퍼지 논리란 무엇입니까?

퍼지 논리는 복잡한 제어 시스템을 구현하는 가장 신뢰할 수 있는 수단처럼 들리지 않을 수 있습니다. 그러나 퍼지 논리 시스템이 부정확한 데이터로 작업하고 전문가의 경험을 구현하는 능력은 현대 제어 응용 프로그램에서 강력한 도구가 됩니다.

퍼지 논리 개요

1965년 Lofti Zada가 개발한 AI(인공 지능)의 하위 분류인 퍼지 논리를 통해 컴퓨터 시스템은 인간이 데이터를 해석하고 데이터와 상호 작용하는 방식을 모방할 수 있습니다. 부울 논리는 두 가지 결과(참 또는 거짓, 0 또는 1)로 제한되지만 퍼지 논리는 진실의 정도를 다룹니다.

예를 들어, 자율 로봇 시스템이 바쁜 창고 바닥을 탐색할 수 있도록 하는 머신 비전 시스템을 생각해 보십시오. 우리는 오른쪽 스윙의 문이 빨리 열리는 것을 보고 장애물이 곧 나타날 것이라는 것을 알게 될 것입니다. 그러나 부울 논리는 "아마도"를 다루지 않습니다. "장애물이 곧 나타날 것"과 "장애물이 막 나타나지 않을 것"을 다룹니다.

퍼지 논리를 사용하면 문이 열리는 속도(즉, 매우 느림, 느림, 보통, 빠름, 매우 빠름), 문이 있는 위치, 하루 중 시간과 같은 입력이 장애물이 발생할 확률로 변환될 수 있습니다. 나타납니다(예:0.8).

퍼지 논리의 기초

퍼지 논리 시스템에는 세 가지 다른 유형의 값이 있습니다.

<울>

명확한 숫자 값 형식의 입력 값(예:T =120°C)

명확한 값이 언어적으로 표현된 범주 집합에 속할 확률을 나타내는 퍼지 값(예:낮음 =0.2, 보통 =0.8, 높음 =0.0)

디퍼지화되고 또렷한 출력 값(우선순위 =0.7)

퍼지 논리 시스템에는 네 부분이 있습니다.

<올>

퍼지화 모듈

지식 기반

추론 엔진

비퍼지화 모듈

퍼지화 모듈 선명한(퍼지와 반대되는) 숫자 값의 형태로 시스템 입력을 수신합니다. 선명한 값 입력 신호는 일반적으로 언어 값(예:차갑게, 따뜻하게, 뜨겁게)으로 표시되는 범주 집합으로 나뉩니다.

그림 1. 나쁨, 좋음, 우수함을 나타내는 세 가지 멤버십 함수의 플롯. Mathworks 제공 이미지 사용

각 범주의 퍼지 값은 해당 범주에 속할 확률입니다. 퍼지 값은 "진실도"로 생각할 수도 있습니다. 시속 95마일로 주행하는 자동차는 "진리도 0.75로 빠르게 주행"할 수 있습니다. 실제 퍼지 프로세스는 일련의 멤버십 함수에 의해 수행되며 가장 일반적인 것은 삼각형, 사다리꼴, 과시안 또는 S자형입니다.

지식 기반 인간의 추론을 기반으로 하고 해당 분야의 전문가가 제공하는 일련의 if-then 규칙을 포함합니다. 다음은 다음과 같은 예입니다.

<울>

온도가 높고 속도가 낮으면 Alert_Level =보통

온도가 높고 속도가 매우 높은 경우 THEN Alert_Level =낮음

속도가 낮고 온도가 높거나 가속이 HIGH이면 Alert_Level =높음

추론 엔진 인간 주제 전문가가 하는 것과 유사한 방식으로 지식 기반의 규칙을 퍼지 값에 사용합니다. 결과는 또 다른 퍼지 값이며 이 경우입니다.

마지막으로, 역퍼지화 모듈은 추론 엔진의 출력을 퍼지화 모듈의 역과 같이 선명한 값으로 변환합니다. 이 예에서 경고 수준은 0.8이 될 수 있으며, 이는 기술자가 예방 유지 관리 작업의 우선 순위를 지정하는 데 도움이 됩니다.

퍼지 로직 사용 방법

퍼지 논리는 널리 사용되며 많은 사람들이 자신도 모르게 그 기능을 활용합니다. 음성 명령을 사용하여 객체와 상호 작용하는 자연어 처리는 퍼지 논리가 적용되는 영역 중 하나입니다. 자연어 처리에는 개인이 말하는 내용에 대한 불확실성이 있습니다. 그럼에도 불구하고 퍼지 논리는 이러한 잡음이 있거나 부정확한 데이터를 처리하여 높은 수준의 정확도로 말한 내용을 해석할 수 있습니다.

그림 2. 퍼지 논리 및 신경망은 해양 석유 시설을 포함한 위성 이미지의 다양한 지역을 식별할 수 있습니다.

엔지니어는 의사 결정 지원 시스템의 일부로 퍼지 논리를 사용하며 마케팅 및 광고에 통합되어 있습니다. 또한, 퍼지 논리 시스템은 인공위성 이미지에서 농지, 도시 지역, 숲 및 물을 구별할 수 있는 가능성을 식별하기 위한 머신 비전 시스템의 일부로 신경망과 결합될 수 있습니다.

그러나 퍼지 논리가 광범위한 응용 프로그램을 찾은 한 영역은 제어 시스템입니다.

퍼지 논리 및 제어 시스템

자동차에는 제동 시스템을 제어하는 ​​퍼지 논리 시스템이 있을 수 있습니다. 자율 주행 차량은 속도, 조향 및 적응형 크루즈 컨트롤과 같은 시스템에 대해 퍼지 논리 제어(FLC)에 크게 의존합니다. 그리고 자율주행이 아닌 자동차도 제동 시스템에 FLC를 사용할 가능성이 높습니다. 에어컨 시스템은 에너지 소비를 최적화하면서 실내 온도와 팬 속도를 편안한 수준으로 유지하기 위해 스마트 온도 조절 장치의 일부로 퍼지 논리에 의존하는 경우가 많습니다.

그러나 이것들은 그 사용의 두 가지 예에 불과합니다. FLC는 산업 자동화, 생물의학 제조, 석유화학 공정, 자동차 제조, 원자력을 비롯한 매우 다양한 산업에서 찾아볼 수 있습니다.

펌프, 모터, 팬 및 구동계는 퍼지 논리를 사용하여 제어할 수 있으며 입력으로 센서 어레이에서 데이터를 수신합니다. FLC를 사용하여 매우 정밀한 모션 제어를 달성할 수 있으므로 컴퓨터 수치 제어(CNC) 가공 시스템에서 사용됩니다. 온도를 효과적으로 제어하는 ​​능력은 고정밀 온도 사이클에 의존하는 가마 및 열처리 오븐에서 사용함으로써 입증됩니다. FLC는 또한 군집 로봇 공학에서 볼 수 있는 것과 같이 매우 복잡한 시스템 상호 작용을 감독할 수 있습니다.

그림 3. 퍼지 제어 시스템의 힘을 활용하여 MIT의 전자 연구 연구소에서 개발한 것과 같은 군집 로봇 공학 시스템을 개발하는 기술. MIT 제공 이미지 사용

FLC는 또한 머신 비전에 의존하는 시스템에서 매우 중요하며 산업 자동화, IIoT 및 인더스트리 4.0을 가능하고 효과적으로 발전시켰습니다.

전통적인 제어 시스템은 운영자와 전문가의 경험을 고려할 수 없는 매우 정확한 데이터와 규칙에 의존합니다. 반면에 퍼지 논리는 데이터에 노이즈가 있거나 부정확하거나 부분적으로 누락된 응용 프로그램에 이상적입니다. 지식 기반은 실제 사람들의 통찰력과 경험을 활용하여 의사 결정 프로세스를 시뮬레이션할 수 있습니다.