ファジーロジックとは何ですか？
ファジーロジックは、複雑な制御システムを実装するための最も信頼できる手段のようには聞こえない場合があります。ただし、ファジー論理システムが不正確なデータを処理し、専門家の経験を実装できるため、最新の制御アプリケーションで強力なツールになります。
ファジーロジックの概要
1965年にLoftiZadaによって開発されたAI（人工知能）の下位区分であるファジーロジックにより、コンピューターシステムは、人間がデータを解釈および操作する方法を模倣できます。ブール論理は2つの結果（TrueまたはFalse、0または1）に制限されていますが、ファジー論理は真実の程度を扱います。
例として、自律型ロボットシステムが忙しい倉庫の床をナビゲートできるようにするマシンビジョンシステムを考えてみましょう。右スイングのドアがすぐに開くのが見え、障害物が現れようとしていることがわかります。しかし、ブール論理は「おそらく」を扱いません。「障害物が現れようとしている」と「障害物が現れようとしていない」を扱います。
ファジー論理を使用すると、ドアが開いた速度（つまり、非常に遅い、遅い、平均、速い、非常に速い）、ドアの位置、時刻などの入力を障害物の確率に変換できます。表示されようとしています（例：0.8）。
ファジー論理の基礎
ファジー論理システムには、3つの異なるタイプの値があります。
- 鮮明な数値の形式である入力値（例：T =120°C）
- ファジー値。鮮明な値が言語的に表現されたカテゴリのセットに分類される確率を表します（例：低=0.2、通常=0.8、高=0.0）
- 非ファジーで鮮明な出力値（優先度=0.7）
ファジー論理システムには4つの部分があります：
- ファジー化モジュール
- 知識ベース
- 推論エンジン
- 非ファジー化モジュール
ファジー化モジュール 鮮明な（ファジーではなく）数値の形式でシステム入力を受け取ります。鮮明な値の入力信号は、通常は言語値（たとえば、コールド、ウォーム、ホット）で表される一連のカテゴリに分割されます。
図1。 悪い、良い、優れたを表す3つのメンバーシップ関数のプロット。 Mathworksの厚意により使用された画像
各カテゴリのファジー値は、鮮明な値がそれに該当する確率です。ファジー値は「真実度」と考えることもできます。時速95マイルで走行する車は「真実度0.75で高速走行」する可能性があります。実際のファジー化プロセスは、一連のメンバーシップ関数によって実行されます。最も一般的なのは、三角形、台形、グアシアン、またはシグモイドです。
知識ベース 人間の推論に基づいて、主題分野の専門家から通知された一連のif-thenルールが含まれています。これがどのように見えるかの例を次に示します：
- 温度が高く、速度が低い場合、Alert_Level =中程度
- 温度が高く、速度がVery_Highの場合、Alert_Level =Low
- 速度が低く、温度が高い、または加速度が高い場合、Alert_Level =High
推論エンジン 人間の対象分野の専門家が行うのと同様の方法で、知識ベースのルールをファジー値に使用します。結果は別のあいまいな値であり、この場合です。
最後に、非ファジー化モジュールは、ファジー化モジュールの逆のように、推論エンジンの出力を鮮明な値に変換します。この例では、アラートレベルが0.8になる可能性があります。これは、技術者が予防保守タスクに優先順位を付けるのに役立ちます。
ファジーロジックの使用方法
ファジーロジックは広く使用されており、多くの人が気付かないうちにその機能の恩恵を受けています。音声コマンドを使用してオブジェクトを操作する自然言語処理は、ファジーロジックが適用される領域の1つです。自然言語処理では、個人が何を言っているかについてある程度の不確実性があります。それでも、ファジーロジックは、このようなノイズの多いデータや不正確なデータを処理して、言われていることを高い精度で解釈できます。
図2。 ファジーロジックとニューラルネットワークは、オフショア石油施設を含む衛星画像のさまざまな領域を識別できます。
エンジニアは意思決定支援システムの一部としてファジーロジックを使用しており、マーケティングや広告に統合されていることがわかります。さらに、ファジー論理システムをマシンビジョンシステムの一部としてニューラルネットワークと組み合わせて、衛星画像内の農地、都市部、森林、水を区別できる可能性を特定できます。
ただし、ファジーロジックが広範なアプリケーションを見つけた分野の1つは、制御システムです。
ファジー論理および制御システム
自動車では、ブレーキシステムを制御するファジー論理システムが存在する場合があります。自動運転車は、速度、ステアリング、アダプティブクルーズコントロールなどのシステムをファジーロジックコントロール（FLC）に大きく依存しています。また、自動運転でない自動車でさえ、ブレーキシステムにFLCを利用する可能性があります。空調システムも、エネルギー消費を最適化しながら、室温とファン速度を快適なレベルに保つために、スマートサーモスタットの一部としてファジーロジックに依存することがよくあります。
ただし、これらはその使用例の2つにすぎません。 FLCは、産業自動化、生物医学製造、石油化学処理、自動車製造、原子力など、非常に多様な産業で見られます。
ポンプ、モーター、ファン、および駆動列は、ファジーロジックを使用して制御でき、センサーのアレイからデータを入力として受け取ります。 FLCを利用すると、非常に正確なモーションコントロールを実現できるため、コンピューター数値制御（CNC）加工システムで使用されます。温度を効果的に制御するその能力は、非常に正確な温度サイクルに依存する窯や熱処理オーブンでの使用によって証明されています。 FLCは、スワームロボティクスで見られるような非常に複雑なシステムの相互作用を監視することもできます。
図3。 ファジー制御システムの力を活用して、MITの電子工学研究所によって開発されたこのようなスワームロボティクスシステムの開発の背後にある技術。 MITの厚意により使用された画像
FLCは、マシンビジョンに依存するシステムでも非常に重要であり、産業用自動化、IIoT、およびインダストリー4.0で多くの進歩を可能かつ効果的に行ってきました。
従来の制御システムは、非常に正確なデータとルールに依存しているため、オペレーターや専門家の経験を考慮に入れることができない場合があります。一方、ファジーロジックは、データにノイズが多い、不正確である、または部分的に欠落しているアプリケーションに最適です。その知識ベースは、実際の人々の洞察と経験を活用して、意思決定プロセスをシミュレートできます。
産業用ロボット