APLICATIONS ON ARTIFICIAL INTELLIGENCE Introduction to Intelligent Control N. Aspragathos Robotics Group

Conventional and Intelligent Control From manual to automatic control. Control Theory. Conventional feedback Control. A model of the plant is required. The real physical or technical are very complex and it is difficult to be modeled. Particularly to obtain accurate (exact) models. Use of human knowledge and expertise from the manual control of plants to develop intelligent control systems. Mimetics of physical (biological) systems performance and particularly the human intelligence. Development of mathematics for the foundation of a theoretical tools for representing the human knowledge and dealing with inaccuracy.

Cruise Control Manual Control The driver is part of the controller. Reads the current speed by its vision. Regulates the speed by pressing the foot pedals. Learns how to regulate the speed by training. Does not require model of the car.

Cruise controller design Conventioanal control Replace the driver by a convectional controller regulating the speed under any conditions: Road inclination Speed of the wind Load Design procedure Developing a model of the automobile dynamics (which may model vehicle and power train dynamics, tire and suspension dynamics, the effect of road grade variations, etc.). Using the mathematical model, or a simplified version of it, to design a controller (e.g., via a linear model, develop a linear controller with techniques from classical control). Using the mathematical model of the closed-loop system and mathematical or simulation-based analysis to study its performance (possibly leading to redesign). Implementing the controller via, for example, a microprocessor, and evaluating the performance of the closed-loop system (again, possibly leading to redesign).

Fuzzy Logic cruise Ευφυής Έλεγχος In fuzzy control we focus on gaining an intuitive understanding of how to best control the process, then we load this information directly into the fuzzy controller. gather rules about how to regulate the vehicle’s speed from a human driver, eg. “If speed is lower than the set-point, then press down further on the accelerator pedal.” Other rules may depend on the rate of the speed error increase or decrease, Ways to adapt the rules when there are significant plant parameter variations (e.g., if there is a significant increase in the mass of the vehicle, tune the rules to press harder on the accelerator pedal).

Theoretical bases of Intelligent Control Fuzzy Logic Neural Nets Genetic Algorithms Expert systems Combinations of them

Conventional Control y(t) r(t)

Conventional Control Mathematical Modelling Linear models x’=Ax+Bu y=Cx+Du Transfer Function G(s)=C(sI-A)-I B+D Design using root locus, Nyquist, Bode Plots Adaptive control if the parameters are unkown Nonlinear models x’=f(x,u) x=g(x,u) Design based on adaptive, feedback linearization, sliding mode etc.

Performance Objectives and Design Constraints Properties Stability Effects of non-linearities Controllability Observability Objectives Disturbance rejection Insensitivity to plant parameter variations Rise-time, overshooting, steady-state error, Settling time Design Constraints Cost Computational complexity Manufacturability Reliability, user health protection, safety, understandability Maintainability

Performance evaluation Mathematical analysis based on the use of formal models Simulation-based analysis that most often uses formal models, and Experimental investigations on the real system.

Intelligent Control Biomimetic design and operation of the control system Mimetics of Human operator behavior by a controller performing continuously and in a constant way. Using the knowledge and expertise of the Human operator (Fuzzy Logic Controllers) Training procedure with experimental data (Neural Network Controllers) Flexibility, Robustness, extensibility, reusability and safety. Operation under uncertainty conditions and with inaccurate and qualitative models.

Ευφυής Έλεγχος Θεωρία Ελέγχου Επιστήμη Ευφυής Επιχειρ. Υπολογ. Έλεγχος Δυναμική Μοντελοποίηση Ανατροφοδ. Βελτιστοποίηση Επικοινωνία agents Διοίκηση Επιχειρ. Έρευνα Ευφυής Έλεγχος Επιστήμη Υπολογ. Αντικειμενοστρ. Σχεδ. Διαδικασίας Συντονισμός Κατευθυνόμενη Επεξεργασία Μνήμη Μάθηση Ευριστικός Τεχνητή Νοημοσ.

Νευρωνικά Δίκτυα

Νευρωνικά Δίκτυα Προσεγγίζουν μία συνάρτηση ή την αντίστροφή της Μαθαίνουν με εκπαίδευση Γενίκευση Παράλληλη επεξεργασία Πλεονεκτήματα Αυτονομία(περιορισμένη επέμβαση του ανθρώπου) Βελτίωση της Ευελιξία και Απόδοσης Περιορισμός χρόνου για τον αρχικό σχεδιασμό Δεν είναι απαραίτητη η αρχική γνώση σε μορφή κανόνων.

Ασαφή συστήματα Ανάγκες Πηγές γνώσης Προσέγγιση του μοντέλου περίπλοκων συστημάτων Αξιοποίηση της ανθρώπινης ποιοτικής γνώσης και εμπειρίας Πηγές γνώσης Ανθρώπινη Μετρήσεις και μαθηματικά μοντέλα Μορφοποίηση της ποιοτικής ανθρώπινης γνώσης με αυστηρό μαθηματικό τρόπο Μετατροπή της ποιοτικής γνώσης σε μαθηματική μορφοποίηση Ασαφής μοντελοποίηση φυσικού συστήματος Μοντελοποίηση συστήματος ελέγχου ενός φυσικού συστήματος

Τύποι ασαφών συστημάτων Καθαρό ασαφές σύστημα Είσοδοι και έξοδος ασαφή σύνολα Takagi-Sugeno Είσοδοι ποσοτικά μεγέθη και εξοδος βεβαρυμμένος μέσος όρος των εισόδων Με ασαφοποιητή και αποασαφοποιητή Είσοδοι και έξοδος ποσοτικά μεγέθη

Θεωρία πιθανοτήτων και ασάφειας Θεωρία βεβαιότητας (δυνατότητας) βαθμός του «ανήκειν» σε ένα σύνολο Α∩Αc ≠ ø Οι σημαντικότερες διαφορές Μηχανισμός λήψης αποφάσεων με αβεβαιότητα Επεξεργασία και ανάλυση δεδομένων με τυχαιότητα Στην ασαφή λογική ο νόμος περί «του τρίτου αποκλίσεως» δεν ισχύει

Ασαφής Έλεγχος Συστηματική μεθοδολογία για τον σχεδιασμό ελεγκτών βασιζόμενη στην ποιοτική γνώση του ειδικού, που μπορεί να εκφρασθεί με λόγια (λεκτικά). Συγκέντρωση γνώσης και μετατροπή σε κανόνες για την δημιουργία βάσης γνώσης. Η θεωρία της Ασαφούς Λογικής προσφέρει συστηματική προσέγγιση για την μετατροπή της βάσης γνώσης σε μια μη-γραμμική απεικόνιση. Δεν χρειάζεται ακριβές μοντέλο αλλά πολύ καλή κατανόηση της βασικής συμπεριφοράς. Απαιτείται μοντέλο για τις δοκιμές σε προσομοιωτή.

Τυπικό διάγραμμα Ασαφούς Κατευθυντή

Διαμορφώσεις Κατευθυντών Ρύθμιση κερδών συμβατικού κατευθυντή

Βοηθητικός PID

Διαμορφώσεις Κατευθυντών Επιλογή συμβατικού κατευθυντή

Εκπαιδευόμενοι ή προσαρμοστικοί Ασαφείς Κατευθυντές

Σχεδιασμός Ασαφούς κατευθυντή Επιλογή εισόδων-εξόδων Προεπεξεργασία εισόδων- μεταεπεξεργασία εξόδων Επιλογή τύπου Ασαφούς Κατευθυντή Σχεδιασμός του ασαφοποιητή, βάσης γνώσης, μηχανισμό συμπερασμού, ασαφοποιητή Εκτίμηση της συμπεριφοράς. Επανάληψη βημάτων σχεδιασμού αν η συμπεριφορά δεν είναι ικανοποιητική με βάση τις προδιαγραφές και τους περιορισμούς (Ιδιες με του συμβατικού ελέγχου) Προσοχή στην πληρότητα της γνώσης του ειδικού, πρόβλεψη καταστάσεων αστάθειας, ιδιαίτερα σε συστήματα με κρίσιμες απαιτήσεις ασφάλειας.

Εφαρμογές Τσιμεντοβιομηχανία Αεροναυπηγική, αυτοκινητοβιομηχανία Φούρνος παραγωγής κλινκερ Είσοδοι: ποσοστό οξυγόνου στα αέρια εξοδου, θερμοκρασία αερίων εξόδου, ροπή περιστροφής, εσωτερική θερμοκρασία Έξοδοι: παροχή αέρα και παροχή καυσίμου Αεροναυπηγική, αυτοκινητοβιομηχανία ABS, αναρτήσεις Σύστημα Καύσιμου Αυτόματο κιβώτιο

Προγραμματιζόμενος Ελεγκτής με ασαφή λογική

Εξέλαση

Σταθεροποίηση φορτίου γερανογέφυρας

Ελεγχος Ανεμογεννήτριας

Επεξεργασία αποβλήτων

Έλεγχος αποχετεύσεων με ρομπότ

Φωτεινή Σηματοδότηση

Σιδηρόδρομος (Sendai subway, Japan) Κριτήρια: ασφάλεια, άνεση, ακρίβεια ταχύτητας και θέσης στάθμευσης Έλεγχος ταχύτητας Έλεγχος αυτόματης στάθμευσης

Κλιματιστικά

Οικιακές συσκευές Πλυντήρια είσοδοι:βαθμός και τύπος βρωμιάς, βάρος έξοδος το πρόγραμμα πλύσης

Φωτογραφικές μηχανές Σταθεροποιητής εικόνας μερική ή ολική κίνηση σημείων

Μετρητής Πίεσης Αίματος

Ιστορική Αναδρομή Δεκαετία του 60 Το ξεκίνημα 1965, Lofti Zadeh “Fuzzy Sets” Από το 1962 αμφισβήτησε την δυνατότητα ελέγχου πολύπλοκων συστημάτων με κλασική θεωρία. Αντίθεση των μαθηματικών της θεωρίας πιθανοτήτων και στατιστικής. Ασχολούνται πολύ λίγοι ερευνητές. Δεκαετία του 70 Αναπτυξη της θεωρίας και οι πρώτες εφαρμογές Ασαφής συμπερασματική και λεκτικές μεταβλητές (Bellman, Zadeh) 1975, Mamdani: εφαρμογή σε έλεγχο ατμομηχανής 1978, Holmblad:εφαρμογή σε έλεγχο τσιμεντοκάμινου

Ιστορική Αναδρομή Δεκαετία του 80: Πολλαπλασιασμός των εφαρμογών Πάρα πολλές εφαρμογές στην Ιαπωνία: ρομπότ, ηλεκτρονικές συσκευές, αυτοκίνητα, καθαρισμός υδάτων, κλπ. 1987, Υπόγειο τραίνο Sendai Δεκαετία του 90: Πολλές προκλήσεις 1992 το πρώτο συνέδριο της ΙΕΕΕ 1993 το πρώτο περιοδικό Neurofuzzy, Adaptive Fuzzy, Stability Analysis, Fuzzy Sliding mode control etc.