Технология fuzzy logic что это

Технология fuzzy logic что это

Прогресс не стоит на месте, поэтому бытовая техника с каждым днем все больше совершенствуется. В числе внимания разработчиков оказались и стиральные машины.

Сегодня на панели управления СМА можно встретить такие модные надписи, как Fuzzy Logic, Eco Bubble, Stream Wash и другие. Иногда мы пользуемся техникой, даже не обращая внимания на эти надписи. А зря, ведь функционал дорогой техники нужно использовать по полной.

Ниже вы узнаете о том, что такое Fuzzy Logic в стиральной машине.

Как работает

Итак, Fuzzy Logic – что это? Если перевести это словосочетание с английского на русский, то получим значение «нечеткая логика». Термин появился еще в 65-м году прошлого века и никак не связан со стиральными машинами. Поэтому пытаться понять, что обозначает это сочетание слов, не стоит. Это просто мелодичное словесная композиция, которая пришлась по вкусу изготовителям. Что же это на самом деле за функция?

В стиралку с Fuzzy Logic встроено множество сенсоров, которые взвешивают белье, определяют, насколько грязна одежда, контролируют жесткость воды и многое другое. Все эти датчики и сенсоры отправляют данные на плату управления, которая, собрав показатели, решает, какое время отвести на стирку, сколько выделить воды и какой подобрать режим.

К примеру, в такой СМА есть оптический датчик, оснащенный ИК-лучом, определяющий через проверку воды, насколько белье грязное. Чем чище вода, тем чище и вещи. Также машинка с «Фуззи Логик» умеет определять жирность пятен – чем быстрее насыщается вода грязью, тем более жирные пятна посажены на одежду.

Если описать суть функции обычными словами, то получается: «Чем грязнее и жирнее белье, тем дольше будет стирка».

В таблице ниже вы увидите, как рассчитывается продолжительность цикла в зависимости от степени и типа загрязнения белья.

В таблице вы увидите 5 определений времени – очень малое, малое, среднее, большое и очень большое, что значит 8, 12, 20, 40 и 60 минут соответственно.

В самых последних моделях помимо расчета времени технология Fuzzy Logic может подсчитать, сколько нужно воды для стирки, порошка или моющего средства, а также рассчитать требуемые обороты барабана при отжиме. В этом случае как исходные данные стиралка использует тип белья, степень жесткости воды и другие параметры.

Так как сочетаний могут быть сотни, то и режимов в машине должно быть много. В этом и заключается единственная и главная отличительная черта СМА с Fuzzy Logic от обычной машинки.

В целом, описанная выше система работает по такому принципу, как на картинке ниже:

Плюсы и минусы

Говоря о преимуществах системы, стоит отметить только реальные выгоды, которые получает пользователь:

  • Уменьшение времени цикла стирки, потому что сенсоры определяют тип и степень загрязненности белья.
  • Уменьшенное потребление водных ресурсов благодаря функции определения веса вещей.
  • Пониженный расход энергоресурсов, так как потребляется меньше воды, требующей нагрева.
  • Автоматизированный цикл стирки. Вам не нужно выбирать параметры стирки: температуру, скорость отжимания, время стирки и прочие опции.

Важно! Машинки с Fuzzy Logic стоят на порядок выше обычных моделей. Поэтому, подбирая современную стиралку, учитывайте это в своем бюджете.

Нельзя не сказать и о минусах машинок с функцией «Фуззи». Хотя они могут быть несколько субъективными, так как основаны на отзывах пользователей. А, как известно, часто работоспособность машинки зависит от соблюдения правил эксплуатации, правильности подключения и других факторов.

Итак, недостатки могут быть такие:

  • Из-за активного использования сложной электроники долговечность машинки понижается, а вероятность поломок растет.
  • При стирке программа может автоматически корректироваться, а значит, изначально сообщенное машиной время на стирку может меняться в процессе.

Подавляющее большинство пользователей все же довольны своими выбором и уверены, что достоинств у подобных моделей больше, чем недостатков. Особенно порадует машинка поклонников интеллектуальной техники, которые ценят свое время.

Модельный ряд: обзор

Рассмотрим некоторых представителей «умной» техники:

Zanussi ZWSG 7101 V

Это вместительная стиральная машинка с компактными габаритами и классом энергетической эффективности А++. При глубине всего в 39 см вы можете загрузить в барабан до 6 кг белья. Пользователю доступно 14 автоматических программ, в каждой из которых можно настраивать параметры температуры воды и интенсивности отжима.

  • Вместительность: 6 кг.
  • Вес: 64 кг.
  • Расход воды за стирку: 48 литров.
  • Класс энергетической эффективности: А++.
  • Размеры (ШхГхВ): 60х39х85.
  • Отжим: 1000 об/мин.
  • Программы: 14 шт (Деликатная, Экономичная, Быстрая, Предварительная и т.д.).
  • Класс стирки/отжима: А/C.
  • Защита: от протечек, от детей, контроль дисбаланса и пены.
  • Особенности: выбор температуры стирки, оповещение об окончании программы, отсрочка пуска до 20 часов.
  • Простое и понятное управление.
  • Подробная инструкция.
  • Хорошо выполаскивает вещи.
  • Корректирует время программы, в зависимости от веса белья.
  • Нет автоматической программы на 90 градусов.
  • Стирка на программе «Хлопок» 200 минут.
  • Шумный отжим, особенно, если стоит прямо на плитке

Комментарий эксперта! Рекомендуется использовать антивибрационные подставки устанавливать СМА по уровню.

  • Нет нижней панели (дна) – отсюда и шум. Нет изоляции от шума и вибраций.
  • Запах порошка на высокотемпературной стирке.
  • Короткий шланг.

BOSCH WLG20265OE

Это узкая модель, рассчитанная на 5 кг. Есть режимы для стирки верхней одежды, рубашек и сорочек, также предусмотрен ночной цикл. Реализована возможность добавления вещей в барабан при стирке. Блокировка протечек и детская защита – дополнительные особенности.

LG F-10B8ND

Это отдельностоящая машинка на 6 кг загрузки, отжимом 1000 оборотов в минуту и классом энергетической эффективности А. Одна из самых популярных моделей, благодаря стоимости. Пользователи оценили дизайн, простое управление, тихую работу, удобную кювету для порошка и другие особенности устройства. Покупатели недовольны тем, что большинство из 13 программ слишком долгие, но их можно настраивать, тем более, интеллектуальная функция корректирует длительность режима, исходя из веса вещей.

  • Вместительность: 6 кг.
  • Вес: 59 кг.
  • Расход воды за стирку: 56 литров.
  • Класс энергетической эффективности: А.
  • Размеры (ШхГхВ): 60х44х85.
  • Отжим: 1000 об/мин.
  • Программы: 13 шт (Деликатная, Экономичная, Быстрая, Предварительная и т.д.).
  • Класс стирки/отжима: А/В.
  • Защита: от протечек (частичная), от детей, контроль дисбаланса и пены.
  • Особенности: выбор температуры стирки, оповещение об окончании программы, отсрочка пуска до 19 часов, Smart Diagnosis.
Читайте также:  Насадки для гидродинамической машины

Electrolux PerfectCare 600 EW6S4R04W

Еще одна популярная модель по приемлемой цене. Малютка рассчитана на 4 кг белья и оснащена сенсорным управлением. В ней предусмотрено 14 программ и есть функция «анти-аллергия».

  • Вместительность: 4 кг.
  • Класс энергетической эффективности: А+.
  • Размеры (ШхГхВ): 60х34х85.
  • Отжим: 1000 об/мин.
  • Программы: 14 шт (Деликатная, Быстрая, Предварительная, Подача пара и т.д.).
  • Класс стирки/отжима: А/С.
  • Защита: от протечек, от детей, контроль дисбаланса и пены.
  • Особенности: выбор температуры стирки, оповещение об окончании программы, отсрочка старта.
  • Много программ.
  • Не прыгает при отжиме.
  • Удобное управление.

Samsung WF1802XEC

Еще один полногабаритный представитель стиральной техники. Помимо Fuzzy Logic есть система «Эко Бабл». Оснащена 9 программами. Есть опция, освежающая одежду без стирки.

Стоимость каждой модели колеблется от 25 до 100 тысяч рублей, поэтому подобрать можно на свой вкус и кошелек.

Не попадитесь на удочку маркетологов, покупайте только модели с опцией определения веса белья, иначе экономии при стирке вы не дождетесь. Будьте бдительны и подбирайте только качественную «умную» технику.

В последнее десятилетие в области автоматического управления различными техническими устройствами и, а частности, в изделиях бытовой техники получили развитие системы, основанные на так называемой «нечеткой логике» (Fuzzy Logic).

Впервые термин Fuzzy Logic был введен американским профессором азербайджанского происхождения Лотфи Заде в 1965 г. в работе «Нечеткие множества», опубликованной в журнале «Информатика и управление». Основанием для создания новой теории послужил спор профессора со своим другом о том, чья из жен привлекательнее. К единому мнению они, естественно, так и не пришли. Это вынудило Заде сформировать концепцию, которая выражает нечеткие понятия типа «привлекательность» в числовой форме.

Областью внедрения алгоритмов нечеткой логики являются всевозможные экспертные системы, в том числе: нелинейный контроль за производственными процессами; самообучающиеся системы, исследование рисковых и критических ситуаций; распознавание образов и др.

В отличие от традиционной математики, требующей на каждом шаге моделирования точных и однозначных формулировок закономерностей, нечеткая логика предлагает иной уровень подход, при котором постулируется лишь минимальный набор закономерностей.

Нечеткие числа, получаемые в результате «не вполне точных измерений», во многом аналогичны распределениям теории вероятностей. В пределе, при возрастании точности, нечеткая логика приходит к стандартной, Булевой. По сравнению с вероятностным методом, нечеткий метод позволяет резко сократить объем производимых вычислений, что, в свою очередь, приводит к увеличений быстродействия нечетких систем.

Базовые понятия нечеткой логики

Прогноз погоды обычно выглядит так: завтра температура воздуха +5°С, возможен дождь. В этом случае даже профессиональные синоптики не могут точно сказать, будет дождь или нет. Это и есть проявление нечеткой логики: погода завтра может быть в данном случае как просто пасмурной, так и дождливой: события здесь предсказываются с некоторой долей уверенности (рангом).

Рассмотрим теперь другой пример, связанный с возрастом человека (рис. 1).

Рис. 1. Нечеткое множество для термина «молодой»

До 16 лет нельзя однозначно утверждать, что человек молодой (например, 15-летние относятся к категории «молодой» с рангом около 0,9). Зато диапазону от 16 до 30 пет можно присвоить ранг 1, т.е. человек в этом возрасте действительно молодой.

После 30 лет человек считается уже не молодым, но еще и не старым, здесь принадлежность (ранг) термина «молодой» возрасту будет принимать значения в интервале от 0 до 1. И чем больше возраст человека, тем меньше становится его принадлежность к соответствующему терму (см. ниже), т.е. ранг будет стремиться к 0.

Таким образом, было получено нечеткое множество, описывающее понятие молодости для всего диапазона возрастов человека. Если ввести остальные термины (например, «очень молодой», «старый» и т.д.), то можно охарактеризовать такую переменную, как возраст, состоящую из нескольких нечетких множеств и полностью перекрывающую весь жизненный период человека.

Ключевыми понятиями нечеткой логики являются:

  • фаззификация — сопоставление множеству значений аргумента (х) некоторой функции принадлежности М(х), т.е. перевод значений (х) в нечеткий формат (см. пример с термином «молодой»);
  • дефаззификация — процесс, обратный фаззификации.

Все системы с нечеткой логикой функционируют по одному принципу: показания измерительных приборов фаззифицируются (переводятся в нечеткий формат), обрабатываются, дефаззифицируются и в виде привычных сигналов подаются на исполнительные устройства.

Функция принадлежности — это не вероятность, т.к. нам неизвестно статистическое распределения, нет повторяемости экспериментов.

Так, если взять из рассмотренного выше примера прогноза погоды два взаимоисключающих события: «будет дождь» и «дождя не будет» и присвоить им некоторые ранги, то сумма этих рангов необязательно будет равна 1 (но если равенство все таки есть, то нечеткое множество считается нормированным). Значения функции принадлежности М(х) могут быть взяты только из априорных знаний, интуиции (опыта), опроса экспертов.

В нечеткой логике вводится понятие лингвистической переменной, значениями которой являются не числа, а слова естественного языка, называемые термами. Например, а случае управления мобильным роботом, задачей которого является объезд помех, можно ввести две лингвистические переменные: ДИСТАНЦИЯ (расстояние от робота до помехи) и НАПРАВЛЕНИЕ (угол между продольной осью робота и направлением на помеху).

Рассмотрим лингвистическую переменную ДИСТАНЦИЯ. Значениями ее можно определить термы ДАЛЕКО, СРЕДНЯЯ, БЛИЗКО и ОЧЕНЬ БЛИЗКО. Для физической реализации лингвистической переменной необходимо определить точные физические значения термов этой переменной.

Пусть переменная ДИСТАНЦИЯ может принимать любое значение из диапазона от нуля до бесконечности. Согласно положениям теории нечетких множеств, в таком случае каждому значению расстояния из указанного диапазона может быть поставлено в соответствие некоторое число от нуля до единицы, которое определяет степень принадлежности данного физического расстояния (допустим 40 см) к тому или иному терму лингвистической переменной ДИСТАНЦИЯ.

Читайте также:  Варенье из винограда в хлебопечке

Степень принадлежности определяется так называемой функцией принадлежности М(d), где d — расстояние до помехи. В нашем случае расстоянию 40 см можно задать степень принадлежности к терму ОЧЕНЬ БЛИЗКО, равную 0,7, а к терму БЛИЗКО — 0,3 (см. рис. 2.).

Рис. 2 Лингвистическая переменная и функция принадлежности

В каждом конкретном случае определение степени принадлежности дается экспертами, разрабатывающими систему управления.

Переменной НАПРАВЛЕНИЕ, которая может принимать значения в диапазоне от 0 до 360 °, зададим термы ЛЕВОЕ, ПРЯМО И ПРАВОЕ. Теперь необходимо задать выходные переменные. В рассматриваемом примере достаточно одной переменной, которая будет называться РУЛЕВОЙ УГОЛ. Она может содержать термы: РЕЗКО ВЛЕВО, ВЛЕВО, ПРЯМО, ВПРАВО. РЕЗКО ВПРАВО.

Связь между входом и выходом фиксируется в таблице нечетких правил (табл. 1.10.1).

Таблица 1. Таблица нечетких правил для мобильного робота

Каждая запись в данной таблице соответствует своему нечеткому правилу, например: «Если ДИСТАНЦИЯ БЛИЗКО и НАПРАВЛЕНИЕ ПРАВОЕ, тогда РУЛЕВОЙ УГОЛ РЕЗКО ВЛЕВО».

Таким образом, мобильный робот с нечеткой логикой будет работать по следующему принципу: данные с сенсоров о расстоянии до помехи и направлении на нее будут фаззифицированы, обработаны согласно табличным правилам, дефаззифицированы, и полученные данные в виде управляющих сигналов поступят на привод робота.

Общая структура нечеткого микроконтроллера

Общая структура микроконтроллера, использующего нечеткую логику, показана на рис. 3.

Рис. З. Общая структура нечеткого микроконтроллера

Она содержит в своем составе следующие составные части: блок фаззификации; базу знаний; блок решений; блок дефаззификации.

Блок фаззификации преобразует четкие («csisp») величины, измеренные на выходе объекта управления, в нечеткие величины, описываемые лингвистическими переменными в базе знаний.

Блок решений использует нечеткие условные («if— then») правила, заложенные в базе знаний, для преобразования нечетких входных данных в требуемые управляющие воздействия, которые носят также нечеткий характер.

Блок дефаззификации преобразует нечеткие данные с выхода блока решений в четкую величину, которая используется для управления объектом.

В качестве микроконтроллеров, поддерживающих нечеткую логику, можно назвать 68НС11, 68HC12 фирмы Motorola, MCS-96 фирмы Intel, а также некоторые другие.

Параллельно с развитием соответствующей элементной базы развиваются и инструменты программирования, которые позволяют как моделировать систему управления с нечеткой логикой, так и получать машинные коды. использующиеся впоследствии в «железе».

Fuzzy Logic в стиральной машине

На рис. 4 показана схема микроконтроллера системы Fuzzy Logic, управляющей работой стиральной машины.

Рис. 4. Схема микроконтроллера системы Fuzzy Logic, управляющей работой стиральной машины

На вход микропроцессора поступает информация о степени загрязнения белья и типе загрязнения. Выходным параметром является время стирки.

Оба входных параметра получаются от одного оптического датчика прозрачности моющего раствора в баке стиральной машины (рис, 5).

Рис. 5 Оптический датчик прозрачности раствора

О степени загрязнения можно судить по прозрачности моющего раствора; чем ниже загрязнение белья, тем прозрачнее вода.

Первым входным параметром является «ПРОЗРАЧНОСТЬ РАСТВОРА». О типе загрязнения можно судить по скорости изменения прозрачности раствора (или, иными словами, по времени его насыщения); жирные загрязнения малорастворимы в воде и их концентрация в растворе медленнее выходит на уровень насыщения.

Загрязнения низкой жирности растворяются лучше, и раствор в баке стиральной машины скорее становится насыщенным.

Вторым входным параметром здесь является «ВРЕМЯ НАСЫЩЕНИЯ РАСТВОРА»

Таким образом, можно построить две функции принадлежности: в одном случае аргументом является степень загрязнения белья (рис. 6) в другом—тип загрязнения (рис. 7). В качестве диапазона изменения аргумента принимается интервал значений от 0 до 100.

Рис. 6. Функция принадлежности для аргумента «степень загрязнения»

Рис. 7. Функция принадлежности для аргумента «тип загрязнения»

Значение выходного параметра «ВРЕМЯ СТИРКИ» (в данном случае это четкая величина, измеряемая в минутах) определяется с помощью набора нечетких правил «если. то», например: «Если ПРОЗРАЧНОСТЬ РАСТВОРА НИЗКА и ВРЕМЯ НАСЫЩЕНИЯ РАСТВОРА ВЕЛИКО, то ВРЕМЯ СТИРКИ ВЕЛИКО».

Или, что то же самое: «Если степень загрязнения высока и загрязнение жирное, то время стирки велико».

Полная таблица нечетких правил для стиральной машины дана в табл. 2

Таблица 2. Таблица нечетких правил для стиральной машины

При этом градации величины «ВРЕМЯ СТИРКИ» четко определены:

ОЧЕНЬ БОЛЬШОЕ — 60 мин;

ОЧЕНЬ МАЛОЕ—8 мин.

Характер зависимости выходного параметра «ВРЕМЯ СТИРКИ» от значения функции принадлежности показан на рис. 8.

Рис. 8. Характер зависимости выходного параметра «ВРЕМЯ СТИРКИ» от значения функции принадлежности

Совместное влияние двух функций принадлежности (двух входных параметров) на значение выходного параметра «ВРЕМЯ СТИРКИ», выражается зависимостью, показанной на рис. 9.

Рис. 9. Зависимость выходного параметра «ВРЕМЯ СТИРКИ» от значений двух функций принадлежности

В данном примере, поясняющем принцип построения системы Fuzzy Logic, которая управляет стиральной машиной, рассматривался только один выходной параметр — «ВРЕМЯ СТИРКИ».

Следуя тому же принципу, в реальных системах управления рассматриваются и другие выходные параметры, например, «УРОВЕНЬ ВОДЫ», «СКОРОСТЬ ВРАЩЕНИЯ ПРИ ОТЖИМЕ» и т.д., а среди входных параметров, кроме рассмотренных в данном примере, фигурируют также «ЖЕСТКОСТЬ ВОДЫ», «ЗАГРУЗКА БЕЛЬЯ», «ТИП БЕЛЬЯ». Набор нечетких правил в этом случае представляет многопараметрическую таблицу, согласно которой происходит принятие решения (Рис. 10).

Число возможных вариантов программы стирки при этом исчисляется многими сотнями, в чем и выражается качественное отличие стиральных машин с системой управления Fuzzy Logic от машин с электромеханической системой управления.

Рис. 10. Принятие решения системой управления по набору значений входных параметров

Статья подготовлена по материалам журнала «Ремонт&сервис»

Удачи в ремонте!

Всего хорошего, пишите to Elremont © 2007

цифровая электроника вычислительная техника встраиваемые системы

Что такое нечеткая логика (fuzzy logic): принцип работы, примеры, применение

Нечеткая логика – это логическая или управляющая система n-значной логической системы, которая использует степени состояния («степени правды») входов и формирует выходы, зависящие от состояний входов и скорости изменения этих состояний. Это не обычная «истинная или ложная» (1 или 0), булева (двоичная) логика, на которой основаны современные компьютеры. Она в основном обеспечивает основы для приблизительного рассуждения с использованием неточных решений и позволяет использовать лингвистические переменные.

Читайте также:  Насадка для бензопилы для продольного распила бревна

Нечеткая логика была разработана в 1965 году профессором Лотфи Заде в Калифорнийском университете в Беркли. Первым приложением было выполнение обработки компьютерных данных на основе естественных значений.

Если говорить проще, состояниями нечеткой логики могут быть не только 1 или 0, но и значения между ними, то есть 0.15, 0.8 и т.д. Например, в двоичной логике, мы можем сказать, что мы имеем стакан горячей воды (то есть 1 или высокий логический уровень) или стакан холодной воды, то есть (0 или низкий логический уровень), но в нечеткой логике, мы можем сказать, что мы имеем стакан теплой воды (ни горячий, ни холодный, то есть где-то между этими двумя крайними состояниями). Четкая логика: да или нет (1, 0). Нечеткая логика: конечно, да; возможно, нет; не могу сказать; возможно да и т.д.

Базовая архитектура нечеткой логической системы

Система нечеткой логики состоит из следующих модулей:

Фазифаер (Fuzzifier или оператор размытия). Он принимает измеренные переменные в качестве входных данных и преобразует числовые значения в лингвистические переменные. Он преобразует физические значения, а также сигналы ошибок в нормализованное нечеткое подмножество, которое состоит из интервала для диапазона входных значений и функций принадлежности, которые описывают вероятность состояния входных переменных. Входной сигнал в основном разделен на пять состояний, таких как: большой положительный, средний положительный, малый, средний отрицательный и большой отрицательный.

Контроллер. Он состоит из базы знаний и механизма вывода. База знаний хранит функции принадлежности и нечеткие правила, полученные путем знания работы системы в среде. Механизм вывода выполняет обработку полученных функций принадлежности и нечетких правил. Другими словами, механизм вывода формирует выходные данные на основе лингвистической информации.

Дефазифаер (Defuzzifier или оператор восстановления чёткости). Он выполняет обратный процесс фазифаера. Другими словами, он преобразует нечеткие значения в нормальные числовые или физические сигналы и отправляет их в физическую систему для управления работой системы.

Принцип работы системы нечеткой логики

Нечеткая операция предполагает использование нечетких множеств и функций принадлежности. Каждое нечеткое множество представляет собой представление лингвистической переменной, которая определяет возможное состояние вывода. Функция принадлежности является функцией общего значения в нечетком множестве, так что и общее значение, и нечеткое множество принадлежат универсальному множеству.

Степени принадлежности в этом общем значении в нечетком множестве определяют выход, основанный на принципе IF-THEN. Принадлежность назначается на основе предположения о выходе с помощью входов и скорости изменения входных данных. Функция принадлежности в основном представляет собой графическое представление нечеткого множества.

Рассмотрим такое значение «х», что x ∈ X для всего интервала [0,1] и нечеткого множества A, которое является подмножеством X. Функция принадлежности «x» в подмножестве A задается как: fA (x), Обратите внимание, что «x» обозначает значение принадлежности. Ниже приводится графическое представление нечетких множеств.

В то время как ось x обозначает универсальный набор, ось y обозначает степени принадлежности. Эти функции принадлежности могут быть треугольными, трапециевидными, одноточечными или гауссовыми по форме.

Практический пример системы на основе нечеткой логики

Давайте разработаем простую систему нечеткого управления для управления работой стиральной машины, так чтобы нечеткая система контролировала процесс стирки, водозабор, время стирки и скорость отжима. Входными параметрами здесь являются объем одежды, степень загрязнения и тип грязи. В то время как объем одежды определял бы водозабор, степень загрязнения в свою очередь определялась бы прозрачностью воды, а тип грязи определялся временем, когда цвет воды остается неизменным.

Первым шагом будет определение лингвистических переменных и терминов. Для входных данных лингвистические переменные приведены ниже:

Для вывода лингвистические переменные приведены ниже:

Второй шаг включает в себя построение функций принадлежности. Ниже приведены графики, определяющие функции принадлежности для двух входов. Функции принадлежности для качества грязи:

Функции принадлежности для типа грязи:

Третий шаг включает разработку набора правил для базы знаний. Ниже приведен набор правил с использованием логики IF-THEN (если-тогда):

IF качество грязи Small И Тип грязи Greasy, THEN Время стирки Long.
IF качество грязи Medium И Тип грязи Greasy, THEN Время стирки Long.
IF качество грязи Large и тип грязи Greasy, THEN Время стирки Very Long.
IF качество грязи Small И Тип грязи Medium, THEN Время стирки Medium.
IF качество грязи Medium И Тип грязи Medium, THEN Время стирки Medium.
IF качество грязи Large и тип грязи Medium, THEN Время стирки Medium.
IF качество грязи Small и тип грязи Non-Greasy, THEN Время стирки Very Short.
IF качество грязи Medium И Тип грязи Non-Greasy, THEN Время стирки Medium.
IF качество грязи Large и тип грязи Greasy, THEN Время стирки Very Short.

Фазифаер, который первоначально преобразовал входные данные датчиков в эти лингвистические переменные, теперь применяет вышеуказанные правила для выполнения операций нечеткого набора (например, MIN и MAX) для определения выходных нечетких функций. На основе выходных нечетких множеств разработана функция принадлежности. Последним шагом является этап дефазификации, в котором дефазифаер использует выходные функции принадлежности для определения времени стирки.

Области применения нечеткой логики

Системы нечеткой логики могут использоваться в автомобильных системах, таких как автоматические коробки передач. Приложения в области бытовых приборов включают в себя микроволновые печи, кондиционеры, стиральные машины, телевизоры, холодильники, пылесосы и т. д.

Ссылка на основную публикацию
Adblock detector