Adaptive neuro fuzzy Inference systems in identification, modeling and control: The state-of-the-art

M. VESOVIĆ i dr. ADAPTIVNI NEURO FAZI SISTEMI U IDENTIFIKACIJI, MODELOVANJU... Adaptivni neuro fazi sistemi u identifikaciji, modelovanju i upravljanju – pregled stanja u oblasti istraživanja MITRA V. VESOVIĆ, Univerzitet u Beogradu, Mašinski fakultet, Beograd, RADIŠA Ž. JOVANOVIĆ, Univerzitet u Beogradu, Mašinski fakultet, Beograd Pregledni rad UDC: 004.896 DOI: 10.5937/tehnika2204439V Adaptivni neuro fazi sistemi zaključivanja (eng. Adaptive Neural Fuzzy Inference Systems) ANFIS imaju sve veću tendenciju upotrebe u naučnim istraživanjima i praktičnim primenama. Digitalizacija proizvodnje i pojava Industrije 4.0 omogućila je razvoj ovog trenda, pre svega, zbog sposobnosti prilagođavanja zadatku integrisanjem veštačkih neuronskih mreža i fazi logike, čime se potencijalno mogu iskoristiti prednosti obe tehnike u jedinstvenim okvirima. Ovaj pristup olakšao je procese modelovanja, analize podataka, klasifikacije i upravljanja. Pogodnost ANFIS sistema, u odnosu na konvencionalne metode, se ogleda u mogućnosti predviđanja izlaza na osnovu skupa ulaza i baze pravila. Takođe, ovi sistemi su pogodni za korišćenje u upravljanju, jer pružaju mogućnost za podešavanje parametara upravljačkog sistema. U ovom radu je predstavljena struktura ANFIS sistema i dat je detaljan prikaz dosadašnjih dostignuća, kroz komparativnu analizu, pri čemu su istaknute neke moguće sfere interdisciplinarne primene. Razmatrane su mogućnosti za varijacije, poboljšanja i inovacije algoritma, kao i smanjenja složenosti same arhitekture mreže. Prikazani su predlozi za neke nove, još neiskorišćene kombinacije sa metaheurističkim metodama optimizacije. Konačno, date su bitne smernice o tome kada i gde je korisno primeniti ANFIS sisteme. Ključne reči: ANFIS, adaptivni sistemi, fazi logika i upravljanje, neuronske mreže, optimizacija 1. UVOD Usled pojave četvrte industrijske revolucije, automatizacije, digitalizacije i optimizacije proizvodnje, sve složenije količine elektronskih podataka onemogućavaju istraživačima da stvore apsolutni metod analize koji se može univerzalno koristiti. Tradicionalne tehnike su neretko vremenski zahtevne i ne pružaju jasnu vizualizaciju velikih skupova podataka. Modelovanje sistema zasnovano na konvencionalnim matematičkim metodama nije dovoljno prilagođeno za rad sa loše definisanim sistemima [1]. Važne prednosti koju savremene metode mogu ponuditi u odnosu na tradicionalne ogledaju se u situacijama u kojima: (a) ima mnogo ulaznih veličina, a malo uzoraka; (b) postoje ekonzistentne vrednosti ili su podaci heterogeni i sadrže više tipova; (v) se mora naći nelinearna ulazno–izlazna zavisnost. Baš kao i tradicionalni modeli, savremeAdresa autora: Mitra Vesović, Univerzitet u Beogradu, Mašinski fakultet, Beograd, Kraljice Marije 15 e-mail: Rad primljen: 21.07.2022. Rad prihvaćen: 08.08.2022. ne tehnike mogu pružiti poznate statističke metode za procenu dobijenog učinka. Jedna od tih savremenih tehnika je upravo veštačka inteligencija. Ona uključuje algoritme koji sadrže elemente ljudskog načina razmišljanja i rešavavanja problema, kao što su: algoritmi fazi logike, veštačke neuronske mreže, metaheuristički algoritmi, kao i ekspertski sistemi [2]. Termin fazi logika uveo je Lotfi Zade 1965. godine. Zade razvija teoriju fazi skupova koja se zasniva na shvatanju da je svaka činjenica prisutna ili odsutna do određenog stepena. U tom smislu fazi teorija svodi crno-belu matematiku i logiku na posebne slučajeve sivih relacija [2]. Fazi sistemi zaključivanja (eng. Fuzzy Inference Systems - FIS) koriste fazi pravila za preslikavanje ulaznih podataka na izlazne podatke [2]. S druge strane, metoda veštačkih neuronskih mreža (eng. Artificial Neural Networks - ANN) može se koristiti kao alternativna metoda u oblastima analize i predviđanja, jer omogućava rukovanje velikim i složenim sistemima sa mnogo međusobno povezanih parametara [3]. U literaturi su široko proučavane prednosti i mane FIS i ANN sistema [2]. Očigledno je da nijedan pristup nije savršen i da ima dve strane – dobru i lošu. Prirodno se pojavila potreba za stvaranjem tzv. Hibridnih sistema TEHNIKA – MAŠINSTVO 72 (2022) 4 439 M. VESOVIĆ i dr. ADAPTIVNI NEURO FAZI SISTEMI U IDENTIFIKACIJI, MODELOVANJU... koji rezultuju boljim performansama u odnosu na svoje pojedinačne članove. Sinergijom ANN i FIS se kombinuju pogodnosti obučavanja koje poseduju neuronske mreže sa donošenjem odluka nalik ljudskoj metodologiji. Istovremeno, eliminiše se mana crne kutije tj. ponašanje mreža je jasnije, dok fazi sistemi dobijaju mogućnost učenja. Neki od sistema koji su nastali na ovaj način su: fazi adaptivna neuronska mreža (eng. Fuzzy Adaptive Learning Control Network FALCON), ANFIS, neuro fazi upravljanje (eng. Neuro Fuzzy Control NEFCON), samokonstruišući neuro fazi sistem zaključivanja (eng. Self Constructing Neural Fuzzy Inference Network SONFIN), kao i mnoga njihova poboljšanja. ANFIS se često koristi u različitim tehnikama istraživanja podataka, mašinkog učenja i upravljanja. Našao je primenu u poslovanju i ekonomiji [4], zaštiti na internetu [5], potrošnji goriva [6], energetici i zaštiti životne sredine [7], prehrambenoj industriji [8], predviđanju mašinske obrade [9], predviđanju evapotranspiracije [10], u proceni koeficijenta snage vetroturbina [11] i mnogim drugim oblastima. 2. PREDNOSTI I MANE ANFIS–A Da bi se demonstrirala superiornost ANFIS metode u odnosu na FIS i ANN pojedinačno, navodi se istraživanje prikazano u [6], gde je korišćenjem sve tri tehnike urađeno predviđanje potrošnje goriva za različite marke i modele automobila. Broj epoha nije bio ograničen, a za grešku se uzimala razlika između dobijenog i stvarnog izlaza. Rezultati su pokazali da je trajanje ANFIS obučavanja vrlo kratko u poređenju sa ANN. Ovo znači da bi za sistem sa ogromnim brojem podataka upotreba ANFIS–a umesto neuronske mreže bila itekako opravdana. Takođe, primenom ANFIS–a dobijeni su rezultati sa minimalnom ukupnom greškom u poređenju sa drugim metodama, zbog čega se može reći da je za rešavanje široke klase problema ANFIS bolji sistem od FIS i ANN. Istraživanje prikazano u [12] pokazuje da je sistem električnog pogona za objekt s više masa, koji je upravljan ANFIS–om, robusniji i otporniji na poremećaje u odnosu na sistem sa konvencionalnim PI upravljačkim sistemom. U mnogim komparativnim istraživanjima neuronskih mreža i ANFIS modela navode se još i prednosti kao što su: sposobnost prilagođavanja problemu, sposobnost brzog učenja i zaključivanja o prirodi ulaza na osnovu izlaza [2], [3], [7]. Ovde se još i navodi da je ANFIS projektovan tako da omogućava istovremeno obavljanje radnji (eng. parallel computing) i da poseduje mogućnosti usvajanja prethodnog znanja i donošenja zaključaka, veliku brzinu konvergencije algoritma i mogućnost širokog izbora funkcija pripadnosti. Još jedna bitna pogodnost, o kojoj će biti više reči kasnije, je ta što je ANFIS kompatibalan sa mnogim metodama, klasičnim upravljačkim sistemima i 440 optim (...truncated)