UNIVERSITATEA TEHNICĂ DE CONSTRUCȚII BUCUREȘTI
Facultatea de Inginerie a Instalațiilor
TEZĂ DE DOCTORAT
Modelarea numerică a unui controler folosind conceptele inteligenței artificiale ȋn vederea
implementării pe sistemele BMS
Conducător doctorat
Prof. univ. dr. ing. Sorin CALUIANU
Doctorand Ing. Florin-Adrian Hebean
BUCUREȘTI 2018
- 1 -
Cuprins
Capitolul 1 Concepte ale teoriei sistemelor automate aplicate pentru conducerea instalațiilor din clădiri
4
1.1 Noțiuni introductive în studiul sistemelor automate 4
1.1.1 Definirea noțiunii de teoria sistemelor și automatică 4
1.1.2 Conceptele de semnal, sistem și model 5
1.1.3 Conceptul de sistem automat 6
1.1.4 Funcțiile sistemelor automate 8
1.2 Modelul matematic al sistemelor liniare 9
1.2.1 Tipuri de semnale și răspunsuri ale SRA 9
1.2.2 Modele matematice liniare de tip intrare-ieșire 12
1.2.3 Identificarea proceselor și proiectarea SRA 13
1.3 Sisteme de reglare automată liniare și continue 20
1.3.1 Generalități 20
1.3.2 Structuri de sisteme de reglare automată 21
1.3.3 Performanțele sistemelor de reglare automată liniare 24
1.3.4 Regulatoare automate liniare. Clasificare 26
1.3.5 Alegerea regulatoarelor automate liniare 32
1.4 Sisteme de reglare automată neliniare 33
1.4.1 Conceptul de sistem neliniar. Tipuri de neliniarități 33
1.4.2 Regulatoare automate neliniare 34
1.4.3 Regulatorul bipozițional 35
1.4.4 Regulatorul tripozițional 36
Capitolul 2 Noțiuni ale inteligenței artificiale utilizate în sistemele de automatizare
39
2.1 Logica fuzzy - Stadiul actual al cercetării 39
2.1.1 Noțiuni fundamentale 41
2.1.2 Funcții de apartenență 43
2.1.3 Operatori ai mulțimilor fuzzy 44
2.1.4 Reguli și raționamente fuzzy 45
2.2 Regulatoare fuzzy 46
2.2.1 Structura regulatorului fuzzy 47
2.2.2 Fuzificarea 48
2.2.3 Baza de cunoștințe 49
2.2.4 Baza de reguli 49
2.2.5 Inferența 50
2.2.6 Defuzificarea 52
2.3 Structuri de control cu regulatoare fuzzy 55
2.3.1 Tipuri de structuri de control fuzzy 55
2.3.2 Etapele de dezvoltare a unei structuri de control cu regulator fuzzy
57
2.4 Rețele neurale 59
2.4.1 Modelul general al unei rețele neurale 59
- 2 -
2.4.2 Ecuația de evoluție a rețelei 60
2.4.3 Paradigme ale instruirii 62
2.4.4 Topologia multistrat a rețelelor neurale 62
2.5 Algoritmi genetici 63
2.5.1 Generalități 63
2.5.2 Algoritmul genetic canonic 63
Capitolul 3 Controlere bazate pe inteligență artificială 65
3.1 Implementarea controlerelor fuzzy 65
3.1.1 Modalități de implementare a controlerelor fuzzy 65
3.1.2 Implementări hardware existente 66
Capitolul 4 Stadiul actual al cercetării în domeniul inteligenței artificiale și al conceptului de “Cloud Computing”
70
4.1 Stadiul actual al cercetării în domeniul logicii fuzzy aplicată în conducerea instalațiilor din clădiri
70
4.2 Realizări hardware având la bază conceptele inteligenței artificiale
78
4.3 Cercetări referitoare la conceptele ,,IoT’’ aplicate instalațiilor din clădiri
4.4 Conceptul de ,,Cloud Computing” și ,,IoT’’ – prezent și viitor 79
Capitolul 5 Proiectarea și modelarea unui controler fuzzy pentru asigurarea confortului în clădiri
87
5.1 Generalități 87
5.2 Caracteristicile procesului condus de controlerul de confort fuzzy
88
5.3 Proiectarea controlerului de confort fuzzy 90
5.4 Procesul de fuzificare 94
5.5 Simularea și validarea controlerului fuzzy de confort 130
5.6 Validarea controlerului de confort fuzzy prin rularea în Matlab a unui set de date de intrare provenite de la sistemul de automatizare a unei clădiri existente
136
5.6.1 Compararea ieșirilor obținute pentru controlerul fuzzy de confort cu ieșirile controlerului PID, pentru perioada de iarna
140
5.6.2 Compararea ieșirilor obținute pentru controlerul fuzzy de confort cu ieșirile controlerului PID, pentru perioada de vara
148
Capitolul 6 Integrarea controllerului fuzzy pentru asigurarea confortului în clădiri în rețeaua de "Cloud Computing"
154
6.1 Conceptul de “Cloud Computing” 154
6.2 Platforma de analiză a datelor în cloud computing 156
6.3 Integrarea controlerului fuzzy de confort în platforma de analiză 160
- 3 -
6.3.1 Platforma de analiză externă 160
6.3.2 Virtualizarea datelor în platforma cloud 161
6.3.3 Definirea regulilor analitice pentru controlerul fuzzy de confort 162
6.3.4 Rularea regulilor în platforma analitică
174
Capitolul 7 Concluzii
183
7.1 Contribuții personale 184
7.2 Direcții viitoare de cercetare
185
Bibliografie
186
Anexe 191
Anexa1 – Valorile de intrare, valorile de ieșire PID, valorile de ieșire fuzzy
Anexa2 – Comparație între controlul PID și controlul fuzzy logic
Anexa3 – Codul sursa al regulilor analitice, în limbajul de programare Axon
- 4 -
Capitolul 1 Concepte ale teoriei sistemelor automate aplicate pentru conducerea instalațiilor din clădiri
1.1. Noțiuni introductive în studiul sistemelor automate
1.1.1 Definirea noțiunii de teoria sistemelor și automatică
La noțiunea de sistem, se pot formula următoarele caracteristici relative: a). Pentru un sistem este esențial faptul că părțile sale componente sunt într-o anumită relație, care constituie totodată criteriul de delimitare față de mediul exterior. b). Părțile sau elementele componente au funcții precise și ocupă în cadrul sistemului poziții bine determinate, ceea ce permite să se afirme că sistemul se caracterizează printr-o anumită structură. c). Între mărimile fizice ale sistemului există legături de cauzalitate concretizate în procesarea substanței, energiei și informației în conformitate cu legile generale ale naturii. d). Legăturile de cauzalitate pot fi astfel ordonate încât în cadrul sistemului să existe legături inverse – reacții. Acest tip de conexiune este specifică sistemelor cibernetice. e). Acțiunea comuna a părților sistemului asigura realizarea unui anumit scop; prin reuniunea părților, sistemul dobândește calități noi, care nu pot fi identificate din analiza părților sale, luate separat. f). Realizarea scopului propus în exemplul dat, se poate face utilizând un operator uman sau un regulator automat. Funcțional, cele două soluții au la baza aceeași structură abstractă a comunicațiilor între părțile sistemului. Faptul acesta arată că legăturile din cadrul sistemului pot fi descrise pe baza unei scheme abstracte. Sistemele care au aceeași schemă abstractă sunt izomorfe. g). Noțiunea de sistem este relativă deoarece una și aceiași realitate fizică poate cuprinde diverse sisteme corelate sau nu între ele. În natura regăsim sisteme care se bucura de proprietățile enunțate mai înainte, în cele mai diverse domenii (economie, biologie, tehnică, natură și societate etc.). Analiza unitara a unei asemenea diversități de sisteme impune elaborarea unor principii, a unor metode și reguli generale pe baza cărora să se poată face aprecieri asupra sistemelor din cele mai diverse domenii. Teoria sistemelor este știința care se ocupă cu elaborarea metodelor de studiu cele mai generale utilizabile în studierea sistemelor din cele mai diverse ramuri de activitate. O categorie aparte de sisteme o formează sistemele automate. Acestea sunt sisteme tehnice care funcționează în mod automat (fără intervenția omului) pentru realizarea unui scop impus de realizatorii sistemelor respective. Ramura științei care se ocupă cu studiul metodelor și mijloacelor prin intermediul cărora se asigură conducerea proceselor tehnice, fără intervenția directă a operatorului uman, poartă denumirea de Automatică. Implementarea practică a acestor principii, metode și mijloace de automatizare poartă denumirea de Automatizare (Iliescu și Făgărășan,2013). Problematica generală a automaticii ca ramură a științei conducerii vizează în primul rând conceperea structurilor și strategiilor optime pentru conducerea proceselor și în al doilea rând implementarea pe un suport fizic (hardware) corespunzător acestor strategii. În automatică, sistemul automat este format din:
- 5 -
- Obiectul sau procesul automatizat; - Instalația (echipamentul) de automatizare.
Ansamblul de obiecte și materiale care asigură controlul desfășurării proceselor tehnice sau altor categorii de procese, fără intervenția operatorului uman, se numește echipament de automatizare. Un sistem poate fi privit ca un model al unui obiect, realizat prin metode sistemice, în scopul studierii în raport cu variabila independentă timpul (Iliescu, Arghira, Făgărășan, Dumitru, 2013). 1.1.2 Conceptele de semnal, sistem și model
Conceptul de semnal
Noţiunea de semnal posedă un conţinut semantic larg, echivalent termenilor mărime sau variabilă, care sunt utilizaţi în descrierea comportării unui obiect sau fenomen (indiferent de natura fizică concretă a acestuia). Din punct de vedere matematic, orice semnal trebuie privit ca o funcţie f(t) : R→R, în care argumentul (variabila independentă) t are semnificaţie temporală, permiţând, astfel, exprimarea modului în care o anumită cantitate (cu înţeles fizic) se modifică în timp. Așadar, utilizând termenul de semnal, ne putem referi la evoluţia în timp a oricărei mărimi fizice, cum ar fi, de exemplu: temperatura dîntr-o incintă, viteză unui mobil, volumul de fluid dintr-un rezervor, tensiunea la bornele unui rezistor electric etc.
În funcţie de complexitatea sistemului studiat, nu toate semnalele sunt
accesibile măsuratorilor sau înregistrărilor, dar imposibilitatea accesului practic la
aceste semnale nu înseamnă inexistentă lor ca entităţi ce corespund, la nivel
conceptual, caracterizării de mai sus. Cu alte cuvinte, chiar dacă construcţia obiectului
nu permite efectuarea de mmăsurători în structura internă, ne putem imagina că, într-
o altă variantă constructivă (cu aceeași funcţionalitate), mmăsurătorile ar deveni
posibile cu un echipament adecvat, adică am putea obţine descrieri de tipul f(t).
Conceptul de sistem
Prin conceptul de sistem vom înțelege un obiect fizic (o colecție de obiecte fizice care interacționează) ale cărui (căror) proprietăți intenționăm sa le studiem. O serie din aceste proprietăți pot fi investigate prin intermediul experiențelor efectuate asupra sistemelor; această manieră de studiu a caracterizat, pe parcursul timpului, dezvoltarea științelor naturii, în general. Există totuși anumite limitări, destul de severe, pentru cunoașterea strict empirică (bazată numai pe organizarea și desfășurarea experiențelor). Dacă ne referim numai la experiențele costisitoare din punct de vedere financiar, sau la acelea ce comportă acțiuni, manevre periculoase, posibil distructive, este suficient a ne crea o imagine elocventa privind limitările cunoașterii strict empirice. În fine, experiențele sunt imposibil de efectuat asupra unor sisteme care nu există încă, aflându-se doar în faza de proiect și necesitând analiza unor proprietăți.
- 6 -
Conceptul de model
În toate situațiile amintite anterior, când cunoașterea bazată pe experiențe nu este posibilă, pentru investigarea proprietăților unui sistem se face apel la un model al acestuia. În general vorbind, modelul unui sistem ne permite să răspundem la întrebări legate de comportarea sistemului, fără a trebui sa efectuăm experiențe. Cunoașterea umană face apel la mai multe tipuri de modele, prezentate mai jos. Angrenarea individului în ansamblul social al vieții cotidiene se realizează pe baza unor modele mentale care oferă individului premise pentru interacțiunea cu alți indivizi (de exemplu, cunoașterea modului de a reacționa a diferitor persoane, în anumite situații) sau pentru utilizarea unor obiecte (de exemplu, cunoașterea modului în care răspund la comenzi unele vehicule). Comportarea unui sistem în diferite condiții poate fi descrisă în cuvinte, cu ajutorul unui model verbal (de exemplu, formularea unor principii de funcționare a unui vehicul căruia i se aplică anumite comenzi). Trebuie remarcata distincția dintre un model mental și unul verbal (de exemplu, o persoană poate cunoaște pentru sine modul de utilizare a unui vehicul, fără a formula în cuvinte principiile de funcționare pe care se bazează cunoașterea proprie). Un model mental poate fi transformat într-un model verbal daca informațiile conținute de către modelul mental sunt exprimate sub formă de unități sintactice coerente (propoziții, fraze). Calitatea unui model mental nu este automat transmisă și modelului verbal, în sensul că o serie de informații disponibile în modelul mental nu se regăsesc în cel verbal (de exemplu, o persoană știe foarte bine să manevreze un vehicul, dar nu este capabilă să furnizeze toate cunoștințele sale sub forma unor principii de utilizare care sa servească și altor persoane). Un model verbal poate fi formalizat sub forma unor reguli If, then sau If, then, else (formalizare ce este exploatată în prezent de către diferite domenii ale inteligenței artificiale). Un alt tip de model îl constituie modelul fizic sau macheta, care își propune să reducă la o anumita scară caracteristicile unui sistem dat (de exemplu, macheta unei clădiri, a unui vehicul etc). Dezvoltarea, de-a lungul timpului, a științelor fizico-tehnice s-a bazat pe modelul matematic care exprimă sub formă de relații matematice legăturile existente între diferite mărimi sau cantități ce prezintă interes pentru funcționarea sistemului (de exemplu, legile studiate de către anumite domenii ale fizicii). Complexitatea unui model matematic este dictată, în general, de acuratețea (precizia) dorită în descrierea comportării sistemului, în sensul că un model simplu neglijează sau idealizează anumite aspecte ale comportării (Horga,2015)
1.1.3 Conceptul de sistem automat
Noțiunea de "sistem automat" a apărut în contextul activității de automatizare a
proceselor tehnologice, ce are drept scop reducerea rolului deținut de operatorul uman
(pana la totala independenta de acesta) în realizarea conducerii unor atare procese.
Drept urmare, utilizarea termenului de "sistem automat" comportă o notă generică, în
sensul că un obiect astfel referit este situat în sfera de preocupări (teoretice și/sau
aplicative) aferente automatizării.
- 7 -
Subsistem
de execuţieSubsistem condus
u v
w
z
u - mărime de comandă
v - mărime de execuție
w - mărime perturbatoare
(perturbație)
z - mărime de ieșire
Fig. 1.1.3.1. Reprezentarea schematizată, de principiu, a unui sistem automat cu structură deschisă
Subsistem
de reacţie
Subsistem
condus
u v
y
zSubsistem
decizional sau
de comandă
Subsistem
de execuţie
r
w
r - mărime de referință
u - mărime de comandă
v - mărime de execuție
w - mărime perturbatoare
(perturbație)
z - mărime de ieșire
y - mărime de ieșire
măsurată
Fig. 1.1.3.2. Reprezentarea schematizată, de principiu, a unui sistem automat cu structură închisă
Atât pentru sistemul cu structură deschisă, cat și pentru sistemul cu structură închisă, mărimea de ieșire z trebuie să aibă o evoluție prescrisă (în conformitate cu un anumit program), evoluție care se cere a fi cât mai puțin influențată de mărimea perturbatoare w. Ȋn cazul sistemului automat cu structură deschisă din figura 1.1.3.1, operatorul uman este responsabil să urmărească evoluția reală a lui z și, cunoscând evoluția dorită pentru z, ia decizii privind modificarea sau menținerea mărimii de comanda u. Ȋn cazul sistemului automat cu structură închisă din figura 1.1.3.2, mărimea de comanda u este elaborată de un subsistem decizional (care substituie operatorul uman), deciziile fiind luate de acest subsistem pe baza mărimii de referință r (care furnizează informații privind evoluția dorită pentru z) și a mărimii de ieșire măsurate y (ce reflecta evoluția reală a lui z). Atât pentru sistemul cu structură deschisă din figura 1.1.3.1, cât și pentru sistemul cu structură închisă din figura 1.1.3.2, subsistemul condus este acționat de mărimea de execuție v care este adecvată specificului subsistemului condus și posedă energia necesară acestuia. Mărimea de execuție v este elaborată de către subsistemul de comandă pe seama mărimii de comanda u (care conține informațiile necesare în realizarea conducerii, dar are o energie scăzută, insuficientă pentru a acționa direct asupra subsistemului condus) și a unei surse separate de energie (de la care preia cantitatea și tipul de energie necesar subsistemului condus). Spre deosebire de sistemul cu structură deschisă din figura 1.1.3.1, rolul operatorului uman în sistemul cu structură închisă din figura 1.1.3.2 se reduce doar la furnizarea corecta a mărimii de referință r.
- 8 -
Ȋn problemele practice curente legate de automatizarea instalațiilor (proceselor) tehnologice, se utilizează două descrieri standard pentru sistemele cu structură închisă, conform figurii 1.1.3.3 (a) și (b), care evidențiază aceleași principii de funcționare ca și figura 1.1.3.2, dar utilizează terminologia inginerească tradițională. Singura deosebire dintre figurile 1.1.3.3 (a) și 1.1.3.3 (b) este de natură grafică, plasând blocul traductor T pe calea de reacție și, respectiv pe calea directă (în condițiile când semnalul în extremitatea dreaptă z, respectiv y, este considerat semnal de ieșire)
rR EE IT
T
u v z
y
REGULATORELEMENT DE
EXECUŢIE
INSTALAŢIE
TEHNOLOGICĂ
TRADUCTOR
w
R EE IT Tu v z y
REGULATORELEMENT DE
EXECUŢIE
INSTALAŢIE
TEHNOLOGICĂ
TRADUCTORw
r
(a) (b)
Fig. 1.1.3.3. Descrierea standard a unui sistem cu structură închisă, utilizând terminologia specifică din domeniul automatizării proceselor
Ȋn marea majoritate a sistemelor automate cu structură închisă, de tipul prezentat în figura 1.1.3.3, elaborarea mărimii de comanda u de către regulator se bazează pe un algoritm de reglare ce are drept mărime de intrare mărimea de eroare e, rezultată din compararea mărimii de referință r și a mărimii de ieșire măsurate y, adică e = r - y. Cu alte cuvinte, în schema din figura 1.1.3.3, subsistemul regulator este reprezentat ca o conexiune între un bloc comparator și un algoritm de reglare (sau de conducere), rezultând structura standard a unui sistem de reglare automată din figura 1.1.3.4. Având în vedere că subsistemele element de execuție (EE), instalație tehnologica (IT) și traductor (T) sunt întotdeauna prezente în structura unui sistem de reglare automată, frecvent, pentru a simplifica reprezentarea grafică, se utilizează un bloc unic, denumit "parte fixată", care include conexiunea celor trei subsisteme amintite. Denumirea de parte fixată provine din faptul că algoritmul de reglare trebuie sa răspundă necesitaților specifice conducerii ansamblului celor trei subsisteme, privit ca un obiect tehnic dat și asupra căruia trebuie să se acționeze adecvat prin intermediul mărimii de comanda u (Ilas,2006)
EE IT Tr u v z y
REGULATOR
ELEMENT DE
EXECUŢIE
INSTALAŢIE
TEHNOLOGICĂ
TRADUCTOR
w
AR
BLOC
COMPARATOR
ALGORITM
DE REGLARE
+
–
PARTE FIXATĂ
e
Fig. 1.1.3.4. Structura standard a unui sistem de reglare automată
1.1.4 Funcțiile sistemelor automate
- 9 -
Funcțiile sistemelor automate sunt date de funcțiile echipamentelor de automatizare și sunt următoarele: funcția de comandă, funcția de reglare, funcția de măsurare, funcția de control, funcția de semnalizare și funcția de protecție (Popescu,2000). a) Funcția de comandă (în buclă deschisă, fără reacție) este realizată numai de către calea directă a sistemului automat. Se aplică la intrarea sistemului o comandă prin modificarea mărimii de referință r, iar la ieșire se obține o valoare y a ieșirii din sistem. Nu are loc și o verificare a modului în care y atinge valoarea impusă cu ajutorul lui r. b) Funcția de reglare ( comandă în buclă închisă, cu reacție) se îndeplinește numai daca există calea de reacție cu ajutorul căreia se verifică în mod automat executarea comenzii simple de tipul închis-deschis, sau dupa o anumită lege de reglare. c) Funcția de măsurare este realizată cu ajutorul căii de reacție, iar elementul care realizează această funcție este traductorul. Asigură o informare cantitativă asupra parametrilor procesului. d) Funcția de control este realizată prin calea de reacție, dar în mod discontinuu, pentru sesizarea depășirii anumitor limite ale parametrilor procesului. e) Funcția de semnalizare se realizează optic selectiv și acustiv colectiv. Realizează o informare calitativa asupră parametrilor procesului. f) Funcția de protecție duce la blocarea sau oprirea funcționării procesului atunci când
anumiți parametri depășesc valorile prestabilite.
1.2. Modelul matematic al sistemelor liniare
1.2.1 Tipuri de semnale și răspunsuri ale SRA Principalele tipuri de semnale aplicate la intrarea sistemelor de reglare automată sunt următoarele:
- Impulsul unitar (Dirac); - Treapta unitară; - Rampa unitară; - Semnalul sinusoidal.
Impulsul unitar (Dirac), notat cu (t), are valori nule în toate intervalele de timp, cu excepţia momentului t=0 (momentul aplicării sale), când valoarea sa tinde către infinit, iar aria cuprinsă între curba de variaţie a impulsului și axa timpului este egală cu unitatea (fig. 2.1.1.a).
+
−
= 1)( dtt (1.2.1.1)
a) b)
Fig. 1.2.1.1. Semnal impuls Dirac.
t
t 0
- 10 -
Dacă impulsul unitar este aplicat la momentul 0, atunci este notat cu (t-
) și se reprezintă ca în figura 2.1.1.b.
Treapta unitară, notată cu u1(t), are valori nule pentru t < 0 și valoarea
1 pentru t > 0, la t = 0 având loc trecerea prin salt între cele două valori (fig. 2.1.2.a).
0 t ≤ 0
u1(t) = (1.2.1.2)
1 t > 0
a) b)
Fig. 1.2.1.2. Semnal treaptă unitară.
Dacă treapta unitară este aplicată la momentul ≠ 0, atunci este notată cu u1(t-
) și se reprezintă ca în figura 2.1.2.b.
0 t ≤
u1(t-) = (1.2.1.3)
1 t >
Semnalul se numește simplu semnal treaptă, dacă înălțimea treptei are o
valoare oarecare k, diferită de 1 și se notează u(t).
Rampa unitară se notează v(t), are valori nule pentru t < 0 și valori v=t pentru
t > 0 (fig.2.1.3 a). Poartă numele de rampă unitară atunci când unghiul format cu axa
timpului are valoarea de 450.
0 t ≤ 0
v(t) = (1.2.1.4)
t t > 0
0
u1(t)
t
1
0 τ
1
t
0 t
v(t)
0 t 0
τ
v(t-)
- 11 -
a) b)
Fig. 1.2.1.3. Semnal rampă.
Dacă rampa este aplicată la momentul 0, atunci este notată cu v(t-) (fig.2.1.3.b).
s0 t ≤
v(t-) = (1.2.1.5)
t t >
Semnalul sinusoidal este un semnal deterministic utilizat pentru analiza în frecvenţă a sistemelor automate și se defineşte matematic cu ajutorul funcţiilor trigonometrice sinus sau cosinus (Fig. 2.1.4):
u(t)=U0sint u(t)=U0cost (1.2.1.6)
Impulsul unitar reprezintă derivata în sens generalizat a treptei unitare:
(t)=dt
tdu )(1
(1.2.1.7)
Fig. 1.2.1.4. Semnal sinusoidal.
Răspunsul unui sistem (sau element) la un impuls unitar este denumit funcţie pondere. Răspunsul unui sistem (sau element) la o treaptă unitară este denumit răspuns indicial. Aprecierea calităţii unui SRA se face prin intermediul performanţelor tranzitorii și staţionare ale răspunsului indicial (Cirtoaje,2013).
- 12 -
1.2.2 Modele matematice liniare de tip intrare-ieșire Stabilirea modelului unui sistem se efectuează pe baza legilor fizicii, mecanicii, chimiei, electrotehnicii, etc., care definesc funcționarea elementelor componente. Întocmirea modelului unui sistem impune evidențierea unor elemente idealizate care alcătuiesc sistemul și în cadrul cărora are loc acumularea, disiparea sau transformarea de energie. Un asemenea model obținut este un model fizic. Stabilirea ecuațiilor de funcționare ale fiecărui element idealizat permite întocmirea modelului matematic al sistemului. Modelele matematice utilizate în studiul sistemelor automate pot fi de tipul intrare-ieșire (ecuații diferențiale, funcții de transfer, caracteristici de frecvență) și de tipul intrare-stare-ieșire (ecuații de stare). Sistemele studiate în automatizări pot fi de natură electrică, mecanică, termică, hidraulică, chimică, etc. Pentru un studiu mai comod cu ajutorul modelelor experimentale, uneori, se recurge la modele analog-electrice. Acestea se pot realiza cu mai mare ușurință și reproduc suficient de exact comportamentul sistemelor studiate care sunt de obicei de o natură alta decât cea electrică. Modelele experimentale sub forma circuitelor electrice conțin de obicei rezistoare R, bobine L și condensatoare C. Într-un rezistor are loc disipare de energie, într-o bobină are loc acumulare de energie cinetică, iar într-un condensator are loc acumulare de energie potențială (Dolga,2010) În cazul modelelor matematice de tip intrare-ieșire, pentru a stabili ordinul sistemului raționăm astfel: - modelele sistemelor în timp continuu (STC), se aduc la forma de ecuație diferențială ordinară, iar ordinal este dat de ordinul maxim de derivare al mărimii de ieșire în condițiile în care în model mărimea de ieșire și/sau mărime de intrare apar și sub formă nederivată; o Pentru exemplul 1: n = 1; - modelele sistemelor în timp discret (STD), se aduc la forma de ecuație recursivă; ordinul sistemului este dat de ordinul de recurență al ecuației recursive, adică de diferența dintre cel mai mare argument și cel mai mic argument. o Pentru exemplul 2: n = t – (t-2) = 2. a) Exemplul1: Model matematic de tip intrare-ieșire în timp continuu
Ty(t) + y(t) = K x u(t) (MM-II în t.c.) În general, un model matematic intrare-ieșire (MM-II) în timp continuu (t.c.) conține, alături de u(t) și y(t) , și derivatele acestora. De regulă, operăm cu forma de ecuație diferențială ordinară, eliminând integralele prin derivare în raport cu timpul. b) Exemplul2: Model matematic de tip intrare-ieșire în timp discret
- 13 -
0.5y[t] - 0.8y[t -1] + 2y[t - 2] = u[t -1] + 4u[t - 2] (MM-II în t.d.) MM-II în timp discret (t.d.) are forma de ecuație recursivă. Într-o astfel de ecuație, în afară de u[t] și y[t] , intră și realizările lui u și y la alte momente: u[t -1] , u[t - 2], ... ; y[t -1] , y[t - 2] , ... .
1.2.3 Identificarea proceselor și proiectarea SRA
Modelul matematic al procesului supus automatizării este necesar pentru elaborarea strategiei de conducere automată și reprezintă forma cea mai evoluată de exprimare a caracteristicilor instalaţiei tehnologice. Ansamblul de metode și procedee prin care se urmăreşte obţinerea unor modele matematice cât mai reprezentative pentru procesele investigate poartă denumirea de identificarea proceselor. Identificarea urmăreşte stabilirea caracteristicilor statice și dinamice ale procesului. În funcţie de proces și de gradul de precizie impus pentru modelul matematic, sunt cunoscute mai multe metode teoretice și experimentale pentru identificarea proceselor . Identificarea teoretică (analitică) are la baza legile care determină funcţionarea proceselor și modelele obţinute în acest mod au în general un domeniu mare de validitate. Dezavantajele identificării analitice sunt timpul mare cerut de o astfel de abordare și faptul ca modelele obţinute analitic sunt în general foarte complicate. Identificarea experimentală constă în determinarea unui model pentru proces din date de intrare–ieşire și experienţa a arătat ca o astfel de abordare conduce în general la modele matematice simple. Majoritatea metodelor de identificare experimentală presupun modele liniare, deci validitatea acestora este limitată la “excursii” mici în jurul unui punct de funcţionare . Identificarea experimentală, care determină modelul matematic pe baza datelor de intrare-ieşire ale procesului, prezintă avantajul că utilizează aceleaşi metode şi tehnici pentru cele mai diferite tipuri de procese. Prin prelucrarea datelor de intrare-ieşire se obţin modele funcţionale care descriu numai componentele intrare–ieşire ale procesului, modele cu largă aplicabilitate în proiectarea sistemelor de reglare automată. În cazul instalaţiilor tehnologice în care se desfăşoară procese rapide, cum sunt prin excelenţă acţionările electrice, identificarea se efectuează uşor şi cu un grad ridicat de precizie, deoarece ecuaţiile diferenţiale care descriu funcţionarea maşinilor electrice sunt determinate în literatura de specialitate (identificare teoretică). Mult mai complicată este identificarea proceselor lente, care reprezintă majoritatea proceselor supuse automatizării. Descrierea matematică a acestor procese poate fi obţinută numai în mod aproximativ, cu o precizie sensibil mai redusă decât în cazul proceselor rapide. Există o mare varietate de procese lente pentru care nu există ecuaţii gata stabilite prin care să se descrie matematic aceste procese, cu excepţia unui număr redus de cazuri. În al doilea rând, stabilirea acestor ecuaţii este
- 14 -
deosebit de dificilă datorită complexităţii instalaţiilor şi al numărului mare de factori care intervin, iar ecuaţiile obţinute sunt complicate. Datorită consideraţiilor menţionate, metodele experimentale joacă un rol preponderent în identificarea proceselor lente, însă gradul de precizie al identificării este cu mult mai redus decât în cazul proceselor rapide. Identificarea este un ansamblu de metode prin care se urmăreşte obţinerea unor modele cât mai reprezentative pentru procesele prezentate. Având în vedere faptul că performanţele sistemelor automate trebuie satisfăcute atât în regim staţionar cât și în regim tranzitoriu, este necesar ca prin identificare să se determine atât caracteristicile statice, cât şi cele dinamice ale procesului investigat. Caracteristicile statice reprezintă dependenţa mărimilor de ieşire ale proceselor de mărimile care acţionează la intrarea acestora în regim staţionar, adică în regimul în care derivatele în raport cu timpul ale acestor mărimi sunt nule. Caracteristicile dinamice ale proceselor automatizate reprezintă dependenţa mărimilor de ieşire în raport cu timpul și cu mărimile de intrare. În funcţie de diversitatea proceselor tehnologice supuse automatizării, de tipul identificării și de gradul de precizie impus modelului, sunt cunoscute mai multe tipuri de metode de identificare experimentale. Metodele experimentale reprezintă partea de bază a identificării proceselor. Ele permit, prin măsurători asupra mărimilor de intrare și de ieşire ale proceselor (figura 1.2.3.1), obţinerea unor modele matematice care descriu cât mai aproape de realitate comportarea proceselor investigate. În lucrare se va utiliza pentru modelele matematice ale proceselor funcţii de transfer H(s) (Baiesu, 2012)
Fig. 1.2.3.1 Structura sistemului de identificat
Astfel, pentru a se putea estima care este cea mai potrivită formă a funcţiei de
transfer se prezintă tipuri de răspunsuri indiciale (la un semnal de intrare treaptă) ale
principalelor tipuri de procese automatizate, precum și relaţiile de calcul pentru
determinarea coeficienţilor modelelor matematice.
Identificarea sistemelor dinamice de ordinul I
Pentru sistemele dinamice de ordinul I se utilizează ca model o funcţie de
transfer de forma:
( )1)(
)(+
==sT
K
sU
sYsH
f
f
(1.2.3.1)
unde: Kf - factorul de transfer al procesului (U.M. ieşire/U.M. intrare);
- 15 -
Tf - constanta de timp (s);
Răspunsul la un semnal treaptă la intrare, numit şi funcţie indiceală, al unui
sistem dinamic de ordinul I, ideal, este prezentat în figura 2.3.2. Caracteristic este
faptul că la aplicarea semnalului treaptă panta răspunsului dy/dt > 0, aspect specific
doar pentru elementele dinamice de ordinul I.
Fig 1.2.3.2. Răspunsul indiceal al unui sistem dinamic de ordinul I
Pentru determinarea valorilor coeficienţilor Kf și Tf se poate aplica o metodă
simplă exemplificată în fig 2.3.2.
Factorul de transfer Kf se calculează cu relaţia:
−
−=
=
eU.M.intrar
U.M.iesire
12
1
uu
yy
u
yK st
f (1.2.3.2)
unde:
y1 - valoarea mărimii de ieşire în regim staţionar iniţial;
yst - valoarea mărimii de ieşire în regim staţionar final;
u1 – valoarea mărimii de intrare iniţială;
u2 – valoarea mărimii de intrare finală;
Constanta de timp Tf este egală cu perioada de timp în care mărimea de ieşire y
creşte cu 63,2% din variaţia totală yst – y1, deci de la y1 la yT:
- 16 -
)(632,0)( 112 yyytyy stT −+== (1.2.3.3)
Se determină timpul t1 la aplicarea treptei și t2 corespunzător valorii y = yT, după
care se calculează constanta de timp Tf cu relaţia:
12 ttTf −= (1.2.3.4)
Identificarea sistemelor dinamice de ordinul II sau superior
Răspunsul indiceal tipic pentru un sistem dinamic de ordinul II sau superior este
prezentat în figura 2.3.3. Caracteristic este faptul că la aplicarea semnalului treaptă
panta răspunsului dy/dt = 0, aspect specific pentru sistemele dinamice de ordinul II
sau mai mari.
Pentru identificarea elementele dinamice de ordinul II sau mai mare se utilizează
modele simplificate cu care se aproximează comportarea sistemelor dinamice
complexe; modele compuse dintr-un element cu timp mort și un element dinamic de
ordinul I sau de ordinul n. Modelele sunt funcţii de transfer de forma:
1)(
+
=
−
sT
eKsH
f
s
f
(1.2.3.5)
( )n
f
sT
KsH
1)(
+=
(1.2.3.6)
( )n
s
f
sT
eKsH
1)(
+
=
−
(1.2.3.7)
unde: f este timpul mort, T este o constantă de timp, n este ordinul sistemului.
- 17 -
Fig. 1.2.3.3 Răspunsul indiceal a unui element dinamic de ordin superior.
În figura 2.3.3 este prezentat răspunsul indiceal unui sistem dinamic de ordin
superior la aplicarea unui semnal treaptă la intrare și valorile care trebuie determinate pentru calculul coeficienţilor modelului (1.5).
Calculul valorii factorului de transfer Kf se face cu relaţia :
12
1
uu
yyK st
f−
−= (1.2.3.8)
Pentru calculul valorii coeficienţilor Tf și f se pot utiliza mai multe metode care
depind de forma modelului ales. În această lucrare se va utiliza modelul (1.5), denumit
şi OUPTM (Ordin Unu Plus Timp Mort) în engleză FOPDT, care este modelul cel mai
utilizat în practica automatizării proceselor lente specifice și în domeniul proceselor
biotehnologice.
a. Metoda 5%. Timpul mort f este considerat a fi perioada în care răspunsul y se
modifică cu mai puţin de 5% din variaţia totală (yst – y1). Se determină valoarea t1 la
care s-a aplicat semnalul treptă. Se calculează valoarea y :
)(05,0)()( 1112 yyyytytyy st −+=+==
(1.2.3.9)
Se determină valoarea t2 pentru care răspunsul sistemului este y = y și se
calculează valoarea timpului mort f cu relaţia:
12 ttf −= (1.2.3.10)
Constanta de timp Tf a modelului este egală cu perioada de timp în care mărimea
de ieşire y creşte cu 63,2% din variaţia totală yst – y1, deci de la y1 la yT:
)(632,0)( 113 yyytyy stT −+==
(1.2.3.11)
- 18 -
Se determină valoarea t3 corespunzătoare lui yT, după care se calculează Tf cu
relaţia:
23 ttT f −= (1.2.3.12)
b. Metoda S&K . Metoda este de tip empiric şi se bazează pe analiza a foarte multe
răspunsuri indiciale.
Fig. 1.2.3.4 Determinarea valorilor t2 și t3 pentru metoda S&K
Iniţial se calculează două valori ale mărimii de ieşire, y35 şi y85, pentru 35% și
85% din variaţia yst - y1 cu relaţiile:
)(35,0)( 11235 yyytyy st −+== (1.2.3.13)
)(85,0)( 11385 yyytyy st −+== (1.2.3.14)
Din răspunsul indiceal se determină valorile t2 şi t3 cu care se calculează Tf şi f cu
relaţiile:
)(29,0)(30,1 1312 ttttf −−−=
(1.2.3.15)
)(67,0 23 ttT f −=
(1.2.3.16)
Identificarea sistemelor cu caracteristică integratoare
Pentru sistemele dinamice cu caracteristica integratoare este utilizat ca model
o funcţie de transfer de forma
- 19 -
sTsH
i =
1)( (1.2.3.17)
Răspunsul, funcţia indiceală, al unui astfel de tip de sistem (exemple: cilindru
hidraulic, motor electric) este prezentat în figura 1.2.3.5. Se observă că se ajunge la
o stare de saturaţie y = ysat și atunci u = 0.
Fig. 1.2.3.5. Răspunsul indiceal a unui element integrator
Constanta de timp de integrare Ti se calculează cu relaţia :
f
sat
sati K
yy
ttuT
−
−=
1
11 )( (1.2.3.18)
Se consideră că Kf = 1 are dimensiunea: Kf = [ U.M.ieşire/U.M.intrare ]
1.3. Sisteme de reglare automată liniare și continue
1.3.1 Generalități
Ansamblul format din procesul supus automatizării și mijloacele tehnice care asigură automatizarea acestuia constituie un sistem automat (Popescu,2013). O reprezentare funcțională a unui sistem automat este arătată în figura 3.1.1.
- 20 -
Fig. 1.3.1.1. Sistem automat. Reprezentare funcțională. Procesul condus, reprezentat ca un sistem cu intrările u și vi și ieșirea y, este supus acțiunii comenzii u generate de echipamentul de automatizare și acțiunii mărimilor exogene vi,, care reprezintă perturbații. Perturbațiile care acționează asupra proceselor pot fi aditive sau parametrice. Acțiunea perturbațiilor aditive se cumulează la ieșire cu acțiunea comenzii u, pe când perturbațiile parametrice se concretizează în modificări structurale ale procesului (Iliescu, Făgărășan,Ţăranu,2006). Sistemul automat își îndeplinește cu succes sarcinile impuse dacă abaterea
sau eroarea de reglare , definită ca fiind diferența dintre referința w și ieșirea măsurată yr conform relației:
)()()( tytwt r−= (1.3.1.1)
atinge valoarea nulă în regimul staționar, indiferent de acțiunea mărimilor exogene care acționează asupra procesului condus. Această condiție se exprimă matematic astfel:
0)(lim =→
tt
(1.3.1.2)
Un astfel de sistem poartă denumirea de sistem de reglare automată (SRA).
1.3.2 Structuri de sisteme de reglare automată
Orice sistem automat conţine o reacţie negativă stabilizatoare, prin intermediul căreia se realizează un control permanent al efectelor acţiunilor de comandă. Principiul reacţiei este fundamental pentru înţelegerea funcţionării sistemelor automate și evidenţierea lui a constituit actul de naştere al automaticii. În funcţie de informaţiile cunoscute dinainte despre proces, se pot utiliza următoarele variante de sisteme de reglare : -sisteme de reglare clasice cu un regulator ; -sisteme de reglare în cascadă ; -sisteme de reglare paralelă ; -sisteme de reglare după perturbaţie şi reglare combinată ; -sisteme de reglare după variabilele de stare ; -sisteme de reglare cu compunerea timpului mort . a) Structura clasică cu un regulator
Proces
condus
w u y yr
v1 v2 vn
Echipament de
- 21 -
Sistemul funcţionează pe principiul minimizării abaterii sau erorii de reglare .
Structura de reglare (fig. 1.3.2.1) este cea mai simplă și este utilizată acolo unde
procesele supuse automatizării nu ridică probleme deosebite în atingerea
performaţelor impuse sistemului automat.
Fig. 1.3.2.1. Structura de reglare clasică.
Semnificaţia blocurilor componente și a mărimilor ce apar în figură este următoarea: C - comparator, R – regulator automat, E – element de execuţie, P – proces (instalaţie tehnologică), T – traductor, w – referinţă, yr – reacţie (mărimea măsurată), - abaterea, u – comanda regulatorului, m – mărimea cu care elementul de execuţie acţionează asupra procesului, v1, v2,..,vn – perturbaţiile, y – ieşirea reglată. Valoarea mărimii reglate y se stabileşte cu ajutorul referinţei w. Aducerea valorii lui y la valoarea impusă prin w se asigură de către regulatorul R, care elaborează o comandă în tensiune u, aplicată elementului de execuţie E. Elementul de execuţie, prin mărimea m (de obicei de natură mecanică), acţionează asupra procesului modificând mărimea reglată y în sensul dorit. Valoarea lui y este măsurată cu ajutorul traductorului T și convertită în semnalul electric yr , care prin calea de reacţie negativă este adusă la intrarea sistemului în comparatorul C. Diferenţa dintre referinţa w şi măsura yr este abaterea ε, un semnal electric care se aplică regulatorului R. Dacă ε ≠ 0 (ε >0 sau ε<0) regulatorul elaborează o comandă sub forma unui semnal electric u pe baza legii de reglare (algoritmului de reglare) implementate în structura regulatorului, până când y atinge valoarea impusă de referinţa w. Dacă ε = 0 abaterea este nulă (w = y) atunci și comanda regulatorului este de asemenea nulă. Diferenţele dintre referinţă şi mărimea reglată apar ca urmare a modificării valorii mărimii de referinţă sau prin acţiunea perturbaţiilor. Ţinând seama de sensul fluxului informaţional, regulatorul R, elementul de execuţie E şi procesul tehnologic P, formează calea directă a sistemului automat, iar traductorul calea de reacţie (Ilaș, Priboianu, 2004). b) Structura de reglare în cascada Sistemele de reglare în cascadă se utilizează atât în cazul proceselor rapide (procese cu constante de timp mai mici decât 10 s ) cât și în cazul proceselor lente, cu timp mort (cu constante cu timp mare, zeci de secunde,minute).
- 22 -
Reglarea în cascadă se recomandă în cazul proceselor tehnologice cu funcţii de transfer cu număr mare de constante de timp, care se pot descompune în subprocese a căror funcţii de transfer să nu conţină mai mult de două constante de timp principale. În fucţia de transfer a procesului, prezenţa unui număr mare de constante de timp, pentru compensarea lor (a constantelor de timp), este dificil să se utilizeze algoritmi de reglare tipizaţi (PI, PD, PTD) impunându-se algoritmi de reglare care să conţină binoame de gradul întâi, care vor avea efectul de amplificare a zgomotelor datorate componentelor derivative. În cazul utilizării reglării în cascadă , în modelul matematic al procesului supus automatizării trebuie puse în evidenţă mărimi intermediare care trebuie să fie accesibile din punct de vedere fizic şi măsurabile prin mijloace relativ simple. De asemenea ele trebuie să răspundă la perturbaţii mult mai repede dacât mărimea de ieşire.
Fig. 1.3.2.2. Structura de reglare în cascada.
c) Structura de reglare după perturbaţie şi structura de reglare combinată Spre deosebire de structura convenţională de reglare după abatere, reglarea după perturbaţie prezintă avantajul că acţiunea de compensare a efectului perturbaţiei se elaborează înainte de apariţia unei abateri între valoarea dorită a mărimii de ieşire și valoarea reală a acesteia, evitându-se astfel întârzierea introdusă în întreaga buclă de reglare în transmiterea semnalelor de comandă. Pentru determinarea precisă a algoritmului de reglare după perturbaţie trebuie cunoscut cu precizie modelul matematic al procesului, precum și funcţia de transfer care stabileşte corespondenţa între ieşire și perturbaţie. De asemenea, mărimea perturbatoare trebuie să fie accesibilă măsurării. Pe de altă parte, reglarea după perturbaţie nu poate înlocui reglarea după eroare, deci nu se poate renunţa la reacţia principală, deoarece nu este posibilă instalarea unor regulatoare de perturbaţie pentru toate perturbaţiile care acţionează asupra sistemului, întrucât o asemenea soluţie ar fi neeconomică, iar unele perturbaţii nu pot fi bine cunoscute.
- 23 -
Avantajele reglării după perturbaţie combinate cu avantajele reglării după abatere conduc la o structură de sistem de reglare combinată (fig. 1.3.2.3).
Fig. 1.3.2.3. Structura de reglare în combinata.
1.3.3 Performanţele sistemelor de reglare automată liniare Un sistem de reglare automată (SRA) trebuie conceput astfel încât să fie îndeplinite simultan proprietăţile de stabilitate și de reglare. În afară de aceste două proprietăţi fundamentale, în aplicaţiile concrete se impun sistemelor de reglare automată proprietăţi suplimentare, care explicitează ceea ce se numeşe calitatea procesului de reglare. Calitatea procesului de reglare este descrisă convenţional prîntr-o clasă de indici sintetici care definesc performanţele SRA (Dumitrache, 2005)
Performanţele sistemului de ordinul întâi sunt timpul tranzitoriu şi eroarea
staţionară.
Performanţele sistemului de ordinul doi în regim staţionar și tranzitoriu se
calculează presupunându-se cunoscute valorile parametrilor şi n şi prin aceşti
parametrii tipul răspunsului . Pentru aprecierea răspunsului unui sistem de reglare de ordin doi în regim tranzitoriu principalii indici de performanţă sunt : -suprareglajul ;
-gradul de amortizare ;
-pulsaţia proprie n ;
-durata regimului tranzitoriu tr; -timpul de creştere tc; -timpul de întârziere tî; Pentru aprecierea regimulu staţionar se folosesc următoarii indici de calitate :
-eroare staţionară st ;
-eroarea de viteză ;v
P2 R
Nz2 Nz1
Rz1 Tz1
P1
v
-
+
EC
u +
-
z1
yz1
- +
+
z2
yz2
+
- +
proces supus
automatizării
y
- 24 -
-eroare de acceleraţie ;a
Aceste performanţe se definesc pe răspunsul indicial ca în figura 1.3.3.1:
Fig 1.3.3.1
- Performaţa regimului staţionar
Eroarea staţionară impusă unui sistem de reglare poate fi 0=st , sau poate fi
de forma impusstst (exprimată în procente, prin raportare la voloarea yst). Permite
aprecierea calităţii regimului staţionar al sistemului automat, sau cu alte cuvinte caracterizează precizia sistemului de reglare:
100[%] −
=−=st
st
stststy
ywyw (1.3.3.1)
- Performanţele regimului tranzitoriu
Suprareglarea (abaterea dinamică maximă) reprezintă depăşirea maximă de
către mărimea de ieşire y a valorii de regim staţionar yst. Se notează cu .
100[%] max
max −
=−=st
st
sty
yyyy (1.3.3.2)
1(t)
0,05 yst
0,5 yst
0,95 yst
1 yst
1,05 yst
t
t
u(t)
ti
tc T
tr
- 25 -
Factorul de amortizare ξ are o influenţă hotărâtoare asupra amortizării regimului tranzitoriu, ceea ce a determinat şi denumirea acestui factor; suprareglarea σ este determinată numai de factorul ξ .
21
−−
= e (1.3.3.3)
Suprareglarea sistemului de ordinul doi depinde numai de ξ şi nu depinde de pulsaţia naturală ωn . Pentru o calitate bună o regimului tranzitoriu, care să asigure o rezervă suficientă de stabilitate sistemului de reglare şi să evite suprasolicitări ale instalaţiei tehnologice prin depăşiri importante ale valorii prescrise în cursul variaţiei mărimii reglate, performanţa impusă suprareglării este de forma:
imp. (1.3.3.4) Durata regimului tranzitoriu (tt) denumită și timp de răspuns reprezintă intervalul de timp dintre începutul procesului tranzitoriu şi momentul în care valoarea absolută a diferenţei y – yst scade sub o anumită limită fixată, fără a mai depăşi ulterior această limită (Popescu, 2014).
− styy - limita fixată (1.3.3.5)
De cele mai multe ori în practică se adoptă = 0,05yst , deci un domeniu de
5% în jurul valorii staţionare.
Gradul de amortizare () se exprimă prin raportul între două “pulsuri” de acelaşi semn ale regimului tranzitoriu
impus
== 3
1
3 (1.3.3.6)
Gradul de amortizare exprimă descreşterea abaterilor la un sistem oscilant amortizat. Timpul de întârziere este definit ca timpul necesar mărimii de ieşire să crească de la zero la 0,5yst . Timpul de creştere reprezintă timpul necesar evoluţiei răspunsului în domeniul
(0,1 0,9)yst . 1.3.4 Regulatoare automate liniare. Clasificare Regulatorul este acel element din cuprinsul SRA la intrarea căruia se aplică eroarea sau abaterea ε, și la a cărui ieşire rezultă marimea de comandă xc care determină acţionarea elementului de execuţie. Prin insăşi construcţia regulatorului se asigură stabilirea unei anumite dependenţe între mărimea de comandă xc şi eroarea ε, astfel încât, ca urmare a
- 26 -
acţiunii elementului de execuţie, comandat de regulator, să se obţină fie anularea abaterii, fie menţinerea acesteia, între limitele dinainte stabilite. Structura regulatorului este determinate de rolul sau funcţional în cadrul SRA. Astfel, deşi există o mare varietate de tipuri de regulatoare, orice regulator va conţine urmatoarele componente: - amplificatorul; - elementul de reacţie secundară; - elementul de comparare secundară. Amplificatorul, notat cu A, este elementul de bază al regulatorului. El amplifică marimea ε cu un factor KR , deci realizează o relaţie de tipul (Popescu, 2014) : xc (t) = KR • ε1 (t), unde KR reprezintă factorul de amplificare al regulatorului. Adeseori, amplificatorul realizează şi trecerea la o altă formă de energie. Elementul de reacţie secundară, notat cu ERS, primeşte la intrare mărimea de comandă xc ( de la ieşirea amplificatorului) şi elaborează la iesire un semnal xr 8 , denumit mărime de reacţie secundară (Popescu, 2014). Elementul de comparare secundară, notat cu ECS, efectuează continuu compararea valorilor abaterii ε și a lui xr 8 după relaţia (Popescu, 2014): ε1 (t) = ε (t) – xr 8 (t).
Fig. 1.3.4.1. Regulatorul
Clasificarea regulatoarelor se poate face după mai multe criterii, din care amintim ca importante urmatoarele: În funcţie de sursa de energie folosită, acestea se clasifică în regulatoare (Popescu, 2014) : - directe atunci când nu este necesară o sursă de energie exterioară, transmiterea semnalului realizandu-se pe seama energiei interne, şi - regulatoare indirecte când se foloseşte o sursă de energie exterioară pentru acţionarea elementului de execuţie (Popescu, 2014). După viteză de răspuns regulatoarele se clasifică în: - regulatoare pentru procese rapide, folosite pentru reglarea automată a instalaţiilor tehnologice care au constante de timp mici ( mai mici de 10 s ), - regulatoare pentru procese lente, folosite atunci când constantele de timp sunt mari ( depaşesc 10 s ) (Popescu, 2014).
- 27 -
Clasificarea regulatoarelor în funcţie de particularităţile de construcţie şi funcţionale. Se deosebesc astfel urmatoarele tipuri de regulatoare: După tipul acţiunii, pot fi regulatoare cu acţiune continuă şi regulatoare cu acţiune discret.
Regulatoare cu acţiune continuă sunt cele în care mărimile ε (t) și xc (t) variază continuu în timp: dacă dependeţa dintre cele două mărimi este liniară, regulatorul se numeşte liniar, iar dacă este neliniară, regulator neliniar.
Regulatoare cu acţiune discretă ( sau regulatoarele discontinue ) sunt cele la care mărimea ε (t) și xc (t) reprezintă un tren de impulsuri; la aceste regulatoare există o relaţie discontinuă între abatere şi mărimea de execuţie.
După caracteristicile constructive, sunt regulatoare unificate și regulatoare specializate.
Regulatoarele unificate se pot utiliza pentru reglarea a diferiţi parametrii (temperatura, presiune, debit etc. ) iar cele specializate numai pentru o anumita marime (Popescu, 2014);
Dupa agentul de semnal, regulatoarele sunt electronice, electromagnetice, hidraulice sau pneumatice.
- 28 -
Fig. 1.3.4.2. Clasificarea regulatoarelor Se numesc regulatoare liniare toate regulatoarele cu acţiune continuă în care legea de reglare, adică dependenţa dintre xe (t) și ε (t), are un caracter linear (Lazăr, Vrabie, Carari, 2004) Regulatoarele liniare sunt de şase tipuri: - regulatoare cu acţiune proporţională notate cu P - regulatoare cu acţiune integrală notate cu I - regulatoare cu acţiune diferenţială notate cu D - regulatoare cu acţiune proporţională-integrală notate cu PI
- 29 -
- regulatoare cu acţiune proporţional-diferenţială notate cu PD - regulatoare cu acţiune proporţional-integral-diferenţială notate cu PID a) Regulatorul de tip P În cadrul algoritmului de control proporţional, iesirea regulatorului (comanda u) este direct proporţională cu semnalul de eroare, care reprezintă diferenţa dintre semnalul de referinţă şi variabila de proces (ieşirea sistemului). Cu alte cuvinte, ieşirea unui regulator de tip P (comanda u) este produsul dintre semnalul de eroare şi constanta de proporţionalitate. Matematic, aceasta afirmatie poate fi descrisă prin: u(t) = Kp ×e (t) (1.3.4.1) unde: u(t) – iesirea regulatorului și comanda procesului p K – constanta de proportionalitate e (t) – eroarea procesului la momentul t, definită ca e (t) = r(t) - y(t) r(t) – referinta la momentul t y(t) – iesirea procesului la momentul t b) Regulatorul de tip PI În ingineria de control, un regulator de tip PI (proporţional-integrator) este un regulator de reacţie ce permite ca procesul să fie controlat prin intermediul sumei dintre eroarea la un moment dat ponderată cu factorul de proporţionalitate și integrala acelei valori. Practic, regulatoarele PI sunt un caz aparte a regulatoarelor PID (des utilizate), în care se anulează componenta D (derivatoare). Comanda procesului este dată de: u(t) = KP ×e (t) + KI × ∫e (t)dt (1.3.4.2) Avantajul regulatoarelor PI constă în faptul că termenul integrator implică o eroare staţionară nulă pentru referinţă de tip treaptă. c) Regulatorul de tip PID Regulatorul de tip PID (proporţional-integrator-derivativ) înglobează la un loc cei 3 termeni specificaţi. Este cel mai des folosit regulator convenţional (aprox. 95% din regulatoarele folosite în industrie sunt de tip PID). Termenul proporţional determină reacţia la eroarea curentă, termenul integrator determină reacţia bazată pe suma unor erori recente, iar termenul derivativ determină reacţia bazată pe rata la care eroarea s-a schimbat. Suma acestor acţiuni este ponderată (cu factorul de amplificare P K ) pentru a se putea ajusta procesul printr-un element de control, cum ar fi poziţia unei valve de control sau alimentarea cu energie electrică a unei surse de încălzire. Schema bloc a regulatorului PID este prezentată în continuare:
- 30 -
Fig. 1.3.4.3. Structura unui regulator PID
Un regulator PID poate fi privit ca un regulator PI la care se adaugă componenta derivativă (PID=P+I+D). Termenul derivativ este dat de:
(1.3.4.3) unde: D out - este partea derivativă a iesirii K d - este constanta de derivare, un parametru ajustabil dƐ/dt- eroarea t - timpul sau momentul la care se consideră iesirea Controlul derivativ este folosit pentru a reduce amplitudinea suprareglajului produs de componenta integratoare şi de a îmbunătăţi stabilitatea combinată regulator-proces. Totusi, diferenţierea unui semnal amplifică zgomotul, astfel că acest termen este foarte sensibil la zgomot produs de varierea erorii, în cadrul regulatorului, şi poate cauza ca un process sa devină instabil dacă zgomotul şi constanta de derivare sunt suficient de mari. Pentru calculul ieşirii unui regulator PID (comanda dată de acesta), termenii proporţional, integrator şi derivativ sunt însumaţi:
(1.3.4.4) iar parametrii ajustabili sunt: Kp , constanta de proporţionalitate – valori mari implică răspuns mai rapid, deoarece cu cât eroarea este mai mare, cu atât este mai mare compensarea proporţională. O constantă de proporţionalitate excesiv de mare va conduce la instabilitatea procesului și la oscilaţii pronunţate. Ki , constanta de integrare – valori mari implică erori staţionare ce sunt eliminate mai rapid; în schimb, se obţine un suprareglaj mare: orice eroare negativă integrată în timpul răspunsului tranzitoriu trebuie integrată prîntr-o eroare pozitivă înainte de a se ajunge la starea stabilă.
- 31 -
Kd , constanta de derivare – valori mari fac ca suprareglajul să scadă, dar încetinesc răspunsul tranzitoriu (se mărește timpul tranzitoriu) și pot conduce la instabilitate datorită amplificării zgomotului din semnal în cadrul diferențierii erorii. 1.3.5 Alegerea regulatoarelor automate liniare Elementele care caracterizează un regulator automat și pe baza cărora se pot compara între ele diferitele regulatoare, în scopul alegerii celui mai adecvat tip, sunt următoarele (Iliescu, Făgărăşan, Arghira, Dumitru, 2013): • natura fizică a mărimii de intrare și ieşire; • mediul în care vor lucra regulatoarele; • gradul de complexitate al procesului și performanţele ce se impun mărimii reglate (Iliescu, Făgărăşan, Arghira, Dumitru, 2013). În general, pentru majoritatea proceselor, legile de reglare P, PI, PD sau PID sunt satisfăcătoare, dar există procese la care se impun, datorită strategiilor complexe de conducere, regulatoare cu structuri speciale, cum ar fi cele de tip extremal, adaptiv etc. Astfel de structuri se realizează, însă, de cele mai multe ori, cu structuri numerice (Iliescu, Făgărăşan, Arghira, Dumitru, 2013); • posibilităţile de integrare în sisteme numerice complexe de conducere (calculatoare de proces); • parametrii legii de reglare : constanta de timp de integrare TI, constante de timp de derivare TD, banda de proporţionalitate BP ; • transferul funcţionării « automat-manual » şi invers, fără şoc și fără echilibrare prealabilă; • viteză de răspuns a procesului automatizat; • numărul de elemente de execuţie ce pot fi comandate simultan, în paralel, de către un regulator (Iliescu, Făgărăşan, Arghira, Dumitru, 2013). Pentru alegerea tipului de regulator este necesar să se cunoască complet caracteristicile procesului tehnologic. În practică, de cele mai multe ori aceste caracteristici se ridică experimental. În acest scop se aplică la intrarea instalaţiei tehnologice o variaţie În treaptă și se masoară continuu mărimea de ieşire xc. Pentru a se pune în evidenţă influenţa tipului de regulator folosit asupra comportării sistemului de reglare, au fost trasate răspunsurile unui SRA dat. În condiţiile în care sunt utilizate regulatoare P, PI , PD și PID. Compararea acestor răspunsuri permite tragerea unor concluzii importante în ceea ce priveşte alegerea tipului de regulator. Se observă astfel că, în cazul concret al schemei date, regulatorul I nu poate fi practic utilizat din cauza suprareglării prea mari a duratei procesului tranzitoriu şi a înclinării sale evidente spre instabilitate. În ceea ce priveste celelalte tipuri de regulatoare: - regulatorul de tip P reduce apreciabil suprareglarea, are o durată a procesului tranzitoriu tp scurtă, însă în regim staţionar ce mentine o eroare staţionare mare; - regulatorul PI anulează eroarea staţionară, însă conduce la o suprareglare mai mare decât regulatorul P şi o durată a procesului tranzitoriu tp1 destul de mare; - regulatorul PD este cel mai avantajos din punctul de vedere al suprareglării și al duratei procesului tranzitoriu, însă menţine în regim staţionar, ca și regulatorul P, o eroare staţionară apreciabilă; - regulatorul PID combină proprietaţile celorlalte tipuri de regulatoare amintite, reuşind să asigure o suprareglare şi durată a procesului tranzitoriu nu prea mari și o eroare nulă în regim staţionar (Iliescu, Fagarasan, Arghira, Dumitru, 2013)
- 32 -
1.4. Sisteme de reglare automată neliniare
1.4.1 Conceptul de sistem neliniar. Tipuri de neliniarități Conceptul de sistem neliniar Un sistem este neliniar atunci când pentru acel sistem nu este valabil principiul superpoziției în raport cu mărimile de intrare sau în raport cu condițiile inițiale.
Matematic spunem ca un sistem este neliniar dacă cel puțin una dintre ecuațiile care intră în componența MM este neliniara. Operarea cu sisteme neliniare comporta dificultăți de calcul, din acest motiv sistemele neliniare sunt grupate din punct de vedere matematic pe clase de sisteme neliniare elaborându-se metode de calcul pentru diverse clase în parte. Pe de alta parte în practica se caută sa se ocolească dificultățile matematice aproximând modelele neliniare cu modele liniare. Operația poarta numele de operație de liniarizare, nu este posibilă întotdeauna și atunci când este posibilă rezultatul este valabil într-o anume vecinătate a mărimilor. De regula liniarizarea se practica în sistemele de reglare în care mărimile trebuie sa se încadreze prin însăși problema de reglare în intervale relativ înguste. Din punct de vedere al posibilităților de liniarizare se deosebesc: - neliniarități esențiale care au puncte în vecinătatea cărora nu pot fi liniarizate. - neliniarități neesențiale care pot fi liniarizate în vecinătatea fiecărui punct de funcționare. Din punct de vedere a modului în care în sistemele din practica apar neliniarități, distingem două categorii: - neliniarități intrinseci adică neliniarități neintroduse de om și care există datorita naturii - neliniarități intenționate care sunt introduse de om cu diferite scopuri. Sistemele din natura sunt în principal neliniare. De asemenea majoritatea sistemelor practice de conducere sunt tot neliniare. Cazul linear este un caz de regula teoretic util pentru a proiecta sisteme cu comportare dorita la mici variații ale mărimii de intrare. Pe de alta parte furnizează un prim mod de a gândi pentru problemele practice, rezultatele fiind apoi adaptate și modificate corespunzător comportării neliniare (Soare, Fagarasan, Iliescu, Arghira, Dumitru, 2013) Tipuri de neliniarități În cadrul structurilor uzuale de sisteme de reglare se întâlnesc neliniarități de tipurile prezentate în figura 1.4.1.1 pentru dependent intrare-ieșire. Toate aceste caracteristici sunt formate din segmente de dreapta, deci sunt liniare pe porțiuni.
- 33 -
Zona de saturatie Zona de insensibilitate
Releu bipozitional ideal Releu tripozitional ideal
Releu cu zona de insensibilitate Releu cu histerezis și histerezis
Fig. 1.4.1.1. Tipuri de neliniaritati
1.4.2 Regulatoare automate neliniare Sunt acele regulatoare la care dependenţa dintre mărimea de comandă xc şi eroarea ε este neliniară. În realitate, dependenţa liniară xc și ε se confirmă numai dacă eroarea are valori foarte mici. De aceea, se poate spune că un regulator are o comportare liniară numai pentru un anumit domeniu limitat de variaţie a erorii ε(t). Principalele tipuri de regulatoare neliniare sunt:
- 34 -
- Regulatoarele cu acţiune tip releu; - Regulatoarele optimale; - Regulatoarele cu acţiune discretă. Regulatoarele cu acţiune tip releu sau regulatoarele discontinue, la care dependenţa între xc și ε ( caracteristica statica a regulatorului ) este reprezentată de o variaţie discontinuă de tip releu, cu mai multe stări de echilibru. Regulatoarele optimale sunt acele regulatoare neliniare de construcţie specială care indeplinesc funcţii suplimentare faţă de cele realizate de regulatoarele liniare. Astfel un regulator optimal trebuie să asigure o astfel de comportare a SRA, încât în timpul funcţionării să se realizeze un anumit regim optim dinainte stabilit în funcţie de procesul tehnologic reglat ( de exemplu, realizarea unui process cu durată minimă, obţinerea unei erori minime, atingerea unui randament maxim etc. ). De aceea, construcţia regulatorului optimal este o construcţie specială, determinate de optimul care trebuie realizat. O asemenea funcţionare nu se poate asigura decat prîntr-o dependenţa “neliniară” între xc (t) și ε (t). Regulatoarele cu acţiune discretă sunt acele regulatoare de construcţie specială utilizate în sistemele de reglare automată cu eşantionare. 1.4.3 Regulatorul bipozitional La regulatoarele bipoziţionale mărimea de comandă are două valori, notate convenţional prin 1 şi 0 („tot" sau „nimic"). De cele mai multe ori, regulatorul dă comanda prin intermediul unui releu, care poate fi acţionat sau eliberat. În figura 1.4.3.1, este dată spre exemplificare, scheme unui regulator de
temperatură(blocul încadrat cu linie întreruptă).
La regulator se conectează o termorezistenţă Rt, reprezentând traductorul sistemului de reglare, și un reostat de referinţă Rr, reprezentând elementul de referinţă, prin care se impune valoarea prescrisă. Foarte frecvent, atât la regulatoarele de aceste tipuri, cât şi la alte regulatoare, elementul de referinţă nu este un dispozitiv separat, ci face parte din regulator. Compararea rezistenţelor Rr şi Rt este realizată de regulator prin intermediul unei punţi Wheatstone.
- 35 -
Fig.1.4.3.1. Schema bloc a unui regulator electronic de temperatura
Tensiunea de dezechilibru u este amplificată și trimisă la un etaj final basculant EF, având ca sarcină un releu R. Notând cu xi și xr mărimile Rr respectiv Rt, caracteristica statică a regulatorului bipoziţional este dată în Figura 1.4.3.2. Dacă mărimea de reacţie creşte, pornind de la o valoare mică și depăşeşte cu cantitatea d/2 mărimea xi, etajul final EF basculează, iar releul R acţionează comutând contactele 1 R și 2 R. Dacă se utilizează contactul normal deschis 1 R, mărimea de comandă trece de la stare a 0 la starea 1.
Fig.1.4.3.2. Caracteristica static a regulatorului electronic bipozitional
Dacă în continuare xr scade, atunci când coboară cu d/2 sub valoarea xi se produce bascularea în starea iniţială a etajului final EF. Releul R eliberează, contactul 1 R se deschide, deci mărimea de comandă revine prin salt în starea 0. Se obţine o
- 36 -
caracteristică statică de tip „histerezis” a regulatorului bipoziţional. Mărimea d, reprezentând lăţimea ciclului histerezis, se numeşte diferenţial. Dacă se utilizează contactul 2 R al releului, caracteristica statică a regulatorului este cea din figura 1.4.3.2,b. Frecvent se consideră în abscisă mărimea de acţionare xa, ceea ce corespunde translatării ordonatei la xr = xi (Fig. 1.4.3.2. c). Uneori, pentru mărirea posibilităţilor de utilizare a regulatoarelor bipoziţionale, diferenţialul d este ajustabil. Schema dată în figura 1.4.3.2, reprezintă un regulator electronic bipoziţional specific reglării temperaturii. În general, un regulator bipoziţional de uz general (dintr-un sistem unificat de automatizare) conţine un amplificator cu două intrări diferenţiale şi cu etaj final basculant, având ca sarcină un releu. Amplificatorul amplifică diferenţa semnalelor aplicate la intrare (xi și xr) şi comandă acţionarea sau eliberarea releului. 1.4.4 Regulatorul tripoziţional Regulatoarele tripoziţionale electronice au o construcţie asemănătoare cu cea a regulatoarelor bipoziţionale, cu deosebirea că există două amplificatoare cu etaje finale basculante (fig. 1.4.4.1). Tensiunea ua dată de elementul de comparaţie EC se aplică unor circuite formând două regulatoare bipoziţionale cu caracteristicile date. Prin utilizarea contactelor releelor R1 şi R2 într-o schemă comandă, se obţine o caracteristică statică din figura 1.4.4.2. Se constată că mărimea de comandă are 3 valori discrete: 0, 50% şi 100%.
Fig.1.4.4.1. Regulatorul tripozițional electronic
- 37 -
Fig.1.4.4.2. Caracteristica statică a regulatorului tripozițional
Dependența intrare – ieşire poate fi scrisă:
(1.4.4.1)
Intervalul de variații a erorii (-Ep, +Ep) se numește zona moarta a regulatorului. Pentru unele realizări industriale de regulatoare se realizează combinația între un bloc cu caracteristica continua, ce funcționează în regim de semnal mic și un bloc de tip releu ce funcționează la semnale mari, asigurând regimul de putere (Mares, Balasoiu, Fetecau, Enache, Federenciuc, 2002). Domenii de utilizare a regulatoarelor bipoziționale și tripoziționale
Reglarea bipozițională nu poate asigura o precizie ridicata, deoarece mărimea reglata e oscilează în jurul valorii prescrisei și deci nu poate rămâne egală cu aceasta (Mares, Balasoiu, Fetecau, Enache, Federenciuc, 2002).. Pe de o parte, un bloc de reglare bipozițională nu poate rămâne egală cu aceasta (Mares, Balasoiu, Fetecau, Enache, Federenciuc, 2002)..
- 38 -
Pe de alta parte, un bloc de reglare bipozițională nu poate sa alimenteze un element de execuție e realizat cu un motor electric, deoarece fie nu s-ar putea asigura inversarea sensului de rotație al motorului, fie aceasta inversare s-ar asigura conectând borna la un potențial negative UE, care s-ar transmite spre elementul de execuție când bobina releului RL nu este parcursa de curent. În acest caz ar rezulta o uzura foarte intensa a motorului, deoarece pentru acesta nu ar există o poziție de repaus; tot timpul motorul s-ar roti intra-un sens sau altul, cu inversări suprasolicitări și efecte grave (Mares, Balasoiu, Fetecau, Enache, Federenciuc, 2002).. Ca urmare, regulatoarele bipoziționale se folosesc ca elemente de execuție de tipul contactoarelor și întrerupătoarelor (Mares, Balasoiu, Fetecau, Enache, Federenciuc, 2002).. Ca și regulatoarele bipoziționale, regulatoarele tripoziționale nu pot realiza o precizie ridicata a funcționarii, datorita prezentei zonei de insensibilitate. Spre deosebire de regulatoarele bipoziționale, regulatoarele tripoziționale pot comanda elemente de execuție realizate cu motoare electrice (care acționează, de exemplu, ventile în sensul închiderii sau deschiderii pentru modificarea unor debite), datorita și posibilității de comanda a rotirii în ambele sensuri (Mares, Balasoiu, Fetecau, Enache, Federenciuc, 2002).. Ca urmare regulatoarele tripoziționale funcționează, de regula, în cadrul unor
sisteme în care elementele de execuție sunt realizate prin intermediul unor motoare
electrice (Mares, Balasoiu, Fetecau, Enache, Federenciuc, 2002)..
Capitolul 2 Noțiuni ale inteligenței artificiale utilizate în sistemele de
automatizare
2.1 Logica fuzzy – Stadiul actual al cercetării
Un domeniu de interes în care inteligenţa artificială este aplicată în ultimii ani este cel al conducerii instalaţiilor din clădiri. Motivele ce au stat la baza folosirii tehnicilor inteligenţei artificiale în acest domeniu sunt legate în primul rȃnd de confortul ocupanţilor şi de reducerea consumurilor de energie.
În prezent, mulți cercetători sunt preocupați de problema dezvoltării sistemelor de automatizare și control care se adaptează automat la caracteristicile clădirii în care sunt implementate. (Baldi, Michailidis, Ravanis, Kosmatopoulos, 2015) au dezvoltat un algoritm de optimizare adaptivă [26]. (Huber,2016) a dezvoltat un sistem multi-agent, testat pe o unitate de tratare a aerului (AHU) [27]. (Zhou,2010) prezintă un model care are ca și caracteristică principală recunoașterea automată a senzorilor de temperatură pentru un AHU. Toți autori numesc aceste descoperi "plug and play", pentru a sublinia cerința foarte redusă pentru configurarea manuală [25].
În comparație cu modelele liniare utilizate pe scară largă, principalele avantaje ale instrumentelor adaptive de control sunt o aproximare mai bună a dinamicii clădirilor și a fenomenelor complexe (Ascione,Bianco,Stasio,Mauro,Vanoli) [28]. Există biblioteci open source cu modele create de experți în domeniu, cum ar fi (Fuchs,Constantin,Lauster, Remmen, Streblow, Buller, 2015) [29].
- 39 -
Aplicarea corespunzătoare a strategiilor avansate de control bazate pe logica fuzzy, în sistemele de încălzire, ventilație și aer condiționat (HVAC) este esențială pentru îmbunătățirea eficienței energetice a clădirilor (Ardabili,Mahmoudi,Gundoshmian,2016). În ultimele decenii s-au înregistrat progrese semnificative în ceea ce privește dezvoltarea modelelor pentru a asigura un control mai precis al sistemulelor, asigurând un mediu interior satisfăcător în ceea ce privește confortul termic și calitatea aerului interior precum și consumuri mai reduse de energie [30].
Alte studii în domeniu fac referire la găsirea unei metode de moderare a consumului de energie fără a compromite confortul ocupanților. Strategia de control folosită pentru a îndeplini acest scop include indicii PMV și PPD (Hussain,Gabbar,Bondarenko,Musharavati,Pokharel,2014). Indicele PMV prezice valoarea medie a raspunsului unui grup mare de persoane pe următoarea scală de senzație termică de 7 puncte: +3 – foarte cald, +2 – cald, +1 – ușor cald, 0 – nici cald, nici rece, -1 – ușor frig, -2 – frig, -3 – foarte frig. Indicele PPD prezice cantitativ procentul persoanelor nemulțumite deoarece consideră că, mediul ambiant este prea cald sau prea rece și ar opta pentru 3, -2, +2, +3 [31].
În sistemele inteligente de control nu este necesar un model matematic al
sistemului (Attia,Rezeka,Saleh,2015). Recent, aplicațiile practice ale controlului
inteligent pentru sistemele de aer condiționat au fost discutate cu scopul de a
îmbunătăți performanța controlului clasic de tip PID. Un astfel de studiu pune în discuție
strategia de control pe baza logicii fuzzy pentru o unitate de aer condiționat, aferent
unei încăperi dîntr-o locuință individuală. Variabilele controlate sunt temperatura
camerei și umiditatea relativă și variabilele de ieșire sunt procentul de debite de apă
rece și apă caldă în timpul verii și procentul de debit al apei calde și al aburului injectat
în timpul iernii. S-a constatat că strategia de control fuzzy propusă satisface gradul de
ocupare al spațiului și, în același timp, obținerea stării de confort a ocupanților , așa
cum este definită de codul ASHRAE [33].
Legat de controlul sistemelor complexe, aferente clădirilor non-rezidențiale, (Khan,Choudhry,Zeeshan, Ali, 2015) au dezvoltat un algoritm genetic bazat pe conceptele AFLC (Controler fuzzy logic adaptiv), pentru controlul multivariabil al temperaturii și umidității unei centrale de tratare a aerului [34].
Un alt parametru foarte important ce este legat de confortul ocupanților din clădiri este calitatea aerului, mai precis nivelul de dioxid de carbon. (Kumar și colab. ,2014) au studiat posibilitatea aplicării logicii fuzzy în controlul sistemelor de ventilație [35].
Alte studii recente realizate de (Jamshidi și colab.,2018) utilizează sistemul de inferență fuzzy pentru predicția riscurilor de sănătate a poluării cu particule într-o clădire. De asemenea, această metodă poate fi utilizată eficient și în alte spații cum ar fi clădiri de birouri, spitale, școli etc [36].
2.1.1 Noțiuni fundamentale
O mulţime fuzzy este o mulţime a cărei graniţă nu este evidentă, bine definită.
În general, o mulţime fuzzy conţineelemente despre care se poate spune că aparţin
- 40 -
(sau nu aparţin) parţial acelei mulţimi. Bazele teoriei mulțimilor vagi („fuzzy set theory”)
au fost puse de profesorul L.A. Zadeh în 1965 (Zadeh,1965)
Noțiunea de mulțime fuzzy a apărut ca o generalizare a conceptului de apartenență binară a unui element la o mulțime.Mulțimea fuzzy este o mulțime căreia i se asociază o funcție caracteristică ce ia valori în intervalul [0,1], valorile acesteia descriind gradul de apartenență al unui element la acea mulțime (Dosoftei,2009) O mulţime fuzzy A, definităpe o mulţime X, este formată din perechi ordonate
(x ; mA(x)), unde x este un element din mulţimea X, iar μA (x)este un element care
poate lua valori în intervalul [0,1] şi descrie măsura în care elementul x aparţine sau numulţimii A. Astfel, se poate scrie:
μA :X→[0,1] (2.1.1.1)
A={(x, μA (x))/ x∈X} (2.1.1.2)
μA este funcţia caracteristică sau funcţia de apartenenţă asociată mulţimii fuzzy
A, iar valoarea acestei funcţiise numeşte grad de apartenenţă:
(x, μA (x)) este μA (x)/x. (2.1.1.3)
Se numeşte suportul lui A submulţimea lui X ale cărei elemente au grade de apartenenţă diferite de zero în A:
suport(A) = {x ∈ X/ μ A (x) > 0} (2.1.1.4)
O singură pereche de forma (x ; mA(x)) se numeşte singleton fuzzy, astfel încât întreaga mulţime fuzzy A poate fi tratată ca reuniunea tuturor singleton-urilor fuzzy din care este formată. Nucleul unei mulţimi fuzzy A este format din mulţimea elementelor x ∈ A pentru care μA (x) =1:
nucleu(A) = {x∈ X / μA (x) =1} (2.1.1.5)
O mulţime fuzzy A este normală dacă există cel puţin un element x∈A astfel încât μA (x) =1. Un punct de încrucişare al unei mulţimi fuzzy A este reprezentat de un element x ∈ X pentru care μA(x) = 0.5:
încrucişare (A) = {x∈ X / (x) = 0.5} (2.1.1.6)
- 41 -
Figura 2.1.1.1 Notiuni de baza ale multimilor fuzzy
Fiind dată o mulţime fuzzy , se numeşte tăietura de nivel α mulţimea:
Aα = {x∈X/μA (x) ≥ α} (2.1.1.7)
Tăietura-α strictă a mulţimii fuzzy A este::
A’α = {x∈X/μA (x) > α} (2.1.1.8)
Mul fuzzyţimea A este convexă dacă şi numai dacă, pentru orice x1, x2 ∈X și
orice λ∈[0,1]:
μA(λ ⋅ x1 + (1− λ) ⋅ x2 ) ≥ min{μA (x1),μA(x2 )} (2.1.1.9)
a) b)
Figura 2.1.1.2 (a) Multimi fuzzy convexe; (b) Multimi fuzii non-convexe
Lărgimea unei mulţimi fuzzy normale conveze sa - distanţa dintre cele două puncte de încrucişare (unice) ale sale:
larg(A) = x1 − x2, (2.1.1.10)
unde μA (x1) = μA (x2 ) = 0.5
Mulţime fuzzy A este simetrică - funcţia sa de apartenenţă este simetrică în jurul unui punct c∈X:
- 42 -
μA(c + x) = μA(c − x),∀x∈X (2.1.1.11)
2.1.2 Funcţii de apartenenţă
O mulţime fuzzy este complet definită de către funcţia sa de apartenenţă (Dosoftei, 2009) [17]. Funcţiile de apartenenţă reprezintă mijlocul prin care se realizează legătura dintre universul discursului şi măsura posibilităţii. Funcţia de apartenenţă triunghiulară - Expresia analitică a acestei funcţii de apartenenţă este identică cu ecuaţia dreptei ce trece prin punctele de coordonate (a,0) si (c,1) , pentru xє [ a,c] şi cu ecuatia dreptei ce trece prin punctele de coordonate (c, 1) si (b,0) , pentru x є (c,b]. Funcţia de apartenenţă triunghiulară se notează cu Λ(x; a, b, c) şi are următoarea expresie matematică:
(2.2.1.1)
Ssau folosind folosind funcţiile min şi max:
(2.1.2.2)
Funcţia de apartenenţă trapezoidală se notează cu Λ(x; a, b, c) şi are expresia:
(2.1.2.3)
sau, folosind funcţiile min şi max:
(2.1.2.4)
Funcţia de apartenenţă „S” – propusă de Zadeh:
(2.1.2.5)
Funcţia de apartenenţă de tip "clopot": se defineşte cu ajutorul a trei parametric reali {a, b, c}:
(2.1.2.6)
- 43 -
Figura 2.1.2.1 Functii de apartenență: a) triunghiulară asimetrică; b)triunghiulară
simetrică; c) trapezoidală asimetrică; d) trapezoidală simetrică; e) funcţia rampă
-stânga; f) funcţia rampă -dreapta; g) gaussiană h) gaussiană complexă i) sigmoidală
-S j) sigmoidală -Z k) în formă de clopot
2.1.3 Operatori ai multimilor fuzzy Operaţiile cu mulţimi fuzzy care intervin mai des în diferite aplicaţii practice
suntnegarea, reuniunea şi intersecţia. Pentru aceste operaţii, extinderea definiţiilor
folosite în teoria clasică amulţimilor este îngreunată în oarecare măsură de caracterul
continuu al funcţiilor de apartenenţă.
a) mulţimile fuzzy A și B sunt egale dacă:
∀x∈X, μA(x) = μB(x) (2.1.3.1)
b) mulţimea fuzzy A e o submulţime a mulţimii fuzzy B dacă:
- 44 -
μA(x) ≤ μB(x) (2.1.3.2)
Intersecţia mulţimilor fuzzy
Intersecţia A ∩ B este formată din elementele comune, incluse în ambele mulţimi
A şi B:
(2.1.3.3) Reuniunea mulţimilor fuzzy Reuniunea mulţimilor A şi B este definită de colecţia tuturor elementelor A şi B:
(2.1.3.4) Complementul mulţimilor fuzzy Mulţimea complement a mulţimii A către mulţimea B este formată din elementele care sunt în B şi nu sunt în A. Această mulţime este definită de:
(2.1.3.5)
2.1.4 Reguli și rationamente fuzzy Fiind date mulțimile de referință X şi Y, este dificil de stabilit o legătură între ele,
printr‐o relație clasică, atunci când cele două mulțimi conțin informații imprecise sau gradate.
Relația dintre X şi Y, care se introduce, este satisfăcută din ce în ce mai mult, pe măsură ce valorile elementelor din X devin din ce în ce mai mici, în raport cu valorile elementelor din Y, până la satisfacerea totală. Compunerea a două relații fuzzy , definită pe R1 X ×Y şi , definită pe R2 Y × Z
, cu funcția de apartenență :
(2.1.4.1)
Relațiile fuzzy prezintă şi unele proprietăți similare relațiilor clasice şi anume:
a) simetrie : Relația fuzzy R este simetrică dacă :
(2.1.4.2)
b) reflexivitate : Relația fuzzy R este reflexivă dacă:
(2.1.4.3)
c) tranzitivitate : Relația fuzzy R este tranzitivă dacă:
(2.1.4.4)
- 45 -
2.2 Regulatoare fuzzy
Cele mai des implementate regulatoare convenţionale sunt de tip P, PI sau PID.
(2.2.1)
Figura 2.2.1 Regulatorul automat
Regulatorul fuzzy are următoarele caracteristici:
- este apropiat de gandirea umană şi de limbajul natural (utilizarea variabilelor
lingvistice)
- control bazat pe cunoşitiinţele operatorului uman.
- 46 -
Regulatorul fuzzy, spre deosebire de un regulator clasic, nu tratează informaţia printro relaţie matematică bine definită, ci utilizează inferenţe (intercorelări) între mai multe reguli, bazându-se pe variabile lingvistice. Aceste inferenţe sunt tratate prin operatori logici corespunzători (Dosoftei C., 2009).
2.2.1 Structura regulatorului fuzzy
Regulatorul cu logică fuzzy este compus din blocul de fuzicare, sistemul de
inferenţă, baza de cunoştiinţe şi blocul de defuzificare.
În figura 2.2.1.1 este prezentată schema de principiu a unui regulator fuzzy,
configuraţie introdusă de Mamdani. După cum se vede, în structura unui regulator
fuzzy se disting trei părţi:
• blocul de fuzzyficare;
• blocul de inferenţe;
• blocul de defuzzyficare.
Figura 2.2.1.1 Schema bloc a regulatorului fuzzy
Blocul de fuzzyficare realizează o prelucrare preliminară a datelor de intrare și
tratează aceste mărimi prin variabile lingvistice ataşate, fapt care impune asocierea
unor funcţii de apartenenţă. Mărimile de intrare ale regulatorului pot fi mărimea
prescrisă i și ieşirile măsurate e ale procesului (sau direct abaterea de reglaj şi,
eventual, derivata acesteia); la ieşire, blocul furnizează o serie de variabile fuzzy,
reunite în vectorul x.
În blocul de inferenţă, valorile variabilelor fuzzy sunt legate prin mai multe reguli
care trebuie să ţină cont de comportamentul static şi dinamic al sistemului de reglare
ca și de scopurile reglării avute în vedere. În figura 2.2.1.1 este prezentat cazul
regulatorului fuzzy monovariabil la ieşire. Pentru variabila de ieşire a regulatorului,
- 47 -
după inferenţă se obţine o informaţie fuzzy; rezultatul inferenţei este o mulţime fuzzy
u asociată ieşirii regulatorului la momentul t.
Deoarece elementul de execuţie trebuie comandat cu o valoare reală concretă
a semnalului de comandă, este necesar să se transforme mulţimea fuzzy u a ieşirii
într-o mărime fizică u* , corespunzătoare tipului și principiului de funcţionare al
elementului de execuţie. Această operaţie se realizează în blocul de defuzzyficare.
2.2.2 Fuzificarea
Fuzzyficarea este o operaţie prin care se aleg mărimile de intrare și de ieşire după care se definesc multimile fuzzy care permit descrierea acestora prin variabile lingvistice, rezultând cadre cognitive sau partitii fuzzy (Colhon,2012). Mărimile de intrare se pot alege dintre eroarea ε, derivata de ordin I a erorii dε / dt , derivata de ordin II a erorii d2ε / dt2 , integrala erorii ∫ ε dt, sau alte mărimi de stare ale sistemului.[19] În interfeţele de intrare ale unui regulator fuzzy au loc operaţiile obişnuite din cadrul sistemelor numerice: eşantionarea, conversia analog - numerică și filtrarea. De obicei sunt suficiente codificări binare pe 8-12 biţi, deoarece controlerul fuzzy nu asigură din start precizii deosebite. De o importanţă fundamentală pentru funcţionarea controler-ului fuzzy este alegerea numărului de termeni lingvistici ai fiecărei variabile lingvistice. Deşi creşterea numărului de termeni lingvistici asigură creşterea rezoluţiei conversiei fuzzy, din literatură rezultă că nu se justifică utilizarea a mai mult de 7 termeni lingvistici, deoarece îmbunătăţirea performanţelor care ar rezulta este minoră faţă de creşterile exponenţiale ale capacităţii de memorare necesară şi a volumului de calcul necesar. Mai mult, în cazul utilizării mărimilor de intrare ε și dε / dt se constată că efecte importante asupra sistemului le are eroarea, variaţia erorii fiind mai puţin relevantă. Se folosesc de obicei 3, 5 sau 7 termeni lingvistici, care se aleg dintre următorii termeni consacraţi: - negativ mare NM (negative big NB); - negativ mediu Nmd (negative medium NM); - negativ mic Nm (negative small NS); - zero Z (zero Z); - pozitiv mic Pm (positive small PS); - pozitiv mediu Pmd (positive medium PM); - pozitiv mare PM (positive big PB). De obicei formele alese pentru termenii lingvistici sunt triunghiulară sau
trapezoidală. În cazul unor elemente de execuţie cu acţiune discontinuă multimea
fuzzy de ieşire se aleg de tip singleton.
Mărimile de intrare în regulator nu sunt mulțimi fuzzy ci valori reale (măsurate)
ale parametrilor din proces; ca urmare, ele trebuie fuzzyficate, adică trebuie să li se
- 48 -
atribuie valori fuzzy. Aceste valori se introduc în premizele dacă – atunci, determinând
regulile ce pot fi activate precum şi gradul de apartenenţă corespunzător fiecărei
reguli. Acest grad arată cât de mult corespund, una alteia, intrarea şi premizele regulii.
2.2.3 Baza de cunoștințe
Diferența esențială dintre conducerea automată convențională a proceselor și conducerea acestora de către un operator uman cu experienţă, constă în predicţia evoluţiei viitoare a comportamentului acelor procese. Acţiunea operatorului uman poate fi interpretată şi sub formă lingvistică și astfel comportamentul uman poate fi imitat. Baza de cunoştinţe este creată apriori, în ea fiind inmagazinată experienţa operatorului uman. Bazele de cunoştinţe reprezintă mecanisme capabile a prefigura ceea ce se va întâmpla în lumea exterioara, ca urmare a unor acţiuni. Baza de cunoştinţe a unui regulator cu logică fuzzy este alcătuită din două componente: baza de date şi baza de reguli de reglare fuzzy. Baza de date se alege funcţie de suporturile pe care sunt definite variabilele lingvistice definite pe universurile de discurs. Pentru definirea funcţiilor de apartenenţă ce caracterizează multimile fuzzy se utilizează în special o definiţie de tip grafic. În mod uzual cele mai folosite funcţii de apartenenţă sunt: funcţia de apartenenţă triunghiulară, funcţia de apartenenţă trapezoidale, funcţia de apartenenţă clopot, etc. Funcţiile de apartenenţă sunt folosite pentru regulatoarele fuzzy pentru că permit utilizarea operaţiilor cu mulţimi fuzzy. Dar, mai există și o altă modalitate de a de a defini funcţiile de apartenenţă: definire numerică, când funcţia de apartenenţă este reprezentată ca un vector a cărui dimensiune depinde de nivelul discretizării. Alegerea corectă a funcţiilor de apartenenţă a mulţimii termenilor care intervin
în cazul reglării unui proces, joacă un rol esenţial în succesul unei aplicaţii.
2.2.4 Baza de reguli
Regulile fuzzy asociază datele descrise prin mulţimi fuzzy după legile de corespondenţă dorite. Exprimarea lingvistică a regulilor fuzzy e sub forma unor exprimări condiţionale de tipul „dacă … atunci…”. Funcţionarea unui regulator fuzzy are la bază întreaga colecţie de reguli fuzzy care formează baza de reguli. Baza de reguli reprezintă într-o descriere lingvistică funcţionarea regulatorului pe domeniile de bază ale mărimilor de intrare (premizei) şi ieşire (concluziei). Mărimea / dimensiunea bazei de reguli depinde de numărul variabilelor lingvistice de intrare și de ieşire, de numărul de termeni lingvistici utilizaţi în caracterizarea fiecărei variabile lingvistice și de conectorii utilizaţi în premiză și concluzie. Baza de reguli poate fi: - completă, când fiecare situaţie fermă (e0) este acoperită de reguli; - incompletă, când situaţii ferme imposibile sau foarte puţin probabile (nesemnificative) pentru funcţionarea procesului nu sunt definite sau sunt lăsate spre “rezolvare” unor reguli adiacente. Funcţionarea corectă a unui regulator fuzzy și, în consecinţă, a unui sistem de control cu regulator fuzzy depinde esenţial de formularea corectă a bazei de reguli; aceasta depinde de buna cunoaştere a evoluţiei/eventual şi a tendinţei de evoluţie a
- 49 -
procesului. Din start, trebuie precizat faptul că greşelile mari în formularea bazei de reguli pot avea efecte catastrofale privind caracteristica statică a regulatorului fuzzy. Evident este și faptul că formularea bazei de reguli pentru un regulator fuzzy cu o intrare și o ieşire nu ridică practic nici un fel de probleme. Dacă însă numărul de intrări creşte, formularea bazei de reguli poate deveni mai dificilă (ca în cazul regulatoarelor fuzzy după stare). Principalele proprietăţi ale unei baze de reguli “bine formulate” sunt următoarele: 1) baza de reguli să fie “completă”; 2) baza de reguli să fie consistentă; 3) baza de reguli să asigure continuitatea caracteristicii statice.
Baza de reguli este alcătuită din toate regulile dacă – atunci care descriu
procesul de reglare, în premize fiind introduse valorile de intrare x. Ca urmare, se
poate decide care regulă trebuie utilizată și care nu şi în ce mod anume se foloseşte
fiecare dintre acestea. Ieşirile regulilor care au fost activate sunt combinate și trimise
spre interfaţa de defuzzyficare.
2.2.5 Inferența
Inferenţa este operaţia logică prin care se obţin concluzii valabile pe baza unor premize. A. Charuk (1936) a demonstrat că logica predicatelor nu este o teorie complet decidabilă și deci nu există o metodă universală prin care într-un număr finit de paşi să se decidă dacă o formulă bine formulată este validă sau infirmată. Există totuşi mai multe metode de inferenţă cum ar fi modus ponens, modus tollens, raţionamentul ipotetic sau tranzitivitatea (Postolache,2012). În LF se utilizează principiul rezoluţiei care necesită aducerea propoziţiilor la o formă standard numită formă clauzală. [20] Clauzele uzuale se pot clasifica în clauze cu premise complexe și consecinţă unică: i) Dacă A1 ∧ A2 ∧ ... ∧ Am atunci B şi clauze cu premise complexe și consecinţe alternative: ii) Dacă A1 ∧ A2 ∧ ... ∧ Am atunci B1 ∨ B2 ∨ ... ∨ Bn Orice formulă bine formată și închisă poate fi adusă la forma clauzală. Se pot imagina o mare varietate de reguli de inferenţă logică utilizând diferiţi operatori logici (conjuncţie ∧, disjuncţie ∨, implicaţie, echivalenţă, negaţie, etc.) în diferite poziţii ale clauzelor. Inferenţa numită min-max datorită operatorilor implicaţi în relaţia fuzzy R se desfăşoară în modul următor: ♦ Mărimile de intrare fuzzyficate se compară pe rând prin operatorul min cu premizele fiecărei reguli; numai regulile pentru care comparaţia produce grade de apartenenţă diferite de 0 vor fi active. ♦ Mărimile de intrare fuzzyficate se compară pe rând prin operatorul min cu premizele fiecărei reguli; numai regulile pentru care comparaţia produce grade de apartenenţă diferite de 0 vor fi active. Nivelul de activare a regulii i care are premisele Ei (e) și DEi (de) va fi reprezentat prin mulţimea fuzzy:
(2.2.5.1)
- 50 -
iar rezultatul inferenţei de către mulţimea fuzzy
(2.2.5.2)
În literatură apar şi alte tipuri de inferenţă, bazate de exemplu pe diferite implicaţii logice cum ar fi max [ (1 - E(e)), Y(y) ] şi min [ 1, (1 - E(e) + Y(y) ], implicaţia Lukasiewicz sau a operatorilor “produs” și “sumă probabilistică”. Cu toate acestea mare majoritate a aplicaţiilor, apelează la inferenţa min-max.
Figura 2.5.1 Exemplu de inferenta min-max
Regulile care trebuie activate pot fi apelate prin interfaţa de luare a deciziilor,
fiecare cu o pondere (forţă) particulară. Această pondere determină gradul de influenţă
al concluziei unei reguli particulare în concluzia generală a sistemului. În mod obişnuit,
- 51 -
aceasta se face în felul următor: să presupunem că forţa este 0.6; atunci mulţimea de
ieşire B este limitată la 0.6 sau toate gradele de apartenenţă sunt înmulţite cu 0.6
(echivalent cu aplicarea metodelor de interferenţă min sau produs):
(2.2.5.3)
Rezultatul acestei operaţii este o mulţime fuzzy cu gradul de apartenenţă
maxim limitat.
2.2.6 Defuzificarea
Ultima, dar nu și cea mai puţin importantă dintre problemele principiale ridicate de FC este defuzzyficarea, prin care mulţimea fuzzy obţinută prin inferenţă este transformată într-o mărime fermă. Dacă în cazul fuzzyficării și a inferenţei există aproape un consens asupra utilizării partiţiilor fuzzy modelate prin forme triunghiulare sau trapezoidale respectiv asupra metodei min-max, în cazul defuzzyficării există două metode de defuzzyficare cu o popularitate largă (metoda mediei maximului și metoda centrului de greutate), fiecare la rândul ei prezentând mai multe variante. Alegerea metodei de defuzzyficare se face în funcţie de mai multe criterii, dintre care cele mai importante sunt: ♦ caracteristicile MF de ieşire Y = {y1 , y2 , ... yn} şi ale elementului de execuţie; ♦ viteză cerută de aplicaţie şi capacitatea de calcul disponibilă. 1) Metoda maximului constă din atribuirea pentru ieşirea fermă yo a valorii obţinută prin alegerea elementului cu cel mai înalt grad de apartenenţă din componenţa MF de ieşire:
(2.2.6.1) La stabilirea acestei valori concurează toate VL active yi , fiind aleasă doar cea având contribuţia cea mai puternică. Metoda se poate aplica numai în cazul în care se poate stabili o valoare unică yo , adică atunci când Y are în componenţă MF triunghiulare sau singleton-uri. În cazul în care există mai multe MF având grade de apartenenţă maxime cu valori egale se poate alege la întâmplare una dintre ele sau se poate face media valorilor ferme rezultate din fiecare. În cazul în care Y(y) nu prezintă maxime punctuale (de exemplu în cazul formelor trapezoidale), se pot aplica variantele: primul dintre maxime FOM (engl. First of Maximă ), ultimul dintre maxime LOM (engl. Last of maximă ) sau mijlocul maximelor.
- 52 -
Figura 2.2.6.1 Fuzificare prin metoda maximului
Caracteristica de ieşire rezultată este de tip multipoziţional, aceste regulatoare fiind recomandabile în cazul elementelor de execuţie multipoziţionale. 2) Metoda mediei maximelor MOM (engl. Mean of Maximă ) reprezintă o extindere a metodei maximului, extrem de populară din cauza volumului de calcule relativ redus. Ea se poate aplica atât în cazul ieşirii de tip singleton cât şi atunci când există mai multe maxime ale multimea fuzzy de ieşire. Să presupunem că există mai multe reguli active și că multimea fuzzy de ieşire are un număr de p maxime, cu un grad de apartenenţă egal. După stabilirea valorilor ferme de comandă produse de fiecare dintre maxime, y0i , ieşirii i se va atribui media acestor valori:
(2.2.6.2) Avantajele metodei MOM constau în simplitatea şi rapiditatea ei, dar caracteristica de ieşire a regulatoarelor este discontinuă, existând un număr limitat de valori posibile ale ieşirii. O atenuare a dezavantajului menţionat, obţinută însă cu preţul creşterii volumului de calcule se obţine prin luarea în consideraţie a tuturor zonelor pentru care funcţia de apartenenţă este superioară unui prag λ. Integralele se vor calcula peste toate intervalele disjuncte pentru care Y(y) > λ .
- 53 -
(2.2.6.3)
3) Metoda centrelor de greutate COG (engl. Center of Gravity) este metoda de defuzzyficare cea mai sensibilă, care ţine seama, într-o manieră ponderată, de influenţa fiecărui termen lingvistic al ieşirii, considerând toate valorile posibile pentru gradele de apartenenţă. Prin COG domeniul valorilor discrete de ieşire devine continuu. Denumirea metodei provine din analogia formulei de definiţie cu formula utilizată în mecanică pentru calculul centrului de greutate al unei suprafeţe:
(2.2.6.4)
Figura 2.2.6.2 Defuzificarea prin metoda centrelor de greutate
Figura 2.2.6.3 Comparatie între deffuzificarea COG și MOM
După cum se vede în figura de mai sus, defuzzyficarea COG este influenţată și de VL y1, valoarea comenzii de la ieşire fiind mai mică decât în cazul MOM, care ţine seama numai de y2 .
- 54 -
Adoptarea uneia dintre metodele de defuzificare a ieşirii unui regulator fuzzy se
face în faza de început a procesului de dezvoltare a regulatorului și depinde în mare
măsură de tipul de element de execuţie. De exemplu pentru un element de execuţie
cu domeniu de variaţie continuă se preferă metoda de defuzificare a centrului de
greutate, în timp ce pentru un element de execuţie cu un număr finit de stări discrete
se adoptă ca metodă de defuzificare una din cele trei forme ale metodei maximului
(Preitl, 1997). [21]
2.3 Structuri de control cu regulatoare fuzzy
Cercetările întreprinse, referitoare la comportarea „expertului uman” au evidenţiat faptul că acestuia îi este specifică o comportare puternic neliniară, însoţită de efecte de anticipare, integrare, predicţie şi chiar de adaptare la condiţiile concrete de funcţionare. Conducerea proceselor cu ajutorul regulatoarelor fuzzy este din acest punct de vedere mai pragmatică, putând fi adaptabilă unei clase mult mai vaste de procese. Aplicaţia industrială din domeniul conducerii, considerată ca fiind de referinţă în domeniu, a fost dezvoltată în Danemarca, în anul 1980 şi are în vedere comanda unui cuptor rotativ, la o fabrică de ciment. Ulterior în America și mai cu seamă în Japonia a avut loc o explozie în domeniul aplicaţiilor de control fuzzy în cele mai diverse domenii: de la aplicaţiile electrocasnice – până la industria aeronautică. Dezvoltarea vitezei de lucru a circuitelor electronice e una din cauzele care a dus la creşterea numărului de implementări a logicii fuzzy în sistemele de control. Aplicaţiile de conducere fuzzy de până acum evidenţiază două aspecte importante referitoare la această tehnică de conducere: - conducerea fuzzy este o alternativă viabilă a conducerii convenţionale clasice; - conducerea fuzzy este dezvoltată plecând de la experienţa operatorului uman , experienţă pe care un regulator fuzzy o poate îngloba mult mai bine faţă de un regulator clasic. În realizarea unei structuri de reglare automată cu regulatoare fuzzy informaţiile
referitoare la proces pot fi sub forma unui model matematic mai mult sau mai puţin
exact, sau informaţiile despre proces pot fi disponibile într-o reprezentare lingvistică.
2.3.1 Tipuri de structure de control fuzzy
Structuri fuzzy simple Din punct de vedere al comenzii, controlerul fuzzy va fi structurat pe canale de comandă, în funcţie de tipul sistemului dinamic controlat Structura de reglare SISO: single-input/single-output:
Figura 2.3.1.1 Structură cu regulator fuzzy SISO
- 55 -
Structura cu regulator fuzzy SISO este utilizată pentru a controla un singur parametru tehnologic iar pentru procesele mai complexe se folosește structura MIMO.
Structura de reglare MIMO: multiple-inputs/multiple-outputs:
Figura 2.3.1.2 Structură cu regulator fuzzy MIMO
Structuri de control fuzzy-adaptive O structură de control convenţional unde parametrii regulatorului convenţional sunt adaptaţi pe baza unei strategii fuzzy este prezentată în figura (Dosoftei,2009):
Figura 2.3.1.3 Structură de control cu adaptarea parametrilor regulatorului convenţional după o strategie fuzzy
- 56 -
2.3.2 Etapele de dezvoltare a unei structuri de control cu regulator fuzzy
Posibilitățile de implementare direct hardware a sistemelor fuzzy sunt în prezent o realitate datorită apritiei circuitelor logice fuzzy – CLF, a mașinilor elementare pentru efectuarea de inferențe fuzzy (MEIF) și a circuitelor pentru generarea funcțiilor caracteristice cu grad de apartenență comandat. Aceste sistemee microelectronice se regăsesc în structura proceselor fuzzy dedicate sau de uz general. Componentele software asociate procesoarelor fuzzy sunt: - editorul pentru definirea variabilelor I/O, a functilor de apartenență și pentru editarea regulilor; - compilatorul pentru generarea codului obiect al procesului; - depanatorul; - simulatorul pentru simularea sistemului fuzzy; - instrumente de export către alte medii similare.
Figura 2.3.2.1 Platforme pentru implementarea regulatoarelor fuzzy
- 57 -
Etape ale aplicării în industrie a logicii fuzzy Dintre principalele industrii, cea a automobilelor a manifestat cea mai bună receptivitate la conceptul de conducere fuzzy. Exemple se găsesc cu uşurinţă: reglarea fuzzy a regimului de ralenti, sistemul AICC (Automatic Intelligent Cruise Control), evaluarea stilului de conducere, comanda nivelului sonor al echipamentului audio, a instalaţiei de aer condiţionat, a frânării ABS, a cutiilor de viteze automate, a ambreiajului, etc. Se manifestă și intenţii de abordare a dirijării traficului, a conducerii automate a automobilelor şi în general de aplicare a metodelor IA într-o măsură dictată de considerente pur tehnico-economice. Există și aplicaţii în industria spaţială: acţionarea unor subansambluri de poziţionare fină sau dirijare, diagnosticare, etc. Este de remarcat și interesul NASA în sistemele fuzzyexpert (Fuzzy CLIPS98). Deşi unii producători importanţi manifestă un oarecare interes pentru aplicarea logicii fuzzy, (de exemplu GEC-Alsthom), în domeniul transporturilor feroviare, în Europa se manifestă o oarecare reticenţă, din motive de percepţie a termenului, care nu este uşor de alăturat conceptului esenţial de "siguranţă a circulaţiei". Pe de altă parte imaginea publică a acestor aplicaţii este cu totul mascată de politicile diferitelor producători, prin protejarea soluţiilor sau chiar prin disimularea elementelor fuzzy. Rezultă că adevăratul impact al logicii fuzzy în acest domeniu nu poate fi evaluat nici măcar cu aproximare, probabil singurul său indicător plauzibil fiind numărul comunicărilor ştiinţifice pe această temă, care la această oră este relativ redus. Pe plan mondial pot fi totuşi identificate unele aplicaţii de un rafinament deosebit, cum ar fi de exemplu sincronizarea tracţiunii unei locomotive suplimentare, plasate la coada unui tren, cu locomotiva principală (India). Operaţia este executată printr-un controler neuro-fuzzy, fără nici o comunicare între cele două locomotive [Chan95].
Majoritatea implementărilor industriale sunt actualmente software, multe chiar prin intermediul pe PC-urilor. Putem include și implementările μC sau DSP în această categorie, atâta vreme cât funcţionarea fuzzy este obţinută prin microprogramare. O trecere în revistă a principalelor instrumente software de dezvoltare a aplicaţiilor fuzzy include următoarele produse: CubiCalc (HyperLogic Corp.), TILShell (Togai InfraLogic), FuzzyTech (INFORM), FIDE (Aptronix), RT/Fuzzy (Integrated Systems Inc.), Fuzzy Knowledge Builder (Fuzzy Systems Engineering) şi Fuzz-C (Byte Craft Ltd.). La acestea pot fi adăugate un pachet software destinat dezvoltării sistemelor fuzzy-expert aplicat de NASA: FuzzyCLIPS (CLIPS produs de Johnson Space Center Software Technology Branch iar extensia fuzzy de National Research Council of Canada) și toolkit-ul Fuzzy Logic Toolbox pentru MATLAB produs de MathWorks Inc. incluzând interfeţele grafice FIS pentru sisteme fuzzy și ANFIS pentru sisteme neuro-fuzzy.
- 58 -
2.4 Retele neurale
2.4.1 Modelul general al unei retele neurale În cadrul inteligenţei artificiale problemele de învăţare ocupă un loc aparte. Aceste preocupări se constituie într-o direcţie distinctă de cercetare, cea a maşinilor autoinstruibile (“machine learning”) [23].
Învăţarea automată reprezintă studiul modelelor de sisteme capabile să-şi îmbunătăţească performanţele în mod semnificativ, utilizând o mulţime de date de instruire (Dumitrescu, 1999). O reţea neurală constă dîntr-o mulţime de elemente de prelucrare (neuroni, elemente cognitive sau noduri ale reţelei) înalt interconectate. Considerăm o reţea de p neuroni conectaţi prin ponderi de conexiune sau ponderi sinaptice (Dumitrescu, 1999).. Un neuron i are n intrări și o ieşire yi. Reprezentarea grafică a acestui neuron este prezentată în figura următoare:
Figura 2.4.1.1
Intrările sunt notate:
acest neuron are i ponderi sinaptice, câte una pentru fiecare intrare. Ponderile sunt notate:
daca wj
i>0 avem o pondere sinaptică excitatoare; daca wj
i<0 avem o pondere sinaptică inhibatoare;
- 59 -
Principalele tipuri de funcții neurale: 1. Funcția prag
(2.4.1.1) 2. Funcția signum
(2.4.1.2) 3. Funcția prag liniar f:R->[0,1]
4. Funcția sigmoidala tip1
(2.4.1.3) 5. Funcția sigmoidala tip2
(2.4.1.4) 2.4.2 Ecuatia de evolutie a retelei Considerăm o rețea formată din n neuroni. Vectorul de stare al rețelei este vectorul al cărei componente sunt stările neuronilor rețelei. Notăm aceste vector cu X. Amitand un model de activare aditiv, activarea totală a neuronului i este:
- 60 -
(2.4.2.1) unde wij reprezintă ponderea conexiunilor neuronilor i și j. Considerăm toți neuronii rețelei conectați între ei:
i=1,2,….,n – reprezintă vectorul de pondere asociat neuronului i și conţine toate ponderile spre neuronul i. Activarea neuronului se scrie: S=ViTX (2.4.2.2) Daca se notează:
(2.4.2.3) matricea de conexiune a reţelei, rezultă vectorul total de activare a reţelei: S=VX Pentru studiul dinamicii reţelei introducem parametrul timp. Ecuaţia de evoluţie va fi: X (t+1) = F(W X(t)) (2.4.2.4)
- 61 -
2.4.3 Paradigme ale instruirii Considerăm modelul de reţea neurală prezentat în figura următoare:
Figura 2.4.3.1
În aceasta figura xk reprezintă vectorul de intrare iar yk reprezintă vectorul de ieșire. Se presupune că o secvenţă de intrare definind o formă (pattern) sau o configuraţie este prezentată reţelei sub forma unui vector. Mulţimea acestor vectori reprezintă spaţiul vectorilor de intrare. Reţelele neurale transformă o anumita configuratie de intrare într-o configuratie de ieşire. Ieşirile reţelei pot corespunde unei acţiuni pe care reţeaua trebuie s-o realizeze. Aceasta poate fi, de exemplu, o problemă de control. De asemenea, ieşirile reţelei pot reprezenta o clasificare a obiectelor prezentate la intrare. În general, ieşirea poate fi orice transformare a spaţiului de intrare, deci funcţionarea reţelei reprezintă o aplicaţie (proiecţie, transformare) a spaţiului vectorilor de intrare în spaţiul vectorilor de ieşire. Prin instruire sau invatare vom intelege o metoda prin care este construita o astfel de aplicaţie. În mod obişnuit instruirea presupune că se furnizează reţelei suficient de multe exemple de perechi intrare-ieşire. Folosind aceste exemple reţeaua este forţată să se adapteze în sensul generalizării unei aplicaţii de intrare-ieşire. Această aplicaţie îi va permite reţelei să trateze corect și valori de intrare care nu i-au mai fost prezentate niciodată. 2.4.4 Topologia multistrat a rețelelor neurale Neuronii pot fii conectati în diferite moduri pentru a forma o retea neurala. Un model uzual de topologie consideră neuronii organizaţi în mai multe straturi [24]. O reţea neurală multistrat conţine două sau mai multe straturi de neuroni. Primul strat primeşte intrările din mediu. Ieşirile neuronilor din acest strat constituie intrări pentru neuronii stratului următor. Ieşirea reţelei este formată din ieşirile neuronilor de pe ultimul strat. Straturile situate între primul şi ultimul nivel sunt straturi ascunse ale reţelei (Dumitrescu, 1999)..
- 62 -
2.5 Algoritmi genetici
2.5.1 Generalități Algoritmii genetici se pot utiliza pentru optimizarea unei funcţii F(x1, x2, ... xM) ceea ce înseamnă că dorim să minimizăm sau să maximizăm această funcţie. În acest caz variabilele ce desemnează parametrii sunt reprezentate în general prin şiruri binare (variabilele fiind discretizate apriori). 2.5.2 Algoritmul genetic canonic
Primul pas în implementarea unui algoritm genetic constă în generarea populaţiei iniţiale.
În algoritmul genetic canonic fiecare membru al acestei populaţii va fi un şir binar de lungime L corespunzând codificării problemei. Fiecare şir este denumit fie genotip fie cromozom. În majoritatea cazurilor populaţia iniţială este generată aleator.
Fiecare şir este evaluat și i se atribuie un fitness. Funcţia de evaluare sau funcţia obiectiv reprezintă o măsură a performanţei în
raport cu o anumită mulţime de parametrii. Funcţia fitness transformă această măsură a performanţei în alocare de facilităţi reproductive. În algoritmul genetic canonic fitness-ul este definit prin relaţia:
(2.5.2.1) unde: f
i reprezintă evaluarea asociată cu şirul i;
f - evaluarea medie a tuturor şirurilor populaţiei. Este util ca execuţia unui algoritm genetic să fie considerată ca un proces în două etape:
1. prima etapă constă în aplicarea unei selecţii populaţiei curente rezultând o populaţie intermediară;
2. a două etapă constă în aplicarea recombinărilor şi mutaţiilor populaţiei
intermediare pentru a crea o populaţie următoare. Trecerea de la populaţia curentă la populaţia următoare reprezintă o generaţie în execuţia unui algoritm genetic. Figura următoare explică acest lucru: o generaţie se compune din faza selecţiei și faza recombinării. Mutaţia (nu apare în desen) poate interveni după crossover.
- 63 -
Figura 2.5.2.1 - Trecerea de la populaţia curentă la populaţia următoare
În figura de mai sus şirurile care alcătuiesc o generaţie reprezintă variabilele funcţiei de optimizat, variabile ce sunt de regulă anumiţi parametrii ai unui fenomen. Aceste variabile sunt convertite în şiruri binare prin operaţia de discretizare. Generaţiei curente i se aplică operaţia de selecţie astfel: se calculează fitness-ul fi/f și apoi se asociază şanse mai mari şirurilor cu fitness mai mare. Metoda de asociere a şanselor depinde de algoritmul folosit. De exemplu poate fi folosită o metodă similară cea utilizată la jocul de ruletă. La jocul de ruletă, pe roată, fiecărui număr i se alocă un anumit spaţiu inegal pe circumferinţa roţii. Numerele care vor avea alocat un sector de cerc mai mare au şanse mai mari să capteze bila ruletei. O altă metodă poate fi cea a extragerii aleatoare cu rest. Pentru a aplica această metodă se parcurg următoarele etape:
- se calculează fitness-ul şi pentru fi/f>1 partea întreagă indică numărul de şiruri identice plasate în populaţia intermediară; - partea fracţionară fi/f reprezintă şansa de a mai plasa o copie a şirului. De exemplu pentru un fitness egal cu 1,36 se plasează o copie în generaţia intermediară şi se mai poate plasa una cu probabilitatea 0,36.
Prin recombinare se înţelege aplicarea cu o probabilitate pc operatorul crossover perechilor de şiruri aleator formate.
- 64 -
Funcţionarea operatorului de crossover va fi explicată prin următorul exemplu. Presupunem două şiruri binare din generaţia intermediară. Pentru a putea urmări modul de funcţionare a operatorului cel de-al doilea şir a fost reprezentat cu simbolurile “x” și “y” în loc de “1” și “0”. Cele două şiruri sunt:
primul şir: 1101011011 al doilea şir: yxxyxxxxyy Folosind un punct de recombinare aleator ales, un crossover simplu (1-point crossover) apare ca:
1101\/011011 yxxy/\xxxxyy În urma aplicării operatorului de recombinare obţinem descendenţii:
1101xxxxyy și yxxy011011 După recombinare se poate aplica operatorul de mutaţie. Fiecare bit din populaţie se va schimba cu o mică probabilitate pm (în general rata mutaţiei este sub 1%). După ce procesele de selecţie, recombinare și mutaţie au luat sfârşit, populaţia următoare poate fi evaluată. Evaluarea, selecţia, recombinarea şi mutaţia formează o generaţie în executarea unui algoritm genetic. Generaţia următoare devine generaţie curentă şi algoritmul este reluat până se atinge obiectivul propus definit de funcţia obiectiv. Teoria algoritmilor genetici presupune o mare varietate de metode şi tehnici utilizate, începând de la modul de reprezentare a variabilelor funcţiei de optimizat şi terminând cu metodele de calcul. Rezultatele foarte bune obţinute în unele domenii ale inteligenţei artificiale au impus această metodă pe lângă reţelele neurale şi mulţimile nuanţate ca instrumente foarte puternice de lucru. În concluzie putem spune că un lucru izbitor la algoritmii genetici și modelele paralele este bogăţia acestor forme de calcul. Ceea ce pare o mică schimbare în algoritm duce adeseori la comportări surprinzătoare. Reţelele neurale, mulţimile nuanţate şi algoritmii genetici sunt adesea utilizate împreună, în diverse domenii ale inteligenţei artificiale cum ar fi analiza imaginilor, recunoaşterea formelor şi a vorbirii, sisteme expert etc.
- 65 -
Capitolul 3 Controlere bazate pe inteligență artificială
3.1 Implementarea controlerelor fuzzy
3.1.1 Modalități de implementare a controlerelor fuzzy
Se vor prezenta în continuare principalele metode de implementare a FLC,
metode ce pot fi clasificate în funcţie de circuitele utilizate în analogice și digitale.
Caracterul continuu al funcţiilor de apartenenţă și imunitatea implicită la perturbaţii,
proprii sistemelor fuzzy sunt argumente în favoarea implementărilor analogice, care
vor beneficia de un preţ mai scăzut şi de o viteză superioară de operare, dar numai în
cazul seriilor foarte mari.
a) Implementarea prin limbaje de nivel înalt
Există mai multe posibilităţi de implementare prin limbaje de nivel înalt:
- Scrierea programelor direct într-un astfel de limbaj, de regulă C;
- Scrierea programului într-un limbaj specializat pentru descrierea sistemelor fuzzy;
- Utilizarea unor medii de dezvoltare specializate, cu interfaţă grafică.
Această direcţie oferă avantajele flexibilităţii și a uşurinţei dezvoltării, dar este
relativ scumpă şi ridică mari probleme de viteză și fiabilitate în cazul aplicaţiilor
industriale. O astfel de abordare este recomandabilă simulărilor, studierii teoretice a
FLC și eventual aplicaţiilor complexe și lente. Dintre soft-urile de mare răspândire se
pot menţiona: TIL Shell (Togai), NeuFuz4 (National Semiconductor) beneficiind de
reţele neuronale de învăţare, Fuzzy Control One (National Instruments) , etc.
b) Implementarea cu microprocesoare sau microcontrolere de uz general
Pentru implementarea controlerelor fuzzy de complexitate mică sau medie se
poate utiliza în principiu orice microprocesor sau microcontroler de 8 biţi. Programele
se pot scrie direct în limbaj de asamblare, obţinându-se performanţe bune cu preţul
unui volum mai mare de muncă. Se pot utiliza și programarea în C sau în alte limbaje
specializate, dacă există posibilitatea generării automate a programului asamblat.
Avantajul acestei abordări constă în preţul redus și în bogata ofertă de facilităţi
software de care se bucură circuitele fabricate pe scară mare. Se pot însă realiza mai
greu aplicaţii complexe, deoarece FLC necesită deseori un volum mare de calcule.
c) Implementarea cu memorii
O soluţie foarte ieftină și rapidă dar puţin flexibilă o constituie construirea RF ca
un tabel de corespondenţă (funcţie neliniară) între seturile posibile de valori de intrare
și valorile comenzilor. Valorile numerice sunt stocate în memorii semiconductoare.
d) Implementarea cu microprocesoare sau coprocesoare fuzzy specializate
Procesoarele analogice sau microprocesoarele specializate pentru FLC
reprezintă o soluţie ideală din punctul de vedere al performanţelor, având în vedere
că softul inclus este specializat, dar preţul acestor circuite este încă ridicat.
- 66 -
e) Implementarea cu DSP-uri
După o perioadă de avânt a dispozitivelor fuzzy specializate, în ultimii ani se
constată deplasarea netă a interesului înspre utilizarea DSP-urilor (Digital Signal
Processors). Aceste dispozitive numerice, programabile dar în acelaşi timp extrem de
rapide pot realiza, fără adaptări speciale, toate operaţiile necesare conducerii fuzzy.
Singura lor limitare este cea impusă de preţul încă relativ ridicat al dezvoltării
aplicaţiilor.
f) Implementarea cu circuite ASIC
Circuitele ASIC, dedicate fiecărei aplicaţii în parte, oferă cea mai mare viteză
posibilă, necesitatea lor apărând în aplicaţiile care presupun inferenţe cu durată mai
mică de 0,1 ms, cum ar fi cazul comenzii aprinderii la motoarele cu ardere internă. Se
pune problema construirii unui circuit ASIC doar în cazul seriilor foarte mari.
3.1.2 Implementari hardware existente
Controlerele fuzzy dedicate pot fi analogice și digitale. Primul controler fuzzy
analogic Omron FZ-1000 se datorează lucrărilor lui T. Yamakawa, T. Miki, M. Sasaki,
J. L. Huertas etc. Majoritatea lor operează în curent dar prototipul primului computer
fuzzy analogic YFC-1, proiectat de Takeshi Yamakawa în 1987 [Yama88], opera în
tensiune. Funcţiile de apartenenţă erau modelate prin eşantioane vehiculate prin
intermediul unei magistrale de date analogice.
Figura 3.1.2.1 Functie de apartenență esantionata producand un cuvant fuzzy
Pentru inferenţa min-max analogică se porneşte de la circuitele de bază min şi
max prezentate în fig. 4.2. Tensiunile reprezentând funcţiile de apartenenţă sunt
cuprinse între 0V pentru µA (x)= 0 şi 5 V pentru µA (x)= 1.
- 67 -
Figura 3.1.2.2 Portile MIN și MAX
Durata unei comutaţii este mai mică de 10 ns.
Pentru obţinerea inferenţei se mai utilizează o poartă cu efect de trunchiere a
funcţiilor de apartenenţă. Viteză realizată este de 10 Mega FIPS (106 inferenţe
fuzzy/s).
Alt element de bază al YFC-1 este memoria, realizată cu o combinaţie
complexă RAM-PROM, prin care poziţia unei locaţii codifică valoarea numerică a unui
eşantion. Pentru un eşantion există 11 locaţii, corespunzând valorilor 0, 0,5, 1, ... 4,5,
5. Acest gen de memorie este în mod evident dezavantajoasă din cauza complexităţii
sale
- 68 -
K. Hirota și K. Ozawa au comunicat în realizarea bistabilelor fuzzy,
asemănătoare bistabilelor JK, prin care se pot memora valori de tensiuni analogice,
făcându-se posibilă construirea de memorii fuzzy propriu-zise. Sunt menţionate mai
multe tipuri de bistabile (R, S) utilizând diferiţi operatori.
Figura 3.1.2.3 Caracteristici de bistabil fuzzy
La un alt produs de referinţă, procesorul FP-9000 s-a trecut la utilizarea MF de
ieşire de tip singleton, simplificând arhitectura şi accelerând inferenţa. Tehnologia
utilizată este BiCMOS de 2µm, asigurând o viteză de 1.400.000 FIPS. Pentru
accelerarea defuzzyficării sa construit un circuit special, FP-9001 în tehnologie
bipolară, viteză controlerului obţinut fiind de 625.000 FIPS.
Procesoarele digitale iniţiate în 1989 de Togai Infra Logic prin FC110 au fost
fundamentate de lucrările lui M. Togai, H. Watanabe, W. Dettloff, H. Arikawa, H. Hirota,
etc. FC110, realizat în tehnologie Low Power CMOS poate realiza operaţii aritmetice,
operaţii fuzzy, transferuri de date etc., beneficiind de platforma de dezvoltare TIL Shell.
Dintre controlerele digitale fuzzy existente pe piaţă se pot menţiona: familia
Omron FP, familia American NeuraLogicx NLX (230, 231, 232); Togai FC110,
controlerele produse de Glokner-Moller, Siemens, etc.
Principala direcţie de dezvoltare a CF digitale era anticipată în 1988 prin
arhitectura paralelă, pornind de la organizarea matricială a bazei de reguli. În articol
sunt identificate două posibilităţi de inferenţă paralelă. În prima variantă se prelucrează
în paralel toate regulile rezultând grade de apartenenţă care apoi sunt prelucrate
secvenţial pentru stabilirea ieşirii ferme. A două variantă calculează în paralel gradele
de apartenenţă ale tuturor acţiunilor, regulile fiind calculate secvenţial. Pe măsură ce
noi reguli sunt luate în considerare, gradele de apartenenţă ale acţiunilor de comandă
sunt reactualizate. Cele două variante sunt asemănătoare, prima fiind recomandabilă
când există un număr mare de reguli și mai puţine ieşiri, în timp ce varianta a două
este recomandabilă în cazul contrar. Totuşi, având în vedere performanţele atinse de
unele realizări µC şi DSP, care permit microprogramarea funcţionării fuzzy dorite,
soluţiile dedicate nu s-au impus la nivelul aşteptărilor.
- 69 -
Pentru obţinerea inferenţei se mai utilizează o poartă cu efect de trunchiere a
funcţiilor de apartenenţă. Viteză realizată este de 10 Mega FIPS (106 inferenţe
fuzzy/sec).
Alt element de bază al YFC-1 este memoria, realizată cu o combinaţie
complexă RAM-PROM, prin care poziţia unei locaţii codifică valoarea numerică a unui
eşantion. Pentru un eşantion există 11 locaţii, corespunzând valorilor 0, 0,5, 1, ... 4,5,
5. Acest gen de memorie este în mod evident dezavantajoasă.
O abordare teoretică a memoriilor fuzzy avansate este făcută de Ronald R.
Yager (Generalized Fuzzy and Matrix Associative Memories) în “Journal of Intelligent
& Fuzzy Systems”, vol. 1, nr. 1, pag. 43 - 53, John Wiley & Sons, 1993).
La un alt produs de referinţă, procesorul FP-9000 s-a trecut la utilizarea MF de
ieşire de tip singleton, simplificând arhitectura şi accelerând inferenţa. Tehnologia
utilizată este BiCMOS de 2µm, asigurând o viteză de 1.400.000 inferenţe / sec. Pentru
accelerarea defuzzyficării s-a construit un circuit special, FP-9001 în tehnologie
bipolară, viteză controlerului obţinut fiind de 625.000 inferenţe / sec.
Procesoarele digitale iniţiate În 1989 de Togai Infra Logic prin procesorul
FC110 au fost fundamentate de lucrările lui M. Togai, H. Watanabe, W. Dettloff, H.
Arikawa, H. Hirota, etc.
FC110, realizat în tehnologie Low Power CMOS poate realiza operaţii
aritmetice, operaţii fuzzy, transferuri de date, etc., beneficiind de platforma de
dezvoltare TIL Shell.
Dintre controlerele fuzzy existente pe piaţă se pot menţiona: familia FP Omron,
familia NLX (230, 231, 232) - American NeuraLogicx; FC110 - Togai, controlerele
produse de Siemens, Glokner-Moller, etc.
- 70 -
Capitolul 4 Stadiul actual al cercetării în domeniul inteligenței artificiale şi al
conceptului de “Cloud Computing”
4.1 Stadiul actual al cercetării în domeniul logicii fuzzy aplicată în conducerea
instalațiilor din clădiri
Studii în domeniu fac referire la găsirea unei metode de moderare a consumului de energie fără a compromite confortul ocupanților. Strategia de control folosită pentru a îndeplini acest scop include indicii PMV și PPD. Indicele PMV prezice valoarea medie a raspunsului unui grup mare de persoane pe următoarea scală de senzație termică de 7 puncte: +3 – foarte cald, +2 – cald, +1 – ușor cald, 0 – nici cald, nici rece, -1 – ușor frig, -2 – frig, -3 – foarte frig. Indicele PPD prezice cantitativ procentul persoanelor nemulțumite deoarece consideră că, mediul ambiant este prea cald sau prea rece și ar opta pentru 3, -2, +2, +3 [31]. Figura 4.1.1 redă corespondența dintre indicii PMV și PPD.
Figura 4.1.1 – Corespondența dintre indicii PMV și PPD (ISO7730,2005)
În domeniul rețelelor neurale și al sistemelor expert, o serie de cercetări efectuate vizează dezvoltarea unor sisteme adaptive, care au capabilitatea de învățare continuă (Năstac, 2004). Scopul acestor sisteme bazate pe rețele neuronale (ANN) este de a obține o precizie bună a datelor previzionate iar în acest scop, un “proces de reamintire” a vechilor cunoștiințe obținute în fazele anterioare de învățare este folosit pentru a spori acuratețea previziunilor [62], [63].
4.2 Realizări hardware având la bază conceptele inteligenței artificiale
În ce privește noțiunea de inteligenta artificiala, aceasta și-a făcut simțită
prezenta pana de curând doar în cercetările din laboratoare. În ultimii ani, conceptele
inteligentei artificiale au devenit parte a tehnologiei, cu aplicații vaste în multe ramuri
cum sunt sectorul industrial, domeniul auto, sectorul medical, cel IT, sectorul clădirilor
rezidențiale și comerciale și multe altele.
- 71 -
O scurta desfășurare a domeniilor de aplicabilitate și a conceptelor inteligentei
artificiale include sistemele expert, rețelele neuronale, înțelegerea limbajului natural,
agenții, robotii și jocurile pe calculator.
Mașinile autonome sunt un exemplu aparte din domeniul auto al aplicării
inteligentei artificiale în practica. Un exemplu concret este cel al mașinii care se
conduce singura dezvoltate de compania Google.
În domeniul IT și al telefoanelor inteligente, cea mai cunoscuta aplicație ce
folosește conceptele și teoria inteligenței artificiale este aplicația de asistenta vocala
Siri, a companiei Apple și prezent pe echipamentele cu sistem de operare iOS. Din
spusele companiei producătoare, caracteristica principal a aplicației este aceea de
învățare în timp și cunoașterea treptata a preferințelor utilizatorului.
În ce privește sectorul medical, s-au conceput sisteme expert care, în funcție
de caracteristicile și semnalmentele pacienților, furnizează diverse diagnostice și
planuri de tratament. Cea mai mare realizare în cazul inteligentei artificiale aplicate în
domeniul medical este data de sistemul expert MYCIN, care are rolul de a planifica
tratamentul cu antibiotic în cazuri de meningita și septicemii.
Unul din sectoarele în care inteligenta artificiala își face din ce în ce mai simțită
prezenta este domeniul militar. Astfel, conceptele inteligentei artificiale au stat la baza
dezvoltării armelor autonome și a dronelor, ce sunt în stare sa identifice, să selecteze
și să distrugă țintele, fără aportul uman.
Inteligenta artificiala este din în ce în ce mai folosita și în domeniul economic.
Tot mai multe bănci și companii financiare folosesc tehnicile inteligentei artificiale
pentru a analiza comportamentul posesorilor de carduri pentru a identifica posibile
fraude.
În domeniul IT, una din primele ramuri care au avut la baza conceptele
inteligentei artificiale a fost jocurile pe computer. Startul în acest domeniu a fost dat
de celebra partida de șah din anul 1997 dintre campionul Gary Kasparov și computer-
ul Deep Blue, dezvoltat de compania IBM. Computerul Deep Blue, ce conținea 480 de
procesoare, ce erau capabile sa gândească 2 milioane de poziții pe secunda
individual, folosind conceptele inteligentei artificiale, a reușit sa obțină victoria în șase
partide.
Un prim sector în care noțiunile inteligentei artificiale, în special ramura
compusa din logica fuzzy, au devenit parte integrate a conducerii și funcționării
diferitelor echipamente a fost sectorul echipamentelor electrocasnice. Astfel, în anul
1989 apare prima mașina de spălat ce are ca baza de funcționare logica fuzzy.
Aceasta prima mașină de spălat a fost dezvoltata de compania Matsushita Electric
Group iar controlerul fuzzy (Figura 4.2.1) ce a stat la baza funcționării mașinii de spălat
avea ca și intrări trei variabile și anume: greutatea hainelor, impuritatea apei și
diferența impurității apei în timp. Ajustarea funcțiilor de apartenență este realizata de
o rețea neurala avansata care are ca scop îmbunătățirea performantelor controlerului
și implicit a performantelor mașinii de spălat. Ca și variabile de ieșire, controlerul
generează un număr de cinci valori și anume cantitatea de apa, viteză de curgere a
- 72 -
apei, timpul de spălare, timpul de clătire și timpul de stoarcere. Principiul de control
fuzzy simulează atât calitatea cat și cantitatea impurităților, nivelul încărcării mașinii
de spălat și tipul materialului hainelor și reglează în acest mod cantitatea de detergent
și ciclul de spălare. Claritatea și nivelul de murdărire a apei din mașina de spălat se
măsoară cu ajutorul unor senzori de lumina. Atunci când ciclul de spălare este la
început, murdăria ajunge treptat în apa, deci lumina va trece prin apa ușor. Cu cat
ciclul de spălare înaintează, apa își pierde calitatea de incolora iar cantitatea de lumina
ce va trece va fi din ce în ce mai putina. Toate aceste informații sunt analizate de către
controler folosind logica fuzzy.
Figura 4.2.1 – Schema bloc a controlerului fuzzy pentru mașina de spălat
Matsushita Electric Group
Următoarea companie ce a implementat noțiunile logicii fuzzy în controlul unei
mașini de spălat a fost compania japoneza Hitachi. Spre deosebire de mașina de
spălat Matsushita, compania Hitachi a utilizat o alta metoda de proiectare a
controlerului neuro fuzzy iar schimbarea majora a fost folosirea rețelei neurale
avansate pentru corectarea variabilelor de ieșire ale controlerului fuzzy (Figura 4.2.2).
Hitachi a preluat vechiul controler fuzzy și a modificat doar rețeaua neurala avansata
adăugându-i-i acesteia variabilele de intrare ale controlerului fuzzy, mai puțin
temperatura apei provenita care a fost înlocuită cu o valoare ce provenea de la un
senzor ce măsura temperatura aerului. După cum se observa și în Figura 4.2.1,
controlerul fuzzy are ca și variabile de intrare greutatea hainelor, materialul hainelor și
temperatura apei iar ca variabile de ieșire, controlerul fuzzy va regla cantitatea de apa,
viteză de curgere a apei, timpul de spălare, timpul de clătire și timpul de stoarcere.
- 73 -
Figura 4.2.2 – Schema bloc a controlerului fuzzy pentru
mașina de spălat Hitachi
Industria auto este încă o zona în care, datorita logicii fuzzy s-au făcut progrese
semnificative. Principiile logicii fuzzy sunt folosite în o serie de aplicații ale industriei
anume cum sunt sistemul de antiblocare ABS, controlul motoarelor, controlul cutiei de
viteze, al sistemul de transmise și altele.
Fiind procese destul de complexe, controlul motoarelor a suferit o dezvoltare
continua atât datorita creșterii performantelor acestora în scopul sporirii puterii și
reducerii emisiilor de gaze în atmosfera cat și în scopul scăderii consumurilor. Daca
acum mai bine de 20 de ani controlul motoarelor se făcea în mod mecanic, în ziua de
azi microcontrolere au luat locul elementelor mecanica cum au fost carburatoarele,
distribuitoarele și altele. Datorita faptului ca strategia controlului motorului depinde de
punctul de operare de moment, controlerele lineare gen PID nu sunt adecvate. În alta
ordine de idei, nu există modele matematice precise care sa descrie funcționarea și
comportamentul motoarelor. Pentru reprezentarea strategiei de control, producătorii
de controlere aplicate conducerii motoarelor folosesc tabele de căutare, rezultate în
urma testelor și experienței inginerilor. Cu toate ca logica fuzzy poate sa înlocuiască
- 74 -
aceste tabele de căutare, majoritatea producătorilor auto nu vor dezvălui detalii despre
soluțiile de control fuzzy logic deoarece regulile sistemului de control fuzzy duc la
transparenta totala în ce privește cunoașterea funcționării motorului. Temerea
principala a producătorilor este legata de concurentă, deoarece prin dezasamblarea
regulilor fuzzy, ceilalți producători pot descoperi secretele de funcționare ale
motoarelor.
Companiile NOK și Nissan au dezvoltat un controler pentru conducerea
motoarelor ce folosește trei module fuzzy logic (Figura 3). Sistemul identifică în primul
rând starea de funcționare a motorului prin variabila lingvistica Situație ce are șase
termeni lingvistici: Start, Inactiv, Condus normal - încărcare mica sau medie, Condus
normal – încărcare mare, Condus în coasta și Accelerare.
Figura 4.2.3 – Controlerul fuzzy pentru motoare dezvoltat de companiile NOK și
Nissan
Un domeniu de interes în care inteligenta artificiala este aplicata în ultimii ani
este cel al clădirilor. Motivele ce au stat la baza folosirii tehnicilor inteligentei artificiale
în acest domeniu sunt legate în primul rând de confortul ocupanților și de reducerea
consumurilor de energie.
În ce privește controlul AC, prima compania care a introdus controlul fuzzy a
fost Mitsubishi, în anul 1992. Astfel, s-a făcut trecerea de la controlul on-off, în care,
pornirea și oprirea unității se făcea la atingerea sau depășirea anumitor praguri fixe
de temperatura, definite de utilizatori cu ajutorul termostatelor, la un control de tip “mai
puțin – mai mult” (Figura 4.2.4). Spre exemplu primul controler fuzzy dezvoltat de
Mitsubishi pentru aparatele de aer condițional folosea principiul: daca aerul se
încălzește, creste puțin puterea de răcire; daca aerul se răcește, oprește moderat
puterea de răcire. Acest mod de control duce la o uzura mai redusa a echipamentului
de aer condiționat, un confort îmbunătăți de temperatura în spațiul deservit și
creșterea eficientei energetice (economii de energie).
- 75 -
Figura 4.2.4 – Comparație între controlul ON-OFF și controlul fuzzy introdus
de Mitsubishi
Odată cu apariția sistemelor de aer condiționat de tip inverter, controlerele
fuzzy au fost aplicate și pentru acest timp de aparate de climatizare. Compania Daikin
folosește controlul fuzzy pentru a calcula variația diferenței dintre temperatura aerului
de retur și temperatura setată, pentru controlul capacitații aerului și a frecventei
invertorului. Astfel, controlerul fuzzy menține temperatura definită de utilizator, prin
modificarea vitezei compresorului, asigurând un mediu confortabil (Figura 4.2.5).
- 76 -
Figura 4.2.5 – Comparație între AC fuzzy inverter Daikin și AC clasice
[www.daikin.com]
- 77 -
O serie de controlere fuzzy, aplicate în domeniul clădirilor a dezvoltat și
compania Honeywell. Un astfel de controler fuzzy este controlerul ATP921R (Figura
4.2.6) utilizat în aplicații de control a zonelor de încălzire, a cazanelor sau a apei calde
menajere. Controlerul dispune de control fuzzy logic P+I (proporțional + integral) și de
o serie de funcții de optimizare gen pornire întârziat sau start-stop. Datorita controlului
fuzzy, acest echipament asigura un control precis, confort termic sporit și eficienta
energetica pentru spațiul și instalațiile deservite.
Figura 4.2.6 – Controlerul fuzzy de temperatura Honeywell ATP921R
[www.honeywell.com]
O alta serie de controlere fuzzy, dezvoltata de compania Honeywell pentru
controlul diverselor procese este seria UDC. Controlerele Honeywell UDC 2500, UDC
3200 și UDC 3500 (Figura 4.2.7) dispun de o funcție de reglare bazata pe logica fuzzy.
Principiul este ca logica fuzzy este folosita pentru suprimarea depășirii variabilei de
proces, ce se datorează modificărilor valorii de referință sau a perturbațiilor de proces
externe. Reglarea fuzzy nu are rolul de a modifica constantele PID ci de a modifica
temporar răspunsul controlerului intern, pentru a suprima depășirea variabile de
proces. Acest lucru facilitează utilizarea reglării pentru a menține răspunsurile variabile
ale procesului. Funcția fuzzy logic poate fi activate sau dezactivata în funcție de
aplicația în care este folosit controlerul sau în funcție de criteriile de control.
Figura 4.2.7 – Controlerele Honeywell UDC 2500, UDC 3200 și UDC 3500
[www.honeywell.com]
- 78 -
4.3 Cercetări referitoare la conceptele ,,IoT’’ aplicate instalațiilor din clădiri
Odată cu dezvoltarea noilor tehnologii și dezvoltarea rețelelor de comunicații,
au apărut noi concepte precum ,,Cloud Computing’’ și ,,Internet of Things’’. ,,Internet
of Things’’ ajunge în casele sau orașele noastre prin domenii deja cunoscute ca Smart
Homes, Smart Cities sau Smart Towns.
Apărut și dezbătut pentru prima oară de către cercetătorul britanic Kevin Ashton
în 2009 [37], conceptul ,,Internet of Things’’ este definit ca fiind o rețea a
componentelor fizice (lucruri), cum ar fi echipamente electronice, aplicații software,
senzori și conectivitate la internet, cu posibilitatea de comunicare între ele, fără
intervenția unui operator uman. Datele obținute din rețea pot fi colectate, stocate și
analizate.
În prezent, conceptele de ,,Cloud Computing’’ și ,,Internet of Things’’ sunt
aplicate în multe domenii de activitate, principalele fiind industria automobilelor,
orașele inteligente, sănătate, industria de petrol și gaze și domeniul construcțiilor și
locuințelor rezidențiale [38].
Ca și în sectoarele industriale de activitate, în domeniul construcțiilor, au fost
create câteva platforme de analiză a datelor, una dintre cele mai utilizate dintre
acestea fiind SkySpark dezvoltată de SkyFoundry [39]. Procesul de detectare a
defecțiunilor analizează semnalele măsurate, cum ar fi vibrațiile, zgomotele,
temperatura, sunetul acustic, presiunea sau bazele parametrilor analitici pentru a
genera simptomele defecte. Simptomele defecte sunt intrările procesului de
diagnosticare a defecțiunilor care determină dimensiunea, tipul și localizarea erorii
sistemului. Acestea pot fi analitice sau euristice [40].
Scopul final al platformei software de analiză este de a prelua date de la orice
tip de sistem și de orice tip de echipament, indiferent de producător. În acest mod a
fost elaborată standardizarea Haystack [41], care oferă posibilitatea de a eticheta
datele astfel încât să fie recunoscute de platforma analitică software și de a aplica
reguli și funcții pentru aceste date.
Studii recente realizate de Llorian și colab. [42] oferă o nouă abordare pentru
controlul temperaturii folosind ,,Internet of Things’’ împreună cu platformele de analiză
a datelor și logica fuzzy, urmărind nu numai temperatura interioară, ci și temperatura
și umiditatea exterioară, pentru a economisi energie și pentru a crea un mediu mai
confortabil pentru utilizatorii clădirilor.
Un alt studiu realizat de Wurfel și colab. [43] arată posibilitățile de utilizare a
conceptelor de ,,Cloud Computing’’ și ,,Internet of Things’’ în analiza datelor provenite
de la senzorii și sistemele aferente clădirilor. Totodată este prezentată o metodologie
generalizată pentru aplicarea analizei datelor diverse instalații din clădiri. Această
metodologie este apoi demonstrată utilizând două studii de caz. Tehnicile analitice au
potențialul de a identifica o serie de probleme, printre care: defectele critice (de
exemplu, defecțiuni ale echipamentelor) sau disconfortul chiriașilor (de exemplu
zonele cu temperatură ridicată).
- 79 -
Cercetări importante legate de aplicarea conceptelor inteligenței artificiale, mai
precis a rețelelor neuronale artificiale (ANN) volumelor mari de date, în scopul
verificării performanțelor predictive ale sistemelor volatile și nespecifice au dus la
îmbunătățirea acurateței previzionarii datelor de ieșire prin utilizarea unui set de
predictori neuronali în cascadă, în loc de unul singur (Nastac, 2013). [64]
O serie de studii au fost realizate în ce privește dezvoltarea unor modele bazate
pe rețele neuronale, capabile să învețe anumite comportamente și să clasifice și să
identifice diverse sisteme, în funcție de o lista de parametri. (Nastac, 2009) Sistemul
prezintă o bună precizie a clasificărilor chiar și pentru o cantitate relativ mică de date
de antrenament. Pornind de la un rezultat anterior privind prognoza adaptivă, modelul
este îmbunătățit prin utilizarea tehnicii de recalificare pentru un set extins de date. [65]
4.4 Conceptul de “Cloud Computing” și IoT – prezent și viitor
Un termen apărut de puțin timp în lumea IT și aplicat din ce în ce mai mult și în
alte multe domenii, conceptul de cloud computing poate fi definit ca fiind o modalitate
de folosire a resurselor informatice fizice (data centere, servere etc) și software
(service, aplicații) externe cu ajutorul internetului. Acest nou concept aduce o
schimbare majora în ce privește modul de gândire al companiilor referitor la resursele
IT și oferă șase motive majore de utilizare favorabile resurselor hardware și software
tradiționale: costul, viteză, scalabilitate globala, productivitate sporita, performanta
îmbunătățită și fiabilitate.
Referitor la costuri, conceptul de cloud elimina cheltuielile costurile de achiziție
a infrastructurii hardware și software. Totodată costurile cu întreținerea și configurarea
datacenterelor locale precum și cheltuielile cu electricitatea necesara echipamentelor
IT și a echipamentelor de climatizare sunt eliminate. Un alt cost ce este redus este cel
al personalului “on site” ce se ocupa cu infrastructura IT. În ce privește viteză de acces
și operare, majoritatea serviciilor de cloud computing sunt oferite la cerere, astfel încât,
într-o perioada scurta de timp, o mare varietate de resurse de calcul poate fi furnizata.
Posibilitatea de scalabilitatea globala este caracteristica conceptului de cloud ce se
refera la furnizarea unei cantități corespunzătoare de resurse IT cum ar fi putere de
calcul diferențiată în funcție de aplicație, capacitate de stocare, lățime de banda – în
momentul în care este sunt necesare și din locația cea mai apropiata și potrivita.
Productivitatea sporita este datorata înlocuirii centrelor de date tradiționale, pentru
care timpul alocat mentenanței, instalării diferitelor echipamente și software-uri este
destul de mare. Conectarea la cloud elimina multe din sarcinile anterioare, specialiștii
IT putându-se ocupa de activități mai importante în dezvoltarea companiilor. Aproape
toate serviciile de cloud computing funcționează pe o rețea globala de centre de date
securizate, care sunt actualizare în mod regulat atât din punct de vedere hardware cat
și software. Acest aspect duce la creșterea performantelor. Fiabilitatea este data de
posibilitatea recuperării datelor în orice moment, continuitatea în caz de dezastru sau
accident putând fi asigurata foarte rapid, datele nefiind stocata intr-un singur loc, ci în
mai multe locații redundante.
Majoritatea serviciilor de cloud computing se încadrează în trei mari categorii:
infrastructura ca serviciu (IaaS), platforma ca serviciu (PaaS) și software-ul ca serviciu
- 80 -
(Saas). Acestea sunt uneori numite stive de computere în cloud, deoarece se
construiesc unul peste celălalt. Infrastructura de serviciu Iaas reprezintă cea mai
importanta categorie de servicii de cloud computing. Cu IaaS, se închiriază
infrastructuri IT (servere) și mașini virtuale, sisteme de stocare, rețele, sisteme de
operare, de la furnizorii de servicii cloud pe baza de plata. Platforma ca serviciu (PaaS)
se refera la serviciile de cloud computing care furnizează un mediu la cerere pentru
dezvoltarea, testarea, livrarea și gestionarea aplicațiilor software. PaaS este proiectat
pentru a facilita dezvoltatorilor sa creeze rapid aplicații web sau mobile, fără a-și face
griji în ceea ce privește configurarea sau gestionarea infrastructurii de baza a
serverelor, a stocării, a rețelelor și a bazelor de date necesare dezvoltării. Software-ul
ca serviciu (SaaS) este o metoda de furnizare a aplicațiilor software prin internet, la
cerere și în cele mai multe cazuri pe baza de abonament. Cu SaaS, furnizorii de cloud
găzduiesc și gestionează aplicația software și infrastructura și actualizează periodic
aplicațiile software și pe cele referitoare la Securitate. Utilizatorii se conectează la
aplicații prin internet, printr-un browser web sau aplicație, de pe telefon, tableta sau
PC.
În ce privește modul de implementare al serviciilor de cloud computing, există
trei astfel de moduri și anume cloud public, cloud privat și cloud hibrid. Cloudul public
este deținut și operat de un furnizor de servicii terțiar, care furnizează resursele lui de
calcul cum sunt serverele și stocarea pe internet. Cloud-ul privat are atribuite resursele
exclusive unei singure companii sau organizații. Cloud-ul hibrid combina celelalte
două tipuri de cloud, acestea fiind legate de o tehnologie ce permite distribuirea datelor
și aplicațiilor între ele. Permițând ca datele și aplicațiile sa se deplaseze între cloud-ul
public și cel privat, cloud-ul hibrid oferă o mai mare flexibilitate și mai multe opțiuni de
implementare.
Odată cu dezvoltarea tehnologiei, a rețelelor de comunicații și având ca și
suport conceptual cloud computing a apărut un nou concept și anume conceptul de
IoT – internetul lucrurilor. Apărut și dezbătut pentru prima data în anul 1999, de către
britanicul Kevin Aston, conceptul de IoT este caracterizat ca fiind o rețea de
componente fizice (lucruri), ce au în alcătuire echipamente electronice, aplicații
software, senzori și conexiune la internet ce le fac capabila sa comunice între ele, fără
intervenția unui operator uman și sa transmită date spre a fi colectate, stocate și
analizate. În prezent, conceptul IoT se aplica în foarte multe domenii de activitate,
principalele dintre acestea fiind cel al automatizării clădirilor și locuințelor, cel al
automobilelor inteligente, domeniul sănătății, domeniul orașelor inteligente sau cel al
industriei de petrol și gaze (Figura 4.4.1).
- 81 -
Figura 4.4.1 – Domeniile de aplicabilitate ale conceptului IoT
În domeniul clădirilor rezidențiale, conceptul de IoT aduce o creștere a calității
vieții prin conectarea și intercomunicarea diverselor aparate electrocasnice, sisteme
de securitate și automatizare, sisteme de iluminat sau aparate electronice.
În cazul clădirilor de birouri sau a spatiilor comerciale, sistemele BMS ce
conectează instalațiile HVAC, sistemul de iluminat, sistemele de umbrire, sistemele
de curenți slabi devin mult mai performante iar confortul și creșterea performantelor
energetice ale clădirilor cresc implementându-se conceptele IoT.
Una din cele mai cunoscute la momentul actual dintre platformele de analiza a
datelor ce au la baza conceptul de IoT, aplicata în special în domeniul clădirilor, este
platforma SkySpark dezvoltata de compania SkyFoundry. Platforma a fost conceputa
pentru a oferi o arhitectura software de tip end to end iar ideea finala este de a oferi o
perspectiva corecta și eficienta asupra afacerilor pentru organizații prin agregarea,
extragerea și analiza datelor generate de senzori, echipamente, mașini și produse.
Abordarea SkyFoundry oferă o singura platforma unificata pentru agregarea,
gestionarea, căutarea, descoperirea, analiza și predicția datelor.
SkySpark permite ca sistemele de automatizare, contoarele electrice,
termostatele, aparatele și chiar senzorii individuali sa comunice date despre
funcționarea și mediul lor de funcționare. Accesul facil la aceste date, oferă noi
oportunități pentru îmbunătățirea performantei și furnizarea de servicii cu valoare
adăugată pentru reducerea costurilor, atât energetice cat și funcționale cat și pentru
creșterea confortului ocupanților. Combinând o vasta biblioteca de funcții analitice
standard și oferind posibilitatea utilizatorilor de a dezvolta propriile funcții, platforma
permite experților sa dezvolte reguli care se vor aplica ulterior datelor provenite de la
echipamente și senzori. În urma aplicării acestor reguli, SkySpark furnizează
operatorilor date referitoare la performanta sistemelor aferente clădirilor.
Există trei etape de baza ale procesului de analiza pentru platforma SkySpark.
Primul este obținerea datelor. Platforma funcționează cu toate tipurile de date, fie
prîntr-o legătura real time cu un sistem de automatizare BMS sau un contor inteligent,
- 82 -
prin conectarea la o baza de date SQL sau importul datelor din fișiere Excel ori prin
legătură cu o platforma de servicii web de la un utilitar (Figura 4.4.2).
Figura 4.4.2 – Tipuri de date cu care operează platforma SkySpark
Atunci când sunt colectate date dîntr-o varietate de surse, este necesara
reprezentarea semnificației diferitelor elemente componente a datelor. În loc sa se
bazeze pe schemele de baze de date convenționale, SkySpark folosește o abordare
flexibila de etichetare, pentru a capta informațiile semantice care descriu datele.
Etichetele caracterizează unități, descrieri și relații, mai precis descriu datele în
amănunt. Spre exemplu, după cum se observa și în Figura 4.4.3, o centrala de tartare
a aerului poate avea etichete ce definesc locul în care se afla, faptul ca este un
consumator atribuit unui contor electric specific, producătorul echipamentului,
programul de funcționare sau alți parametric asociați. Aceste etichete oferă legăturile
pe care platforma de analiza le utilizează pentru corelarea și analiza datelor.
Figura 4.4.3 – Exemplu de etichete asociate unui echipament în SkySpark
[www.skyfoundry.com]
Analiza automată a datelor este realizata cu ajutorul unui motor unic de analiza
a datelor denumit Axon. Acest motor oferă un set cuprinzător de funcții pentru
manipularea și analiza datelor. Cel care implementează sistemul poate folosi o serie
de funcții analitice standard pentru a dezvolta reguli adecvate caracteristicilor și
nevoilor specific ale instalațiilor, echipamentelor, proceselor și domeniului de aplicare.
O data definită și activata, aceasta va rula automat și va căuta probleme atât în datele
noi cat și în datele din istoric. Regulile pot fi grupate în biblioteci de reguli și pot fi
îmbunătățite în orice moment.
- 83 -
Atunci când regulile găsesc o corelație sau o potrivire, acestea creează o
“scânteie” – termenul atribuit de SkyFoundy unei probleme de interes. Platforma de
analiza generează automat vizualizări, notificări și rapoarte care arata problemele,
timpul de apariție, frecventa, durata și chiar costul acestora. Totodată, platforma poate
trimite notificări prin email operatorilor și poate genera rapoarte în diferite formate cum
sunt pdf, svg, png, html și altele.
Platforma include un set diversificat de aplicații pentru vizualizarea datelor și
rezultatelor analitice. Toate aceste prezentări intuitive sunt afișate intr-un browser web
standard folosind tehnologia html. SkySpark poate de asemenea sa furnizeze
rezultate analitice unor aplicații terțe. Interfața platformei analitice este prezentata în
Figura 4.4.4.
Figura 4.4.4 – Interfața grafică a platformei analitice SkySpark
[www.skyfoundry.com]
Ca și posibilități de afișare a rezultatelor, platforma SkySpark oferta
posibilitatea de afișare ca și linii de timp și bule, indicând timpul durata, frecventa și
costul problemelor (Figura 4.4.5).
- 84 -
Figura 4.4.5 – Modalitatea de afișare a rezultatelor în
platforma analitica SkySpark [www.skyfoundry.com]
O alta funcție importanta a platformei analitice este aceea de calcula automat
a indicilor de performanta ai clădirii și prezentării lor grafic (Figura 4.4.6).
Figura 4.4.6 – Modalitatea de afișare a indicilor de performanta ai clădirii în platforma
analitica SkySpark [www.skyfoundry.com]
Modulul de analiza energetica oferă o suita cuprinzătoare pentru analiza
resurselor energetice, inclusiv cererea electrica, consumul, costul, precum și utilizarea
apei și a gazelor. Vizualizarea unica a operațiunilor aliniază automat datele de utilizare
a energiei cu starea de funcționare a echipamentelor, care oferă o imagine clara a
influentei sistemelor asupra consumului de energie (Figura 4.4.7).
- 85 -
Figura 4.4.7 – Modulul de analiza energetica al platformei analitica SkySpark
[www.skyfoundry.com]
- 86 -
Platforma de analiza SkySpark poate fi utilizata într-o mare varietate de
aplicații, cu sisteme ce cuprind echipamente de toate tipurile. Folosirea platformei nu
este condiționata de produsele unui singur producător sau de anumite date ale
dispozitivelor. De la punerea în funcțiune a clădirilor și detectarea defecțiunilor
echipamentelor și pana la analiza energetica, profilul de încărcare, urmărirea
performantelor active, monitorizarea proceselor și raportarea emisiilor de carbon sau
a gazelor cu efect de sera, SkySpark oferă rezultate ce nu sunt posibile cu alte
instrumente.
SkySpark poate fi aplicat tuturor tipurilor de date aferente IoT și anume date
provenite de la sistemele de automatizare ale clădirilor, date provenite de la sistemul
de management al energiei, date de la automatizări industrial, centre de date, sisteme
de mentenanța, clădiri inteligente, infrastructura de telecomunicații și altele.
Platforma poate fi folosita ca aplicație finala pentru administratorii clădirilor ce
sunt responsabili de gestionarea zilnica a sistemelor energetice și a echipamentelor.
Software-ul poate fi instalat local pe un laptop, desktop sau server sau găzduit în cloud
și oferit ca și SaaS. Platforma de analiza este de asemenea un instrument excelent
pentru consultanții implicați în punerea în funcțiune, monitorizarea și mentenanța și
analiza energetica. SkySpark poate fi utilizat pentru identificarea diferitelor modele și
probleme, bazate pe cunoștințe tehnice, simplificând în mare măsura procesul de
furnizare a rapoartelor și serviciilor proprietarilor, oferind posibilitatea de a furniza
costuri eficiente pentru monitorizarea de la distanta. Consultanților le este oferita
posibilitatea de a-și folosi cunoștințele din domeniu pentru a-și automatiza procesele
de lucru fără a trebui sa-și construiască propria platforma software. De asemenea,
platforma poate fi utilizata ca și baza de date și motor de analiza ce oferă rezultate
altor aplicații. Un set complet de aplicații permite dezvoltatorilor sa integreze toate
funcționalitățile SkySpark cu aplicații de la terțe parți, oferindu-le posibilitatea de a
integra capabilități sofisticate de analiza în propriul lor mediu de prezentare. Pentru a
crea o vedere de ansamblu și pentru a răspunde nevoilor specifice, platforma combina
toate tipurile de date cu rezultatele regulilor analitice (Figura 4.4.8).
Figura 4.4.8 – Vedere de ansamblu în platforma analitica SkySpark
[www.skyfoundry.com]
Capitolul 5 Proiectarea și modelarea unui controller fuzzy pentru asigurarea
confortului în clădiri
5.1 Generalități
Un sistem de conducere automată consta intr-un echipament sau un ansamblu de
echipamente care comanda, supervizează, reglează și manageriază funcționarea unui
dispozitiv sau a unui sistem. Un sistem de conducere automată și control este compus
dintr-un controler și instalația ce urmează a fi comandata iar pentru interacțiunea
controler-ului cu instalația este nevoie de o serie de actuatori. Pentru modelarea și
proiectarea unui controler, este necesar sa se cunoască specificațiile instalației ce
urmează a fi comandate, conduse și reglate și totodată trebuie cunoscut procesul ce
urmează a fi automatizat. Performantele și comportamentul unui sistem de reglare și
control depind întotdeauna de interacțiunea elementelor prezentate anterior.
Conducerea automată a proceselor a apărut odată cu folosirea computerelor în
cadrul acestor procese (Ionescu:2010:430), conducerea unui proces constând în reglare,
comanda asupra procesului în monitorizarea acestuia. Inteligenta artificiala a apărut și s-
a conturat și odată cu apariția calculatoarelor, ca un subdomeniu specific al informaticii.
O definiție comuna a inteligentei artificiale ce a fost adoptata de cercetători este cea a lui
John McCarthy din anul 1955: “o mașină care se comportă într-un mod care ar putea fi
considerat inteligent, dacă ar fi vorba de un om”. Dezvoltând acest subiect, inteligența
artificială vizează studiul și designul agenților inteligenți, sisteme care percep mediul
înconjurător și maximizează șansele propriului succes prin comportament [44].
Cea mai des întâlnită caracteristica a inteligentei artificiale consta în faptul ca
sistemul în cauza are capabilitatea de a învață, atât cu ajutor cat și fără, scopul
îmbunătățirea permanenta. Una dintre principalele ramuri ale inteligentei artificiale este
logica fuzzy. Ca și diferența de logica tradițională booleana (binara) care funcționează
după două valori 0 sau 1, “adevărat” sau “fals”, logica fuzzy ia o considerare o plaja de
situații infinita, cuprinsa între 0 și 1. Logica fuzzy copiază logica umana și introduce
conceptul de parțialitate, noțiunea de adevăr putând varia de la “complet adevărat” pana
la “complet fals”, diferind de principiile logicii binare, unde noțiunile de “adevărat” și “fals”
sunt fixe. Principalul obiectiv al utilizării sistemelor și logicii fuzzy este de a implementa
gândirea și logica umana computerelor, de a face calculatorul sa gândească ca și
oamenii. În ziua de azi, o serie de tehnologii din domeniul controlului diferitelor procese
sunt mai benefice și mai performante, ca urmare a folosirii logici fuzzy. Utilizând sistemele
și logica fuzzy, pot fi gestionate și controlate diferite concepte subiective ce țin de
confortul fiecărui individ în parte ca și rece/cald sau mic/mare
- 88 -
Controler-ul de temperatura, umiditate și calitate aer modelat mai jos va putea fi
utilizat în sistemele BMS pentru a menține senzația de confort, în spațiul deservit.
5.2 Caracteristicile procesului condus de controlerul de confort fuzzy
Modelul de baza al structurii propuse consta intr-un controler de confort ce
urmează sa controleze parametrii de temperatura, umiditate relativă și calitate aer
aferenți spațiului deservit, folosind principiile și noțiunile logicii fuzzy. Ca și valori de
intrare, controlerul va prelua informații de la senzorii de temperatura, umiditate relativă și
calitate aer (nivel CO2), instalați în spațiul deservit iar instalația ce urmează a fi condusa
pentru a îndeplini parametric de confort consta intr-un ventiloconvector, un ventilator de
evacuare aer viciat și introducere aer proaspăt și un umidificator. Pentru controlul
temperaturii din încăpere, controlerul fuzzy va comanda un ventiloconvector și va acționa
asupra ventilatorului de încălzire și asupra ventilatorului de răcire, în funcție de setpointul
definit de utilizator. Controlul umidității se va face în mod automat în funcție de pragurile
predefinite, folosindu-se un umidificator pentru umidificarea aerului și un ventilator de
evacuare pentru dezumidificare. Pragurile de referință a calității aerului vor fi definite în
controler iar ajustarea nivelului de CO2 va fi realizata prin intermediul ventilatorului de
evacuare aer viciat și a ventilatorului de introducere aer proaspăt (Figura 5.2.1).
Figura 5.2.1 – Schema bloc a procesului de confort
- 89 -
Controlerul programabil folosit pentru conducerea instalației descrise anterior are
două componente de baza și anume, componenta software și componenta hardware.
Componenta software este reprezentata de controlerul fuzzy logic ce are ca și elemente
principale baza de cunoștințe formata din “baza de reguli”, “ieșire funcții de apartenență”
și “intrare funcții de apartenență”, modulul de fuzificare, motorul de inferență (raționament
fuzzy) și modulul de defuzificare. Baza de cunoștințe servește pentru a stoca elementele
faptice pe care, în mod normal le folosesc experții umani. Modulul de fuzificare transforma
valorile clare în valori lingvistice, valori ce vor fi folosite de modulul de inferență. Aplicarea
variabilelor de intrare la funcțiile de apartenență se face în procesul de fuzificare, astfel
încât se va stabili gradul de adevăr. Motorul de inferență are rolul de a calcula valorile de
adevăr, acestea stand la baza regulilor ce vor fi activate din baza de cunoștințe. Modulul
de defuzificare transforma un subset fuzzy într-o singura valoare, ce corespunde unei
ieșiri.
Componenta hardware a controlerului este formata din interfețele de intrari-iesiri
și de modulul de conexiune Cloud Connector. Interfața de intrări preia semnalele
analogice furnizate de senzorii de temperatura, umiditate relativă și calitate aer (nivel
CO2) și transmite aceste valori modului de fuzificare. Interfața de ieșiri transmite valorile
rezultate în urma procesului de defuzificare, către ventiloconvector (pentru realizarea
confortului termic), către umidificator și către ventilatoarele de introducere aer proaspăt
și evacuare aer viciat. Modulul de conexiune Cloud Connector are rolul de a realiza
conexiunea controlerului fuzzy cu rețeaua de internet pentru îndeplinirea funcțiilor de
supervizare și monitorizare de la distanta a procesului controlat. O alta funcție importanta
a modulului de conexiune este aceea de a putea transmite datele către o platforma de
analiza, unde există posibilitatea de a aplica o serie de reguli pentru a stabili buna
funcționare a procesului (Figura 5.2.2).
Figura 5.2.2 – Structura controlerului de confort
- 90 -
5.3 Proiectarea controlerului de confort fuzzy
Modelul simplificat al controlerului fuzzy de temperatura, umiditate relativă și nivel
CO2 este prezentat în Figura 5.3.1
Figura 5.3.1 – Modelul simplificat al controlerului fuzzy
- 91 -
Modelul desfășurat al controlerului fuzzy de temperatura este prezentat în Figura
5.3.2
Figura 5.3.2 – Modelul desfășurat al controlerului fuzzy de temperatura
- 92 -
Modelul desfășurat al controlerului fuzzy de umiditate este prezentat în Figura
5.3.3
Figura 5.3.3 – Modelul desfășurat al controlerului fuzzy de umiditate
- 93 -
Modelul desfășurat al controlerului fuzzy pentru calitatea aerului este prezentat în
Figura 5.3.4
Figura 5.3.4 – Modelul desfășurat al controlerului fuzzy pentru calitatea aerului
- 94 -
Diagrama procesului de proiectare a controlerului de confort este prezentata în
Figura 5.3.5
Figura 5.3.5 – Diagrama procesului de proiectare a controlerului fuzzy de confort
Algoritmul de proiectare descris mai jos este folosit pentru designul modulului de
fuzificare, a motorului de inferență, modulului de defuzificare și a bazei de reguli aferente
controlerului fuzzy de control a sistemului de climatizare și calitate aer, în concordanță cu
specificul instalațiilor și a procesului ce urmează a fi condus, astfel încât parametrii de
temperatura, umiditate relativă și calitate aer (nivel CO2) sa fie atinși atât calitativ cat și
cantitativ, pentru a menține senzația de confort în spațiul deservit.
Controlerul va fi proiectat pentru a opera în intervalul de temperatură 5°C-42°C iar
ca setpoint de temperatură definit de utilizator, va funcționa pentru valori cuprinse între
15°C și 29°C. Atât nivelul de confort pentru parametrul umiditate relativă cat și nivelul de
confort pentru calitate aer vor fi predefinite în controler și vor fi gestionate automat de
către acesta, pentru temperaturi cuprinse în plaja de funcționare de 15°C - 29°C.
5.4 Procesul de fuzificare
Funcțiile de apartenență și plajele de valori pentru controlul temperaturii
Fuzificarea este procesul în care se stabilesc funcțiile de apartenență pentru
fiecare set de variabile de intrare.
Variabile de intrare
Variabilele de intrare sunt reprezentate de valorile transmise interfeței de intrări a
controlerului, de către senzorul de temperatura montat în spațiul deservit și de către
- 95 -
valorile cerute de utilizator. Funcțiile de apartenență și plajele de valori pentru variabila
de intrare: Temperatura curentă, sunt prezentate în Tabelul 5.4.1 și în Figura5.4.1.
Funcții de apartenență Plaje de valori
Foarte rece 5°C-14°C
Rece 13°C-18°C
Normal 17°C-23°C
Călduț 22°C-27°C
Cald 26°C-32°C
Foarte cald 31°C-38°C
Fierbinte 37°C-42°C
Tabelul 5.4.1 – Funcțiile de apartenență și plajele de valori pentru variabila de
intrare Temperatura curentă
Figura 5.4.1 - Funcțiile de apartenență și plajele de valori pentru variabila de
intrare Temperatura curentă
- 96 -
A două variabila de intrare pentru controlerul fuzzy de temperatura este
reprezentata de abaterea de la temperatura definită de utilizator. Mai precis, abaterea de
la temperatura definită este rezultatul diferenței dintre temperatura definită de utilizator și
temperatura reala măsurată de senzorul montat în încăpere. Pentru controlerul proiectat,
valoarea acestei variabile de intrare va avea ca și limita inferioara -27°C (15°C, valoarea
minima pentru setpoint pentru care funcționează controlerul minus 42°C, valoarea
maximă pentru temperatura curentă, pe care o poate înregistra senzorul de
temperatura), iar ca și limita superioara, abaterea de la temperatura definită va lua
valoarea de 24°C (29°C, valoarea maximă pentru setpoint pentru care funcționează
controlerul minus 5°C, valoarea minima pentru temperatura curentă, pe care o poate
înregistra senzorul de temperatura).
Funcțiile de apartenență și plajele de valori pentru variabila de intrare: Abaterea
de la temperatura definită de utilizator, sunt prezentate în Tabelul 5.4.2 și în Figura5.4.2.
Funcții de apartenență Plaje de valori
MMR – mai mult rece -27°C pana la -18°C
MR – mai rece -19°C pana la -11°C
PR – puțin mai rece -12°C pana la -7°C
P - plăcut -8°C pana la 0°C
PC – prea cald -2°C pana la 3°C
FC – foarte cald 2°C pana la 11°C
MMC – mult prea cald 10°C pana la 24°C
Tabelul 5.4.2 – Funcțiile de apartenență și plajele de valori pentru variabila de
intrare Abatere de la temperatura curentă
- 97 -
Figura 5.4.2 - Funcțiile de apartenență și plajele de valori pentru variabila de
intrare Abatere de la temperatura curentă
Variabile de ieșire
Variabilele de ieșire sunt reprezentate de valorile transmise de către controler
interfeței de ieșiri, iar mai departe actuatorilor ce vor acționa cele două ventilatoare, de
încălzire și răcire ale ventilatorului, pentru îndeplinirea funcției de confort termic.
Pentru controlerul fuzzy de temperatura sunt definite două variabile de ieșire și
anume: Trepte de funcționare ventilator încălzire și trepte de funcționare ventilator răcire.
Statusul ventilatorului de încălzire poate fi oprit, atunci când valoare temperaturii definite
de utilizator este egală cu valoarea temperaturii măsurate de senzorul de temperatura
sau pornit, atunci când temperatura din încăpere, înregistrată de senzor este mai mica
- 98 -
decât temperatura definită de utilizator. Atunci când există diferențe între temperatura
setată și cea măsurată, ventilatorul va funcționa conform celor trei trepte de viteză definite
în concordanță cu diferența de temperatura dintre setpoint și valoarea măsurată.
Funcțiile de apartenență și plajele de valori pentru variabila de intrare Trepte de
funcționare Ventilator încălzire: Temperatura curentă, sunt prezentate în Tabelul 5.4.3 și
în Figura 5.4.3.
Funcții de apartenență Plaje de valori
OPRIT 0%-10%
INCALZIRE – TREAPTA 1 0%-40%
INCALZIRE – TREAPTA 2 30%-70%
INCALZIRE – TREAPTA 3 60%-100%
Tabelul 5.4.3 – Funcțiile de apartenență și plajele de valori pentru variabila de ieșire
Trepte de funcționare Ventilator încălzire
Figura 5.4.3 - Funcțiile de apartenență și plajele de valori pentru variabila de
ieșire Trepte de funcționare Ventilator încălzire
- 99 -
În ce privește ventilatorul de răcire, statusul acestuia va fi oprit atunci când
temperatura măsurată este egală cu temperatura definită de utilizator și pornit atunci când
temperatura măsurată de senzorul de temperatură este mai mare decât temperatura
definită. Atunci când există diferențe între temperatura setată și cea măsurată, ventilatorul
va funcționa conform celor patru trepte de viteză definite în concordanță cu diferența de
temperatură dintre setpoint și valoarea măsurată.
Funcțiile de apartenență și plajele de valori pentru variabila de intrare Trepte de
funcționare Ventilator răcire: Temperatura curentă, sunt prezentate în Tabelul 5.4.4 și în
Figura5.4.4.
Funcții de apartenență Plaje de valori
OPRIT 0%-10%
RACIRE – TREAPTA 1 0%-30%
RACIRE – TREAPTA 2 20%-50%
RACIRE – TREAPTA 3 40%-80%
RACIRE – TREAPTA 4 70%-100%
Tabelul 5.4.4 – Funcțiile de apartenență și plajele de valori pentru variabila de
ieșire Trepte de funcționare Ventilator răcire
Figura 5.4.4 - Funcțiile de apartenență și plajele de valori pentru variabila de
ieșire Trepte de funcționare Ventilator răcire
- 100 -
Funcțiile de apartenență și plajele de valori pentru controlul umidității
Variabile de intrare
În ceea ce privește controlul umidității relative, ca și variabile de intrare, se
definesc umiditatea curentă și temperatura curentă măsurată.
Umiditatea relativă înseamnă raportul dintre cantitatea de vapori existentă supra
cantitatea de vapori care ar există la saturație. Mai precis, umiditatea relativă indică viteză
de evaporare a apei de pe un corp. Într-o încăpere, apa se va evapora mai repede cu
cât umiditatea relativă este mai mica. Pentru zona în care ne aflam, umiditatea relativă
pentru senzația de confort se situează în plaja de valori 35%-60%. Relația dintre
temperatura exterioara și umiditatea relativă care trebuie sa există într-o încăpere, pentru
ca senzația de confort sa persiste, este prezentata în Tabelul 5.4.5.
Temperatura exterioara Umiditate relativă
15°C 35%
17°C 40%
20°C 43%
22°C 45%
25°C 50%
27°C 54%
30°C 56%
Tabelul 5.4.5 – Umiditatea relativă de confort
O prima valoare de intrare pentru controlerul fuzzy de umiditate este reprezentata
de umiditatea relativă măsurată, de senzorul de umiditate aferent spațiului deservit.
Pentru ca senzația de confort, în ce privește parametrul de umiditate relativă sa nu fie
perturbata de către utilizator, se va folosi un umidificator cu plaje predefinite de umiditate
în funcției de temperatura setată, nefiind necesara setarea umidității prin setpoint direct
de la ocupanți.
Funcțiile de apartenență și plajele de valori pentru variabila de intrare: Umiditate
curentă, sunt prezentate în Tabelul 5.4.6 și în Figura5.4.5.
Funcții de apartenență Plaje de valori
Uscat 0%-20%
Aproape uscat 20%-40%
Acceptabil – nivel 1 35%-50%
Acceptabil – nivel 2 45%-56%
Aproape umed 55%-75%
Umed 70%-100%
Tabelul 5.4.6 – Funcțiile de apartenență și plajele de valori pentru variabila de
intrare Umiditate curentă
- 101 -
Figura 5.4.5 - Funcțiile de apartenență și plajele de valori pentru variabila de
intrare Umiditate curentă
A două variabila de intrare a controlerului de umiditate relativă este Temperatura
existentă în încăpere. În funcție de temperatura măsurată de senzorul de temperatura.
Setpointul de temperatura a fost definit în pașii anteriori ca luând valori între 15°C și 29°C.
Pentru valoare de intrare Temperatura existentă în încăpere, a controlerului de umiditate
vom împarți aceasta plaja de valori a setpointului în două clase.
Funcțiile de apartenență și plajele de valori pentru variabila de intrare:
Temperatura existentă în încăpere, sunt prezentate în Tabelul 5.4.7 și în Figura5.4.6.
Funcții de apartenență Plaje de valori
Clasa 1 de temperatura 14°C-22°C
Clasa 2 de temperatura 21°C-30°C
Tabelul 5.4.7 – Funcțiile de apartenență și plajele de valori pentru variabila de
intrare Temperatura existentă în încăpere
- 102 -
Figura 5.4.6 – Funcțiile de apartenență și plajele de valori pentru variabila de
intrare Temperatura existentă în încăpere
Variabile de ieșire
Variabilele de ieșire sunt reprezentate de valorile transmise de către controler
interfeței de ieșiri, iar mai departe actuatorilor ce vor acționa umidificatorul și ventilatorului
de evacuare aer pentru menținerea umidității relative de confort.
Pentru controlerul fuzzy de umiditate sunt definite două variabile de ieșire și
anume: Nivel de modulare umidificator și trepte de funcționare ventilator evacuare aer.
Statusul umidificatorului poate fi oprit, atunci când valoare umidității relative măsurate de
senzorul de umiditate se încadrează în plajele definite în controler și corelate cu
temperatura interioara, sau pornit, atunci când umiditatea relativă din încăpere,
înregistrată de senzor este mai mica decât umiditatea relativă definită în controler. Atunci
când există diferențe între umiditatea relativă predefinită și cea măsurată, umidificatorul
va avea trei nivele de modulare, pentru a atinge umiditatea predefinită în controler.
- 103 -
Funcțiile de apartenență și plajele de valori pentru variabila de ieșire Nivel
modulare umidificator, sunt prezentate în Tabelul 5.4.8 și în Figura5.4.7.
Funcții de apartenență Plaje de valori
Oprit 0%-10%
Nivel 1 de modulare 5%-35%
Nivel 2 de modulare 30%-70%
Nivel 3 de modulare 60%-100%
Tabelul 5.4.8 – Funcțiile de apartenență și plajele de valori pentru variabila de
ieșire Nivel modulare umidificator
Figura 5.4.7 – Funcțiile de apartenență și plajele de valori pentru variabila de
ieșire Nivel modulare umidificator
În ceea ce privește variabila de ieșire Trepte de funcționare ventilator evacuare
aer, starea ventilatorului de evacuare poate fi oprit, atunci când valoare umidității relative
- 104 -
măsurate de senzorul de umiditate se încadrează în plajele definite în controler și corelate
cu temperatura interioara, sau pornit, atunci când umiditatea relativă din încăpere,
înregistrată de senzor este mai mare decât umiditatea relativă definită în controler. Atunci
când există diferențe între umiditatea relativă predefinită și cea măsurată, ventilatorul de
evacuare aer va funcționa în trei trepte de operare, pentru a atinge umiditatea predefinită
în controler.
Funcțiile de apartenență și plajele de valori pentru variabila de ieșire Trepte de
funcționare ventilator evacuare aer, sunt prezentate în Tabelul 5.4.9 și în Figura5.4.8.
Funcții de apartenență Plaje de valori
Oprit 0%-10%
Treapta 1 de funcționare 5%-35%
Treapta 2 de funcționare 30%-70%
Treapta 3 de funcționare 60%-100%
Tabelul 5.4.9 – Funcțiile de apartenență și plajele de valori pentru variabila de
ieșire Trepte funcționare ventilator evacuare aer
- 105 -
Figura 5.4.8 – Funcțiile de apartenență și plajele de valori pentru variabila de
ieșire Trepte funcționare ventilator evacuare aer
Funcțiile de apartenență și plajele de valori pentru controlul calității aerului
Variabile de intrare
Conform anumitor standarde europene și internațional referitoare la calitatea
aerului, concentrația admisă de CO2 la interior este de 0,5%, deși la concentrații mai mici
sunt cazuri de dureri de cap și de disconfort.
Pragurile concentrației de CO2 în clădiri sunt prezentate în Tabelul5.4.10.
Concentrație CO2 Efecte
350 ppm-1000 ppm Mediu propice – concentrație în parametrii
1000 ppm-2000 ppm Posibile stări de somnolenta – aer viciat
2000 ppm-5000 ppm Dureri de cap, stări de somnolenta și oboseala, pierderea concentrației, creșterea pulsului și stări de greața – aer viciat
5000 ppm Limita maximă a nivelului de CO2 acceptata pentru o zi de lucru normala de 8 ore, conform normelor europene
Tabelul 5.4.10 – Pragurile și efectele concentrației de CO2 în clădiri
Valorile de intrare pentru controlerul fuzzy de calitate aer sunt reprezentate de
nivelul de CO2 măsurat de senzorul de CO2 aferent spațiului deservit și pragurile de
umiditate relativă, valori ce provin de la senzorul de umiditate relative instalat în încăpere.
Funcțiile de apartenență și plajele de valori pentru variabila de intrare: Nivel CO2,
sunt prezentate în Tabelul 5.4.11.1 și în Figura5.4.9.1.
Funcții de apartenență Plaje de valori
Calitate aer în parametrii 350 ppm-1000 ppm
Aer aproape viciat 1000 ppm-2000 ppm
Aer viciat 2000 ppm-5000 ppm
Aer foarte viciat 5000 ppm-8000 ppm
Tabelul 5.4.11.1 – Funcțiile de apartenență și plajele de valori pentru variabila de
intrare Nivel CO2
- 106 -
Figura 5.4.9.1 – Funcțiile de apartenență și plajele de valori pentru variabila de
intrare Nivel CO2
Funcțiile de apartenență și plajele de valori pentru variabila de intrare: Praguri
umiditate, sunt prezentate în Tabelul 5.4.11.2 și în Figura5.4.9.2.
Funcții de apartenență Plaje de valori
Uscat 0%-35%
În parametrii 30%-65%
Umed 60%-100%
Tabel 5.4.11.2 – Funcțiile de apartenență și plajele de valori pentru variabila de
intrare Praguri umiditate
- 107 -
Figura 5.4.9.2 – Funcțiile de apartenență și plajele de valori pentru variabila de
intrare Praguri umiditate
Variabile de ieșire
Variabilele de ieșire sunt reprezentate de valorile transmise de către controler
interfeței de ieșiri, iar mai departe actuatorilor ce vor acționa ventilatorul de introducere
aer proaspăt și ventilatorului de evacuare aer pentru menținerea nivelului de CO2 de
confort.
Pentru controlerul fuzzy de calitate aer sunt definite două variabile de ieșire și
anume: Trepte de funcționare ventilator introducere aer proaspăt și trepte de funcționare
ventilator evacuare aer. Statusul ventilatorului de introducere aer proaspăt poate fi oprit,
- 108 -
atunci când valoare nivelului de CO2 măsurată de senzorul de CO2 se încadrează în
plaja 350 ppm-1000 ppm definită în controler sau pornit, atunci când nivelul de CO2 din
încăpere, înregistrat de senzor este mai mare decât nivelul de CO2 definită în controler.
Atunci când există diferențe între nivelul de CO2 predefinit și cel măsurată, ventilatorul
de introducere va avea trei trepte de funcționare, pentru a atinge parametrul de calitate
aer predefinit în controler.
Statusul ventilatorului de evacuare aer poate fi oprit, atunci când valoare nivelului
de CO2 măsurată de senzorul de CO2 se încadrează în plaja 350 ppm-1000 ppm definită
în controler sau pornit, atunci când nivelul de CO2 din încăpere, înregistrat de senzor
este mai mare decât nivelul de CO2 definită în controler. Atunci când există diferențe
între nivelul de CO2 predefinit și cel măsurată, ventilatorul de evacuare va avea trei trepte
de funcționare, pentru a atinge parametrul de calitate aer predefinit în controler.
Ventilatorul de evacuare aer va funcționa în strânsă legătură cu ventilatorul de
introducere aer proaspăt. Astfel, atunci ca se va înregistra depășirea nivelului de CO2
admis, va porni ventilatorul de evacuare aer urmând ca mai apoi sa pornească ventilatorul
de introducere, pentru aportul de aer proaspăt.
Funcțiile de apartenență și plajele de valori pentru variabila de ieșire Trepte de
funcționare ventilator introducere, sunt prezentate în Tabelul 5.4.12 și în Figura5.4.10.
Funcții de apartenență Plaje de valori
Oprit 0%-10%
Treapta 1 de funcționare 5%-35%
Treapta 2 de funcționare 30%-70%
Treapta 3 de funcționare 60%-100%
Tabelul 5.4.12 – Funcțiile de apartenență și plajele de valori pentru variabila de
ieșire Trepte de funcționare ventilator introducere
- 109 -
Figura 5.4.10 – Funcțiile de apartenență și plajele de valori pentru variabila de
ieșire Trepte de funcționare ventilator introducere
Funcțiile de apartenență și plajele de valori pentru variabila de ieșire Trepte de
funcționare ventilator evacuare, sunt prezentate în Tabelul 5.4.13 și în Figura5.4.11.
Funcții de apartenență Plaje de valori
Oprit 0%-10%
Treapta 1 de funcționare 5%-35%
Treapta 2 de funcționare 30%-70%
Treapta 3 de funcționare 60%-100%
Tabelul 5.4.13 – Funcțiile de apartenență și plajele de valori pentru variabila de
ieșire Trepte de funcționare ventilator evacuare
- 110 -
Figura 5.4.11 – Funcțiile de apartenență și plajele de valori pentru variabila de
ieșire Trepte de funcționare ventilator evacuare
Baza de reguli fuzzy
Baza de reguli este o componenta a bazei de cunoștințe și reprezintă legătura
dintre mărimile de intrare și mărimile de ieșire. Regulile de control lingvistice sunt de tipul
“IF-THEN” și la fiecare asociere a mărimilor de intrare se va asocial câte o valoare pentru
fiecare mărime de ieșire.
Baza de reguli pentru controlerul fuzzy de temperatura este prezentata desfășurat
în Tabelul 5.4.14 și în Figura 5.4.12.
- 111 -
Nr. Crt. Temperatura curentă
Abatere de la temperatura
curentă
Trepte de funcționare Ventilator încălzire
Trepte de funcționare Ventilator
răcire
1 Foarte rece MMC – mult prea cald
INCALZIRE – TREAPTA 3
OPRIT
2 Foarte rece FC – foarte cald
INCALZIRE – TREAPTA 2
OPRIT
3 Rece MMC – mult prea cald
INCALZIRE – TREAPTA 2
OPRIT
4 Rece FC – foarte cald
INCALZIRE – TREAPTA 1
OPRIT
5 Rece PC – prea cald OPRIT OPRIT
6 Rece P - plăcut OPRIT RACIRE – TREAPTA 1
7 Normal FC – foarte cald
INCALZIRE – TREAPTA 1
OPRIT
8 Normal PC – prea cald OPRIT OPRIT
9 Normal P - plăcut OPRIT RACIRE – TREAPTA 1
10 Călduț FC – foarte cald
INCALZIRE – TREAPTA 1
OPRIT
11 Călduț PC – prea cald OPRIT OPRIT
12 Călduț P - plăcut OPRIT RACIRE – TREAPTA 1
13 Călduț PR – puțin mai rece
OPRIT RACIRE – TREAPTA 2
14 Cald P - plăcut OPRIT RACIRE – TREAPTA 1
15 Cald PR – puțin mai rece
OPRIT RACIRE – TREAPTA 2
16 Cald MR – mai rece OPRIT RACIRE – TREAPTA 3
17 Foarte cald P - plăcut OPRIT RACIRE – TREAPTA 1
18 Foarte cald PR – puțin mai rece
OPRIT RACIRE – TREAPTA 2
19 Foarte cald MR – mai rece OPRIT RACIRE – TREAPTA 3
20 Foarte cald MMR – mult mai rece
OPRIT RACIRE – TREAPTA 4
21 Fierbinte MR – mai rece OPRIT RACIRE – TREAPTA 3
22 Fierbinte MMR – mult mai rece
OPRIT RACIRE – TREAPTA 4
Tabelul 5.4.14 – Baza de reguli pentru controlerul fuzzy de temperatura
- 112 -
Figura 5.4.12 – Baza de reguli pentru controlerul fuzzy de temperatura
- 113 -
Baza de reguli pentru controlerul fuzzy de temperatura este prezentata desfășurat
în Tabelul 5.4.15 și în Figura 5.4.13.
Nr. Crt. Umiditate curentă
Temperatura existentă în
încăpere
Nivel modulare umidificator
Trepte funcționare ventilator evacuare
1 Uscat Clasa 1 de temperatura
Nivel 3 de modulare
Oprit
2 Aproape uscat Clasa 1 de temperatura
Nivel 2 de modulare
Oprit
3 Acceptabil – nivel 1
Clasa 1 de temperatura
Oprit Oprit
4 Acceptabil – nivel 2
Clasa 1 de temperatura
Oprit Treapta 1 de funcționare
5 Aproape umed Clasa 1 de temperatura
Oprit Treapta 2 de funcționare
6 Umed Clasa 1 de temperatura
Oprit Treapta 3 de funcționare
7 Uscat Clasa 2 de temperatura
Nivel 3 de modulare
Oprit
8 Aproape uscat Clasa 2 de temperatura
Nivel 2 de modulare
Oprit
9 Acceptabil – nivel 1
Clasa 2 de temperatura
Nivel 1 de modulare
Oprit
10 Acceptabil – nivel 2
Clasa 2 de temperatura
Oprit Oprit
11 Aproape umed Clasa 2 de temperatura
Oprit Treapta 2 de funcționare
12 Umed Clasa 2 de temperatura
Oprit Treapta 3 de funcționare
Tabelul 5.4.15 – Baza de reguli pentru controlerul fuzzy de umiditate
- 114 -
Figura 5.4.13 – Baza de reguli pentru controlerul fuzzy de umiditate
- 115 -
Baza de reguli pentru controlerul fuzzy de nivel calitate aer este prezentata
desfășurat în Tabelul 5.4.16 și în Figura 5.4.14.
Nr. Crt. Nivel CO2 Praguri umiditate
Treapta funcționare ventilator
introducere
Treapta funcționare ventilator evacuare
1 Calitate aer în parametrii
Uscat OPRIT OPRIT
2 Aer aproape viciat
Uscat Treapta 1 de funcționare
Treapta 1 de funcționare
3 Aer viciat Uscat Treapta 2 de funcționare
Treapta 2 de funcționare
4 Aer foarte viciat Uscat Treapta 3 de funcționare
Treapta 3 de funcționare
5 Calitate aer în parametrii
În parametrii OPRIT OPRIT
6 Aer aproape viciat
În parametrii Treapta 1 de funcționare
Treapta 1 de funcționare
7 Aer viciat În parametrii Treapta 2 de funcționare
Treapta 2 de funcționare
8 Aer foarte viciat În parametrii Treapta 3 de funcționare
Treapta 3 de funcționare
9 Aer foarte viciat Umed OPRIT Treapta 1 de funcționare
10 Calitate aer în parametrii
Umed Treapta 1 de funcționare
Treapta 2 de funcționare
11 Aer aproape viciat
Umed Treapta 3 de funcționare
Treapta 3 de funcționare
12 Aer viciat Umed Treapta 3 de funcționare
Treapta 3 de funcționare
Tabelul 5.4.16 – Baza de reguli pentru controlerul fuzzy de calitate aer
- 116 -
Figura 5.4.14 – Baza de reguli pentru controlerul fuzzy de calitate aer
- 117 -
Fuzificarea
În procesul de fuzificare, valorile exacte de tip “crisp” se convertesc în seturi de
variabile lingvistice, folosindu-se funcțiile de apartenență. Aceste variabile lingvistice au
fost concepute pentru a reproduce limbajul și gândirea umana. Funcția de apartenență
este o curba care definește alocarea unui grad de apartenență (valoare) între 0 și 1,
pentru fiecare punct ce aparține domeniului de definiție. Pentru controlerul fuzzy de
confort, se folosesc funcții de apartenență de tip triunghiular (Figura 5.4.15), ce sunt
definite cu ajutorul a trei parametri iar intrarea temperatura este definită pe o scara de la
0°C la 100°C, intrarea umiditate relativă este definită pe o scara de la 0% la 100% și
intrarea nivel CO2 pe o scara de la 0 ppm la 5000 ppm.
Figura 5.4.15 – Funcția de apartenență triunghiulara
Pentru descrierea procesului de fuzificare, pentru controlerul fuzzy de
temperatura, se selectează două valori aleatorii și anume 14°C pentru temperatura
curentă și +10°C pentru variabila de intrare abatere de la temperatura curentă.
Pentru valoarea de 14°C sunt definite două funcții de apartenență și anume
“Foarte Rece” și “Rece”, unde “Foarte Rece” aparține primei variabile fuzzy triunghi[0] iar
“Rece” aparține celei de a două variabile fuzzy, triunghi[1].
Variabila de intrare: Temperatura curentă
Valoarea temperaturii curente: 14°C
Regiune fuzzy: 0<14<15
Calcul fuzzy:
x=14; b=0; c=15 =>
triunghi[1]=(15-14)/15=1/15=0,06
- 118 -
triunghi[0]=1-0,06=0,94
Pentru valoarea variabilei de intrare “Abatere de la temperatura curentă” de +10°C
sunt definite două funcții de apartenență, “Foarte cald’ și “Mult prea cald”, unde “Mult prea
cald” aparține funcției triunghi[3] iar “Foarte cald” aparține funcției triunghi[2].
Variabila de intrare: Abatere de la temperatura curentă
Valoarea variabile de intrare abatere de la temperatura curentă: +10°C
Regiune fuzzy: 0<10<10,5
Calcul fuzzy:
x=10; b=0; c=10,5 =>
triunghi[3]=(10,5-10)/15=0,5/15=0,04
triunghi[2]=1-0,04=0,96
Reprezentarea grafică a procesului de fuzificare este prezentata în Figura 5.4.16
iar schema bloc a modelului etapei de fuzificare în Figura 5.4.17.
Figura 5.4.16 – Reprezentarea grafică a procesului de fuzificare
- 119 -
Figura 5.4.17 – Schema bloc a modelului etapei de fuzificare
Motorul de inferență
Motorul de inferență fuzzy reprezintă o metoda de calcul operațional în care se
formulează deciziile logice, având ca suport baza de reguli. Motorul de inferență este
definit și ca legătura dintre variabilele de intrare fuzzy, ce au fost transformate în variabile
lingvistice în procesul de fuzificare, de variabilele lingvistice de ieșire. Informațiile aferente
unui sistem sunt codificate sub forma “daca” un set de condiții sunt satisfăcute “atunci”
un set de consecințe poate fi dedus. În cazul reglării de tip fuzzy, se folosesc mai multe
metode de inferență cum sunt metoda max-min, metoda max-produs sau metoda suma-
produs.
Cea mai des întâlnită metoda de inferență este metoda max-min care realizează
la nivelul premise, operatorul “sau” prin formare cu maxim de operatorul “și” prin formare
cu minimum.
Pentru controlerul fuzzy de temperatura, motorul de inferență are patru intrări
rezultate în urma procesului de fuzificare și anume triunghi[0], triunghi[1], triunghi[2] și
triunghi[3]. Metoda de inferență max-min va utiliza operatorul “min” între două intrări
rezultate în urma fuzificării iar mai apoi, regulile vor fi combinate cu ajutorul operatorului
“sau” și interpretate ca operație maximă pentru fiecare valoare posibilă a variabilelor de
ieșire. În urma procesului de inferență vor rezulta 4 ieșiri, notate cu Out0, Out1, Out2 și
Out3.
Valorile funcțiilor triunghi [0], triunghi [1], triunghi [2] și triunghi[3] sunt 0,94; 0,06;
0,96 respectiv 0,04. Aplicând regula max-min rezulta următoarele valori:
- 120 -
Out0=triunghi[0] min triunghi[2]=triunghi[0] și triunghi[2]=0,94 și 0,96=0,94
Out1=triunghi[0] min triunghi[3]=triunghi[0] și triunghi[3]=0,94 și 0,04=0,04
Out2=triunghi[1] min triunghi[2]=triunghi[1] și triunghi[2]=0,06 și 0,96=0,06
Out3=triunghi[1] min triunghi[3]=triunghi[1] și triunghi[3]=0,06 și 0,06=0,04
Reprezentare grafică pentru schema bloc a procesului de inferență este
prezentata în figura 5.4.18.
Figura 5.4.18 – Schema bloc a motorului de inferență
Baza de reguli
Baza de reguli este alcătuita din regulile “daca-atunci”. Bazei de reguli se aplica
valorilor de intrare rezultate în urma fuzificării iar în urma selecției se utilizează regula ce
poate fi utilizata. În urma utilizării regulilor, ieșirile sunt trimise spre modulul de
defuzificare.
Pentru controlerul fuzzy de confort - temperatura baza de reguli va avea ca intrări
două valori de tip crisp aferente variabilelor de intrare temperatura curentă și abatere de
la temperatura curentă. Sunt necesare patru reguli pentru fiecare 2 valori de intrare,
pentru a putea găsi valoarea singleton corespondenta. Baza de reguli are două valori
crisp de intrare iar universul discuției este distribuit în regiuni, fiecare regiune conținând
două variabile fuzzy. Ca și exemplificare, în Tabel 5.4.17 este prezentata baza de reguli
pentru variabila de intrare temperatura curentă +14°C și abatere de la temperatura
curentă +10°C. În Figura 5.4.19 este prezentata schema bloc a modelului bazei de reguli.
- 121 -
Regula
Intrări Valori singleton pentru valorile de ieșire
Valori singleton
Temperatura măsurată
Abatere de la
temperatura măsurată
Trepte de funcționare – Ventilator
încălzire
Trepte de funcționare – Ventilator
răcire
1 Foarte rece MMC Treapta 3=0,85
Oprit=0,015 S0
2 Foarte rece FC Treapta 2 = 0,5
Oprit=0,015 S1
3 Rece MMC Treapta 2=0,5
Oprit=0,015 S2
4 Rece FC Treapta 1=0,25
Oprit=0,015 S3
Tabel 5.4.17 - baza de reguli pentru variabila de intrare temperatura curentă
+14°C și abatere de la temperatura curentă +10°C
Figura 5.4.19 - schema bloc a modelului bazei de reguli.
Pentru a obține valorile singleton de ieșire, universal discuției se împarte în șase
regiuni ( Tabel 5.4.18), fiecare regiune conținând două variabile fuzzy. Reprezentarea
grafică a divizării universului de discuției este prezentata în Figura 5.4.20.
- 122 -
Intrări Regiuni Plaje de valori
Temperatura măsurată
1 5-16
2 16-20
3 20-24
4 24-28
5 28-34
6 34-42
Abatere de la temperatura măsurată
1 -26 la -15,5
2 -15,5 la -10,5
3 -10,5 la -4,5
4 -4,5 la 1
5 1 la 6,5
6 6,5 la 24
Tabel 5.4.18 – Divizarea regiunilor pentru universul de discuției pentru variabilele
Temperatura măsurată și Abatere de la temperatura măsurată
Figura 5.4.20 – Reprezentarea grafică a divizării regiunilor pentru universul de
discuție pentru variabilele Temperatura măsurată și Abatere de la temperatura
măsurată
- 123 -
Defuzificarea
Ultimul pas în controlul fuzzy logic îl reprezintă procesul de defuzificare,
caracterizat ca fiind inversul fuzificării și anume transformarea unei cantități fuzzy într-o
cantitate precisa. Ieșirea unui controler fuzzy poate fi reuniunea logica a două sau mai
multe funcții de apartenență, ce sunt definite pe universul de discuție al variabile de ieșire.
Există o serie de metode de defuzificare cum ar fi principiul funcție de apartenență
maxime, metoda centroidului (centrul de greutate al suprafeței de subcurbura), metoda
mediei înălțimilor, metoda mijlocului maximelor, metoda centrului sumelor, metoda
centrului celei mai mari suprafețe și metoda primului sau ultimului maxim.
Cea mai rapida metoda de defuzificare, care este folosita și în cazul controlerului
de confort este metoda centrului sumelor (Figura 5.4.21). Acest procedeu implica suma
algebrica a ieșirilor individuale Out0, Out1, Out2 și Out3 respectiv S0, S1, S2 și S3.
Expresia matematica a acestei reguli de defuzificare este ∑ S[i]*Out[i] /∑R[i]. Avantajul
acestei metode este acela ca suprafețele de intersecție se aduna de două ori.
- 124 -
Figura 5.4.21 - Reprezentarea grafică a metodei de defuzificare – metoda
centrului sumelor
În cazul controlerului de confort fuzzy vor rezulta cinci variabile de ieșire în urma
procesului de defuzificare ce vor control actuatorii pentru ventilatorul de încălzire,
ventilatorul de răcire, umidificator, ventilator de introducere aer proaspăt respectiv
ventilator de evacuare aer viciat.
Pentru cele două valori selectate ale temperaturii măsurate și abaterii de la
temperatura măsurată de 14°C respectiv +10°C valorile de ieșire rezultate în urma
procesului de defuzificare vor controla actuatorii ventilatoarelor de răcire, respectiv
încălzire. Modulul de defuzificare va avea opt intrări și anume cele patru ieșiri rezultate în
urma procesului de inferență Out0, Out1, Out2 și Out3 și cele patru ieșiri rezultate în urma
aplicării regulilor: S0, S1, S2 și S3. Metoda de defuzificare aplicata ca fi cea a centrului
sumelor, având expresia matematica ∑ S[i]*Out[i] /∑R[i], unde i ia valori de la 1 la 4.
Schema bloc a modulului de defuzificare este prezentata în Figura 5.4.22.
- 125 -
Figura 5.4.22 – Schema bloc a modului de defuzificare
Primul pas îl reprezintă însumarea valorilor de ieșire a motorului de inferență
pentru temperatura măsurată de 14°C și abaterea de la temperatura măsurată de +10°C.
Calculul defuzificării pentru ventilatorul de încălzire:
∑R[i]=Out0+Out1+Out2+Out3=0,94+0,04+0,06+0,04=1,08
Pentru valorile S0=0,85 și Out0=0,94 => S0*Out0=0,799
Pentru valorile S1=0,5 și Out1=0,04 => S1*Out1=0,02
Pentru valorile S2=0,5 și Out2=0,06 => S2*Out2=0,03
Pentru valorile S3=0,25 și Out3=0,04 => S3*Out3=0,01
Suma produsului dintre valorile de ieșire ale motorului de inferență și valorile bazei
de reguli va fi S0 * Out0 + S1 * Out1 + S2 * Out2 + S3 * Out3 = 0,799 + 0,02 + 0,03 +
0,01 = 0,859
- 126 -
Rezultatul defuzificării va fi 0,859/1,08=0,795=79,5%
Calculul defuzificării pentru ventilatorul de răcire:
∑R[i]=Out0+Out1+Out2+Out3=0,94+0,04+0,06+0,04=1,08
Pentru valorile S0=0,15 și Out0=0,94 => S0*Out0=0,141
Pentru valorile S1=0,15 și Out1=0,04 => S1*Out1=0,006
Pentru valorile S2=0,15 și Out2=0,06 => S2*Out2=0,009
Pentru valorile S3=0,15 și Out3=0,04 => S3*Out3=0,006
Suma produsului dintre valorile de ieșire ale motorului de inferență și valorile bazei
de reguli va fi S0 * Out0 + S1 * Out1 + S2 * Out2 + S3 * Out3 = 0,141 + 0,006 + 0,009 +
0,006 = 0,162
Rezultatul defuzificării va fi 0,859/1,08=0,15=15%
Se observa ca valorile rezultate în procesul de defuzificare sunt corecte în raport
cu modelul proiectat. Astfel, valoarea proiectata a variabile de ieșire pentru ventilatorul
de răcire este de 0,15 aceeași cu variabila de ieșire rezultata în urma defuzificării. Pentru
ventilatorul de încălzire, variabila de ieșire rezultate este de 79,5% iar valoarea proiectata
este de 0,796, eroare fiind de doar 0,013%. Valorile simulate în Matlab sunt prezentate
în Figura 5.4.23
Conform procesului descris mai sus se determina valorile crisp pentru variabilele
de ieșire. Corectitudinea rezultatelor arata validarea controlerului fuzzy.
- 127 -
- 128 -
- 129 -
Figura 5.4.23 – Valori simulate în Matlab
- 130 -
5.5 Simularea și validarea controlerului de confort
Simularea modelului proiectat s-a făcut pentru întreaga plaja a variabilelor de
intrare: Temperatura măsurată (5°C- 42°C), Abatere de la temperatura măsurată (-27°C
la 24 °C), umiditate relativă curentă (0 – 100%), clase de temperatura (14°C-22°C și
21°C-30°C) și nivel CO2 (350ppm – 8000 ppm). În cazul modelului proiectat, pentru
controlul temperaturii, treptele de viteză al ventilatoarelor de încălzire, respectiv răcire
depind de temperatura măsurată, nivelul de modulare al umidificatorului depinde de
umiditatea relativă măsurată și temperatura măsurată iar ventilatorul de introducere aer
proaspăt și ventilatorul de evacuare aer viciat depind de nivelul de CO2 măsurat. În Figura
5.5.1 sunt prezentate rezultate simulării, în format 3D.
a)
- 131 -
b)
Figura 5.5.1 – a) Reprezentare 3D a valorilor de intrare temperatura măsurată și
abatere de la temperatura măsurată și a ventilatorului de încălzire; b) Reprezentare 3D
a valorilor de intrare temperatura măsurată și abatere de la temperatura măsurată și a
ventilatorului de răcire
- 132 -
c)
- 133 -
d)
Figura 5.5.2 – c) Reprezentare 3D a valorilor de intrare umiditatea relativă
măsurată și temperatura măsurată și a umidificatorului (funcția de umidificare); d)
Reprezentare 3D a valorilor de intrare umiditatea relativă măsurată și temperatura
măsurată și a ventilatorului de evacuare (funcția de dezumidificare)
- 134 -
f)
- 135 -
g)
Figura 5.5.3 – f) Reprezentare 3D a nivel CO2 și a ventilatorului de introducere;
g) Reprezentare 3D a nivel CO2 și a ventilatorului de evacuare
- 136 -
5.6 Validarea controlerului de confort fuzzy prin rularea în Matlab a unui set de
date de intrare provenite de la sistemul de automatizare a unei clădiri existente
Pentru validarea controlerului de confort fuzzy (temperatura, umiditate relativă și
nivel CO2) s-au folosit datele provenite de la un sistem de automatizare cu control de tip
PID, aferent unei încăperi.
Parametrii de intrare pentru controlerul fuzzy de temperatura sunt reprezentați de
temperatura măsurată în încăpere și valoarea de referință (setpoint) definit de ocupanți.
Pentru controlerul fuzzy de umiditate relativă, se folosesc ca și date de intrare umiditatea
relativă măsurată în încăpere și temperatura măsurată iar pentru controlerul fuzzy de
calitate aer – nivel CO2 se folosesc ca și intrări nivelul de CO2 măsurat și umiditatea
relativă măsurată în spațiul controlat și deservit. Elementele de acționare din spațiul
deservit sunt reprezentate de actuatorii de încălzire și răcire, pentru funcția de climatizare,
umidificatorul modulant și ventilatorul de retur aer pentru funcția de umidificare/
dezumidificare și ventilatorul de introducere aer proaspăt respectiv evacuare aer viciat
pentru realizarea funcției de menținere calitate aer.
Pentru o acuratețe cat mai mare a simulărilor, s-au folosit date aferente atât
perioadei de vara pentru a se putea observa rezultatele aferente ieșirii actuatorului de
raci, cat și date aferente perioade de iarna pentru a se vedea comanda actuatorului de
încălzire. S-a urmărit comportarea controlerului de confort fuzzy pentru o perioada de
două săptămâni calendaristice, o săptămână în perioada de iarna și o săptămână în
perioada de vara iar datele pentru care s-au realizat simulările în Matlab sunt date citite
din ora în ora.
Datele pentru care s-au făcut simulările sunt prezentate schematic în Figura 5.6.1
și detaliat în Anexa 1. Pentru perioada de iarna, datele aferente valorilor de ieșire, pentru
controlul PID, în comparative cu valorile de ieșire pentru controlerul fuzzy, simulate în
Matlab sunt prezentate în Figura 5.6.2. Pentru perioada de vara, datele aferente valorilor
de ieșire, pentru controlul PID, în comparație cu valorile de ieșire pentru controlerul fuzzy,
simulate în Matlab sunt prezentate în Figura 5.6.3. Totodată, valorile de ieșire atât pentru
controlerul PID aferent sistemului de automatizare din care s-au extras datele, cat și
valorile de ieșire rezultate în urma simulării în Matlab se găsesc în Anexa 1. Toate
rezultate simulărilor sunt prezentate desfășurat în Anexa2.
- 137 -
Figura 5.6.1 – Datele de intrare aferente parametrilor de temperatura, umiditate
relativă și nivel CO2 pentru perioada de iarna, respective perioada de vara
- 138 -
Figura 5.6.2 – Valorile de ieșire PID în comparative cu valorile de ieșire fuzzy,
pentru perioada de iarna
- 139 -
Figura 5.6.3 – Valorile de ieșire PID în comparative cu valorile de ieșire fuzzy,
pentru perioada de vara
- 140 -
5.6.1 Compararea ieșirilor obținute pentru controlerul fuzzy de confort cu ieșirile
controlerului PID, pentru perioada de iarna
Analiza variabilelor de ieșire pentru controlerul fuzzy de temperatura
Pentru simulările controlerului fuzzy de temperatura s-au folosit seturi de date
aferente perioadei de iarna, respectiv perioadei de vara, urmărindu-se comportarea
actuatorilor de încălzire și răcire. Valorile de intrare temperatura măsurată și setpoint sunt
extrase dintr-un sistem de automatizare existent, aferent unei încăperi.
În Figura 5.6.1.1 se poate observa variația actuatorului de încălzire pentru controlul
PID, respectiv variația actuatorului de încălzire pentru controlul fuzzy, pe o perioada de o
săptămână, în perioada de iarna, în funcției de temperatura măsurată. Se observa ca
reglajul PID și reglajul fuzzy au valori apropiate. După cum reiese și din Figura 5.6.1.2 în
care se compara cele două valori de ieșire, reglajul fuzzy este mai fin, pentru atingerea
setpointului definit de utilizator, valorile de ieșire sunt mai mici fata de valorile de ieșire
PID, rezultând astfel economii de energie și reducerea costurilor de operare ale
echipamentelor de acționare.
- 141 -
Figura 5.6.1.1 – Variația actuatorului de încălzire PID și a actuatorului de
încălzire fuzzy
- 142 -
Figura 5.6.1.2 – Comparație între valoarea de ieșire de tip PID și valoarea de
ieșire fuzzy
În Figura 5.6.1.3 este prezentata valoarea de ieșire pentru actuatorul de răcire, pe
perioada de iarna, valoare ce se menține în jurul valorii de 0-5%, însemnând comanda
de oprit.
- 143 -
Figura 5.6.1.3 – Variația actuatorului de răcire PID și fuzzy
- 144 -
Analiza variabilelor de ieșire pentru controlerul fuzzy de umiditate
În Figura 5.6.1.4 este prezentata variația valorii de ieșire pentru modularea
umidificatorului în cazul controlului PID, respectiv variația valorii de modulare a
umidificatorului pentru controlul fuzzy, pe o perioada de o săptămână, în perioada de
iarna, în funcției de umiditatea relativă măsurată. Tot în Figura 5.6.1.4 este prezentata și
o comparative între valorile de ieșire PID și valorile de ieșire fuzzy pentru realizarea
funcției de umidificare. Se observa ca reglajul PID și reglajul fuzzy au valori apropiate.
Figura 5.6.1.4 – Variația valorilor de ieșire pentru modularea umidificatorului în
cazul controlului PID, respective controlul fuzzy
- 145 -
Pentru realizarea funcției de dezumidificare, valorile de ieșire rezultate în urma
simulărilor în Matlab sunt apropiate de valorile de ieșire PID, acest lucru putându-se
vedea în Figura 5.6.1.5.
Figura 5.6.1.5 – Variația valorilor de ieșire pentru realizarea funcției de
dezumidificare (acționare ventilator retur) în cazul controlului PID, respective controlul
fuzzy
- 146 -
Analiza variabilelor de ieșire pentru controlerul fuzzy de calitate aer (nivel CO2)
În ce privește controlul calității aerului și menținerea nivelului de CO2 predefinit, în
perioada pentru care s-au realizat simulările, au fost două cazuri de depășire a pragului
de 1000 ppm. După cum se poate observa din Figurile 5.6.1.6 și 5.6.1.7, în momentul
depășirii pragului de 1000 ppm, atât în cazul controlului fuzzy cat și în cazul controlului
PID, ventilatorul de introducere și cel de evacuare pornesc în jurul valorii de 25% din
capacitate. În cazul controlului fuzzy, ventilatorul de introducere aer proaspăt și cel de
evacuare aer viciat are ca și valoare 20% iar în cazul controlului PID 25%, pentru
menținerea aceluiași prag de 1000 ppm. În urma folosirii controlului fuzzy, rezulta
economii de energie și durata de viată mai lunga a echipamentelor acționate.
Figura 5.6.1.6 – Variația valorilor de ieșire pentru ventilatorul de introducere aer
- 147 -
Figura 5.6.1.7 – Variația valorilor de ieșire pentru ventilatorul de evacuare aer
- 148 -
5.6.2 Compararea ieșirilor obținute pentru controlerul fuzzy de confort cu ieșirile
controlerului PID, pentru perioada de vara
Analiza variabilelor de ieșire pentru controlerul fuzzy de temperatura
Rezultatele simulării în Matlab pentru perioada de vara arata ca variabilele de
ieșire pentru actuatorul de răcire, în cazul controlului fuzzy au valori apropiate cu valorile
de ieșire pentru controlul PID – Figura 5.6.2.1. Diferența este data de faptul ca, pentru
menținerea aceleiași temperaturi, valoarea de ieșire pentru actuatorul de răcire, este
apropiata dar de valoare mai mica decât în căzut controlului PID. Acest aspect duce la
creșterea performantelor energetice ale echipamentelor și o durata de viată mai ridicata.
În ce privește actuatorul de încălzire, pentru perioada de vara, valoarea de ieșire
este de 0-5%, având comanda de oprit – Figura 5.6.2.2.
Figura 5.6.2.1 – Variația valorilor de ieșire pentru actuatorul de răcire
- 149 -
Figura 5.6.2.2 – Variația valorilor de ieșire pentru actuatorul de încălzire
- 150 -
Analiza variabilelor de ieșire pentru controlerul fuzzy de umiditate
În cazul controlului umidității, pentru datele de intrare aferente perioadei de vara,
valorile de ieșire rezultate în urma simulărilor din Matlab în cazul controlerului fuzzy, atât
pentru controlul umidificatorului cat și pentru realizarea funcției de dezumidificare au
valori apropiate. Variația ieșirii umidificatorului în funcției de umiditatea relativă măsurată
și variația ieșirii ventilatorului de retur pentru realizarea funcției de dezumidificare, pentru
perioada de vara, se pot observa în Figura 5.6.2.3. Comparația între ieșirile controlerului
PID și ieșirile controlerului fuzzy pentru realizarea funcției de umidificare – comanda
modelantă a umidificatorului și pentru realizarea funcției de dezumidificare – comanda
ventilatorului de retur se pot observa în Figura 5.6.2.4.
Figura 5.6.2.3 – Variația valorilor de ieșire pentru modularea umidificatorului
- 151 -
Figura 5.6.2.4 – Variația valorilor de ieșire pentru ventilatorul de retur (funcția de
dezumidificare)
- 152 -
Analiza variabilelor de ieșire pentru controlerul fuzzy de calitate aer (nivel CO2)
Ieșirile rezultate pentru controlul parametrului CO2, pentru perioada de vara, în
cazul controlerului fuzzy, au valori aproape egale. Acest aspect se poate observa în
Figura 5.6.2.5, în cazul comenzii ventilatorului de introducere, respective Figura 5.6.2.6,
în cazul comenzii ventilatorului de evacuare.
Figura 5.6.2.5 – Variația valorilor de ieșire pentru ventilatorul de introducere
- 153 -
Figura 5.6.2.6 – Variația valorilor de ieșire pentru ventilatorul de evacuare
- 154 -
Capitolul 6 Integrarea controllerului fuzzy pentru asigurarea confortului în clădiri
în rețeaua de "Cloud Computing"
6.1 Conceptul de “Cloud Computing”
Conceptul de “Cloud computing” este definit ca o rețea globala de calcul,
monitorizare și analiza, constând atât în resurse software cat și hardware, ce are
caracteristica de a aloca și reloca dinamic resursele partajate, în concordanță cu cerințele
utilizatorilor. Fiind o rețea ce are posibilitatea de a distribui flexibil resursele de calcul,
rețeaua “cloud” este dedicata utilizatorilor ce doresc acces de la distanta, din orice loc ce
permite conexiunea la internet. Rețeaua “cloud computing” este caracterizata și de
posibilitatea de a stoca și procesa, într-un mod securizat, un volum mare de date, o
componenta hardware de baza a rețelei fiind infrastructura redundanta de stocare a
datelor, compusa dintr-o rețea diversificata de servere. Prin trecerea la conectarea în
rețeaua cloud, se optimizează resurse de calcul locale, nemaifiind nevoie de
infrastructura hardware locala de stocare a datelor, ce reprezenta marea problema în
procesarea și menținerea datelor achiziționate de la rețeaua de automatizare BMS.
Conceptul de baza în “cloud computing” este acela de virtualizare, ce are ca scop
creșterea flexibilității rețelei cloud și oferirea posibilității utilizatorilor de a crea propriile lor
programe și aplicații. În procesul de virtualizare este creata o plaja de resurse, prin
compunerea tuturor resurselor de stocare și de calcul iar mașinile virtuale (VM) sunt
create având la baza resursele virtuale din aceasta plaja. Resursele ce intra în
component mașinilor virtuale includ unitatea centrala de prelucrare (CPU), memoria cu
acces aleator (RAM), spațiu de stocare (HDD), placa de conectare la rețea (Network) și
sistemul de operare (OS). În momentul actual, cloud-ul oferă trei tipuri de servicii și anume
SaaS (Servicii de tip software), PaaS (Servicii de tip platforma) și Iaas (Servicii de tip
infrastructura). În cazul serviciilor de tip SaaS și PaaS utilizatorului ii sunt furnizate servicii
sau platforme software dedicate, în care nu se poate interveni. Modelul de servicii cloud
IaaS oferă posibilitatea utilizatorului de a-și crea propriile platforme sau aplicații, în funcție
de cerințele de calcul. Diagrama conceptului de cloud computing este prezentata în
Figura 6.1.1.
O topologie specifica a unei rețele de cloud computing privata este compusa din
resursele fizice, situate în camera server locala iar acestea sunt conectate la cloud care
mai departe este conectat la rețeaua de internet și securizate cu ajutorul unei protecții de
tip firewall. O serie de protocoale de internet dinamice sunt furnizate de către cloud
utilizatorilor, pentru a comunica către și dinspre cloud sau a accesa mașinile virtuale.
Mașinile virtuale au atribuite protocoale de internet fixe pentru a permite comunicație între
ele. Un ruter virtual de comunicație este folosit ca și interfața între plaja de IP-uri fixe și
plaja de IP-uri dinamice. Diagrama topologiei de cloud computing este prezentata în
Figura 6.1.2.
- 155 -
Figura 6.1.1 - Diagrama conceptului de cloud computing
Figura 6.1.2 - Diagrama topologiei de cloud computing
- 156 -
6.2 Platforma de analiza a datelor în cloud computing
Funcționarea instalațiilor de încălzire, ventilație și climatizare din clădiri poate fi
optimizata pentru a îndeplini o serie de obiective ca și reducerea costurilor de operare,
durabilitate și în primul rând, confortul ocupanților. În ce privește confortul ocupanților,
clădirilor trebuie sa asigure anumiți parametrii ca și temperatura interioara, umiditate,
calitate aer, specificați în legile europene și planurile de funcționare ale clădirii.
Asigurarea confortului ocupanților este și una dintre principalele preocupări ale
proprietarilor, pentru a-și asigura și o închiriere a clădirilor, pe o perioada cat mai lunga
de timp.
Totodată, în concordanță cu asigurarea confortului ocupanților, proprietarii
clădirilor caută sa optimizeze și costurile de funcționare, costuri ce include utilitățile
(energie, apa și gaz natural), mentenanța clădirii (repararea sau înlocuirea
echipamentelor defecte) și costuri cu personalul angajat pentru operarea clădirii.
În afara de obiectivele descrise mai sus, tendința și scopul proprietarilor este de a
asigura și o durabilitate și îmbunătățire a performantelor clădirilor. În contextual actual, o
clădire poate fii încadrata într-o anumita clasa, din punct de vedere ar performantelor
energetice și al confortului ocupanților, conform anumitor organisme de certificare (
exemplu BREEAM). Încadrarea în clase de performanta a clădirilor are ca efect creșterea
ocupabilității și prețului de închiriere.
Folosite inițial în alte industrii, tehnicile de analiza a datelor și optimizare a
proceselor se folosesc din ce în ce mai mult și în domeniul clădirilor, pentru o operare
optima a instalațiilor. Multitudinea de date din clădiri, preluate de la senzorii aferenți
instalațiilor HVAC, de la instalațiile de control și automatizare și de la alte echipamente
inteligente conectate în rețea sunt gestionate optim de către aceste noi tehnici de analiza.
Prin intermediul tehnicilor de analiza, se pot identifica și gestiona o mulțime de
probleme ce apar în funcționarea instalațiilor din clădiri, cum ar fi alarme critice –
echipamente nefuncționale, probleme legate de confortul ocupanților – spre exemplu
temperatura prea mare sau temperatura prea scăzută, probleme de mentenanță
echipamentelor - vane nefuncționale, etc. sau se pot aplica metode de eficienta și
optimizare energetica – strategii de funcționare pentru centrala termica etc.
- 157 -
Cu toate ca conectarea la cloud a sistemelor BMS și aplicarea tehnicilor de analiza
a devenit prezenta și în sectorul clădirilor rezidențiale și comerciale, majoritatea
sistemelor de automatizare pentru clădiri existente nu sunt conectate la cloud, existând
anumite probleme care stau la baza conectării și aplicării tehnicilor de analiza a datelor.
Una din principalele probleme ce nu permite aplicarea tehnicilor de analiza a
datelor în clădiri este aceea ca sistemele BMS au fost concepute inițial sa funcționeze de
sine stătător și sa asigure un control autonom al instalațiilor.
O a două problema este legata de datele furnizate de sistemele de automatizare
ce permit accesul de la distanta, de cele mai multe ori acestea nepermițând exportul
automat al datelor.
O ultima problema legata de conectarea la cloud este aceea ca accesul facil la
resursele cloud a devenit disponibil și eficient doar în ultima perioada de timp.
Tehnicile de analiza a datelor descrise mai jos se aplica pentru date de tip serie în
timp și sunt denumite pe larg ca și detecție și diagnosticare a defectelor (FDD).
158
Sunt definite trei abordări de detecție și diagnosticare a defectelor (FDD), conform
Katipamula și Brambley [45]. O prima abordare este aceea de a modela operarea clădirii
în concordanță cu legile fizicii. Condițiile de operare existente sunt comparate cu condițiile
de operare dorite, în funcție de modelul creat. O a două abordare folosește seturi de
reguli pentru a detecta funcționarea necorespunzătoare sau depășirea anumitor limite în
ce privește funcționarea instalațiilor. Aceste reguli pot fi definite combinând legile fizice
cu o baza de cunoștințe. A treia abordare include o serie de metode statistice, învățare
adaptive și logica fuzzy.
Aceste tehnici diferă de abordarea tradiționala în ce privește reglarea și
conducerea automată a instalațiilor din clădiri. Tehnicile de detecție și diagnoza a
defectelor pot fi aplicate mai multor clădiri în același timp și sunt complet scalabile.
Tehnicile FDD oferă posibilitatea de detecție a defectelor în cel mai scurt timp, permițând
remedierea avariilor în cel mai scurt timp și totodată reducerea consumului de energie.
În ce privește procesul de analiza și achiziție a datelor în rețelele de cloud
computing, există o serie de problem ce pot sa apară și anumite condiții ce trebuie
satisfăcute. O prima problema ce trebuie gestionata este data de complexitatea datelor
achiziționate de la sistemele BMS. Funcționarea echipamentelor și a sistemelor de
automatizări nu trebuie sa fie perturbata sau modificata periodic, astfel încât regulile
definite în platforma de analiza sa poată fi aplicate. O a două provocare ce apare în
analiza datelor apare atunci când intervine o gestionare neadecvata a erorilor de
funcționare și a alarmelor generate. Un volum foarte mare de alarme intra-un timp scurt
poate cauza suprasolicitarea operatorului. Ultima problema și cea mai importanta este
aceea de a dezvolta și defini seturi de reguli și funcții analitice care sa acopere o plaja
larga de erori și care sa poată fi aplicate datelor provenite de la echipamente și clădiri de
tipuri diferite.
Pentru a permite dezvoltarea și aplicarea regulilor pentru un număr cat mai mare
de clădiri, datele furnizate către platforma de analiza pentru fiecare locație sunt aliniate
și mapare în concordanță cu cerințele specifice ale valorilor de intrare, pentru fiecare set
de reguli. Acest proces este realizat folosind două nivele de abstractizare. Primul nivel
implica folosirea standardului industrial de etichetare a datelor Project Haystack [41],
pentru descrierea datelor ce ajung în platforma de analiza. Standardul Haystack oferă o
ontologie predefinită pentru descrierea datelor aferente instalațiilor din clădiri. O ontologie
159
definește cum sunt aranjate elementele într-o ierarhie sau o structura și cum aceste
elemente interacționează și relaționează unele cu altele [46], [547]. Elementele au
definite valori sau seturi de atribute permise. În situațiile practice, folosind conceptele
terminologiei Haystack se etichetează datele de intrare. Etichetele pot fi citite atât de către
calculator cat și de către om și permit regulilor sa fie aplicate datelor. Daca în timp intervin
permutări ale elementelor, vor fi adăugate atât etichete noi cat și relații noi.
Al doilea nivel de abstractizare este legătura dintre datele etichetate și reguli și are
rolul de a furniza datele de intrare ale funcțiilor care stau la baza regulilor. Acest aspect
se realizează cu ajutorul librăriilor de funcții de ajutor. Funcțiile de ajutor au rolul de a
selecta cele mai bune date disponibile din setul de date de intrare și totodată, de a face
ca regulile sa funcționeze chiar și cu o plaja de date minima. O astfel de funcție de ajutor
este prezentata în Figura 6.2.1. Funcția de ajutor din exemplul de mai jos reda un istoric
al temperaturii exterioare și furnizează aceasta valoare unei reguli (Figura 6.2.1).
Figura 6.2.1 – Logica interna a funcției de ajutor pentru istoricul temperaturii exterioare
160
6.3 Integrarea controlerului fuzzy de confort în platforma de analiza
6.3.1 Platforma de analiza externa
Pentru aplicarea regulilor analitice se folosesc diferite platforme externe de analiza
a datelor. Pentru controlerul de confort regulile și funcțiile se vor aplica în platforma de
analiza furnizata de SkyFoundry, denumita SkySpark [48]. Platforma externa Skyspark
sare două scopuri. Primul dintre ele este acela de achiziție a datelor, platforma
achiziționând datele de la sistemul BMS și de la un număr nelimitat de alte surse. O a
două funcție a platformei este aceea de a permite utilizatorului de a dezvolta funcții și
reguli. Platforma de analiza accepta toate tipurile de date, furnizate fie printr-o legătura
de rețea directa la sistemul de automatizare, fie prin conexiunea la istoricul bazei de date
a sistemului BMS. Funcțiile și regulile definite și aplicate ulterior datelor de intrare vor
genera anumite anomalii și probleme de funcționare. Arhitectura logica a platformei de
analiza externe SkySpark este prezentata în Figura 6.3.1.1.
Figura 6.3.1.1 – Arhitectura logica a platformei de analiza SkySpark
[www.skyfoundry.com]
161
6.3.2 Virtualizarea datelor în platforma cloud
Internetul lucrurilor (IoT) este definit ca o rețea de rețele, fiind un sistem
interoperabil pentru diferite rețele fizice și soft. Lucrând cu o diversitate și o cantitate
foarte mare de informații, datele achiziționate în cloud trebuie virtualizate și etichetate.
Pentru virtualizarea datelor aferente controlerului fuzzy se folosește o ontologie bazata
de conceptul Haystack, divizata în trei module: modelul meta, vocabularul și domeniul
modelului. Modelul meta are ca scop atribuirea unei etichete cuprinsa în vocabular
fiecărei date de intrare sau echipament, astfel încât datele de intrare și echipamentele sa
primească un caracter general și sa poată fi identificate ușor în platforma de analiza
pentru a putea fi integrate în diferite funcții și reguli. În vocabular sunt cuprinse un set
diversificat de etichete ce vor fi atribuite datelor de intrare și echipamentelor. Domeniul
modelului este reprezentat de întreg ansamblul ce este condus de controlerul fuzzy de
confort, cuprinzând valorile măsurate, setpointurile și echipamentele acționate.
Prezentarea procesului de virtualizare și etichetare este prezentat în figura 6.3.2.1.
Figura 6.3.2.1 – Modelul procesului de virtualizare
- 162 -
6.3.3 Definirea regulilor analitice pentru controlerul fuzzy de confort
Controlerul fuzzy de confort are ca scop conducerea proceselor de încălzire/răcire,
umidificare/ dezumidificare și aport de aer proaspăt/evacuare aer viciat, astfel încât
parametrii de confort temperatura, umiditate și calitate aer (nivel CO2) sa se mențină în
limite stabilite de utilizator sau predefinite.
În ce privește menținerea parametrului de confort temperatura, se definesc trei
reguli analitice și anume: Setpointul de temperatura neatins, Încălzire ineficienta și Răcire
ineficienta. Setul de reguli va avea ca și parametrii de intrare temperatura măsurata de
senzorul din încăpere și Setpointul de temperatura definit de utilizator, precum și valorile
de ieșire ale controlerului, valori ce acționează ventilatoarele de încălzire, respectiv răcire.
Regula analitica – Setpoint de temperatura neatins verifica cat de aproape se
găsește temperatura actuala măsurata de senzorul de temperatura de Setpointul definit
de utilizator. În cazul în care aceasta diferența este foarte mare, regula analitica are ca
rezultat o eroare de funcționare a sistemului. În compunerea acestei reguli, se definește
o zona de trecere ( un prag) al erorii al diferenței dintre Setpointul de temperatura și
temperatura măsurata. Regula va fi operaționala atunci când ventilatorul va funcționa iar
în încăpere există cerința de încălzire sau răcire.
Setpoint – err ≤ Temperatura ≤ Setpoint + err, (6.3.3.1)
unde err=zona trecere/2 ~ 1°C
Regula analitica se definește în platforma externa SkySpark. În prima parte a
regulii analitice se utilizează o funcție pentru a verifica daca valorile senzorului de
temperatura și a setpointului sunt în parametrii urmând ca mai apoi sa se verifice
perioadele de timp în care Setpointul nu a fost atins și sa se genereze eventualele erori
de funcționare.
- 163 -
Codul sursă al regulii analitice – Setpoint de temperatura neatins este desfășurat
mai jos.
//verifica senzor care nu este în parametrii
(fcu,dates,loLimit:0,hiLimit:100,vsdThreshold:10,minTime :
30min,ruleWorkOrder: "None",priority:"High",type:"Energy") => do
equipWorkOrder:toEquipWorkOrder(fcu)
//verifica setpoint de temperatura neatins
outOfSp: read(zone and temp and sp and effective and equipRef == fcu-
>id).hisRead(dates).hisFindPeriods((v, ts) =>(v<loLimit or v>hiLimit and v != na()))
//verifica daca ventilatoarele au funcționat mai mult de 10%
fcuVSD: read(fan and speed and sensor and equipRef == fcu-> id)
fcuOn: fcuVSD.hisRead(dates).hisFindPeriods ( val=> (val>vsdThreshold and val != na()) )
//identifica perioade de timp în care setpointul nu a fost atins
hisPeriodIntersection([outOfSp,fcuOn]).findAll(ts=>ts->v0 > minTime).addMeta
({spark_ruleWorkOrder:parseWorkOrder(ruleWorkOrder),spark_equipWorkOrder:parseWorkOrde
r(equipWorkOrder),spark_priority:parseSparkPriority(priority),spark_type:parseSparkType(type)})
end
end
- 164 -
Reprezentarea grafică a regulii analitice este prezentată în Figura 6.3.3.1.
Figura 6.3.3.1 – Reprezentarea grafică a regulii analitice Setpoint de temperatură neatins
- 165 -
O a două regulă analitică ce se definește pentru controlerul de confort este
Încălzire ineficientă. Aceasta regulă verifică dacă setpointul de temperatură este atins,
atunci când există cerință de cald. În cazul în care temperatura măsurată din încăpere
este mai mică decât setpointul de temperatură, iar ventilatorul de încălzire a fost pornit
se va genera o eroare de funcționare:
Temperatura masurata+err ≤ Setpoint încălzire (6.3.3..2)
În prima parte a regulii analitice se utilizează o funcție pentru a identifica perioadele
de timp în care temperatura măsurată este mai mică sau egală cu setpointul, se citesc
valorile de temperatura și setpointul din baza de date cloud iar la final se verifică
perioadele de timp în care setpointul nu a fost atins și se generează eventualele erori de
funcționare.
Codul sursă al regulii analitice – Încălzire ineficientă este desfășurat mai jos.
//Identifica perioadele de timp în care temperatura măsurata este mai mica decât setpointul iar
ventilatorul de încălzire funcționează
(fcu,dates,valveThreshold:20,tempThreshold:3,vsdThreshold:5,minTime:15min,ruleWorkOrder:"N
one",priority:"Medium",type:"Operations") => do
equipWorkOrder:toEquipWorkOrder(fcu)
//Citește temperatura măsurată, setpointul și durata de funcționare a ventilatorului de încălzire
saTemp : read(discharge and air and temp and sensor and internal and equipRef == fcu->id)
saTempSp : read(discharge and air and temp and internal and sp and not (max) and not (min) and
not (avg) and equipRef == fcu->id)
heatTime: ahuHeatPeriods(fcu,dates,valveThreshold)
//verifica perioadele de timp în care setpointul nu este atins
issueTime:comparepoints(saTempSp,saTemp,dates,tempThreshold).hisFindPeriods(matchPoint
Val(_,"greater"))
//verifica daca viteză ventilatorului de încălzire este mai mare de 5%
fcuVSD: read(fan and speed and sensor and equipRef == fcu-> id)
fcuOn: fcuVSD.hisRead(dates).hisFindPeriods ( val=> (val>vsdThreshold and val != na genereaza
perioadele de timp în care temperatura masurata este mai mica decat sepointul și ventilatorul de
incalzire functioneaza ()))
hisPeriodIntersection([issueTime,heatTime,ahuOn]).findAll(ts => ts->v0 >
minTime).addMeta({spark_ruleWorkOrder:parseWorkOrder(ruleWorkOrder),spark_equipWorkOrd
er:parseWorkOrder(equipWorkOrder),spark_priority:parseSparkPriority(priority),spark_type:parse
SparkType(type)}) end
Reprezentarea grafică a regulii analitice este prezentata în Figura 6.3.3.2.
- 166 -
Figura 6.3.3.2 – Reprezentarea grafică a regulii analitice Incalzire ineficienta
- 167 -
A treia regulă analitică ce se definește pentru controlerul de confort este Răcire
ineficientă. Aceasta regulă verifică dacă setpointul de temperatură este atins, atunci când
există cerința de rece. În cazul în care temperatura măsurată din încăpere este mai mare
decât setpointul de temperatură, iar ventilatorul de răcire a fost pornit se va genera o
eroare de funcționare:
Setpoint încălzire ≤ Temperatura masurata+err (6.3.3.3)
În prima parte a regulii analitice se utilizează o funcție pentru a identifica perioadele
de timp în care temperatura măsurată este mai mare sau egală cu setpointul, se citesc
valorile de temperatura și setpointul din baza de date cloud iar la final se verifică
perioadele de timp în care setpointul nu a fost atins și se generează eventualele erori de
funcționare.
Codul sursă al regulii analitice – Răcire ineficientă este desfășurat mai jos.
// Identifica perioadele de timp în care temperatura măsurată este mai mare decât setpointul iar
ventilatorul de răcire funcționează
(fcu,dates,valveThreshold:20,tempThreshold:3,vsdThreshold:10,minTime:15min,ruleWorkOrder:"
None",priority:"Low",type:"Comfort") => do
equipWorkOrder:toEquipWorkOrder(fcu)
// Citeste temperatura masurata, setpointul și durata de functionare a ventilatorului de racire
saTemp : read(discharge and air and temp and sensor and internal and equipRef == fcu->id)
saTempSp : read(discharge and air and temp and internal and sp and not (max) and not (min) and
not (avg) and equipRef == fcu->id)
coolTime:ahuCoolPeriods(fcu, dates,valveThreshold)
// verifica perioadele de timp în care setpointul nu este atins
issueTime:comparepoints(saTemp,saTempSp,dates,tempThreshold).hisFindPeriods(matchPoint
Val(_,"greater"))
// verifica daca viteză ventilatorului de incalzire este mai mare de 5%
ahuVSD: read(fan and speed and sensor and equipRef == fcu-> id)
fcuOn: ahuVSD.hisRead(dates).hisFindPeriods ( val=> (val>vsdThreshold and val != na()))
// genereaza perioadele de timp în care temperatura masurata este mai mare decat sepointul și
ventilatorul de racire functioneaza
hisPeriodIntersection([issueTime,coolTime,ahuOn]).findAll(ts => ts->v0 >
minTime).addMeta({spark_ruleWorkOrder:parseWorkOrder(ruleWorkOrder),spark_equipWorkOrd
er:parseWorkOrder(equipWorkOrder),spark_priority:parseSparkPriority(priority),spark_type:parse
SparkType(type)}) end
Reprezentarea grafică a regulii analitice este prezentata în Figura 6.3.3.3.
- 168 -
Figura 6.3.3.3 – Reprezentarea grafică a regulii analitice Răcire ineficientă
- 169 -
Pentru menținerea parametrului de confort umiditate se definește o regulă
analitică ce are ca scop urmărirea setpointului generat de controlerul fuzzy și generarea
perioadelor de timp în care setpointul calculat nu a fost atins. Umiditatea relativă a aerului
reprezintă raportul procentual dintre densitatea vaporilor și densitatea vaporilor saturați.
𝑅ℎ =ρv∗100%
ρs (6.3.3.4)
unde,
ρv – reprezintă densitatea vaporilor
ρs – reprezintă densitatea vaporilor saturați
Regula analitică va avea ca scop urmărirea perioadelor de timp în care setpointul
de umiditate calculat nu a fost atins. Aceasta va colecta datele de la senzorul de umiditate
din încăpere și va verifica comenzile de umidificare, respectiv dezumidificare generate de
controlerul fuzzy iar în cazul în care aceste setpointuri nu vor fi menținute, se vor genera
erori de funcționare și se vor înregistra perioadele de timp în care aceste erori de
funcționare au apărut.
- 170 -
Codul sursă al regulii analitice– Urmărire umiditate relativă și prezentarea fiecărei
funcții este desfășurat mai jos.
// Citește umiditatea relativă măsurată și comanda de dezumidificare
(fcu,dates,threshold:5,minTime:30min,ruleWorkOrder:"None",priority:"Medium",type:"Operations") => do
dehumsp:read(dehum and sp and equipRef==fcu->id,false)
equipWorkOrder:toEquipWorkOrder(fcu)
// Citeste umiditatea relativă masurata și comanda de umidificare, în cazul în care nu s-a gasit comanda de
dezumidificare
if(dehumsp!=null) do
humsp:read(hum and sp and equipRef==hum->id)
znhum:read(zone and humidity and sensor and equipRef==hum->id)
issue:hisRead([dehumsp,humsp,znhum],dates).map row=>
{ts:row->ts,v0:(((row["v2"]-row["v0"])>threshold) or ((row["v1"]-row["v0"])>threshold))}
// Gaseste perioadele în care parametrul umiditate relativă nu a fost mentinut și genereaza eventuale erori
issueTime:issue.hisFindPeriods(matchPointVal(_,true))
humRunTime:hum. RunPeriods(dates)
hisPeriodIntersection([issueTime,humRunTime]).findAll(ts=>ts->v0>minTime)
.addMeta({spark_ruleWorkOrder:parseWorkOrder(ruleWorkOrder),spark_equipWorkOrder:parseWorkOrd
er(equipWorkOrder),spark_priority:parseSparkPriority(priority),spark_type:parseSparkType(type)})
end
end
Reprezentarea grafică a regulii analitice este prezentată în Figura 6.3.3.4.
- 171 -
Figura 6.3.3.4 – Reprezentarea grafică a regulii analitice Urmărire umiditate relativă
- 172 -
Pentru menținerea parametrului de confort calitatea aer regula analitică va avea
ca scop urmărirea parametrului nivel CO2. Regula analitica va urmări, pe lângă nivelul
de CO2 măsurat și funcționarea ventilatoarelor de introducere și evacuare aer iar când
nivelul de CO2 va depăși pragul definit se vor genera eventuale erori. Concentrația de
dioxid de carbon este măsurată de senzorul de CO2 și are la baza ecuația:
c = (q / n V) [1 - (1 / en t)] + (c0 - ci) (1 / en t) + ci (6.3.3.5)
unde,
c – concentrația de dioxid de carbon din spațiul deservit
q – cantitatea de dioxid de carbon furnizata
V – volumul spațiului deservit
E – constanta 2,718
n – numărul de schimburi de aer pe ora
t – timpul
ci – concentrația de dioxid de carbon din aerul introdus
c0 – concentrația de dioxid de carbon inițiala
Codul sursă al regulii analitice– Urmărire nivel CO2 și prezentarea fiecărei funcții
este desfășurat mai jos.
// nivelul de co2 este mai mare decât limita de co2 și ventilatorul de evacuare nu este pornit
(fcu,dates,oadMin:25,co2sp:800ppm,co2Threshold:50ppm,minTime:15min) => do
co2sens:read(co2 and sensor and equipRef==ahu->id,false)
if(co2sens==null) throw "No CO2 sensor"
src:read(co2 and sp and not min and equipRef==ahu->id,false)
if(src!=null) do
co2sp=src
issuetime:comparepoints(co2sens,co2sp,dates,co2Threshold).hisFindPeriods(matchPointVal(_,"greater")
else issuetime:hisRead(co2sens,dates).hisFindPeriods(v=>v>(co2sp+co2Threshold))
oad:ahu.toAhuOutsideDamper(false) if(oad!=null) do
oadMinSp:read(outside and damper and position and sp,false)
if(oadMinSp!=null)
oadClose:comparepoints(oadMinSp,oad,dates,0).hisFindPeriods(matchPointVal(_,"greater"))
else oadClose:oad.hisRead(dates).hisFindPeriods(v=>v<=oadMin) end else oadClose:null
- 173 -
Reprezentarea grafică a regulii analitice este prezentată în Figura 6.3.3.5.
Figura 6.3.3.5 – Reprezentarea grafică a regulii analitice Urmarire nivel CO2
- 174 -
6.3.4 Rularea regulilor în platforma analitică
Pentru a verifica funcționalitatea regulilor analitice definite pentru controlerul fuzzy
de temperatură, umiditate și calitate aer, se folosește o serie de date generate automat
în Matlab, pentru o perioada de o zi, având ca intrări valorile de temperatură, umiditate
relativă și nivel CO2 măsurate, setpointul de temperatura definit de utilizator, pragurile de
umiditate relativă și nivel CO2 setate în controler iar ca ieșiri, valorile generate la
controlerul fuzzy la care se adaugă o abatere și perturbația factorilor externi. Aplicarea
regulilor analitice are ca scop identificarea perioadelor în care setpointul de temperatura
nu a fost atins precum și perioadele în care umiditatea relativă și nivelul de CO2 nu au
fost menținute.
Datele generate pentru valoarea de intrare nivel și setpoint CO2 sunt prezentate
în Tabelul 6.3.4.1. S-au luat în considerare date pentru un interval de 24 de ore iar
setpointul definit a fost de 600 ppm.
Aplicarea regulii analitice Urmărire nivel CO2 va avea ca rezultat generarea
perioadelor din zi în care setpointul nu a fost menținut. Prezentarea rezultatelor se face
sub formă grafică, arătat totodată și variația în timp a nivelului de CO2 măsurat, raportat
la setpointul definit de utilizator. Rezultatele din platforma analitică pot fi observate în
Figura 6.3.4.1.
Datele generate pentru valoarea de intrare umiditate relativă măsurată și praguri
umiditate relativă (setpoint dezumidificare și setpoint umidificare) sunt prezentate în
Tabelul 6.3.4.2. S-au luat în considerație date pentru un interval de 24 de ore iar setpointul
de dezumidificare definit a fost de 60% și cel de umidificare a fost de 52%.
După aplicarea regulii analitice Urmărire umiditate relativă, se va genera grafic
variația parametrului de umiditate relativă, raportat la setpointul de dezumidificare și la
cel de umidificare pe întreg parcursul zilei. Reprezentarea grafică este prezentata în
Figura 6.3.4.2.
Pentru valoarea de intrare temperatura curentă și setpoint de temperatura datele
generate sunt prezentate în Tabelul 6.3.4.3. S-au luat în considerare date pentru un
interval de 24 de ore iar setpointul de temperatură a fost definit la 23ºC.
În platforma analitică, aplicarea regulii Setpoint de temperatura neatins, va genera
grafic variația parametrului de temperatură, raportat la setpointul de temperatura pe
parcursul zilei. Reprezentarea grafică este prezentată în Figura 6.34.3..
- 175 -
Tabelul 6.3.4.1 – Date referitoare la parametrul nivel CO2
- 176 -
Figura 6.3.4.1– Reprezentare din platforma analitică a variației nivelului de CO2
- 177 -
Tabelul 6.3.4.2 – Date referitoare la parametrul umiditate relativă
- 178 -
Figura 6.3.4.2 – Reprezentare din platforma analitică a variației umidității relative
- 179 -
Tabelul 6.3.4.3 – Date referitoare la parametrul temperatura interioară
- 180 -
Figura 6.3.4.3 – Reprezentare din platforma analitică a variației temperaturii
- 181 -
Regulile prezentate anterior au fost aplicate simultan pentru datele generate și
descrise în Tabelul1, Tabelul 2 și Tabelul 3 pentru un interval de 24 de ore. Datele
rezultate sunt prezentate sub forma de tabel (Tabel 6.3.4.4) iar durata apariției anomaliilor
în funcționare, numărul de apariții al erorii precum și timpul exact al detectării problemei
sunt intuitiv prezentate. Totodată sunt afișate și echipamentele afectate pentru fiecare
regula în parte și tipul afectării (Confort sau Operare). Aceasta prezentare grafică a
erorilor permite identificarea rapida a problemelor și izolarea și remedierea lor imediata.
Pentru o identificare cat mai rapidă și precise a problemelor de funcționare,
rezultatele regulilor analitice aplicate pot fi prezentate sub diferite forme cum ar fi formă
tabelară, formă de diagramă sau sub formă de grafic proporțional (Figura 6.3.4.4).
Figura 6.3.4.4 – Reprezentarea rezultatelor regulilor analitice sub diferite forme
- 182 -
Tabel 6.3.4.4 – Aplicarea regulilor de temperatură, umiditate și CO2 pentru datele generate
- 183 -
Capitolul 7 Concluzii
Teza de doctorat ,,Modelarea numerică a unui controler folosind conceptele inteligenței artificiale în vederea implementării pe sistemele BMS” abordează domeniul sistemelor de automatizare a proceselor și a instalațiilor din clădiri, folosind conceptele inteligenței artificiale și a logicii fuzzy.
Prezenta lucrare studiază și un domeniu nou și foarte puțin cunoscut și aplicat în
momentul de fata pentru sistemele și instalațiile din clădiri și anume conceptele de “Nor
(Cloud computing)” și “Internetul lucrurilor (Internet of Things)”.
În prima parte a tezei, mai precis în capitolul 1, capitolul 2 și capitolul 3 sunt
prezentate conceptele de bază ale sistemelor de conducere și reglare automată a
proceselor, respectiv conceptele referitoare la inteligență artificială, prezentându-se cele
trei ramuri principale și anume logica fuzzy, rețelele neuronale și algoritmii genetici.
Stadiul actual al cercetării și câteva din realizările notabile în domeniul inteligentei
artificiale și al conceptelor de “Nor (Cloud computing)” și “Internetul lucrurilor (Internet of
Things)” sunt prezentate pe larg în capitolul 4.
Capitolele 5 și 6 sunt dedicate contribuțiilor personale, atât teoretice cat și practice,
în domeniul conducerii proceselor din instalații folosind conceptele inteligenței artificiale,
mai precis modelarea unui controler de temperatură, umiditate și calitate aer folosind
noțiunile logicii fuzzy (capitolul 5) și integrarea acestui controler în platformele de analiză
de tip ,,Nor (Cloud Computing)”, în capitolul 6.
Astfel, proiectarea și modelarea controlerului de temperatură, umiditate și calitate
aer, denumit și controler fuzzy de confort, folosind conceptele inteligenței artificiale, mai
precis noțiunile logicii fuzzy, face sistemul controlat mai eficient. Analiza scoate în
evidență folosirea logicii fuzzy în abordarea cazurilor dificil de studiat analitic, dar ușor de
rezolvat intuitive cu ajutorul variabilelor lingvistice. În cazul sistemelor ce asigură
menținerea parametrilor de confort și anume temperatură, umiditate și calitate aer dintr-
o încăpere, conceptele logicii fuzzy au ajutat la rezolvarea unor probleme complexe, fără
a fi nevoie ca variabilele fizice a fi discutate și modelate din punct de vedere analitic.
Cunoștințele de baza despre variabilele de intrare și variabilele de ieșire au fost suficiente
pentru a proiecta un controler cu performante optime.
În ce privește integrarea controlerelor de conducere a proceselor și instalațiilor din
clădiri în sisteme de tip ,,Nor (Cloud Computing)”, în capitolul 6 este prezentată
metodologia generalizată prin care, datele provenite de la controlerele locale aferente
sistemelor de automatizare sunt transpuse în platformele de analiză. Un beneficiu major
al platformelor de analiză a datelor este acela că, odată ajunse în “nor (cloud)”, datele
devin eliberate din sistemul ce le-a colectat. Astfel, datele pot fi apoi analizate în mai
multe moduri, folosind oricare dintre instrumentele pe care analistul preferă sau pe care
li consideră cel mai potrivit.
- 184 -
Pentru a preveni supraîncărcarea operatorului cu informații, am prezentat mai
multe tehnici care adună o serie de excepții și simptome, în informații utile. Un astfel de
exemplu este utilizarea vizualizării pentru a identifica cele mai grave probleme. În urma
aplicării regulilor analitice datelor provenite de la controlere, timpul pentru mentenanță
sistemelor devine din ce în ce mai mic iar costurile cu operarea se optimizează.
7.1 Contribuții personale
Principalele contribuții originale ale tezei de doctorat Modelarea numerica a unui
controler folosind conceptele inteligenței artificiale în vederea implementării pe sistemele
BMS”, prezentate pe larg, sunt următoarele:
În ceea ce privește domeniul inteligenței artificiale și anume conceptele logicii
fuzzy:
- analiza avantajelor folosirii logicii fuzzy în sistemele și instalațiile aferente
clădirilor;
- proiectarea unui controller fuzzy pentru asigurarea confortului în clădiri care să
mențină temperatura, umiditatea și nivelul de CO2 în funcție de cerințele ocupanților;
- crearea și validarea unui algoritm fuzzy pentru menținerea parametrilor de
referința, utilizând toolbox-ul fuzzy al Matlab.
În ceea ce privește conceptele de “Nor (Cloud computing)” și “Internetul lucrurilor
(Internet of Things)”:
- prezentarea termenelor de “Nor (Cloud computing)” și “Internetul lucrurilor
(Internet of Things)” și posibilitatea aplicării acestor concepte în domeniul sistemelor și
instalațiilor pentru construcții, însoțită de exemple în acest sens;
- definirea unui algoritm de etichetare a datelor provenite de la controlerul fuzzy,
în vederea integrării în platforma de analiza Skyspark, folosind tehnologia Haystack;
- modelarea regulilor analitice pentru parametrii de confort temperatură, umiditate
relativă și calitate aer, în platforma externă de analiză Skyspark;
- rularea regulilor analitice și identificarea erorilor și anomaliilor de funcționare
pentru parametrii de confort temperatură, umiditate relativă și calitate aer, în platforma
externă de analiză Skyspark.
În prezenta teză de doctorat am studiat avantajele folosirii conceptelor inteligenței
artificiale, în proiectarea controlerelor utilizate pentru conducerea automată a proceselor
din clădiri. Totodată a fost abordat un concept nou în domeniul instalațiilor pentru
construcții și anume conceptul de “Nor (Cloud computing)”. Ca și elemente de inteligență
artificială au fost studiate logica fuzzy, rețelele neuronale și algoritmii genetici iar pentru
controlerul de confort modelat au fost aplicate conceptele logicii fuzzy. Controlerul de
temperatură, umiditate relativă și calitate aer modelat, îmbunătățește performantele
energetice ale încăperii și sporește confortul ocupanților.
- 185 -
7.2 Direcții viitoare de cercetare
Cercetările viitoare în ce privește controlerele ce au la bază logica fuzzy, în special
controlerele dedicate aplicațiilor de confort, se referă la extinderea și adăugarea mai
multor variabile de intrare cum ar fi ocuparea spațiului deservit, senzori de prezență care
să facă posibilă identificarea automată a factorului uman sau ajustarea automată în
funcție de temperatura și umiditatea exterioara, pentru diferite momente din zi.
O alta direcție de cercetare o reprezintă implementarea controlerelor de confort pe
sisteme ce funcționează în timp real, astfel, o serie de controlere de confort ce au la bază
conceptele inteligenței artificiale putând fii implementate încă din fabricație diferitelor tipuri
de instalații de climatizare, pentru creșterea performantelor energetice și creșterea
confortului ocupanților clădirilor.
O ultima direcție de cercetare consta în definirea unor interfețe care sa facă
posibilă conectarea directă a controlerelor în “Nor (Cloud Computing)”. Aceste interfețe
ar urma sa aibă rolul de securizare a conexiunii dintre platformele de automatizări locale
și internet și totodată, interfețele ar urma sa virtualizeze în mod direct datele, pentru a fi
recunoscute imediat de platformele de analiză externe, fără a mai fi nevoie de etichetarea
datelor. Având datele în cloud și în platformele de analiza, conceptul de “Internet al
lucrurilor (Internet of Things)” poate sa își facă simțită prezența din ce în ce mai mult iar
echipamentele și clădirile pot interacționa mult mai ușor. O abordare noua ce o sa își facă
simțită prezența va fi interconexiunea dintre diferite tipuri de sisteme și dispozitive IoT,
din domenii și arii de aplicabilitate total diferite.
- 186 -
Bibliografie
[1] http://solid.fizica.unibuc.ro/cursuri/traductori/Capitolul_1_TPA.pdf
[2] https://ro.wikipedia.org/wiki/Modelul_unui_sistem
[3] C Ilas,Teoria sistemelor de reglare automată, Editura MatrixRom, Bucuresti, 2006
[4] D. Popescu - Teoria sistemelor automate, Editura Matrix Rom, Bucuresti,2000
[5] V. Cirtoaje, Teoria sistemelor automate - Analiza in domeniul complex, Editura UPG,
Ploiesti, 2013
[6] V. Dolga, Mecatronica. Teoria sistemelor, Editura Politehnica, Timisoara, 2010
[7] A.S. Baiesu, Tehnica reglarii automate, Editura Matrix Rom, Bucuresti,2012
[8] http://solid.fizica.unibuc.ro, Traductori si procese de automatizari, Note de curs
[9] C. Ilas, M. Priboianu, Teoria sistemelor de reglare automată. Indrumar de laborator,
Editura MatrixRom, Bucuresti, 2004
[10] I. Dumitrache, Ingineria Reglarii automate, Editura Politehnica Press, Bucuresti, 2005
[11] C. Lazar, D. Vrabie, S. Carari, Sisteme automate cu regulatoare PID, Editura
MatrixRom, Bucuresti, 2004
[12] S.S. Iliescu, I. Fagarasan, N. Arghira, I. Dumitru, Analiza si proiectarea sistemelor de
reglare automată, Editura ConsPress, Bucuresti, 2013
[13] C. Soare, S.S. Iliescu, I. Fagarasan, N. Arghira, I. Dumitru, Sisteme neliniare si
esantionate, Editura ConsPress, Bucuresti, 2013
[14] T.L. Dragomir, Teoria Sistemelor II, Editura Politehnica, Timisoara, 2015
[15] Zadeh L.A., Fuzzy Sets, Information and Control, Vol.8, 1965
[16] L.Mirea, T. Marcu, System identification using a neuro-fuzzy technique?, 2nd
European Conference on Intelligent Systems and Technologies ECIT, Iasi, 2002
[17] C. Dosoftei, Utilizarea inteligentei computationale in conducerea proceselor, Teza de
doctorat, Iasi, 2009
[18] C. Halauca, Tehnici avansate de control pentru procese energetice, Teza de
doctorat, Iasi, 2009
[19] Colhon Mihaela, Elemente de Logica Fuzzy, disponibil on line la adresa URL
urmatoare http://id.inf.ucv.ro/~ghindeanu/lab/sicc/carteb5.pdf, Craiova, 2012
- 187 -
[20] F. Postolache, Contributii la achizitia si structurarea cunostiintelor in sisteme
inteligenta pentru diagnoza defectelor, Galati, 2011
[21] S. Preitl, R.E. Precup, Introducere in conducerea fuzzy a proceselor, Editura Tehnica,
Bucuresti, 1997
[22] S.E. Oltean, Control inteligent si adaptiv, Targu-Mures, 2009
[23] D.Rotar, Inteligenta artificiala, Editura AlmaMater, Bacau, 2007
[24] https://ro.wikipedia.org/wiki/Re?ea_neurala
[25] Zhou X. A plug and play framework for an HVAC air handling unit and temperature
sensor auto recognition technique. Ames: Iowa State University, 2010
[26] Baldi S, Michailidis I, Ravanis C, Kosmatopoulos EB. Model-based and model-free
“plug-and-play” building energy efficient control.Applied Energy 2015; 154, p. 829–841,
2015
[27] Huber M. Agentenbasierte Gebäudeautomation raumlufttechnischer Anlagen.
Aachen: RWTH Aachen University, 2016
[28] Ascione F, Bianco N, Stasio C, Mauro GM, Vanoli GP. Simulation-based model
predictive control by the multi-objective optimization of building energy performance and
thermal comfort. Energy Build. 2016; 111, p. 131–144, 2016
[29] Fuchs M, Constantin A, Lauster M, Remmen P, Streblow R, Müller D. Structuring the
building performance Modelica library AixLib for open collaborative development.
Proceedings of Building Simulation 2015, Hyderabad, India, December 7-9, 2015
[30] S.F. Ardabili, A. Mahmoudi, T.M. Gundoshmian, Modeling and simulation controlling
system of HVAC using fuzzy and predictive (radial basis function, RBF) controllers,
Journal of Building Engineering, Volume 6, June 2016, Pages 301-308, 2016
[31] S. Hussain, H.A. Gabbar, D. Bondarenko, F. Musharavati, S.Pokharel, Comfort-
based fuzzy control optimization for energy conservation in HVAC systems, Control
Engineering Practice, Volume 32, November 2014, Pages 172-182, 2014
[32] Standard international ISO 7730, Ergonomics of the thermal environment -- Analytical
determination and interpretation of thermal comfort using calculation of the PMV and PPD
indices and local thermal comfort criteria, 2005
[33] A. Attia, S.F. Rezeka, A. M. Saleh, Fuzzy logic control of air-conditioning system in
residential buildings, Alexandria Engineering Journal, Volume 54, Issue 3, September
2015, Pages 395-403, 2015
- 188 -
[34] Muhammad Waqas Khan, Mohammad Ahmad Choudhry, Muhammad Zeeshan,
Ahsan Ali, Adaptive fuzzy multivariable controller design based on genetic algorithm for
an air handling unit, Energy, Volume 81, 1 March 2015, Pages 477-488, 2015
[35] V. Kumar, S. Kumar, H. Kansal, Fuzzy logic controller based operating room air
condition control system, INTERNATIONAL JOURNAL OF INNOVATIVE RESEARCH IN
ELECTRICAL, ELECTRONICS, INSTRUMENTATION AND CONTROL ENGINEERING
Vol. 2, Issue 1, January 2014
[36] H.R. Jamshidi, A. Karimi, M. Haghshenas, Risk assessment of particulate matters in
a dentistry school using fuzzy inference systems, Measurement, Volume 116, February
2018, Pages 257-263, 2018
[37] Kevin, A. (2009, June). That ‘Internet of Things’ Thing. Retrieved October 10, 2017,
from http://www.rfidjournal.com/articles/view?4986, 2009
[38] Sethi, P. & Sarangi, S. (2017, January). Internet of Things: Architectures, Protocols
and Applications. Journal of Electrical and Computer Engineering. Volume 2017 (2017),
1-25. Retrieved October 09, 2017, from Hindawi database on the World Wide Web:
https://doi.org. DOI: 10.1155/2017/9324035, 2017
[39] Petze, J. (2017, April). Analytics Software for a World of Smart Devices. Retrieved
October 07, 2017, from https://skyfoundry.com/file/8/SkySpark-Overview-Brochure.pdf ,
2017
[40] Sethi, P. & Sarangi, S. (2017, January). Internet of Things: Architectures, Protocols
and Applications. Journal of Electrical and Computer Engineering. Volume 2017 (2017),
1-25. Retrieved October 09, 2017, from Hindawi database on the World Wide Web:
https://doi.org. DOI: 10.1155/2017/9324035, 2017
[41] Project Haystack Standard (2013). Project Haystack Open Source Data Modeling
Standard. v2013-10-1. Glen Allen, 2013
[42] Daniel Meana-Llorián, Cristian González García, B. Cristina Pelayo G-Bustelo, Juan
Manuel Cueva Lovelle, Nestor Garcia-Fernandez, IoFClime: The fuzzy logic and the
Internet of Things to control indoor temperature regarding the outdoor ambient conditions,
Future Generation Computer Systems, Volume 76, November 2017, Pages 275-284,
2017
[43] Wurfel, L., Blokker, S. & Fry,J. (2014). Applying data science to property. Retrieved
October 11, 2017 from http://docplayer.net/43491736-Applying-data-science-to-
property.html, 2014
[44] The intelligent agent paradigm: • Russell & Norvig 2003, pp. 27, 32–58, 968–972 •
Poole, Mackworth & Goebel 1998, pp. 7–21 • Luger & Stubblefield 2004, pp. 235–240 •
Hutter 2005, pp. 125–126 The definition used in this article, in terms of goals, actions,
perception and environment, is due to Russell & Norvig (2003). Other definitions also
include knowledge and learning as additional criteria
- 189 -
[45] Katipamula, S and Brambley, M; “Methods for fault detection, diagnostics, and
prognostics for building systems – A review, Part, (005
[46] Guarino, N; “Understanding, building and using ontologies”, International Journal of
Human-Computer Studies, Vol. 46, pp. 293-310, 1997
[47] McGuinness, D; "Ontologies Come of Age". In Dieter Fensel, J im Hendler, Henry
Lieberman, and Wolfgang Wahlster, editors. Spinning the Semantic Web: Bringing the
World Wide Web to Its Full Potential. MIT Press, (2003), http://www-
ksl.stanford.edu/people/dlm/papers/ontologies-come-of-age-mit-press-%28with-
citation%29.htm , accessed April, 2014
[48] SkySpark is commercial software - http://www.skyfoundry.com/skyspark/ , accessed
June, 2014
[49] I Ursu, I Nastase, S Caluianu, A Iftene, A Toader, Intelligent control of HVAC systems.
Part I: Modeling and synthesis, Incas Bulletin, 2013
[50] M Culcea, R Pecsi, S Caluianu, The Tuning of the Fuzzy Controllers Used in the
Pervasive Systems, Mathematical Modelling in Civil Engineering 10 (2), 11-16, 2014
[51] F Bobillo, U Straccia, Generalizing type-2 fuzzy ontologies and type-2 fuzzy
description logics, International Journal of Approximate Reasoning, Volume 87, August
2017, Pages 40-66, 2017
[52] M. Azaza, C. Tanougast, E. Fabrizio, A. Mami, Smart greenhouse fuzzy logic based
control system enhanced with wireless data monitoring, ISA Transactions, Volume 61,
March 2016, Pages 297-307, 2016
[53] M.N. Assimakopoulos, A. Dounis, A. Spanou, M. Santamouris, Indoor air quality in a
metropolitan area metro using fuzzy logic assessment system, Science of The Total
Environment, Volume 449, 1 April 2013, Pages 461-469, 2013
[54] Ing-Jiunn Su, Chia-Chih Tsai, Wen-Tsai Sung, Area temperature system monitoring
and computing based on adaptive fuzzy logic in wireless sensor networks, Applied Soft
Computing, Volume 12, Issue 5, May 2012, Pages 1532-154, 2012
[55] Al Sivieri, L Mottola, G Cugola, Building Internet of Things software with ELIoT,
Computer Communications, Volumes 89–90, 1 September 2016, Pages 141-153, 2016
[56] T Macaulay, The Anatomy of the Internet of Things, RIoT Control, 2017, Pages 27-
55, 2017
[57] I Khajenasiri, A Estebsari, M Verhelst, G Gielen, A Review on Internet of Things
Solutions for Intelligent Energy Control in Buildings for Smart City Applications, Energy
Procedia, Volume 111, March 2017, Pages 770-779, 2017
- 190 -
[58] https://www.mathworks.com/products/fuzzy-logic.html
[59] F. Hebean, S. Caluianu, Cloud Computing and Internet of Things concepts applied
on building data analysis, Mathematical Modelling in Civil Engineering, Vol.13-No.4:39-
49-2017, Doi:10.1515/mmce-2017-0013
[60] F. Hebean, S. Caluianu, Modelarea numerică a unui controler de confort al
ocupanților din clădiri utilizand conceptele logicii fuzzy, Buletinul Stiințific al Universității
Tehnice de Construcții București, Nr. 3-4, 2017
[61] F Hebean, S Caluianu, Utilizarea logicii fuzzy in modelarea numerica unui controler
inteligent de mentinere a nivelului de CO2 in cladiri, Revista Romana de Inginerie Civila,
Vol.9, Nr. 2, 2018
[62] I. Nastac, and A. Costea, "Advanced Data Forecasting Using Retraining Neural
Network Technique", TUCS Technical Report, No. 542 (2003) Turku, Finland (Report of
the result of the participation to the EUNITE Competition 2003).
http://www.tucs.fi/Research/Series/serie.php?year=2003&type=techreport.
[63] I. Nastac, An Adaptive Retraining Technique to Predict the Critical Process Variables, TUCS technical report, no 616 (2004) Turku, Finland
[64] E. Dobrescu, I. Nastac, E. Pelinescu, Are the Neural Networks „Immune” from database’s properties, TUCS technical report, no 1093 (2013) Turku, Finland
[65] I. Nastac, A. Bacivarov, A. Costea, A neuro-classification model for socio-technical systems, RJEF, no 3(2013) , Bucharest, http://www.ipe.ro/rjef/rjef3_09/rjef3_09_8.pdf
- 191 -
Anexe
Anexa1 – Valorile de intrare, valorile de iesire PID, valorile de iesire fuzzy
Data
Tem
pera
tura
Setp
oin
t
Um
idita
te re
lativ
ă
CO
2
Iesire
racire
Iesire
incalz
ire
Mo
du
lare
um
idific
ato
r
Iesire
ve
ntila
tor re
tur
Iesire
ve
ntila
tor
evac
uare
Iesire
ve
ntila
tor
intro
du
cere
Iesire
incalz
ire fu
zzy
Iesire
racire
fuzzy
Mo
du
lare
Um
idific
ato
r fuzzy
Ven
tilato
r retu
r fuzzy
Ven
tilato
r
intro
du
cere
fuzzy
Ven
tilato
r eva
cu
are
fuzzy
2017-06-01 00 22.2°C 22.5°C 44.8% 437.3ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.7% 5.0% 5.0% 5.0%
2017-06-01 01 22.4°C 22.6°C 41.6% 435.4ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-01 02 22.4°C 22.6°C 41.0% 439.9ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-01 03 22.4°C 22.6°C 41.0% 442.7ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-01 04 22.4°C 22.6°C 41.0% 441.8ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-01 05 22.4°C 22.6°C 43.6% 440.4ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-01 06 22.7°C 22.6°C 39.0% 443.8ppm 5.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 29.2% 5.0% 5.0% 5.0%
2017-06-01 07 22.7°C 22.6°C 33.2% 458.4ppm 5.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0% 5.0%
2017-06-01 08 23.2°C 22.6°C 32.1% 460.4ppm 15.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 11.0% 50.0% 5.0% 5.0% 5.0%
2017-06-01 09 23.3°C 22.6°C 37.7% 460.4ppm 15.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 11.4% 34.5% 5.0% 5.0% 5.0%
2017-06-01 10 23.5°C 22.6°C 36.9% 475.5ppm 15.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 12.6% 38.8% 5.0% 5.0% 5.0%
2017-06-01 11 23.1°C 22.5°C 39.4% 478.5ppm 15.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 11.3% 25.1% 5.0% 5.0% 5.0%
2017-06-01 12 22.9°C 22.5°C 39.9% 477.4ppm 5.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 10.6% 20.7% 5.0% 5.0% 5.0%
2017-06-01 13 22.4°C 22.5°C 37.8% 475.4ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 35.5% 5.0% 5.0% 5.0%
2017-06-01 14 22.3°C 22.5°C 32.1% 467.7ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0% 5.0%
2017-06-01 15 22.3°C 22.5°C 30.6% 478.3ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0% 5.0%
2017-06-01 16 22.3°C 22.5°C 28.2% 467.9ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0% 5.0%
2017-06-01 17 22.3°C 22.5°C 29.2% 459.4ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0% 5.0%
2017-06-01 18 22.3°C 22.5°C 47.6% 454.4ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.7% 5.0% 5.0% 5.0%
- 192 -
2017-06-01 19 22.4°C 22.5°C 48.2% 449.6ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.5% 5.0% 5.0% 5.0%
2017-06-01 20 22.5°C 22.5°C 49.6% 448.5ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 11.2% 5.0% 5.0% 5.0%
2017-06-01 21 22.5°C 22.5°C 52.3% 447.6ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-01 22 22.4°C 22.5°C 50.8% 441.8ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-01 23 22.2°C 22.5°C 48.2% 437.1ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.8% 5.0% 5.0% 5.0%
2017-06-02 00 22.2°C 22.5°C 48.2% 435.1ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.8% 5.0% 5.0% 5.0%
2017-06-02 01 22.2°C 22.5°C 41.5% 433.4ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.7% 5.0% 5.0% 5.0%
2017-06-02 02 22.2°C 22.5°C 38.4% 433.2ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 34.3% 5.0% 5.0% 5.0%
2017-06-02 03 22.2°C 22.5°C 38.4% 434.3ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 34.3% 5.0% 5.0% 5.0%
2017-06-02 04 22.2°C 22.6°C 38.4% 433.7ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 34.3% 5.0% 5.0% 5.0%
2017-06-02 05 22.3°C 22.6°C 39.5% 439.7ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 26.3% 5.0% 5.0% 5.0%
2017-06-02 06 22.3°C 22.6°C 47.8% 456.0ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.7% 5.0% 5.0% 5.0%
2017-06-02 07 22.4°C 22.6°C 37.2% 459.6ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 37.2% 5.0% 5.0% 5.0%
2017-06-02 08 23.2°C 22.6°C 26.5% 452.4ppm 15.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 11.0% 50.0% 5.0% 5.0% 5.0%
2017-06-02 09 23.1°C 22.6°C 19.9% 464.2ppm 15.0% 0.0% 99.3% 0.0% 5.0% 5.0% 5.0% 10.7% 80.0% 5.0% 5.0% 5.0%
2017-06-02 10 22.9°C 22.6°C 22.7% 464.9ppm 5.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 9.7% 50.0% 5.0% 5.0% 5.0%
2017-06-02 11 22.9°C 22.6°C 28.4% 482.9ppm 5.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 9.7% 50.0% 5.0% 5.0% 5.0%
2017-06-02 12 23.3°C 22.6°C 22.2% 493.2ppm 15.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 11.4% 50.0% 5.0% 5.0% 5.0%
2017-06-02 13 23.4°C 22.6°C 19.9% 486.9ppm 15.0% 0.0% 87.7% 0.0% 5.0% 5.0% 5.0% 11.9% 80.0% 5.0% 5.0% 5.0%
2017-06-02 14 23.0°C 22.6°C 17.8% 478.9ppm 5.0% 0.0% 100.0% 0.0% 5.0% 5.0% 5.0% 10.3% 80.0% 5.0% 5.0% 5.0%
2017-06-02 15 22.7°C 22.6°C 22.1% 465.4ppm 5.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 7.4% 50.0% 5.0% 5.0% 5.0%
2017-06-02 16 22.4°C 22.6°C 42.4% 455.4ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-02 17 22.0°C 22.6°C 43.4% 455.5ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.7% 5.0% 5.0% 5.0%
2017-06-02 18 21.9°C 22.6°C 43.4% 444.9ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.3% 5.0% 5.0% 5.0%
2017-06-02 19 21.9°C 22.6°C 45.7% 448.9ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 17.5% 9.7% 5.0% 5.0%
2017-06-02 20 21.9°C 22.6°C 47.5% 446.2ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.9% 9.7% 5.0% 5.0%
2017-06-02 21 21.9°C 22.6°C 49.7% 440.4ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 11.8% 9.7% 5.0% 5.0%
2017-06-02 22 22.1°C 22.6°C 47.6% 438.8ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.8% 5.0% 5.0% 5.0%
2017-06-02 23 22.2°C 22.5°C 46.9% 442.1ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.8% 5.0% 5.0% 5.0%
2017-06-03 00 22.2°C 22.5°C 45.9% 438.8ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 17.4% 5.0% 5.0% 5.0%
- 193 -
2017-06-03 01 22.4°C 22.5°C 40.3% 434.3ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-03 02 22.5°C 22.5°C 37.3% 433.4ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 36.7% 5.0% 5.0% 5.0%
2017-06-03 03 22.5°C 22.5°C 36.5% 435.9ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 40.1% 5.0% 5.0% 5.0%
2017-06-03 04 22.5°C 22.5°C 36.5% 438.2ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 40.1% 5.0% 5.0% 5.0%
2017-06-03 05 22.5°C 22.5°C 36.9% 440.8ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 38.6% 5.0% 5.0% 5.0%
2017-06-03 06 22.5°C 22.5°C 48.1% 445.9ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.4% 5.0% 5.0% 5.0%
2017-06-03 07 22.5°C 22.6°C 49.1% 443.2ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 14.3% 5.0% 5.0% 5.0%
2017-06-03 08 22.6°C 22.6°C 44.9% 468.8ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-03 09 22.6°C 22.6°C 42.6% 483.1ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-03 10 22.6°C 22.6°C 41.9% 541.0ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-03 11 22.6°C 22.6°C 39.2% 536.7ppm 5.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 27.8% 5.0% 5.0% 5.0%
2017-06-03 12 24.6°C 22.6°C 47.6% 560.9ppm 25.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 15.0% 15.5% 5.0% 5.0% 5.0%
2017-06-03 13 25.2°C 22.6°C 59.7% 549.1ppm 20.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 14.9% 5.0% 50.0% 5.0% 5.0%
2017-06-03 14 22.6°C 22.6°C 57.3% 525.7ppm 5.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-06-03 15 22.6°C 22.6°C 57.3% 474.9ppm 5.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-06-03 16 22.6°C 22.6°C 55.9% 448.7ppm 5.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 48.1% 5.0% 5.0%
2017-06-03 17 22.6°C 22.5°C 54.9% 442.2ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 7.6% 5.0% 5.0% 5.0% 5.0%
2017-06-03 18 22.6°C 22.5°C 54.9% 436.8ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 7.6% 5.0% 5.0% 5.0% 5.0%
2017-06-03 19 22.6°C 22.5°C 56.0% 438.7ppm 5.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 7.6% 5.0% 50.0% 5.0% 5.0%
2017-06-03 20 22.6°C 22.5°C 52.7% 437.4ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 7.6% 5.0% 5.0% 5.0% 5.0%
2017-06-03 21 22.6°C 22.5°C 52.4% 438.2ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 7.6% 5.0% 5.0% 5.0% 5.0%
2017-06-03 22 22.6°C 22.5°C 52.4% 432.0ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 7.6% 5.0% 5.0% 5.0% 5.0%
2017-06-03 23 22.6°C 22.5°C 51.3% 431.5ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 7.6% 5.0% 5.0% 5.0% 5.0%
2017-06-04 00 22.6°C 22.5°C 50.5% 431.4ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 7.6% 5.0% 5.0% 5.0% 5.0%
2017-06-04 01 22.6°C 22.5°C 45.2% 432.3ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 7.6% 19.2% 5.0% 5.0% 5.0%
2017-06-04 02 22.6°C 22.5°C 40.7% 432.3ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 7.6% 19.6% 5.0% 5.0% 5.0%
2017-06-04 03 22.6°C 22.5°C 40.2% 430.0ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 7.6% 19.6% 5.0% 5.0% 5.0%
2017-06-04 04 22.6°C 22.5°C 40.2% 429.6ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 7.6% 19.6% 5.0% 5.0% 5.0%
2017-06-04 05 22.6°C 22.5°C 40.4% 436.1ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 7.6% 19.6% 5.0% 5.0% 5.0%
2017-06-04 06 22.6°C 22.5°C 50.3% 431.7ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 7.6% 5.0% 5.0% 5.0% 5.0%
- 194 -
2017-06-04 07 22.6°C 22.5°C 55.7% 428.7ppm 5.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 7.6% 5.0% 43.6% 5.0% 5.0%
2017-06-04 08 22.5°C 22.5°C 51.8% 460.6ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-04 09 22.3°C 22.5°C 50.8% 554.5ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-04 10 22.3°C 22.5°C 51.7% 575.6ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-04 11 22.4°C 22.6°C 52.2% 570.3ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-04 12 22.4°C 22.6°C 53.0% 570.4ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-04 13 22.4°C 22.6°C 54.2% 532.5ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-04 14 22.4°C 22.6°C 54.2% 464.3ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-04 15 22.5°C 22.6°C 54.2% 437.1ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-04 16 22.7°C 22.6°C 54.2% 432.6ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 7.4% 5.0% 5.0% 5.0% 5.0%
2017-06-04 17 22.7°C 22.6°C 54.2% 420.7ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 7.4% 5.0% 5.0% 5.0% 5.0%
2017-06-04 18 22.7°C 22.6°C 54.3% 418.2ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 7.4% 5.0% 5.0% 5.0% 5.0%
2017-06-04 19 22.7°C 22.6°C 56.6% 417.8ppm 5.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 7.4% 5.0% 50.0% 5.0% 5.0%
2017-06-04 20 22.7°C 22.6°C 56.6% 425.8ppm 5.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 7.4% 5.0% 50.0% 5.0% 5.0%
2017-06-04 21 22.7°C 22.6°C 56.6% 425.9ppm 5.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 7.4% 5.0% 50.0% 5.0% 5.0%
2017-06-04 22 22.7°C 22.6°C 56.6% 427.8ppm 5.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 7.4% 5.0% 50.0% 5.0% 5.0%
2017-06-04 23 22.7°C 22.6°C 56.6% 427.2ppm 5.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 7.4% 5.0% 50.0% 5.0% 5.0%
2017-06-05 00 22.7°C 22.6°C 56.6% 431.7ppm 5.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 7.4% 5.0% 50.0% 5.0% 5.0%
2017-06-05 01 22.7°C 22.6°C 49.0% 428.7ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 7.4% 14.2% 5.0% 5.0% 5.0%
2017-06-05 02 22.7°C 22.6°C 45.5% 431.6ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 7.4% 18.6% 5.0% 5.0% 5.0%
2017-06-05 03 22.7°C 22.6°C 43.4% 446.5ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 7.4% 19.5% 5.0% 5.0% 5.0%
2017-06-05 04 22.7°C 22.6°C 42.9% 456.4ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 7.4% 19.5% 5.0% 5.0% 5.0%
2017-06-05 05 22.6°C 22.6°C 42.9% 463.1ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-05 06 22.6°C 22.5°C 57.4% 453.7ppm 5.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 7.6% 5.0% 50.0% 5.0% 5.0%
2017-06-05 07 22.7°C 22.5°C 63.8% 575.0ppm 5.0% 0.0% 1.4% 55.0% 25.0% 5.0% 5.0% 9.1% 5.0% 50.0% 5.0% 19.0%
2017-06-05 08 23.2°C 22.5°C 64.7% 460.3ppm 15.0% 0.0% 1.4% 55.0% 25.0% 5.0% 5.0% 11.5% 5.0% 50.0% 5.0% 19.8%
2017-06-05 09 23.3°C 22.5°C 63.9% 493.8ppm 15.0% 0.0% 1.4% 55.0% 25.0% 5.0% 5.0% 11.9% 5.0% 50.0% 5.0% 19.1%
2017-06-05 10 22.8°C 22.5°C 63.6% 493.9ppm 5.0% 0.0% 1.4% 55.0% 25.0% 5.0% 5.0% 10.0% 5.0% 50.0% 5.0% 18.7%
2017-06-05 11 22.6°C 22.5°C 57.8% 485.2ppm 5.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 7.6% 5.0% 50.0% 5.0% 5.0%
2017-06-05 12 22.6°C 22.5°C 54.7% 493.6ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 7.6% 5.0% 5.0% 5.0% 5.0%
- 195 -
2017-06-05 13 22.3°C 22.5°C 52.1% 485.9ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-05 14 23.0°C 22.5°C 50.2% 463.2ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 11.0% 5.0% 5.0% 5.0% 5.0%
2017-06-05 15 23.1°C 22.5°C 48.2% 447.7ppm 15.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 11.3% 15.3% 5.0% 5.0% 5.0%
2017-06-05 16 23.1°C 22.5°C 47.6% 453.4ppm 15.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 11.3% 16.0% 5.0% 5.0% 5.0%
2017-06-05 17 23.1°C 22.5°C 42.4% 439.2ppm 15.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 11.3% 19.4% 5.0% 5.0% 5.0%
2017-06-05 18 23.0°C 22.5°C 41.2% 436.3ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 11.0% 19.5% 5.0% 5.0% 5.0%
2017-06-05 19 22.4°C 22.5°C 41.2% 435.0ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-05 20 22.1°C 22.5°C 42.8% 443.1ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.7% 5.0% 5.0% 5.0%
2017-06-05 21 22.4°C 22.5°C 48.3% 446.2ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.4% 5.0% 5.0% 5.0%
2017-06-05 22 22.4°C 22.5°C 50.1% 448.2ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-05 23 22.4°C 22.5°C 52.1% 451.3ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-06 00 22.3°C 22.5°C 52.3% 446.6ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-06 01 22.3°C 22.5°C 46.2% 450.9ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.9% 5.0% 5.0% 5.0%
2017-06-06 02 22.3°C 22.5°C 45.0% 449.6ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-06 03 22.3°C 22.5°C 45.0% 455.5ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-06 04 22.1°C 22.5°C 45.0% 476.3ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-06 05 22.1°C 22.5°C 45.0% 473.4ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-06 06 22.1°C 22.5°C 47.0% 463.0ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.8% 5.0% 5.0% 5.0%
2017-06-06 07 22.1°C 22.5°C 47.5% 457.8ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.8% 5.0% 5.0% 5.0%
2017-06-06 08 22.1°C 22.5°C 47.9% 440.1ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.8% 5.0% 5.0% 5.0%
2017-06-06 09 22.2°C 22.5°C 47.3% 447.3ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.8% 5.0% 5.0% 5.0%
2017-06-06 10 22.2°C 22.5°C 48.0% 454.7ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.8% 5.0% 5.0% 5.0%
2017-06-06 11 22.3°C 22.5°C 45.1% 443.3ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.4% 5.0% 5.0% 5.0%
2017-06-06 12 22.5°C 22.5°C 43.9% 454.4ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-06 13 22.5°C 22.5°C 44.8% 460.8ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.6% 5.0% 5.0% 5.0%
2017-06-06 14 23.3°C 22.1°C 42.6% 441.4ppm 20.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 14.2% 19.4% 5.0% 5.0% 5.0%
2017-06-06 15 22.8°C 21.9°C 42.2% 435.2ppm 20.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 15.0% 19.1% 5.0% 5.0% 5.0%
2017-06-06 16 22.5°C 21.9°C 43.3% 430.2ppm 20.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 15.0% 19.1% 5.0% 5.0% 5.0%
2017-06-06 17 23.0°C 21.9°C 41.2% 435.8ppm 20.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 13.7% 19.5% 5.0% 5.0% 5.0%
2017-06-06 18 22.1°C 21.9°C 41.0% 410.4ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 8.5% 19.7% 5.0% 5.0% 5.0%
- 196 -
2017-06-06 19 21.6°C 21.9°C 44.3% 403.6ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 17.6% 5.0% 5.0% 5.0%
2017-06-06 20 21.5°C 21.9°C 44.5% 403.4ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.5% 5.0% 5.0% 5.0%
2017-06-06 21 21.7°C 21.9°C 48.6% 401.7ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 17.1% 5.0% 5.0% 5.0%
2017-06-06 22 21.7°C 21.9°C 48.8% 403.9ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 17.1% 5.0% 5.0% 5.0%
2017-06-06 23 21.5°C 21.9°C 44.7% 405.5ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.5% 5.0% 5.0% 5.0%
2017-06-07 00 21.2°C 21.9°C 44.8% 412.9ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 11.1% 5.0% 5.0% 5.0%
2017-06-07 01 21.0°C 21.9°C 40.3% 415.1ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-06-07 02 21.2°C 21.9°C 37.6% 424.1ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 39.2% 5.0% 5.0% 5.0%
2017-06-07 03 21.4°C 21.9°C 37.4% 421.3ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 37.0% 5.0% 5.0% 5.0%
2017-06-07 04 21.4°C 21.9°C 37.4% 424.3ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 37.0% 5.0% 5.0% 5.0%
2017-06-07 05 21.4°C 21.9°C 37.4% 433.4ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 37.0% 5.0% 5.0% 5.0%
2017-06-07 06 21.5°C 21.9°C 44.2% 433.4ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.5% 5.0% 5.0% 5.0%
2017-06-07 07 21.8°C 21.9°C 41.5% 433.5ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 18.9% 5.0% 5.0% 5.0%
2017-06-07 08 21.8°C 21.9°C 40.1% 433.7ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 18.9% 5.0% 5.0% 5.0%
2017-06-07 09 21.9°C 21.9°C 45.0% 433.2ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.3% 5.0% 5.0% 5.0%
2017-06-07 10 22.1°C 21.9°C 42.7% 436.1ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 8.5% 19.7% 5.0% 5.0% 5.0%
2017-06-07 11 22.1°C 21.9°C 42.5% 432.3ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 8.5% 19.7% 5.0% 5.0% 5.0%
2017-06-07 12 21.9°C 21.9°C 42.6% 437.1ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.3% 5.0% 5.0% 5.0%
2017-06-07 13 22.4°C 21.9°C 41.0% 439.3ppm 5.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 12.5% 19.6% 5.0% 5.0% 5.0%
2017-06-07 14 22.7°C 21.9°C 36.6% 425.4ppm 15.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 13.5% 40.4% 5.0% 5.0% 5.0%
2017-06-07 15 22.6°C 21.9°C 34.9% 410.3ppm 15.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 13.6% 50.0% 5.0% 5.0% 5.0%
2017-06-07 16 22.1°C 21.9°C 35.3% 408.1ppm 5.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 8.5% 46.6% 5.0% 5.0% 5.0%
2017-06-07 17 21.9°C 21.9°C 35.7% 409.2ppm 5.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 41.4% 5.0% 5.0% 5.0%
2017-06-07 18 22.1°C 21.9°C 35.8% 413.4ppm 5.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 8.5% 43.0% 5.0% 5.0% 5.0%
2017-06-07 19 22.1°C 21.9°C 35.8% 409.9ppm 5.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 8.5% 43.0% 5.0% 5.0% 5.0%
2017-06-07 20 21.6°C 21.9°C 35.8% 406.0ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 36.2% 5.0% 5.0% 5.0%
2017-06-07 21 21.4°C 21.9°C 35.2% 403.9ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 45.9% 5.0% 5.0% 5.0%
2017-06-07 22 21.5°C 21.9°C 33.6% 406.1ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0% 5.0%
2017-06-07 23 21.7°C 21.9°C 30.5% 406.5ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0% 5.0%
2017-01-01 00 23.7°C 23.9°C 29.9% 407.3ppm 5.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0% 5.0%
- 197 -
2017-01-01 01 23.7°C 23.9°C 28.5% 426.4ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0% 5.0%
2017-01-01 02 23.7°C 23.9°C 28.0% 430.3ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0% 5.0%
2017-01-01 03 23.7°C 23.9°C 30.8% 425.5ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0% 5.0%
2017-01-01 04 23.7°C 23.9°C 32.9% 435.1ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0% 5.0%
2017-01-01 05 23.7°C 23.9°C 36.6% 438.4ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 40.4% 5.0% 5.0% 5.0%
2017-01-01 06 23.5°C 23.9°C 40.3% 440.9ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.3% 5.0% 5.0% 5.0%
2017-01-01 07 23.5°C 23.9°C 38.4% 442.9ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 30.7% 5.0% 5.0% 5.0%
2017-01-01 08 23.6°C 23.9°C 37.0% 445.9ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 38.2% 5.0% 5.0% 5.0%
2017-01-01 09 23.8°C 23.9°C 38.5% 443.1ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 30.1% 5.0% 5.0% 5.0%
2017-01-01 10 23.8°C 23.9°C 38.3% 454.4ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 31.3% 5.0% 5.0% 5.0%
2017-01-01 11 23.8°C 23.9°C 39.1% 466.8ppm 0.0% 5.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 26.3% 5.0% 5.0% 5.0%
2017-01-01 12 24.0°C 23.9°C 39.7% 487.0ppm 5.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 6.2% 21.8% 5.0% 5.0% 5.0%
2017-01-01 13 23.5°C 23.9°C 38.6% 484.1ppm 0.0% 0.0% 50.0% 0.0% 5.0% 5.0% 5.0% 5.0% 29.5% 5.0% 5.0% 5.0%
2017-01-01 14 24.1°C 23.9°C 52.6% 471.9ppm 5.0% 0.0% 0.0% 0.0% 5.0% 5.0% 5.0% 7.3% 5.0% 5.0% 5.0% 5.0%
2017-01-01 15 24.2°C 24.4°C 57.3% 467.6ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-01 16 23.7°C 24.3°C 57.3% 431.6ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-01 17 24.0°C 24.3°C 57.3% 422.0ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-01 18 23.5°C 24.3°C 57.3% 420.2ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-01 19 22.2°C 24.3°C 57.3% 416.9ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-01 20 23.3°C 24.3°C 57.3% 418.2ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-01 21 22.2°C 24.3°C 57.3% 417.1ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-01 22 22.2°C 24.3°C 57.3% 417.6ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-01 23 22.2°C 24.3°C 57.1% 419.4ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-02 00 22.1°C 24.3°C 54.9% 429.1ppm 0.0% 25.0% 0.0% 0.0% 5.0% 5.0% 12.3% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-01-02 01 23.9°C 24.3°C 46.8% 437.4ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 16.7% 5.0% 5.0% 5.0%
2017-01-02 02 23.7°C 24.3°C 42.4% 436.6ppm 0.0% 25.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.3% 5.0% 5.0% 5.0%
2017-01-02 03 23.7°C 24.3°C 40.2% 468.5ppm 0.0% 25.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.3% 5.0% 5.0% 5.0%
2017-01-02 04 23.9°C 24.3°C 40.2% 495.5ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.3% 5.0% 5.0% 5.0%
2017-01-02 05 23.9°C 24.3°C 41.7% 531.3ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.3% 5.0% 5.0% 5.0%
2017-01-02 06 23.3°C 24.3°C 50.3% 529.0ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
- 198 -
2017-01-02 07 22.2°C 24.3°C 49.1% 526.7ppm 0.0% 25.0% 20.0% 0.0% 5.0% 5.0% 9.8% 5.0% 15.0% 5.0% 5.0% 5.0%
2017-01-02 08 22.2°C 24.3°C 34.8% 511.1ppm 0.0% 25.0% 50.0% 0.0% 5.0% 5.0% 9.8% 5.0% 50.0% 5.0% 5.0% 5.0%
2017-01-02 09 22.2°C 24.3°C 41.6% 498.8ppm 0.0% 25.0% 20.0% 0.0% 5.0% 5.0% 9.8% 5.0% 19.7% 5.0% 5.0% 5.0%
2017-01-02 10 22.3°C 24.3°C 53.4% 472.3ppm 0.0% 25.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-01-02 11 22.3°C 24.3°C 53.9% 461.7ppm 0.0% 25.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-01-02 12 22.3°C 24.3°C 55.0% 454.0ppm 0.0% 25.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-01-02 13 22.3°C 24.3°C 55.8% 458.6ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 46.0% 5.0% 5.0%
2017-01-02 14 22.3°C 24.3°C 58.3% 483.5ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-02 15 22.3°C 24.3°C 58.8% 491.0ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-02 16 22.3°C 24.3°C 58.8% 413.7ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-02 17 22.3°C 24.3°C 58.8% 394.6ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-02 18 22.2°C 24.3°C 57.1% 395.7ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-02 19 22.2°C 24.3°C 56.3% 393.9ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-02 20 22.2°C 24.3°C 56.3% 386.3ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-02 21 22.2°C 24.3°C 56.3% 380.4ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-02 22 22.2°C 24.3°C 54.5% 386.7ppm 0.0% 25.0% 0.0% 0.0% 5.0% 5.0% 9.8% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-01-02 23 22.2°C 24.3°C 56.1% 387.8ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-03 00 22.2°C 24.3°C 54.9% 428.8ppm 0.0% 25.0% 0.0% 0.0% 5.0% 5.0% 9.8% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-01-03 01 22.2°C 24.3°C 46.7% 435.0ppm 0.0% 25.0% 20.0% 0.0% 5.0% 5.0% 9.8% 5.0% 16.8% 5.0% 5.0% 5.0%
2017-01-03 02 22.2°C 24.3°C 43.8% 430.3ppm 0.0% 25.0% 20.0% 0.0% 5.0% 5.0% 9.8% 5.0% 19.7% 5.0% 5.0% 5.0%
2017-01-03 03 23.4°C 24.3°C 42.1% 467.7ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.4% 5.0% 5.0% 5.0%
2017-01-03 04 23.3°C 24.3°C 42.1% 523.4ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.4% 5.0% 5.0% 5.0%
2017-01-03 05 23.3°C 24.3°C 42.1% 1271.6ppm 0.0% 5.0% 20.0% 0.0% 25.0% 25.0% 5.0% 5.0% 19.4% 5.0% 21.2% 20.0%
2017-01-03 06 23.3°C 24.3°C 52.3% 1294.3ppm 0.0% 5.0% 0.0% 0.0% 25.0% 25.0% 5.0% 5.0% 5.0% 5.0% 21.3% 20.0%
2017-01-03 07 23.3°C 24.3°C 55.4% 1279.7ppm 0.0% 5.0% 0.0% 45.0% 25.0% 25.0% 5.0% 5.0% 5.0% 33.5% 21.2% 20.0%
2017-01-03 08 23.3°C 24.3°C 55.5% 1274.6ppm 0.0% 5.0% 0.0% 45.0% 25.0% 25.0% 5.0% 5.0% 5.0% 37.5% 21.2% 20.0%
2017-01-03 09 23.3°C 24.3°C 55.4% 526.1ppm 0.0% 5.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 33.5% 5.0% 5.0%
2017-01-03 10 23.3°C 24.3°C 54.3% 469.4ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-01-03 11 23.3°C 24.3°C 55.4% 444.4ppm 0.0% 5.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 33.5% 5.0% 5.0%
2017-01-03 12 23.3°C 24.3°C 57.2% 442.8ppm 0.0% 5.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
- 199 -
2017-01-03 13 21.2°C 24.3°C 56.9% 422.3ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 20.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-03 14 21.2°C 24.3°C 56.9% 420.2ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 20.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-03 15 21.2°C 24.3°C 56.9% 424.5ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 20.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-03 16 21.2°C 24.3°C 56.9% 413.4ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 20.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-03 17 21.2°C 24.3°C 56.9% 390.4ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 20.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-03 18 21.2°C 24.3°C 56.9% 376.5ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 20.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-03 19 21.2°C 24.3°C 56.1% 372.8ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 20.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-03 20 21.2°C 24.3°C 55.9% 384.4ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 20.0% 5.0% 5.0% 45.6% 5.0% 5.0%
2017-01-03 21 21.2°C 24.3°C 55.7% 398.9ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 20.0% 5.0% 5.0% 38.1% 5.0% 5.0%
2017-01-03 22 23.5°C 24.3°C 55.6% 400.2ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 40.8% 5.0% 5.0%
2017-01-03 23 23.6°C 24.3°C 55.9% 384.1ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 48.1% 5.0% 5.0%
2017-01-04 00 23.7°C 24.3°C 55.5% 441.9ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 37.5% 5.0% 5.0%
2017-01-04 01 23.5°C 24.3°C 48.7% 458.4ppm 0.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 13.9% 5.0% 5.0% 5.0%
2017-01-04 02 23.5°C 24.3°C 43.1% 461.6ppm 0.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.3% 5.0% 5.0% 5.0%
2017-01-04 03 23.5°C 24.3°C 43.4% 510.5ppm 0.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.3% 5.0% 5.0% 5.0%
2017-01-04 04 23.5°C 24.3°C 44.2% 533.4ppm 0.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.3% 5.0% 5.0% 5.0%
2017-01-04 05 23.5°C 24.3°C 44.2% 1255.7ppm 0.0% 0.0% 20.0% 0.0% 25.0% 25.0% 5.0% 5.0% 19.3% 5.0% 21.1% 20.0%
2017-01-04 06 23.5°C 24.3°C 54.4% 1261.1ppm 0.0% 0.0% 0.0% 0.0% 25.0% 25.0% 5.0% 5.0% 5.0% 5.0% 21.2% 20.0%
2017-01-04 07 22.2°C 24.3°C 58.5% 1051.9ppm 0.0% 25.0% 0.0% 45.0% 25.0% 25.0% 9.8% 5.0% 5.0% 50.0% 20.3% 20.0%
2017-01-04 08 22.2°C 24.3°C 57.2% 960.9ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-04 09 22.2°C 24.3°C 56.7% 582.6ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-04 10 22.2°C 24.3°C 56.6% 536.4ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-04 11 22.2°C 24.3°C 57.4% 496.6ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-04 12 22.2°C 24.3°C 59.4% 476.9ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 9.8% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-04 13 23.3°C 24.3°C 59.4% 455.5ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-04 14 23.3°C 24.3°C 59.4% 466.4ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-04 15 23.4°C 24.3°C 59.4% 450.1ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-04 16 23.4°C 24.3°C 58.4% 430.0ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-04 17 23.3°C 24.3°C 57.0% 420.7ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-04 18 23.3°C 24.3°C 57.0% 413.4ppm 0.0% 5.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
- 200 -
2017-01-04 19 23.4°C 24.3°C 55.9% 400.4ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 48.1% 5.0% 5.0%
2017-01-04 20 23.3°C 24.3°C 55.2% 404.2ppm 0.0% 5.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 22.7% 5.0% 5.0%
2017-01-04 21 23.3°C 24.3°C 55.7% 417.6ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 43.6% 5.0% 5.0%
2017-01-04 22 23.4°C 24.3°C 56.7% 423.0ppm 0.0% 5.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-04 23 23.3°C 24.3°C 56.9% 446.4ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 00 23.2°C 24.3°C 56.5% 472.2ppm 0.0% 15.0% 0.0% 45.0% 5.0% 5.0% 14.7% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 01 23.3°C 24.3°C 48.2% 500.1ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 15.1% 5.0% 5.0% 5.0%
2017-01-05 02 23.2°C 24.3°C 44.8% 494.5ppm 0.0% 15.0% 20.0% 0.0% 5.0% 5.0% 14.7% 5.0% 19.4% 5.0% 5.0% 5.0%
2017-01-05 03 23.4°C 24.3°C 44.8% 510.7ppm 0.0% 5.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.4% 5.0% 5.0% 5.0%
2017-01-05 04 23.3°C 24.3°C 44.8% 523.6ppm 0.0% 0.0% 20.0% 0.0% 5.0% 5.0% 5.0% 5.0% 19.4% 5.0% 5.0% 5.0%
2017-01-05 05 23.0°C 24.3°C 46.0% 523.0ppm 0.0% 15.0% 20.0% 0.0% 5.0% 5.0% 14.7% 5.0% 17.7% 5.0% 5.0% 5.0%
2017-01-05 06 23.3°C 24.3°C 56.7% 515.9ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 07 23.3°C 24.3°C 61.0% 509.7ppm 0.0% 0.0% 0.0% 55.0% 10.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 11.6%
2017-01-05 08 23.3°C 24.3°C 59.2% 496.5ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 09 23.3°C 24.3°C 59.2% 478.4ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 10 21.0°C 24.3°C 59.2% 465.8ppm 0.0% 25.0% 0.0% 45.0% 5.0% 5.0% 20.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 11 23.4°C 24.3°C 59.6% 462.8ppm 0.0% 5.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 12 23.2°C 24.3°C 60.1% 448.1ppm 0.0% 15.0% 0.0% 55.0% 5.0% 5.0% 14.7% 5.0% 5.0% 50.0% 5.0% 5.9%
2017-01-05 13 23.4°C 24.3°C 59.7% 431.2ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 14 23.3°C 24.3°C 59.7% 429.7ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 15 23.4°C 24.3°C 59.7% 423.1ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 16 23.5°C 24.3°C 59.7% 420.3ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 17 23.5°C 24.3°C 59.7% 416.5ppm 0.0% 0.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 18 23.2°C 24.3°C 59.7% 416.3ppm 0.0% 15.0% 0.0% 45.0% 5.0% 5.0% 14.7% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 19 23.2°C 24.3°C 59.7% 423.1ppm 0.0% 15.0% 0.0% 45.0% 5.0% 5.0% 14.7% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 20 23.2°C 24.3°C 59.7% 425.6ppm 0.0% 15.0% 0.0% 45.0% 5.0% 5.0% 14.7% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-05 21 23.2°C 24.7°C 62.1% 438.1ppm 0.0% 15.0% 0.0% 55.0% 20.0% 5.0% 14.7% 5.0% 5.0% 50.0% 5.0% 15.8%
2017-01-05 22 23.6°C 24.4°C 62.1% 436.2ppm 0.0% 5.0% 0.0% 55.0% 20.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 15.8%
2017-01-05 23 23.8°C 24.4°C 63.3% 461.2ppm 0.0% 5.0% 0.0% 55.0% 20.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 18.3%
2017-01-06 00 23.8°C 24.4°C 61.6% 479.9ppm 0.0% 5.0% 0.0% 55.0% 17.5% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 14.1%
- 201 -
2017-01-06 01 24.0°C 24.3°C 50.8% 484.3ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
2017-01-06 02 23.1°C 24.4°C 43.6% 549.3ppm 0.0% 15.0% 20.0% 0.0% 5.0% 5.0% 14.7% 5.0% 19.4% 5.0% 5.0% 5.0%
2017-01-06 03 23.1°C 24.4°C 44.3% 518.8ppm 0.0% 15.0% 20.0% 0.0% 5.0% 5.0% 14.7% 5.0% 19.4% 5.0% 5.0% 5.0%
2017-01-06 04 23.2°C 24.4°C 43.2% 514.8ppm 0.0% 15.0% 20.0% 0.0% 5.0% 5.0% 14.7% 5.0% 19.4% 5.0% 5.0% 5.0%
2017-01-06 05 23.2°C 24.4°C 43.8% 513.3ppm 0.0% 15.0% 20.0% 0.0% 5.0% 5.0% 14.7% 5.0% 19.4% 5.0% 5.0% 5.0%
2017-01-06 06 23.2°C 24.4°C 59.1% 512.4ppm 0.0% 15.0% 0.0% 45.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-06 07 23.2°C 24.4°C 60.4% 508.5ppm 0.0% 15.0% 0.0% 55.0% 10.0% 5.0% 14.7% 5.0% 5.0% 50.0% 5.0% 8.2%
2017-01-06 08 23.2°C 24.4°C 60.0% 491.3ppm 0.0% 15.0% 0.0% 55.0% 5.0% 5.0% 14.7% 5.0% 5.0% 50.0% 5.0% 5.0%
2017-01-06 09 23.2°C 24.4°C 60.4% 481.1ppm 0.0% 15.0% 0.0% 55.0% 10.0% 5.0% 14.7% 5.0% 5.0% 50.0% 5.0% 8.2%
2017-01-06 10 21.2°C 24.4°C 60.3% 469.2ppm 0.0% 25.0% 0.0% 55.0% 5.0% 5.0% 20.0% 5.0% 5.0% 50.0% 5.0% 7.4%
2017-01-06 11 21.2°C 24.4°C 60.3% 453.8ppm 0.0% 25.0% 0.0% 55.0% 5.0% 5.0% 20.0% 5.0% 5.0% 50.0% 5.0% 7.4%
2017-01-06 12 21.2°C 24.4°C 60.3% 453.3ppm 0.0% 25.0% 0.0% 55.0% 5.0% 5.0% 20.0% 5.0% 5.0% 50.0% 5.0% 7.4%
2017-01-06 13 23.6°C 24.4°C 60.3% 449.3ppm 0.0% 0.0% 0.0% 55.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 7.4%
2017-01-06 14 23.3°C 24.4°C 60.3% 440.5ppm 0.0% 15.0% 0.0% 55.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 7.4%
2017-01-06 15 23.5°C 24.4°C 60.3% 441.7ppm 0.0% 0.0% 0.0% 55.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 7.4%
2017-01-06 16 23.5°C 24.4°C 60.3% 435.7ppm 0.0% 0.0% 0.0% 55.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 7.4%
2017-01-06 17 23.4°C 24.4°C 60.3% 440.7ppm 0.0% 15.0% 0.0% 55.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 7.4%
2017-01-06 18 23.2°C 24.4°C 60.3% 442.8ppm 0.0% 15.0% 0.0% 55.0% 5.0% 5.0% 14.7% 5.0% 5.0% 50.0% 5.0% 7.4%
2017-01-06 19 23.9°C 24.4°C 60.3% 439.9ppm 0.0% 0.0% 0.0% 55.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 7.4%
2017-01-06 20 23.6°C 24.4°C 60.3% 441.5ppm 0.0% 0.0% 0.0% 55.0% 5.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 7.4%
2017-01-06 21 23.1°C 24.4°C 60.8% 440.4ppm 0.0% 15.0% 0.0% 55.0% 12.5% 5.0% 14.7% 5.0% 5.0% 50.0% 5.0% 10.6%
2017-01-06 22 24.0°C 24.4°C 62.7% 456.7ppm 0.0% 5.0% 0.0% 55.0% 20.0% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 17.4%
2017-01-06 23 24.0°C 24.4°C 65.1% 466.9ppm 0.0% 5.0% 0.0% 55.0% 22.5% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 20.0%
2017-01-07 00 23.8°C 24.4°C 64.2% 474.8ppm 0.0% 25.0% 0.0% 55.0% 22.5% 5.0% 5.0% 5.0% 5.0% 50.0% 5.0% 19.4%
2017-01-07 01 23.8°C 24.4°C 54.0% 502.3ppm 0.0% 5.0% 0.0% 0.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%
- 202 -
Anexa2 – Comparație între controlul PID și controlul fuzzy logic
- 203 -
- 204 -
- 205 -
- 206 -
- 207 -
- 208 -
- 209 -
- 210 -
- 211 -
- 212 -
- 213 -
- 214 -
- 215 -
- 216 -
- 217 -
- 218 -
Anexa3 – Codul sursa al regulilor analitice, în limbajul de programare Axon
Codul sursa al regulii analitice – Setpoint de temperatura neatins
(fcu,dates,loLimit:0,hiLimit:100,vsdThreshold:10,minTime : 30min,ruleWorkOrder: "None",priority:"High",type:"Energy") => do
equipWorkOrder:toEquipWorkOrder(fcu)
outOfSp: read(zone and temp and sp and effective and equipRef == fcu->id).hisRead(dates).hisFindPeriods((v, ts) =>(v<loLimit or v>hiLimit and v != na()))
fcuVSD: read(fan and speed and sensor and equipRef == fcu-> id)
fcuOn: fcuVSD.hisRead(dates).hisFindPeriods ( val=> (val>vsdThreshold and val != na()) )
hisPeriodIntersection([outOfSp,fcuOn]).findAll(ts=>ts->v0 > minTime).addMeta
({spark_ruleWorkOrder:parseWorkOrder(ruleWorkOrder),spark_equipWorkOrder:parseWorkOrder(equipWorkOrder),spark_priority:parseSparkPriority(priority),spark_type:parseSpark
Type(type)})
end
end
Codul sursa al regulii analitice – Încălzire ineficienta
(fcu,dates,valveThreshold:20,tempThreshold:3,vsdThreshold:5,minTime:15min,ruleWorkOrder:"None",priority:"Medium",type:"Operations") => do
equipWorkOrder:toEquipWorkOrder(fcu)
saTemp : read(discharge and air and temp and sensor and internal and equipRef == fcu->id)
saTempSp : read(discharge and air and temp and internal and sp and not (max) and not (min) and not (avg) and equipRef == fcu->id)
heatTime: ahuHeatPeriods(fcu,dates,valveThreshold)
issueTime: comparepoints(saTempSp,saTemp,dates,tempThreshold).hisFindPeriods(matchPointVal(_,"greater"))
fcuVSD: read(fan and speed and sensor and equipRef == fcu-> id)
fcuOn: fcuVSD.hisRead(dates).hisFindPeriods ( val=> (val>vsdThreshold and val != na
hisPeriodIntersection([issueTime,heatTime,ahuOn]).findAll(ts => ts->v0 >
minTime).addMeta({spark_ruleWorkOrder:parseWorkOrder(ruleWorkOrder),spark_equipWorkOrder:parseWorkOrder(equipWorkOrder),spark_priority:parseSparkPriority(priority),spark
_type:parseSparkType(type)})
end
- 219 -
Codul sursa al regulii analitice – Răcire ineficienta
(fcu,dates,valveThreshold:20,tempThreshold:3,vsdThreshold:10,minTime:15min,ruleWorkOrder:"None",priority:"Low",type:"Comfort") => do
equipWorkOrder:toEquipWorkOrder(fcu)
saTemp : read(discharge and air and temp and sensor and internal and equipRef == fcu->id)
saTempSp : read(discharge and air and temp and internal and sp and not (max) and not (min) and not (avg) and equipRef == fcu->id)
coolTime:ahuCoolPeriods(fcu, dates,valveThreshold)
issueTime:comparepoints(saTemp,saTempSp,dates,tempThreshold).hisFindPeriods(matchPointVal(_,"greater"))
ahuVSD: read(fan and speed and sensor and equipRef == fcu-> id)
fcuOn: ahuVSD.hisRead(dates).hisFindPeriods ( val=> (val>vsdThreshold and val != na()))
hisPeriodIntersection([issueTime,coolTime,ahuOn]).findAll(ts => ts->v0 >
minTime).addMeta({spark_ruleWorkOrder:parseWorkOrder(ruleWorkOrder),spark_equipWorkOrder:parseWorkOrder(equipWorkOrder),spark_priority:parseSparkPriority(priority),spark
_type:parseSparkType(type)})
end
Codul sursa al regulii analitice– Urmărire umiditate relativă
(fcu,dates,threshold:5,minTime:30min,ruleWorkOrder:"None",priority:"Medium",type:"Operations") => do
dehumsp:read(dehum and sp and equipRef==fcu->id,false)
equipWorkOrder:toEquipWorkOrder(fcu)
if(dehumsp!=null) do
humsp:read(hum and sp and equipRef==hum->id)
znhum:read(zone and humidity and sensor and equipRef==hum->id)
issue:hisRead([dehumsp,humsp,znhum],dates).map row=>
{ts:row->ts,v0:(((row["v2"]-row["v0"])>threshold) or ((row["v1"]-row["v0"])>threshold))}
issueTime:issue.hisFindPeriods(matchPointVal(_,true))
humRunTime:hum. RunPeriods(dates)
hisPeriodIntersection([issueTime,humRunTime]).findAll(ts=>ts->v0>minTime)
- 220 -
.addMeta({spark_ruleWorkOrder:parseWorkOrder(ruleWorkOrder),spark_equipWorkOrder:parseWorkOrder(equipWorkOrder),spark_priority:parseSparkPriority(priority),spark_type:par
seSparkType(type)})
end
end
Codul sursa al regulii analitice– Urmărire nivel CO2 și prezentarea fiecărei funcții este desfășurat mai jos.
(fcu,dates,oadMin:25,co2sp:800ppm,co2Threshold:50ppm,minTime:15min) => do
co2sens:read(co2 and sensor and equipRef==ahu->id,false)
if(co2sens==null) throw "No CO2 sensor"
src:read(co2 and sp and not min and equipRef==ahu->id,false)
if(src!=null) do
co2sp=src issuetime:comparepoints(co2sens,co2sp,dates,co2Threshold).hisFindPeriods(matchPointVal(_,"greater")
end
else issuetime:hisRead(co2sens,dates).hisFindPeriods(v=>v>(co2sp+co2Threshold)) oad:ahu.toAhuOutsideDamper(false) if(oad!=null) do
oadMinSp:read(outside and damper and position and sp,false)
if(oadMinSp!=null) oadClose:comparepoints(oadMinSp,oad,dates,0).hisFindPeriods(matchPointVal(_,"greater"))
else oadClose:oad.hisRead(dates).hisFindPeriods(v=>v<=oadMin)
end
else oadClose:null
hisPeriodIntersection([issuetime,oadClose]).findAll(ts=>ts->v0>minTime)