10.14489/vkit.2017.07.pp.022-030

DOI: 10.14489/vkit.2017.07.pp.022-030

Бобырь М. В., Милостная Н. А.
АНАЛИЗ МЕТОДОВ ПОВЫШЕНИЯ НАДЕЖНОСТИ НЕЧЕТКИХ СИСТЕМ
(c. 22-30)

Аннотация. Рассмотрены основные свойства и ошибки, характерные для традиционных адаптивных нечетко-логических систем управления, и детализированы моменты, в которых они проявляются. Предложены методы устранения ошибок, возникающих при функционировании нечетко-логических систем на основе компенсирующих операторов и мягких арифметических операций.

Ключевые слова: нечеткая логика; интеллектуальная система управления; оператор t-норм; оператор Циммерманна; мягкое вычисление; адаптивная нейро-нечеткая система вывода; проклятие размерности.

Bobyr M. V., Milostnaya N. A.
ANALYSIS OF METHODS TO INCREASE THE RELIABILITY OF FUZZY SYSTEMS
(pp. 22-30)

Abstract. The paper discusses the problems, which are characteristic of the fuzzy inference traditional models. The author shows that t-norms should be used to remove the errors in one case. However, Zimmerman's operator should be used to remove the errors in the other case. Soft arithmetic operators are also effective for removing errors, which are characteristic of traditional fuzzy inference systems. When using the Zimmerman’s operator there is a limitation in some cases, which make reaching an extrema in modeling of the fuzzy inference systems impossible. In the paper, the polygon parametrized membership functions are used to implement the fuzzy inference. Their peculiarity lies in the fact that these functions adjacent terms of the intersection points are equal to 0,5. Therefore, using these membership functions provides with a condition of monotony and with the partition of unity. An adaptive neuro-fuzzy system for precision control on CNC (Computer Numerical Control) equipment considering the Zimmerman's operator and soft arithmetic operators are presented. A feature of this system is a layered representation of the fuzzy formulas calculation sequence. The parametrized triangular of membership functions, which describe the input and output variables, are formed at the fuzzification stage. At the fuzzy inference stage both the Zimmerman’s operator and soft arithmetic operators are used during the implication as a compensation. The center of gravity method is used during defuzzification. The method of the error backward propagation is used in the neural-fuzzy system training. The paper gives an example explaining the principle of fuzzy system training. Comparative characteristics of the root mean square error calculation for the proposed method are also given. A numerical simulation of fuzzy MISO(Multi-Input Single-Output)-system has proved that the proposed method is effective.

Keywords: Fuzzy logic; Intelligent control system; T-norm’s operator; Operator Zimmermann; Soft computing; Adaptive neuro-fuzzy inference system; Course of dimension.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

М. В. Бобырь, Н. А. Милостная (Юго-Западный государственный университет, Курск, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

M. V. Bobyr, N. A. Milostnaya (Southwest State University, Kursk, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. Магомедов М. Х., Громов А. Е., Яковлев А. В. Цифровая технология управляемого ударного гравирования // Вестник компьютерных и информационных технологий. 2015. № 10. С. 3 – 11. doi: 10.14489/vkit.2015. 010.pp.003-011
2. Круглова Т. Н. Применение аппарата нечеткой логики и нейронных сетей для управления техническим состоянием модулей движения технологического оборудования // Вестник компьютерных и информационных технологий. 2010. № 8. С. 28 – 35.
3. Abdulshahed A. M., Longstaff A. P., Fletcher S. The Application of ANFIS Prediction Models for Thermal Error Compensation on CNC Machine Tools // Applied Soft Computing. 2015. V. 27. P. 158 – 168.
4. Mamdani E. A. Application of Fuzzy Logic to Approximate Reasoning Using Linguistic Synthesis // IEEE Trans. Computers. 1977. V. С-26, № 12. P. 1182 – 1191. doi: 10.1109/TC.1977.1674779
5. Takagi Т., Sugeno M. Fuzzy Identification of Systems and its Applications to Modeling and Control. IЕЕЕ Trans. on SMC. 1985. V. 15, № 1. P. 116 – 132. doi: 10.1109/TSMC.1985.6313399
6. Satyabrata P., Uttam R. ANFIS Based Weld Metal Deposition Prediction System in Mag Welding using Hybrid Learning Algorithm // Intern. Journal of Fuzzy Logic Systems. 2013. V. 3, № 1. P. 33 – 46.
7. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенный решений. М.: Мир, 1976. 165 с.
8. Пегат А. Нечеткое моделирование и управление. М.: БИНОМ. Лаборатория знаний, 2012. 798 с.
9. Бобырь М. В., Титов В. С., Акульшин Г. Ю. Моделирование нечетко-логических систем управления на основе мягких арифметических операций // Вестник компьютерных и информационных технологий. 2013. № 3. С. 29 – 35.
10. Бобырь М. В., Милостная Н. А. Анализ использования мягких арифметических операций в структуре нечетко-логического вывода // Вестник компьютерных и информационных технологий. 2015. № 7. С. 7 – 15. doi: 10.14489/vkit.2015.07.pp.007-015
11. Van Broekhoven, E., De Baets, B. Monotone Mamdani-Assilian Models Under Mean of Maxima Defuzzification // Fuzzy Sets and Systems. 2008. V. 159, № 1. P. 2819 – 2844.
12. Zimmermann H. J. Fuzzy set theory and its applicаtion. London: Kluwer Academic Publishers, 1996. 435 p.
13. Бобырь М. В. Влияние числа правил на обучение нечетко-логической системы // Вестник компьютерных и информационных технологий. 2014. № 11. С. 28 – 35. doi: 10.14489/vkit.2014.011.pp.028-035
14. Бобырь М. В., Милостная Н. А., Кулабухов С. А. Алгоритм обучения меток функций принадлежности // Вестник компьютерных и информационных технологий. 2016. № 9. С. 26 – 34. doi: 10.14489/ vkit.2016.09.pp.026-034
15. Бобырь М. В., Кулабухов С. А., Милостная Н. А. Обучение нейро-нечеткой системы на основе метода разности площадей // Искусственный интеллект и принятие решений. 2016. № 4. С. 15 – 26.
16. Бобырь М. В., Милостная Н. А. Нечеткая модель интеллектуальной системы управления мобильным роботом // Проблемы машиностроения и автоматизации. 2015. № 3. С. 57 – 67.
17. Автоматизированная система управления скоростью обработки деталей на оборудовании с ЧПУ / А. В. Анциферов и др. // Изв. Юго-Западного государственного университета. 2012. № 2-1 (41). С. 13 – 16.
18. Титов В. С., Бобырь М. В., Тевс С. С. Выбор оптимальных параметров управления технологическим процессом методами нечеткой логики // Промышленные АСУ и контроллеры. 2003. № 5. С. 21 – 23.

Eng

1. Magomedov M. Kh., Gromov A. E., Iakovlev A. V. (2015). Digital technology driven shock engraving. Vestnik komp'iuternykh i informatsionnykh tekhnologii, (10), pp. 3-11. doi: 10.14489/vkit.2015. 010.pp.003-011 [in Russian lanuage]
2. Kruglova T. N. (2010). Use of the fuzzy logic and neural networks for technical condition manufacturing equipment movement modules control. Vestnik komp'iuternykh i informatsionnykh tekhnologii, (8), pp. 28-35. [in Russian lanuage]
3. Abdulshahed A. M., Longstaff A. P., Fletcher S. (2015). The application of ANFIS prediction models for thermal error compensation on CNC machine tools. Applied Soft Computing, 27, pp. 158-168. doi: 10.1016/j.asoc. 2014.11.012
4. Mamdani E. A. (1977). Application of fuzzy logic to approximate reasoning using linguistic synthesis. IEEE Trans. Computers, С-26(12), pp. 1182-1191. doi: 10.1109/TC.1977.1674779
5. Takagi Т., Sugeno M. (1985). Fuzzy identification of systems and its applications to modeling and control. IЕЕЕ Trans. on SMC, 15(1), pp. 116-132. doi: 10.1109/TSMC.1985.6313399
6. Satyabrata P., Uttam R. (2013). ANFIS based weld metal deposition prediction system in mag welding using hybrid learning algorithm. Intern. Journal of Fuzzy Logic Systems, 3(1), pp. 33-46. doi: 10.5121/ijfls.2013.3104
7. Zadeh L.A. (1976). The concept of a linguistic variable and its application to the adoption of approximate solutions. Moscow: Mir. [in Russian language]
8. Pegat A. (2012). Fuzzy modeling and management. Moscow: BINOM. Laboratoriia znanii. [in Russian language]
9. Bobyr' M. V., Titov V. S., Akul'shin G. Iu. (2013). Modeling of fuzzy-logic control systems on the basis of soft arithmetic operations. Vestnik komp'iuternykh i informatsionnykh tekhnologii, (3), pp. 29-35. [in Russian language]
10. Bobyr' M. V., Milostnaia N. A. (2015). Analysis of the use of soft arithmetic operations in the structure of fuzzy logic inference. Vestnik komp'iuternykh i informatsionnykh tekhnologii. (7), pp. 31-36. doi: 10.14489/vkit.2015.07. pp.007-015. [in Russian language]
11. Van Broekhoven, E., De Baets, B. (2008). Monotone Mamdani-Assilian models under mean of maxima defuzzification. Fuzzy Sets and Systems, 159(1), pp. 2819-2844. doi: 10.1016/j.fss.2008.03.014
12. Zimmermann H. J. (1996). Fuzzy set theory and its applicаtion. London: Kluwer Academic Publishers.
13. Bobyr' M. V. (2014). Effect of number rule on training of fuzzy-logic systems. Vestnik komp'iuternykh i informatsionnykh tekhnologii, (11), pp. 28-35. doi: 10.14489/vkit.2014.11.pp.028-035 [in Russian language]
14. Bobyr' M. V., Milostnaia N. A., Kulabukhov S. A. (2016). Algorithm training labels of the membership functions. Vestnik komp'iuternykh i informat-sionnykh tekhnologii, (9), pp. 26-34. doi: 10.14489/ vkit.2016.09.pp.026-034
15. Bobyr' M. V., Kulabukhov S. A., Milostnaia N. A. (2016). Training of a neural-fuzzy system based on the area difference method. Iskusstvennyi intellekt i priniatie reshenii, (4), pp. 15-26. [in Russian language]
16. Bobyr' M. V., Milostnaia N. A. Fuzzy model of intelligent mobile robot management system. Problemy mashinostroeniia i avtomatizatsii, (3). pp. 57-67. [in Russian language]
17. Antsiferov A. V. et al. (2012). Automated control system of the parts machining speed on CNC equipment. Izvestiia Iugo-Zapadnogo gosudarstvennogo universiteta, 41(2-1), pp. 13-16. [in Russian language]
18. Titov V. S., Bobyr' M. V., Tevs S. S. (2003). Selection of optimal parameters for process control using fuzzy logic methods. Promyshlennye ASU i kontrollery, (5), pp. 21-23. [in Russian language]

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2017.07.pp.022-030

и заполните ФОРМУ

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2017.07.pp.022-030

and fill out the FORM