Computational Intelligence: die Natur als Vorbild für technische ...
Computational Intelligence: die Natur als Vorbild für technische ...
Computational Intelligence: die Natur als Vorbild für technische ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
liguistischen Wert betreffende Aussage (z.B. „es ist warm“) voll zu, ist sie dagegen<br />
Null, so ist keinerlei Übereinstimmung vorhanden.<br />
Mit Hilfe der Theorie der unscharfen Mengen gelingt <strong>die</strong> Zuordnung linguistischer Aussagen<br />
zu unscharfen Mengen. Entscheidungen, <strong>die</strong> bisher vom Menschen getroffen wurden,<br />
können mit Hilfe von Fuzzy-Methoden wirkungsvoll Rechnern übertragen werden.<br />
Mit Hilfe der Fuzzy-Technologie ist es möglich, das oft nur linguistisch verfügbare Expertenwissen<br />
<strong>für</strong> Automatisierungslösungen zu verwenden. Dies gilt <strong>für</strong> Anwendungen<br />
auf dem Gebiet der intelligenten Meßwertverarbeitung, Steuerung und Regelung sowie<br />
der Diagnose <strong>technische</strong>r Prozesse. Besondere Vorteile der Fuzzy Technologie werden<br />
sich bei der Entwicklung leistungsfähiger Expertensysteme ergeben. Diese Anwendung<br />
der künstlichen Intelligenz (KI) ist an der Modellierung durch <strong>die</strong> zweiwertige Logik gescheitert<br />
und gehört zu der „einzigen großen Enttäuschung auf dem Gebiet des Einsatzes<br />
der Digitalrechner“ [13].<br />
Da <strong>die</strong> Koppelung von Automatisierungssystemen mit den Sensoren und Aktoren eines<br />
industriellen Prozesses im allgemeinen über Analogwerte, d.h. reelle Zahlen erfolgt, hat<br />
E.H. Mamdani Transformationen zwischen den Ein- und Ausgangsgrößen des Prozesses<br />
und der Fuzzy-Welt vorgeschlagen [17]:<br />
• Die in der Fuzzifizierungsphase erfolgende „Vergröberung“ von Prozeßinformation<br />
(zum Beispiel ϑ = 22,5 °C → ϑ ist gleich warm) führt zu einer Informationsreduzierung<br />
und damit zu Entscheidungsräumen mit niedriger Dimension, so daß <strong>die</strong> effektive<br />
Ausführung komplexer Entscheidungsprozesse möglich wird.<br />
• In der Entscheidungs- oder Inferenzphase erfolgt der eigentliche Problemlösungsvorgang<br />
unter Nutzung der in der Regelbasis niedergelegten linguistisch formulierten<br />
Expertenerfahrung.<br />
• In der anschließenden Defuzzifierungsphase werden <strong>die</strong> unscharfen Ergebnisse des<br />
Entscheidungsprozesses zusammengefaßt und in <strong>die</strong> Welt der reellen Zahlen transformiert,<br />
so daß an den Prozeß wieder „scharfe“ (d.h. nichtlinguistische) Stellbefehle<br />
ausgegeben werden können.<br />
Die Auswahl, welche Informationen wie zu „vergröbern“ sind, ohne daß wesentliche<br />
Aspekte verloren gehen, setzt allerdings viel Prozeßwissen und Erfahrung voraus.<br />
Zur Beseitigung weit verbreiteter Mißverständnisse sei abschließend auf Gemeinsamkeiten<br />
und Unterschiede der Begriffe (sprachlicher) Unschärfe und Wahrscheinlichkeit<br />
hingewiesen: beide beruhen auf Abstufungen; der erste auf der Abstufung von Wahrheit,<br />
der zweite auf der Abstufung von Erwartung.