AS_04_2020

Automazione e Strumentazione Maggio 2020 INDAGINE approfondimenti 53 nizio degli anni 70 del secolo scorso, sfrutta- vano la logica booleana (vero/falso) e il ragiona- mento logico in condizioni di certezza tramite un modello deterministico (causa-effetto). Eviden- ziando però il loro limite principale: il ragiona- mento artificiale si scontrava con la superiorità della logica umana. I sistemi esperti di seconda generazione intro- dussero il modello probabilistico che, a differenza di quello deterministico, ragiona su cause e pos- sibili effetti. Seguendo questo modello i sistemi esperti fecero un passo avanti ma si scontrarono con il fatto che non sempre la risposta più proba- bile è quella più utile. Negli anni 80 e 90 nei processi inferenziali venne introdotta la fuzzy logic, dando così vita ai sistemi esperti di terza generazione . Ed è pro- prio da questa generazione di sistemi esperti che si è cominciato a parlare di sistemi di supporto alle decisioni ( DSS, Decision Support System ). A differenza dei sistemi esperti precedenti, quelli di terza generazione si sono evoluti proponendo non più semplici risposte ma informazioni utili a un processo decisionale, grazie all’introduzione delle reti bayesiane, delle reti di decisione e di chip model free (basati su un numero di regole minore rispetto a quelli tradizionali). La logica fuzzy è molto utile anche nell’ Intel- ligenza Artificiale , nelle macchine intelligenti e nelle reti neurali artificiali (eredi dei sistemi esperti) perché consente di affrontare le scelte in condizioni di incertezza, affidandosi a una rap- presentazione sfumata e probabilistica della realtà e del linguaggio naturale. In questo modo il modello globale riesce ad affrontare il ragio- namento logico evitando le incoerenze logiche, tipiche del ragionamento umano. In molti casi è infatti impossibile affrontare un problema nella sua completezza con la logica tradizionale, sia per motivi computazionali sia per mancanza di informazioni. Un altro aspetto interessante è che nelle applicazioni di Intelligenza Artificiale, oltre all’incertezza legata alla probabilità che una certa affermazione sia vera o falsa, sussiste l’incertezza dovuta alla soggettività della percezione . Questa gradualità insita nella veridicità dell’affermazione consente di catturarne l’imprecisione e di trattarla nei sistemi di Intelligenza Artificiale grazie agli strumenti offerti dalla logica fuzzy. Controllo fuzzy In un sistema di controllo la fuzzy logic racchiude un modello formale e una metodologia in grado di determinare il valore delle variabili di uscita, in funzione di relazioni qualitative con le variabili di ingresso. Un modello fuzzy, pur non essendo lineare, ha la possibilità di definire l’uscita desi- derata in maniera ottimale per ogni valore degli ingressi. Le regole proposte da Mahmood Mamdani (il primo esperto ad implementare un controllore fuzzy) mettono in relazione una descrizione di una situazione in termini lingui- stici con un’azione da svolgere. Tali regole sono basate sull’estensione della teoria degli insiemi . Negli anni 80 un altro pioniere dei sistemi fuzzy, il giapponese Michio Sugeno, definì un tipo alter- nativo di regole fuzzy aprendo ulteriori possibi- lità di modellizzazione. La realizzazione di sistemi fuzzy è supportata da strumenti a diversi livelli. Esistono sistemi di sviluppo per controllori fuzzy, caratterizzati da regole tradotte in termini numerici. Con- trollori fuzzy possono essere realizzati sia tra- mite PC, PLC, PAC, DCS e microcontrollori. Sistemi di supporto alle decisioni e modelli più articolati possono essere realizzati con sistemi di sviluppo ad hoc , facilmente integrabili nei sistemi informativi in cui devono operare. Esi- stono principalmente due classi di metodi per la progettazione dei controllori fuzzy. Il primo è il metodo del gradiente e ha un approccio molto simile a quello del metodo dei minimi quadrati Il secondo metodo fa riferimento all’ osserva- zione delle prestazioni . I principali vantaggi della logica fuzzy consi- stono nella possibilità di individuare la modalità di controllo senza necessariamente conoscere un modello dinamico matematico di un sistema, bensì utilizzando modelli comportamentali rica- vati dall’esperienza, dalla pratica, dall’intuizione. La logica fuzzy riesce a tradurre in modo semplice le nozioni dell’operatore in regole per il control- lore. Le informazioni qualitative derivate dall’e- sperienza contribuiscono infatti direttamente alla realizzazione del regolatore, la cui struttura non viene stravolta da eventuali modifiche o inte- grazioni successive. Il controllo fuzzy si adatta Rappresentazione della logica Fuzzy nel controllo di temperatura (fonte: Wikipedia)