden qualitativ durch einen Satz von Wertebereiche<br />
gekennzeichnet. Werteraum bei Signum-Variablen: (+, -, 0)<br />
Addition [x] + [y]<br />
Subtraktion [x] - [y]<br />
Multiplikation [x] [y]<br />
+<br />
+<br />
+<br />
[y]<br />
0<br />
+<br />
-<br />
?<br />
+<br />
[y]<br />
+ 0 -<br />
? + +<br />
+<br />
+<br />
[y]<br />
0<br />
-<br />
+ 0 -<br />
[x]<br />
0<br />
+<br />
0 -<br />
[x] 0 -<br />
0 +<br />
[x]<br />
0<br />
0<br />
0 0<br />
-<br />
?<br />
-<br />
-<br />
-<br />
-<br />
-<br />
?<br />
-<br />
-<br />
0<br />
+<br />
[x]<br />
[y]<br />
Vorzeichen der Variablen x<br />
Vorzeichen der Variablen y<br />
© 2013 IAS, Universität Stuttgart 295
4.1 Qualitative Modellbildung<br />
AT II<br />
Qualitative Modellbildung <strong>mit</strong> Intervall-Variablen<br />
Erweiterung gegenüber Signum-Variablen hinsichtlich Einteilung der<br />
Wertebereiche in beliebige Anzahl von Intervallen.<br />
Darstellung: Intervall I <strong>mit</strong> Grenzen a,b und a b<br />
– Geschlossene Intervalle: x I = [a;b] a x b<br />
– Offene Intervalle: x I = (a;b) a < x < b<br />
– Halboffene Intervalle: x I = [a;b) a x < b<br />
x I = (a;b] a < x b<br />
– "Entartete Intervalle”: x I = (a;+ ) x > a<br />
x I = [a;+ ) x a<br />
x I = (- ;a) x < a<br />
x I = [a;a] x = a<br />
© 2013 IAS, Universität Stuttgart 296
4.1 Qualitative Modellbildung<br />
AT II<br />
Beispiele für arithmetische Intervall-Operationen (1)<br />
a) Addition : [a; b] + [c; d] = [a+c; b+d]<br />
I 1<br />
= [a; b] I 2<br />
= [c; d]<br />
0 a b c d<br />
10<br />
x<br />
I 1 + I 2 = [ a + c; b + d ]<br />
I 1<br />
+ I 2<br />
= [a + c; b + d]<br />
0 5<br />
10<br />
x<br />
© 2013 IAS, Universität Stuttgart 297
4.1 Qualitative Modellbildung<br />
AT II<br />
Beispiele für arithmetische Intervall-Operationen (2)<br />
b) Negation : -[a; b] = [-b; -a]<br />
l 1<br />
= [ a; b ]<br />
-5<br />
0<br />
a b 5<br />
x<br />
- I 1<br />
= [-b, -a]<br />
-5<br />
-b -a<br />
0<br />
5<br />
x<br />
c) Subtraktion : [a; b] - [c; d] = [a-d; b-c]<br />
l 1<br />
= [ a; b ] l 2<br />
= [ c; d ]<br />
-5<br />
l 1<br />
- l 2<br />
= [a - d; b - c]<br />
a<br />
b<br />
c<br />
d<br />
5<br />
x<br />
-5<br />
5<br />
x<br />
© 2013 IAS, Universität Stuttgart 298
4.1 Qualitative Modellbildung<br />
AT II<br />
Frage zu Kapitel 4.1<br />
Ein Aufzug steht ohne "Ruf" oder "Kommandos" <strong>mit</strong> geschlossener Tür auf<br />
Etage n. Mit Hilfe nachstehender Entscheidungstabelle ist zu bestimmen, ob<br />
die Tür geöffnet wird und welche Fahrtrichtung festzulegen ist.<br />
Regeln<br />
R1 R2 R3 R4 Else<br />
Ruf oder Kommando<br />
auf Etage n<br />
Ruf oder Kommando<br />
abwärts<br />
Ruf oder Kommando<br />
aufwärts<br />
Sicherheitskreise in<br />
Ordnung<br />
Tür öffnen<br />
Abwärtsfahrt<br />
Aufwärtsfahrt<br />
Halt<br />
1 0 0 -<br />
-<br />
-<br />
1<br />
0<br />
0<br />
1<br />
-<br />
-<br />
1 1 1 0<br />
1 0 0 0<br />
0 1 0 0<br />
0 0 1 0<br />
1 0 0 1<br />
0<br />
0<br />
0<br />
1<br />
© 2013 IAS, Universität Stuttgart 299
AT II<br />
§ 4 Automatisierung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
4.1 Qualitative Modellbildung<br />
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
4.3 Fuzzy-Logik und Fuzzy-Control<br />
4.4 Zusammenfassung<br />
© 2013 IAS, Universität Stuttgart 300
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
– Erstellung quantitativer Prozessmodelle zur modellbasierten<br />
Prozessüberwachung häufig schwierig<br />
– Für Prozessüberwachung ist qualitative Modellierung häufig ausreichend<br />
Ansätze zur Informationsorientierten Überwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
– Prozessüberwachung unter Verwendung von kausalen Netzen<br />
– Prozessüberwachung unter Verwendung von <strong>qualitativen</strong> Variablen<br />
Signum-Variablen<br />
Intervall-Variablen<br />
– Prozessüberwachung <strong>mit</strong> Hilfe von wissensbasierten Methoden<br />
– Prozessüberwachung <strong>mit</strong> Hilfe von neuronalen Netzen<br />
© 2013 IAS, Universität Stuttgart 301
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Anwendung kausaler Modelle zur Prozessüberwachung<br />
– Konzept: Erstellung eines Ursache-Wirkungsgeflechts<br />
Erfassung erkennbarer Wirkungen<br />
Zuordnung bekannter Wirkungen zu Ursachen<br />
– Anwendung: Auswertung von Alarmmeldungen aus signalorientierter<br />
Überwachung<br />
Bei größeren Anlagen können auf einen Alarm viele Alarme folgen<br />
(expandierende Ausfälle)<br />
Auswertung hilft Übersicht zu behalten<br />
© 2013 IAS, Universität Stuttgart 302
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Prozessüberwachung <strong>mit</strong> kausalen Netzen am Beispiel einer<br />
verfahrenstechnischen Anlage zur Wasserversorgung<br />
Alarm 3H<br />
Behälter 3 läuft über<br />
Regler<br />
Behälter<br />
3<br />
Hochbehälter<br />
Überlauf<br />
Alarm 3L<br />
Behälter 3 leer<br />
Wasser-<br />
Zufluss<br />
(Quelle)<br />
Behälter<br />
1<br />
Überlauf<br />
Pumpe<br />
Alarm 4L<br />
Wasserdruck zu niedrig<br />
Alarm 1L<br />
Behälter 1 leer<br />
Alarm 2H<br />
Behälter 2 läuft über<br />
Regler<br />
Ventil<br />
Behälter<br />
2<br />
Überlauf<br />
Alarm 2L<br />
Behälter 2 leer<br />
© 2013 IAS, Universität Stuttgart 303
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Kausales Netz der Wasserversorgungsanlage in Form eines<br />
Ereignisgraphen Quelle Behälter 1 Alarm<br />
trocken läuft leer 1L<br />
Füllstandsregelung Behälter 2 Alarm<br />
Behälter 2 läuft leer 2L<br />
blockiert<br />
Ventil<br />
geschlossen<br />
blockiert<br />
Ventil ist<br />
offen blockiert<br />
Füllstandsregelung<br />
Behälter 2<br />
ausgefallen<br />
Ventil Behälter 2 Alarm<br />
ist offen läuft über 2H<br />
Stromausfall<br />
Pumpen-<br />
Antriebsmotor<br />
defekt<br />
Füllstands- Behälter 3 Alarm<br />
regelung läuft leer 3L<br />
Behälter 3<br />
ausgefallen<br />
Pumpe<br />
läuft nicht<br />
Rohrleitung Wasserdruck Alarm<br />
zum Verbraucher zu niedrig 4L<br />
ist verstopft<br />
Füllstandssensor- Behälter 3 Alarm<br />
Behälter 3 läuft über 3H<br />
ausgefallen<br />
Schütz des<br />
Pumpenmotors<br />
öffnet nicht<br />
© 2013 IAS, Universität Stuttgart 304
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Zuordnung von Alarmmustern zu Ausfallarten auf Basis des<br />
er<strong>mit</strong>telten kausalen Netzes (Live-Mitschrieb)<br />
Ausfall<br />
Quelle ist trocken<br />
Ventil ist offen blockiert<br />
Ventil ist geschlossen blockiert<br />
Regler für Behälter 2 blockiert<br />
Stromausfall<br />
Pumpen-Antriebsmotor defekt<br />
Rohrleitung verstopft<br />
Sensor Behälter 3 ausgefallen<br />
Schütz Pumpenmotor öffnet nicht<br />
Alarmmeldungen<br />
1L 2L 3L 4L 2H 3H<br />
X X X X<br />
X<br />
X X X<br />
X X X<br />
X X X<br />
X X<br />
X<br />
X<br />
X<br />
© 2013 IAS, Universität Stuttgart 305
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Prozessüberwachung <strong>mit</strong> Intervallvariablen<br />
– Prinzipielles Verfahren der Prozessüberwachung unter Verwendung<br />
qualitativer Intervallvariablen<br />
Qualitatives Prozessmodell des<br />
bestimmungsgemäßen und des<br />
nicht-bestimmungsgemäßen<br />
Betriebes der Einzelkomponenten<br />
des Gesamtsystems<br />
Auswertung<br />
Fehler<br />
arten,<br />
Fehlerort<br />
Technischer Prozess<br />
Reale technische Anlage<br />
Gemessene<br />
Ausgangsgrößen<br />
© 2013 IAS, Universität Stuttgart 306
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Erstellung eines <strong>qualitativen</strong> Prozessmodells <strong>mit</strong> Intervall-<br />
Variablen zur Prozessüberwachung<br />
1. Definition von Intervallen für die Prozessgrößen<br />
2. Aufstellen einer Tabelle aller Intervall-Kombinationen (Situationen) in<br />
Form einer vollständigen Situationstabelle<br />
3. Aufstellen der statischen und physikalischen Bedingungen für die<br />
Prozessgrößen<br />
4. Anwendung dieser Bedingungen, um eine reduzierte Situationstabelle<br />
zu erhalten<br />
5. Aufstellen dynamischer Beziehungen zwischen den Prozessgrößen<br />
6. Anwendung dieser Beziehungen zur Aufstellung eines dynamischen<br />
Modells<br />
7. Auswertung der reduzierten Situationstabelle und der Ergebnisse der<br />
dynamischen Analyse zur Fehlererkennung und Fehlerortung<br />
© 2013 IAS, Universität Stuttgart 307
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Prozessüberwachung <strong>mit</strong> Intervall-Variablen am Beispiel<br />
Wasserversorgungsanlage (Teilsystem Hochbehälter)<br />
Ziel der Überwachung: Ausfälle und nicht-bestimmungsgemäße Betriebszustände<br />
erkennen und Alarmmeldungen ausgeben<br />
3<br />
2<br />
RI-Fließbild des<br />
Hochbehälters aus<br />
der Wasserversorgungsanlage<br />
1<br />
© 2013 IAS, Universität Stuttgart 308
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Beispiel Hochbehälter<br />
Schritt 1: Intervalldefinition für die Prozessgrößen<br />
Druck P1<br />
“L“ (leer)<br />
[0;0]<br />
“N“ (normal)<br />
(0;0,9)<br />
“V“ (voll)<br />
[0,9;1)<br />
“Ü“ (Überlauf)<br />
[1;1]<br />
0<br />
0,9 1<br />
Zu- bzw. Abfluss Q1<br />
“-“<br />
(- ;0)<br />
“0“<br />
[0;0]<br />
“+“<br />
(0;+ )<br />
Überlauf-Abfluss Q2<br />
“0“ “+“<br />
[0;0] (0;+ )<br />
0<br />
Schalterstellung des Schwimmerschalters S1<br />
“0“<br />
“1“<br />
[0;0]<br />
[1;1]<br />
0<br />
0<br />
1<br />
© 2013 IAS, Universität Stuttgart 309
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Beispiel Hochbehälter<br />
Schritt 2: Vollständige Situationstabelle<br />
– Vollständige Situationstabelle = Tabelle aller Intervall-Kombinationen<br />
n(x):<br />
Zahl der Intervalle für ein Variable x<br />
n = n(P1) • n(Q1) • n(Q2 ) • n(S) = 4 • 3 • 2 • 2 = 48<br />
© 2013 IAS, Universität Stuttgart 310
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Beispiel Hochbehälter<br />
Schritt 3: Statische Bedingungen für die Prozessgrößen<br />
Behälter leer: P 1 = 0; Q 1 0; Q 2 = 0; S = 0<br />
Behälter teilweise gefüllt<br />
(Normalbetrieb): 0 P 1 0,9; Q 1 beliebig; Q 2 = 0; S = 0<br />
Füllstand erreicht die<br />
vorgesehene max.<br />
Füllhöhe: P 1 = 0,9; Q 1 beliebig; Q 2 = 0; S = 1<br />
Füllstand erreicht den<br />
oberen Behälterrand P 1 1; Q 1 0 Q 2 0; S = 1<br />
(Überlauf): P 1 = 1; Q 1 0 Q 2 = 0; S = 1<br />
© 2013 IAS, Universität Stuttgart 311
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Beispiel Hochbehälter<br />
Schritt 4: Reduzierung der Situationstabelle<br />
Abkürzungen:<br />
P 1<br />
Q 1<br />
Q 2<br />
L = leer<br />
N = normal<br />
V = voll<br />
Ü = Überlauf<br />
- = Abfluss<br />
0 = Null<br />
+ = Zufluss<br />
0 = Null<br />
+ = Überlauf<br />
vollständige<br />
Situationstabelle<br />
(Ausschnitt)<br />
Berücksichtigung<br />
statischer<br />
Bedingungen<br />
reduzierte<br />
Situationstabelle<br />
© 2013 IAS, Universität Stuttgart 312
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Beispiel Hochbehälter<br />
Schritt 5: Untersuchung des dynamischen Verhaltens<br />
– Bestimmung der Energie tragenden Prozessgrößen:<br />
nur stetige Änderung des Energieinhalts möglich<br />
Füllstand<br />
Druck P1<br />
– Relationen zwischen Prozessvariablen<br />
Wasserzufluss (Q1 - Q2 ) 0: Füllstand steigt<br />
Wasserabfluss (Q1 - Q2 ) 0: Füllstand sinkt<br />
Quantitativer zeitlicher Zusammenhang: P( t ) P( t ) c ( Q Q ) dt<br />
t1<br />
1 1 1 0 1<br />
t0<br />
2<br />
© 2013 IAS, Universität Stuttgart 313
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Beispiel Hochbehälter<br />
Schritt 6: Dynamisches<br />
Zustandsmodell<br />
© 2013 IAS, Universität Stuttgart 314
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
Beispiel Hochbehälter<br />
Schritt 7: Erkennung von Fehlern und Ausfällen im nichtbestimmungsgemäßen<br />
Betrieb<br />
– Reduzierte Situationstabelle:<br />
Erkennen des Überlaufens oder Leerlaufens des Behälters<br />
Situationen: 5, 9, 48<br />
– Dynamische Modellierung:<br />
Kriterium für die Überprüfung der Sensoren<br />
Bsp.: Ausfall Schwimmschalter<br />
© 2013 IAS, Universität Stuttgart 315
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
AT II<br />
A<br />
IAB<br />
PAB<br />
C<br />
S<br />
B<br />
Frage zu Kapitel 4.2<br />
Rechts ist das qualitative Prozessmodell eines Ventils dargestellt. Welche der<br />
hierzu links aufgelisteten Situationen können bei einem fehlerfreien Ventil<br />
nicht auftreten? Das Ventil ist im geöffneten Zustand für die durchströmende<br />
Flüssigkeit widerstandsfrei.<br />
I AB : Flussstärke von A nach B<br />
P AB : Druckabfall von A nach B<br />
S: Ventilansteuerung (0 = zu)<br />
Nr.<br />
1<br />
2<br />
3<br />
4<br />
5<br />
6<br />
7<br />
8<br />
IAB PAB S<br />
[0,0] [0,0] 0<br />
(0, ) [0,0] 0<br />
[0,0] (0, ) 0<br />
(0, ) (0, ) 0<br />
[0,0] [0,0] 1<br />
(0, ) [0,0] 1<br />
[0,0] (0 ) 1<br />
(0, ) (0, ) 1<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
© 2013 IAS, Universität Stuttgart 316
AT II<br />
§ 4 Automatisierung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
4.1 Qualitative Modellbildung<br />
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
4.3 Fuzzy-Logik und Fuzzy-Control<br />
4.4 Zusammenfassung<br />
© 2013 IAS, Universität Stuttgart 317
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Fuzzy-Logik und Fuzzy-Control<br />
– Fuzzy (engl.): "unscharf", "unsicher", "verschwommen"<br />
– Fuzzy-Logik = "unscharfe Logik":<br />
Erweiterung der klassischen Mengenlehre und der binären Logik<br />
Lotfi A. Zadeh<br />
Professor an der University of California, Berkley<br />
1965 Veröffentlichung des grundlegenden Artikels<br />
"Fuzzy Sets" (in: Information and Control 8, S. 338ff)<br />
As complexity rises, precise statements lose meaning and<br />
meaningful statements lose precision. - Lotfi Zadeh<br />
– Fuzzy-Control bezeichnet die Anwendung der Fuzzy-Logik in der<br />
Automatisierungstechnik<br />
© 2013 IAS, Universität Stuttgart 318
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Merkmale von Fuzzy-Logik<br />
– Qualitative Aussagen (z.B. "großes Haus") sind gängige Form empirisches<br />
Wissen zu formulieren<br />
– Merkmale von Fuzzy-Logik<br />
Ermöglicht mathematische Darstellung qualitativer Zusammenhänge<br />
Eignet sich zur Formulierung komplexen empirischen Wissens<br />
Entspricht dem menschlichen Sprachverständnis<br />
© 2013 IAS, Universität Stuttgart 319
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Merkmale von Fuzzy-Control<br />
– Merkmale von Fuzzy-Control<br />
Ermöglicht Modellierung auf Basis von empirischem Expertenwissen<br />
Kein Modell der Regelstrecke notwendig<br />
Modelle sind einleuchtend und für Anwender transparent<br />
Komplexe Nichtlinearitäten sind (einfach) zu beherrschen<br />
– Fuzzy-Logik ist kein Allheil<strong>mit</strong>tel<br />
Kein Ersatz, sondern Ergänzung zur klassischen Regelungstechnik<br />
Sehr viele Freiheitsgrade, müssen geeignet berücksichtigt werden<br />
Fuzzy-Controller gehören zur Klasse der Kennfeld-Regler. Neuartig ist<br />
die Art, wie man das Kennfeld entwirft.<br />
© 2013 IAS, Universität Stuttgart 320
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Klassische Mengen vs. Fuzzy-Mengen<br />
– Klassische Menge (scharfe Menge)<br />
Element x gehört entweder zu Menge M oder nicht zu Menge M<br />
Menge M großer Figuren<br />
– Fuzzy-Menge (unscharfe Menge)<br />
Element x gehört zu einem gewissen Grade zur Menge M<br />
Fuzzy-Menge M großer Figuren<br />
© 2013 IAS, Universität Stuttgart 321
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Darstellung einer klassischen Menge<br />
– Charakteristische Funktion m M (x) legt Zugehörigkeit fest<br />
m M<br />
( x)<br />
1,<br />
falls<br />
0,<br />
falls<br />
x<br />
x<br />
M<br />
M<br />
1<br />
m M (x)<br />
M { x 2<br />
, x5}<br />
0<br />
x (cm 2 )<br />
x 4 x 1 x 3 x 2 x 5<br />
© 2013 IAS, Universität Stuttgart 322
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Darstellung einer Fuzzy-Menge<br />
– Zugehörigkeitsfunktion µ groß (x) legt Zugehörigkeit fest<br />
groß<br />
( x) : X<br />
[0;1]<br />
linguistischer Term<br />
groß<br />
{[ x,<br />
groß<br />
( x)]|<br />
x<br />
X}<br />
{( x4;0),(<br />
x1;0),(<br />
x3;0,4),(<br />
x2;1),(<br />
x<br />
5<br />
;1)}<br />
1<br />
µ groß (x)<br />
"groß"<br />
Menge<br />
geordneter Paare<br />
0,4<br />
0<br />
µ groß (x 3 ) = 0,4<br />
x (cm 2 )<br />
x 4 x 1 x 3 x 2 x 5<br />
© 2013 IAS, Universität Stuttgart 323
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Eigenschaften von Zugehörigkeitsfunktionen<br />
– Große Vielfalt von Zugehörigkeitsfunktionen möglich<br />
In der Praxis relevant: abschnittsweise definierte Geraden<br />
– Wesentliche Kenngrößen sind:<br />
Träger (engl. Support):<br />
supp(<br />
x) :<br />
{ x | μ(x)<br />
0}<br />
Toleranz:<br />
toleranz( x) : { x | μ(x)<br />
1}<br />
1<br />
"klein"<br />
"<strong>mit</strong>tel"<br />
"groß"<br />
– Fuzzy-Mengen <strong>mit</strong> gleichem<br />
Träger und gleicher Toleranz<br />
heißen fuzzyähnlich<br />
toleranz(x)<br />
supp(x)<br />
– Fuzzy-Mengen <strong>mit</strong> Maximalwert 1 0<br />
heißen normal, Fuzzy-Mengen <strong>mit</strong><br />
Maximalwert
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Abgrenzung zur Wahrscheinlichkeitstheorie<br />
Mit Zugehörigkeit 0,9<br />
genießbar<br />
Mit Wahrscheinlichkeit<br />
0,9 genießbar<br />
Schmeckt ziemlich gut<br />
Falls man Glück hat, schmeckt<br />
es gut. Falls man Pech hat,<br />
schmeckt es schlecht.<br />
– Fuzzy-Logik beschreibt lokale Unsicherheit<br />
– Wahrscheinlichkeitstheorie beschreibt globale Unsicherheit<br />
© 2013 IAS, Universität Stuttgart 325
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Operatoren auf Fuzzy-Mengen (1)<br />
– Verknüpfungen auf gleicher Grundmenge<br />
1<br />
0<br />
klein <strong>mit</strong>tel groß<br />
Vorsicht: i. a. (µ ¬ µ) 0<br />
UND<br />
µ klein UND <strong>mit</strong>tel = min(µ klein , µ <strong>mit</strong>tel )<br />
ODER<br />
µ klein ODER <strong>mit</strong>tel = max(µ klein , µ <strong>mit</strong>tel )<br />
NICHT<br />
1 - µ <strong>mit</strong>tel<br />
Dargestellt sind die gängigsten aber nicht die einzigen Realisierungsformen<br />
© 2013 IAS, Universität Stuttgart 326
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Operatoren auf Fuzzy-Mengen (2)<br />
– Verknüpfungen auf unterschiedliche Grundmengen<br />
Gleiche Operatoren wie bei Verknüpfung auf gleicher Grundmenge<br />
Verknüpft werden nur die Antworten der Fuzzy-Mengen auf konkrete<br />
Eingangswerte<br />
– Beispiel: klein UND gelb<br />
1<br />
0,7<br />
0<br />
klein <strong>mit</strong>tel groß<br />
cm 2<br />
1<br />
0,3<br />
0<br />
rot<br />
gelb<br />
Hz<br />
grün blau<br />
Eingangswert<br />
Eingangswert<br />
klein UND gelb = min(0,7;0,3) = 0,3<br />
Beziehungen zwischen unterschiedlichen Grundmengen werden allgemein<br />
durch Fuzzy-Relationen beschrieben<br />
© 2013 IAS, Universität Stuttgart 327
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Fuzzy-Implikation<br />
Fuzzy-Implikation = Fuzzy-Logische Schlussfolgerung<br />
Prinzip: Prämisse teilweise wahr<br />
Konklusion teilweise wahr<br />
Realisierung am Beispiel: WENN x = klein DANN z = Ausschuss<br />
– Möglichkeit 1:<br />
MIN-Methode<br />
(Abschneiden)<br />
1<br />
klein <strong>mit</strong>tel groß<br />
1<br />
Ausschuss<br />
OK<br />
x<br />
0<br />
cm 2<br />
0<br />
– Möglichkeit 2:<br />
Produkt-Methode<br />
(Skalieren)<br />
1<br />
klein <strong>mit</strong>tel<br />
groß<br />
1<br />
Ausschuss<br />
OK<br />
x<br />
0<br />
cm 2<br />
0<br />
© 2013 IAS, Universität Stuttgart 328
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Logische Struktur eines Fuzzy-Controllers<br />
Eingangsgrößen<br />
e1<br />
WENN ... UND ...<br />
DANN ...<br />
e2<br />
WENN ... UND ...<br />
DANN ...<br />
WENN ... UND ...<br />
DANN ...<br />
Stellgröße<br />
u<br />
en<br />
Fuzzifizierung<br />
Inferenz<br />
Defuzzifizierung<br />
sog.<br />
Mamdami-<br />
Controller<br />
<strong>mit</strong><br />
MAX/MIN-<br />
Inferenz<br />
© 2013 IAS, Universität Stuttgart 329
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Fuzzifizierung<br />
Eingangswerte Zugehörigkeitsgrade<br />
Beispiel: Jahreszeiten<br />
µ Winter µ Frühling<br />
µ Sommer<br />
µ Herbst<br />
Jan Feb März April Mai Juni Juli Aug Sep Okt Nov Dez<br />
µ Frühling (21.09.) =<br />
µ Sommer (21.09.) =<br />
µ Herbst (21.09.) =<br />
µ Winter (21.09.) =<br />
0<br />
0,5<br />
0,5<br />
0<br />
© 2013 IAS, Universität Stuttgart 330
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Fuzzy-Inferenz<br />
– Aufbau eines Fuzzy-Regelwerks<br />
WENN Sommer<br />
DANN nicht heizen<br />
WENN (Winter UND kalt) DANN stark heizen<br />
WENN (Winter UND warm) DANN wenig heizen<br />
Regeln werden<br />
ODER-Verknüpft<br />
.... Bedingungen werden i.d.R. UND-Verknüpft<br />
– Auswertung eines Fuzzy-Regelwerks<br />
1. Er<strong>mit</strong>tlung des Erfüllungsgrad der einzelnen Prämissen<br />
2. Fuzzy-Implikation für jede Regel<br />
3. Überlagerung sämtlicher Einzel-Konklusionen<br />
Ergebnis: Resultierende Ausgangs-Zugehörigkeitsfunktion<br />
© 2013 IAS, Universität Stuttgart 331
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Defuzzifizierung<br />
– Er<strong>mit</strong>tlung einer Ausgangsgröße auf Basis der resultierenden Ausgangs-<br />
Zugehörigkeitsfunktion<br />
– Realisierung z.B. Mit Flächenschwerpunktsmethode<br />
1<br />
S<br />
0<br />
Ausgangsgröße u<br />
© 2013 IAS, Universität Stuttgart 332
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Entwurfsschritte<br />
1. Wahl der Eingangs- und Ausgangsgrößen und Festlegung ihrer<br />
Wertebereiche<br />
2. Definition linguistischer Terme und ihrer Zugehörigkeitsfunktionen<br />
3. Aufstellen der Regelbasis<br />
Z. B. <strong>mit</strong>tels Experteninterview oder Heuristiken<br />
Vollständige Berücksichtigung des Eingangswertebereichs<br />
4. Evaluation z. B. durch Simulation<br />
© 2013 IAS, Universität Stuttgart 333
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Wahl der Zugehörigkeitsfunktionen<br />
– Verwendung ausschließlich normaler Zugehörigkeitsfunktionen<br />
– Aufteilung der Eingangs- und Ausgangs-Wertebereiche in eine i.d.R.<br />
ungerade Anzahl von Fuzzy-Mengen<br />
Eingangs-Fuzzy-Mengen sollten sich zu 20% - 50% überlappen<br />
– Symmetrische Erweiterung der Rand-Zugehörigkeitsfunktionen des<br />
Ausgangs-Wertebereichs über die jeweilige Wertebereichsgrenze hinaus<br />
Ermöglicht Ausgangswerte auf Wertebereichsgrenzen<br />
NB: negativ big<br />
NM: negativ medium<br />
NS: negativ small<br />
ZO: zero<br />
PS: positiv small<br />
PM: positiv medium<br />
PB: positiv big<br />
© 2013 IAS, Universität Stuttgart 334
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Beispiel: Temperaturregelung (1)<br />
– Aufgabenstellung: Abhängig von der Abweichung der momentanen Ist-Temperatur<br />
von der Soll-Temperatur sowie der zeitlichen Änderungsrate der Temperatur soll die<br />
einzustellende Heizleistung bestimmt werden.<br />
– Eingangsgrößen<br />
Abweichung e1 <strong>mit</strong> linguistischen Termen: [zu kalt, ok, zu warm]<br />
zu kalt 1 ok zu warm<br />
-10 °C<br />
0<br />
10 °C<br />
Änderungsrate e2 <strong>mit</strong> linguistischen Termen: [fallend, null, steigend]<br />
fallend 1 null steigend<br />
– Ausgangsgrößen<br />
-1 °C/min 0<br />
1 °C/min<br />
Heizleistung u <strong>mit</strong> linguistischen Termen: [wenig, <strong>mit</strong>tel, stark]<br />
wenig 1<strong>mit</strong>tel stark<br />
0<br />
500<br />
1000<br />
© 2013 IAS, Universität Stuttgart 335
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Beispiel: Temperaturregelung (2)<br />
– Regeln<br />
R1: WENN e1 = zu warm DANN u = wenig<br />
R2: WENN e1 = ok UND e2 = fallend DANN u = <strong>mit</strong>tel<br />
R3: WENN e1 = ok UND e2 = null DANN u = wenig<br />
R4: WENN e1 = ok UND e2 = steigend DANN u = wenig<br />
R5: WENN e1 = zu kalt UND e2 = fallend DANN u = stark<br />
R6: WENN e1 = zu kalt UND e2 = null DANN u = stark<br />
R7: WENN e1 = zu kalt UND e2 = steigend DANN u = <strong>mit</strong>tel<br />
© 2013 IAS, Universität Stuttgart 336
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Arbeitsweise eines Fuzzy-Controllers am Beispiel<br />
Temperaturregelung<br />
MIN<br />
e1 e2 u<br />
MAX<br />
© 2013 IAS, Universität Stuttgart 337
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Technische Realisierung des Beispiels<br />
Temperaturregelung <strong>mit</strong>tels eines Kennfelds<br />
© 2013 IAS, Universität Stuttgart 338
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Übertragungsverhalten von Fuzzy-Controllern<br />
– Eingangs-Zugehörigkeitsfunktionen haben großen Einfluss auf die Gestalt<br />
der Übertragungskennlinie<br />
Größere Überlappung<br />
Geringere Einflussbreite<br />
glatterer Verlauf<br />
steilerer Verlauf<br />
– Ausgangs-Zugehörigkeitsfunktionen haben geringen Einfluss auf die<br />
Gestalt der Übertragungskennlinie<br />
Extremfall: Zugehörigkeitsfunktion <strong>mit</strong> nur einem diskreten Wert (Singleton)<br />
Beispiel:<br />
NB NS ZO PS PB<br />
1<br />
u<br />
NB NS ZO PS PB<br />
e<br />
e<br />
u<br />
-1<br />
© 2013 IAS, Universität Stuttgart 339
4.3 Fuzzy-Logik und Fuzzy-Control<br />
AT II<br />
Frage zu Kapitel 4.3<br />
Verknüpfen Sie die dargestellten Fuzzy-Mengen entsprechend den<br />
angegebenen Operationen.<br />
1<br />
A<br />
B<br />
0<br />
A und B<br />
1<br />
A oder B<br />
0<br />
1<br />
0<br />
© 2013 IAS, Universität Stuttgart 340
AT II<br />
§ 4 Automatisierung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
4.1 Qualitative Modellbildung<br />
4.2 Prozessüberwachung <strong>mit</strong> <strong>qualitativen</strong> <strong>Modellen</strong><br />
4.3 Fuzzy-Logik und Fuzzy-Control<br />
4.4 Zusammenfassung<br />
© 2013 IAS, Universität Stuttgart 341
4.4 Zusammenfassung<br />
AT II<br />
Zusammenfassung Kapitel 4 (1)<br />
– Qualitative Modellbildung (von Fließprozessen) bezeichnet eine auf das<br />
prinzipielle Verhalten reduzierte Modellbildung.<br />
– Man unterscheidet Modelle <strong>mit</strong> kausalen Beziehungen (z. B. kausale<br />
Netze), Modelle <strong>mit</strong> Regeln (z. B. Entscheidungstabellen) sowie Modelle<br />
<strong>mit</strong> <strong>qualitativen</strong> Variablen (z. B. Intervallvariablen).<br />
– Entscheidungstabellen bestehen aus einem Bedingungsteil und einem<br />
Aktionsteil, welche durch WENN-DANN-Regeln verknüpft werden.<br />
– Qualitative Modelle können zur Prozessüberwachung verwendet werden.<br />
Vorteil ist ein geringerer Aufwand gegenüber quantitativen <strong>Modellen</strong>.<br />
– Kausale Netze werden speziell zur Auswertung von Alarmmeldungen aus<br />
einer signalorientierten Überwachung verwendet.<br />
– Bei Verwendung qualitativer Variablen werden die Prozessgrößen durch<br />
Intervalle dargestellt und zu sog. Situationen kombiniert, welche das<br />
Prozessgeschehen beschreiben.<br />
© 2013 IAS, Universität Stuttgart 342
4.4 Zusammenfassung<br />
AT II<br />
Zusammenfassung Kapitel 4 (2)<br />
– Fuzzy-Logik ist eine Erweiterung der klassischen Mengenlehre und der<br />
binären Logik.<br />
– Zur Darstellung "unscharfer" Mengen verwendet Fuzzy-Logik sog. Zugehörigkeitsfunktionen,<br />
welche durch Fuzzy-Operatoren logisch verknüpft<br />
werden können.<br />
– Grundkonzept der Fuzzy-Implikation ist: Wenn Prämisse teilweise wahr,<br />
dann Konklusion teilweise wahr.<br />
– Fuzzy-Control bezeichnet die Anwendung der Fuzzy-Logik in der Automatisierungstechnik<br />
und ermöglicht eine <strong>Prozessautomatisierung</strong> auf<br />
Basis empirischen Expertenwissens.<br />
– Wesentliche Bestandteile eines Fuzzy-Controllers sind die Fuzzifizierung,<br />
das Regelwerk (Inferenz) sowie die Defuzzifizierung.<br />
– Ein Fuzzy-Controller entspricht einen Kennfeldregler.<br />
© 2013 IAS, Universität Stuttgart 343
4.4 Zusammenfassung<br />
AT II<br />
Vorbereitungsfragen zu Kapitel 4<br />
Frage 1: Fuzzy-Control (SS 12)<br />
Die Kühlleistung einer begehbaren Industriekühlkammer soll durch einen Fuzzy-Controller<br />
berechnet werden. Als Eingangswerte stehen die Größen T SOLL (-20 … +15 °C),<br />
T IST (-25 … +40 °C) und dT IST /dt (-2 .. +5 °C/min) zur Verfügung. Konstruieren Sie einen<br />
Fuzzy-Controller, der aus der Differenz von Ist- und Solltemperatur sowie der aktuellen<br />
Änderungsrate die Kühlleistung bestimmt.<br />
Frage 2: Fuzzy-Control (WS 01/02)<br />
Eine Heizungsanlage soll <strong>mit</strong> Hilfe eines Fuzzy-Controllers geregelt werden. Definieren Sie<br />
hierzu entsprechende Zugehörigkeitsfunktionen für die Regelgröße Raumtemperatur<br />
(Wertebereich: 10°C bis 25°C). Die Zugehörigkeitsfunktionen sollen sich mindestens zu 25%,<br />
maximal zu 50% überlappen. Beschriften Sie die Funktionen <strong>mit</strong> linguistischen Termen.<br />
© 2013 IAS, Universität Stuttgart 344