1 / 45

Intelligent Control System (Fuzzy Control)

Intelligent Control System (Fuzzy Control). Yusuf Hendrawan STP., M.App.Life Sc., Ph.D. What is Intelligence???. [1] IF … THEN … [2] Learning Iteration Process [3] Optimization. Logika Fuzzy : memetakan suatu ruang input ke dalam suatu ruang output. Kotak Hitam. Ruang output.

ryo
Download Presentation

Intelligent Control System (Fuzzy Control)

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Intelligent Control System(Fuzzy Control) Yusuf Hendrawan STP., M.App.Life Sc., Ph.D

  2. What is Intelligence??? [1] IF … THEN … [2] Learning Iteration Process [3] Optimization

  3. Logika Fuzzy : memetakansuaturuang input kedalamsuaturuang output KotakHitam Ruang output Ruang input AlasandigunakannyaLogika Fuzzy: Konseplogika fuzzy mudahdimengerti Logika fuzzy sangatsederhana Logika fuzzy memilikitoleransiterhadap data-data yang tidaktepat Logika fuzzy mampumemodelkanfungsi-fungsi nonlinear yang sangatkompleks Logika fuzzy dapatmembangundanmengaplikasikanpengalaman-pengalamanparapakarsecaralangsungtanpaharusmelalui proses pelatihan Logika fuzzy dapatbekerjasamadenganteknik-teknikkendalisecarakonvensional Logika fuzzy didasarkanpadabahasaalami

  4. Fuzzy Applications • Theory of fuzzy sets and fuzzy logic has been applied to problems in a variety of fields: • pattern recognition, decision support, data mining & information retrieval, medicine, law, taxonomy, topology, linguistics, automata theory, game theory, etc. • And more recently fuzzy machines have been developed including: • automatic train control, tunnel digging machinery,home appliances: washing machines, air conditioners, etc.

  5. TRADITIONAL REPRESENTATION OF LOGIC Slow Fast Speed = 0 Speed = 1 bool speed; get the speed if ( speed == 0) { // speed is slow } else { // speed is fast }

  6. FUZZY LOGIC REPRESENTATION Slowest • For every problem must represent in terms of fuzzy sets. • What are fuzzy sets? [ 0.0 – 0.25 ] Slow [ 0.25 – 0.50 ] Fast [ 0.50 – 0.75 ] Fastest [ 0.75 – 1.00 ]

  7. FUZZY LOGIC REPRESENTATION Slowest Slow Fast Fastest float speed; get the speed if ((speed >= 0.0)&&(speed < 0.25)) { // speed is slowest } else if ((speed >= 0.25)&&(speed < 0.5)) { // speed is slow } else if ((speed >= 0.5)&&(speed < 0.75)) { // speed is fast } else // speed >= 0.75 && speed < 1.0 { // speed is fastest }

  8. Fuzzy Expert System • How to represent a fuzzy set in a computer ? The membership function must be determined first.

  9. Terminology:Crisp or Fuzzy Logic • Crisp Logic • A proposition can be true or false only. • Bob is a student (true) • Smoking is healthy (false) • The degree of truth is 0 or 1. • Fuzzy Logic • The degree of truth is between 0 and 1. • William is young (0.3 truth) • Ariel is smart (0.9 truth)

  10. Sistem Fuzzy • Variabel Fuzzy • Merupakanvariabel yang hendakdibahasdalamsuatusistem fuzzy, contoh: umur, temperatur, permintaan, dll • Himpunan Fuzzy • Merupakansuatugrup yang mewakilisuatukondisiataukeadaantertentudalamsuatuvariabel fuzzy • Contoh: 1) variabelumurterbagimenjadi 3 himpunan fuzzy: MUDA, PAROBAYA, TUA ; 2) variabeltemperaturterbagimenjadi 5 himpunan fuzzy: DINGIN, SEJUK, NORMAL, HANGAT, PANAS • SemestaPembicaraan • - Keseluruhannilai yang diperbolehkanuntukdioperasikandalamsuatuvariabel fuzzy, senantiasabertambah (naik) secaramonotondarikriikekanan. Contoh: 1) variabelumur [0, +∞]; 2) variabeltemperatur [0, 40] • Domain • - Keseluruhannilai yang diijinkandalamsemestapembicaraandanbolehdioperasikandalamsuatuhimpunan fuzzy. Contoh: 1) MUDA [0, 45]; 2) PAROBAYA [35, 55]; 3) TUA [45, +∞]; 4) DINGIN [0, 20]; 5) SEJUK [15, 25]; 6) NORMAL [20, 30]; 7) HANGAT [25, 35]; 8) PANAS [30, 40]

  11. FungsiKeanggotaan(Membership Function) Membership functionadalahsuatukurva yang menunjukkanpemetaantitik-titik input data kedalamnilaikeanggotaannya yang memiliki interval antara 0 sampai 1 melaluipendekatanfungsi. Representasi Linear  pemetaan input kederajatkeanggotaannyadigambarkansebagaisuatugarislurus. Bentukini paling sederhanadanmenjadipilihan yang baikuntukmendekatisuatukonsep yang kurangjelas. 1 ]= Derajatkeanggotaan µ[x] 0 a domain b Representasi Linear Naik

  12. PANAS 1 =0.7 0.7 Derajatkeanggotaan µ[x] 0 32 25 35 temperatur 1 Derajatkeanggotaan µ[x] 0 a domain DINGIN b Representasi Linear Turun 1 Derajatkeanggotaan µ[x] 0.667 =0.667 0 30 20 15 temperatur

  13. ]= • b. RepresentasiKurvaSegitiga • Gabunganantara 2 garis (linear). 1 Derajatkeanggotaan µ[x] NORMAL 0 a b c domain 1 KurvaSegitiga 0.8 Derajatkeanggotaan µ[x] =0.8 0 30 23 15 25 temperatur

  14. ]= 1 • c. RepresentasiKurvaTrapesium • Samasepertibentuksegitiga, hanyabeberapatitikmemilikinilaikeanggotaan 1 Derajatkeanggotaan µ[x] c 0 a b d domain KurvaTrapesium NORMAL 1 Derajatkeanggotaan µ[x] =0.375 0.375 0 32 35 24 15 27 temperatur

  15. BahuKiri BahuKanan • d. RepresentasiKurvaBentukBahu • Daerah yang terletak di tengah-tengahsuatuvariabel yang dipresentasikandalambentuksegitiga, padasisikanandankirinyaakannaikdanturun. DINGIN SEJUK NORMAL HANGAT PANAS 1 Derajatkeanggotaan µ[x] 0 28 40 0 temperature Daerah bahupadavariabelTemperatur

  16. μ[x] • d. RepresentasiKurva S • Kurva PERTUMBUHAN dan PENYUSUTAN merupakankurva-S atausigmoid yang berhubungandengankenaikandanpenurunanpermukaansecaratak linear 1 1 μ[x] Derajatkeanggotaan µ[x] Derajatkeanggotaan µ[x] a x b a x b 0 0 domain domain Kurva S PENYUSUTAN Kurva S PERTUMBUHAN

  17. Operator DasarZadehuntukOperasiHimpunan Fuzzy • 1. Operator AND • Berhubungandenganoperasiinterseksipadahimpunan mengambilnilaikeanggotaanterkecil. • Contoh: Misalnilaikeanggotaan 27 tahunpadahimpunan MUDA adalah 0.6 (µMUDA[27]=0.6); dannilaikeanggotaanRp. 2 jutapadahimpunanpenghasilan TINGGI adalah 0.8 (µGAJITINGGI[2x106=0.8]; makaα-predikatuntukusia MUDA danberpenghasilan TINGGI adalah0.6 • 2. Operator OR • Operator iniberhubungandenganoperasi union padahimpunan mengambilnilaikeanggotaanterbesar. • Contoh: Padacontohdiatasα-predikatuntukusia MUDA danberpenghasilan TINGGI adalah0.8 • 3. Operator NOT • Berhubungandenganoperasikomplemenpadahimpunan • Contoh: nilaiα-predikatuntukusiaTIDAK MUDA adalah • 1-µMUDA[27]=1-0.6= 0.4

  18. Penalaran MONOTON • Metodapenalaransecaramonotondigunakansebagaidasaruntukteknikimplikasi fuzzy  digunakanuntukpenskalaan fuzzy. • Jika 2 daerah fuzzy direalisasikandenganimplikasisederhana: IF x is A THEN y is B; transfer fungsinya y=f((x,A),B); makasistem fuzzy dapatberjalantanpaharusmelaluikomposisidandekomposisi fuzzy. Nilai output dapatdiestimasilangsungdarinilaikeanggotaan yang berhubungandenganantesedennya.

  19. 1 0.7 0 75 50 100 Light Intensity 1 0.7 3 5 0 Photosynthesis umol CO2 m-2 s-1

  20. Fuzzy Inference System • Metode Tsukamoto • MetodeMamdani • MetodeSugeno

  21. Metode Tsukamoto • Setiapkonsekuenpadaaturan yang berbentuk IF-THEN harusdirepresentasikandengansuatuhimpunan fuzzy denganfungsikeanggotaan yang monoton; • Output hasilinferensidaritiap-tiapaturandiberikansecarategas (crisp) berdasarkanα-predikat (fire strength); • Hasilakhirnyadiperolehdenganmenggunakanrata-rata terbobot.

  22. Contoh • Misalkanada 2 variabel input, Var-1(x) dan Var-2(y), serta 1 variabel output, Var-3(z), dimana Var-1 terbagiatas 2 himpunanyaitu A1 dan A2 terbagiatas 2 himpunan B1 dan B2, Var-3 jugaterbagiatas 2 himpunanyaitu C1 dan C2 (C1 dan C2 harusmonoton). Ada 2 aturan yang digunakan, yaitu: • [R1] IF (x is A1) AND (y is B2) THEN (z is C1) • [R2] IF (x is A2) AND (y is B1) THEN (z is C2)

  23. μ[x] μ[y] μ[z] A1 B2 C1 1 1 1 α1 0 0 0 z1 Var-1 Var-2 Var-3 μ[x] μ[y] μ[z] A2 B1 C2 1 1 1 α2 0 0 0 z2 Var-2 Var-3 Var-1 Rata-rata terbobot Inferensidenganmenggunakanmetode Tsukamoto

  24. Contoh 2 • Suatuperusahaanmakananakanmemproduksimakananjenis ABC. Dari data 1 bulanterakhir, permintaanterbesarmencapai 5000 kemasan/hari, danpermintaanterkecilmencapai 1000 kemasan/hari. Persediaanbarangdigudangterbanyakmencapai600 kemasan/hari, danterkecilpernahmencapai100 kemasan/hari. Dengansegalaketerbatasannya, sampaisaatini, perusahaanbarumampumemproduksibarangmaksimum 7000 kemasan/hari, untukefisiensimesindan SDM tiapharidiharapkanperusahaanmemproduksi paling tidak2000 kemasan/hari. Berapakemasanmakananjenis ABC yang harusdiproduksi, jikajumlahpermintaansebanyak4000 kemasan, danpersediaandigudangmasih300 kemasan, apabilaprosesproduksiperusahaantersebutmenggunakan4 aturan fuzzy sebagaiberikut:

  25. Rules • [R1] IF permintaan TURUN AndPersedian BANYAK THEN ProduksiBarang BERKURANG • [R2] IF permintaan TURUN AndPersedian SEDIKIT THEN ProduksiBarang BERKURANG • [R3] IF permintaan NAIK AndPersedian BANYAK THEN ProduksiBarang BERTAMBAH • [R4] IF permintaan NAIK AndPersedian SEDIKIT THEN ProduksiBarang BERTAMBAH

  26. Permintaan, terdiriatas 2 himpunan fuzzy, yaitu: NAIK dan TURUN μ[x] TURUN NAIK 1.00 0.75 0.25 1000 4000 5000 Permintaan (kemasan/hari) FungsikeanggotaanvariabelPermintaan NilaiKeanggotaan:

  27. Persediaan, terdiriatas 2 himpunan fuzzy, yaitu: SEDIKIT dan BANYAK μ[x] SEDIKIT BANYAK 1.00 0.60 0.40 100 600 300 Persediaan(kemasan/hari) FungsikeanggotaanvariabelPersediaan NilaiKeanggotaan:

  28. Produksi, terdiriatas 2 himpunan fuzzy, yaitu: BERKURANG dan BERTAMBAH μ[x] BERKURANG BERTAMBAH 1.00 0.6 0.4 0.25 4000 5000 5750 2000 7000 Produksi(kemasan/hari) FungsikeanggotaanvariabelPersediaan • MencariNilai z untuksetiapaturandenganfungsi MIN  karenamenggunakanAnd • [R1] α1 = min (μPERMINTAAN TURUN [4000], μPERSEDIAAN BANYAK [300]  min (0.25; 0.4) = 0.25 • THEN ProduksiBarang BERKURANG  (7000-z)/5000 = 0.25  z1 = 5750 • [R2] α2 = min (μPERMINTAAN TURUN [4000], μPERSEDIAAN SEDIKIT [300]  min(0.25; 0.6) = 0.25 • THEN ProduksiBarang BERKURANG  (7000-z)/5000 = 0.25  z2 = 5750 • [R3] α3 = min (μPERMINTAAN NAIK [4000], μPERSEDIAAN BANYAK [300]  min (0.75; 0.4) = 0.4 • THEN ProduksiBarang BERTAMBAH  (z-2000)/5000 = 0.4  z3= 4000 • [R4] α4 = min (μPERMINTAAN NAIK [4000], μPERSEDIAAN SEDIKIT [300]  min (0.75; 0.6) = 0.6 • THEN ProduksiBarang BERTAMBAH  (z-2000)/5000 = 0.6  z4= 5000

  29. Nilai z dapatdicaridengancara: Jadijumlahmakanan yang harusdiproduksisebanyak4983 kemasan

  30. MetodeMamdani • MetodeMamdaniseringdikenalsebagaimetode Max-Min, yang diperkenalkanolehEbrahimMamdanitahun 1975; • Output didapatkandari 4 tahapan: 1) Pembentukanhimpunan Fuzzy 2) Aplikasifungsiimplikasi (aturan) 3) Komposisiaturan 4) Penegasan (defuzzy)

  31. [R1] IF Permintaan TURUN AndPersediaanBANYAK THEN ProduksiBarang BERKURANG [R1] α1 = min (μPERMINTAAN TURUN [4000], μPERSEDIAAN BANYAK [300]  min (0.25; 0.4) = 0.25 μ[x] μ[y] μ[z] μ[z] TURUN BANYAK BERKURANG 1 1 1 1 α1 0.25 0.4 0.25 0 0 0 0 4000 300 Permintaan Persediaan ProduksiBarang

  32. [R2] IF Permintaan TURUN AndPersediaan SEDIKIT THEN ProduksiBarang BERKURANG [R2] α2 = min (μPERMINTAAN TURUN [4000], μPERSEDIAAN SEDIKIT [300]  min (0.25; 0.6) = 0.25 μ[y] μ[x] μ[z] μ[z] SEDIKIT TURUN BERKURANG 1 1 1 1 0.6 α2 0.25 0.25 0 0 0 0 4000 300 Permintaan Persediaan ProduksiBarang

  33. [R3] IF Permintaan NAIK AndPersediaan BANYAK THEN ProduksiBarang BERTAMBAH [R3] α3 = min (μPERMINTAAN NAIK[4000], μPERSEDIAAN BANYAK [300]  min (0.75; 0.4) = 0.4 μ[x] μ[y] μ[z] μ[z] NAIK BANYAK BERTAMBAH 1 1 1 1 0.75 α3 0.4 0.4 0 0 0 0 4000 300 Permintaan Persediaan ProduksiBarang

  34. [R4] IF Permintaan NAIK AndPersediaan SEDIKIT THEN ProduksiBarang BERTAMBAH [R4] α4 = min (μPERMINTAAN NAIK[4000], μPERSEDIAAN SEDIKIT [300]  min (0.75; 0.6) = 0.6 μ[x] μ[y] μ[z] μ[z] NAIK SEDIKIT BERTAMBAH 1 1 1 1 α4 0.75 0.6 0.6 0 0 0 0 4000 300 Permintaan Persediaan ProduksiBarang

  35. KomposisiAntarAturan • Dari hasilaplikasifungsiimplikasidaritiapaturan, digunakanmetodaMAXuntukmelakukankomposisiantarsemuaaturan • (a1-2000)/5000 = 0.25  a1 = 3250 • (a2-2000)/5000 = 0.6  a2 = 5000 0.25; z≤3250 (z-2000)/5000; 3250≤z≤5000 0.6; z≥5000 μ[z] = μ[x] BERKURANG BERTAMBAH 1.00 0.6 0.25 a1 a2 2000 7000 3250 5000

  36. Penegasan (Defuzzy) Salahsatumetodepenegasan yang bisadigunakanadalahmetodecentroid. Untuk, ituperludihitungmomenuntuksetiapdaerah Kemudiandihitungluassetiapdaerah: A1 = 3250*0.25 = 812.5 A2 = (0.25+0.6)*(5000-3250)/2 = 743.75 A3 = (7000-5000)*0.6 = 1200 0.25; z≤3250 (z-2000)/5000; 3250≤z≤5000 0.6; z≥5000 μ[z] = MenghitungTitikPusat: Jadijumlahmakanan yang harusdiproduksisebanyak4248 kemasan

  37. MetodeSugeno • Penalaran SUGENO hampirsamadengan MAMDANI; • Diperkenalkanoleh Takagi-Sugeno Kang tahun 1985; • Output sistemtidakberupahimpunan fuzzy, melainkanberupakonstantaataupersamaan linier.

  38. MetodeSugeno AND / OR • Model Fuzzy SugenoOrdeNol IF (x1 is A1) ο (x2 is A2) ο (x3 is A3) ο … ο (xN is AN) THEN z=k - dengan Aiadalahhimpunan fuzzy ke-isebagaiantesenden, dan k adalahsuatukonstanta (tegas) sebagaikonsekuen. • Model Fuzzy SugenoOrdeSatu IF (x1 is A1) ο (x2 is A2) ο (x3 is A3) ο … ο (xN is AN) THEN z=p*x1 + … + pN*xN + q - dengan Aiadalahhimpunan fuzzy ke-isebagaiantesenden, dan piadalahsuatukonstanta (tegas) ke-idan q jugamerupakankonstantadalamkonsekuen. Apabilakomposisiaturanmenggunakanmetode SUGENO, makadefuzzydilakukandengancaramencarinilai rata-ratanya.

  39. ModifikasiAturanPersamaanditentukanoleh User • [R1] IF permintaan TURUN AndPersedian BANYAK • THEN ProduksiBarang = Permintaan - Persediaan • [R2] IF permintaan TURUN AndPersedian SEDIKIT • THEN ProduksiBarang = Permintaan • [R3] IF permintaan NAIK AndPersedian BANYAK • THEN ProduksiBarang = Permintaan • [R4] IF permintaan NAIK AndPersedian SEDIKIT • THEN ProduksiBarang = (1.25 * Permintaan) - Persediaan

  40. MencariNilaiαdannilai z untuksetiapaturandenganfungsi MIN  karenamenggunakanAnd • [R1] α1 = min (μPERMINTAAN TURUN [4000], μPERSEDIAAN BANYAK [300]  min (0.25; 0.4) = 0.25 • THEN ProduksiBarang = Permintaan – Persediaan  Nilai z1 = 4000-300 = 3700 • [R2] α2 = min (μPERMINTAAN TURUN [4000], μPERSEDIAAN SEDIKIT [300]  min(0.25; 0.6) = 0.25 • THEN ProduksiBarang = Permintaan  Nilai z2 = 4000 • [R3] α3 = min (μPERMINTAAN NAIK [4000], μPERSEDIAAN BANYAK [300]  min (0.75; 0.4) = 0.4 • THEN ProduksiBarang = Permintaan  Nilai z3 = 4000 • [R4] α4 = min (μPERMINTAAN NAIK [4000], μPERSEDIAAN SEDIKIT [300]  min (0.75; 0.6) = 0.6 • THEN ProduksiBarang = (1.25 * Permintaan) – Persediaan  Nilai z4 = (1.25*4000)-300 = 4700 • Nilai z: Jadijumlahmakanan yang harusdiproduksisebanyak4230 kemasan

  41. Fuzzy Controllers • Used to control a physical system

  42. Structure of a Fuzzy Controller

  43. Types of Fuzzy Controllers: - Supervisory Control - Fuzzy Logic Controller Outputs Set Values for Underlying PID Controllers:

  44. Types of Fuzzy Controllers: - PID Adaptation - Fuzzy Logic Controller Adapts the P, I, and D Parameter of a Conventional PID Controller:

  45. Types of Fuzzy Controllers: - Fuzzy Intervention - Fuzzy Logic Controller and PID Controller in Parallel:

More Related