Sprungmarken

Servicenavigation

Hauptnavigation

Sie sind hier:

Hauptinhalt

Schwerpunkte

Der Begriff Computational Intelligence fasst drei biologisch motivierte Fachgebiete der Informationsverarbeitung zusammen:
  • Neuronale Netze sind technische Realisierungen biologisch motivierter Modelle der Informationsverarbeitung in Gehirn und Nervensystem. Ihre Kennzeichen sind lernfähige, dezentrale, parallele Strukturen, die aus einfachen Elementen aufgebaut sind. Sie werden mit Beispielen trainiert. Es gibt bereits viele Anwendungen u.a. auf den Gebieten der Regelungstechnik, z. B. Regelung und Steuerung von Roboterbewegungen, der Mustererkennung, wie u.a. Spracherkennung und Signalklassifikation.
  • Evolutionäre Algorithmen ahmen die Mechanismen der natürlichen Evolution auf dem Rechner nach, um Optimierungsaufgaben zu lösen. Insbesondere in Anwendungsbereichen, wenn traditionelle Optimierungsverfahren versagen, können diese häufig noch Erfolge erzielen.
  • Fuzzy-Systeme nutzen natürlichsprachliche Regeln, die Zusammenhänge zwischen Ein- und Ausgangsgrößen beschreiben. Während klassische regelbasierte Systeme nur Ja-Nein-Aussagen über die Ein- und Ausgangsdaten (Bedingung bezüglich der Eingangsdaten vollständig erfüllt oder nicht erfüllt) verarbeiten, können Fuzzy-Systeme auch unscharfe Aussagen auswerten (Bedingung zu einem bestimmten Grad erfüllt). Sie können somit Systemzusammenhänge in einer dem Anwender verständlichen Form beschreiben. 
Allen drei Fachgebieten ist gemeinsam, dass sie auf einer subsymbolischen Datenverarbeitung basieren und Problemlösungsstrategien objektivieren. Im Folgenden werden alle drei Gebiete ausführlicher erläutert:

Beim Einsatz von Fuzzy-Systemen werden so weit wie möglich menschliche Problemlösungsstrategien verwendet. Dazu werden Messergebnisse mittels Zugehörigkeitsfunktionen fuzzifiziert und damit in eine natürlichsprachliche Situationseinschätzung überführt. Mittels einer Regelbasis und einer Inferenzmaschine werden aus diesen unscharfen Informationen ebenso natürlichsprachliche Schlussfolgerungen gezogen, aus denen mittels Defuzzifizierung wieder konkrete Handlungsanweisungen gewonnen werden. Neben diesen Mamdani-Fuzzy-Systemen mit natürlichsprachlichen (linguistischen) Schlussfolgerungen existieren auch sogenannte Takagi-Sugeno-Fuzzy-Systeme mit funktionalen Schlussfolgerungen. Bei Mamdani-Fuzzy-Systemen ist insbesondere die gute Interpretierbarkeit von Fuzzy-Regeln und Zugehörigkeitsfunktionen vorteilhaft.

 

Fuzzifizierung, Inferenzmaschine, Defuzzifizierung 

 

Aufgrund dieser Interpretierbarkeit haben Fuzzy-Logik und Fuzzy Control in den letzten Jahren in der industriellen Praxis immer größere Bedeutung gewonnen. So kann regelbasiertes Expertenwissen direkt in automatisierungstechnische Lösungen integriert sowie automatisch generiertes Wissen für den Experten transparent aufbereitet werden. Die Flexibilität von Fuzzy Control resultiert aus einer Vielzahl von Freiheitsgraden, mit denen auch komplexe Systemstrukturen realisiert werden können.

Die Haupteinsatzgebiete sind Identifikation, Regelung, Steuerung, Überwachung und Diagnose. Fuzzy-Modelle kommen beispielsweise bei der Simulation nichtlinearer Systeme und beim modellbasierten Reglerentwurf zum Einsatz. In der Regelungstechnik dominiert der Einsatz in hybriden Strukturen, wobei Fuzzy-Systeme in höheren Reglerebenen die Adaption unterlagerter Regler, Führungsgrößenvorgaben und Störgrößenaufschaltungen vornehmen. Eine weitere Möglichkeit besteht darin, den Fuzzy-Regler anstelle eines konventionellen Reglers einzusetzen. Bei der Diagnose sind hauptsächlich Klassifikationsaufgaben zu lösen.



Nebeninhalt

Kontakt

Geschäftsstelle der GMA

Dr.-Ing. Dagmar Dirzius
VDI/VDE, GMA Gesellschaft Mess- und Automatisierungstechnik 
Postfach 10 11 39, D-40002 Düsseldorf 
Tel.: ++49 (0)211 6214 145
Fax: ++49 (0)211 6214-97 145 
dirzius

oder

apl. Prof. Dr. rer. nat Frank Hoffmann, Fachausschussleiter
Technische Universität Dortmund
Lehrstuhl für Regelungssystemtechnik
Tel. ++49 (0)231 755 3998