10. POJAM SIGURNOSTI U ŽELJEZNIČKOM PROMETU U željezničkom prometnom sustavu, kao umjetno stvorenom sustavu koji utječe

na okolinu, sigurnost željezničkog prometa se označava kao pojam isključivanja štetnih ili konfliktnih situacija, pojava ili događaja u odvijanju prometa. Kao što je poznato, željeznički promet je definiran tehnološkim procesom, koji podrazumijeva određenu regulaciju prometa. To znači da se promet vlakova mora na neki način fizički regulirati, tako što će biti što manje opasan za okolinu gdje se taj promet odvija. Jedna od najprihvatljivijih definicija sigurnosti željezničkog prometa glasi:

“ Sigurnost je najveća moguća vjerojatnost da će cjelokupni prometni sustav ili određeni njegov podsustav sigurno funkcionirati, uz unaprijed određene radne uvjete. Ako iz bilo kojeg razloga dođe do pojave ugroženosti pravilnog odvijanja željezničkog prometa, ugrađeni uređaji moraju biti tako projektirani, programirani i izvedeni da bezuvjetno, pouzdano i automatski prelaze na višu razinu sigurnosti, pa i po cijenu ukupne obustave prometa.”

I iz ove definicije se vidi da je i ona sastavljena iz četiri osnovna pojma, a to su: vjerojatnost, sigurno odvijanje prometa, radni uvjeti i bezuvjetni, pouzdan i automatski prijelaz na višu razinu sigurnosti. Pojam sigurnog odvijanja prometa može se odrediti prema utjecaju koji željeznički prometni sustav čini na okolinu. Težnja je, da utjecaj željeznice na okolinu bude čim manji. Najteži zadatak koji se postavlja pred željeznicu u svezi sigurnosti je svakako spriječiti konfliktne situacije, kako unutar samog željezničkog prometa, tako i prema drugim vidovima prometa s kojim se željeznica nalazi u istom okolišu. Zadaću bezuvjetnog, pozdanog i automatskog prijelaza na višu razinu sigurnosti mogu ostvariti samo uređaji koji imaju ugrađene elemente za detekciju i mjerenje određene fizikalne veličine, nadalje imaju ugrađene elemante za obradu prispjelih podataka i kao najvažnije, elemante umjetne inteligencije za usporedbu obrađenih podataka s programiranim, na temelju koje će se odrediti ponašanje objekata u sustavu.

Obje ove definicija, kao i osnovni pojmovi, ukazuju na kompleksnost i težinu zadatka, određivanje elementa za sigurno odvijanje željezničkog prometa. Ako bismo doslovce primijenili obje definicije i njihove sastavne pojmove, došli bi do apsurdnog zaključka da je apsolutno siguran željeznički promet kada željeznička vozila miruju. Uzimajući u obzir činjenicu da je promet ipak realna pojava, s realnim elementima, treba težiti da se čim više otklone uzročnici nepoželjnih pojava ili događaja, s ciljem postizanja sigurnog odvijanja željezničkog prometa čim bližom apsolutnoj sigurnosti i pouzdanosti. To znači da određeni elementi prometnog sustava moraju uvijek pozdano i sigurno funkcionirati bez obzira na uvjete rada.

10.1. Logika uporabe sigurnosnih elemenata Promatrajući elemente prometa koji imaju sigurnosne zadaće, treba se definirati

pojam sigurnosnog elementa, koji predstavlja veći ili manji sklop, element ili dio uređaja, a predstvalja određenu funcionalnu cjelinu. Sigurnosni element će imati takove karakteristike da pod utjecajem bilo kakve smetnje ne može u njemu prouzročiti takvo stanje, koje će na izlaznoj strani uspostaviti normalno ili projektirano stanje, ako za to nisu ispunjeni svi potrebni ulazni logički uvjeti. To znači, da se u nenormalnim uvjetima rada na izlazu iz sigurnosnog elemanta ili komponente uspostavlja uvijek isto unaprijed zadano stanje, koje je nedvosmisleno različito od normalnog ispravnog izlaznog stanja. Tim se načinom, u slučaju pojave kvara ili greške onemogućava prijenos informacije preko neispravne sigurnosne komponente, koja bi mogla uspostaviti normalno stanje na izlau te komponente ili uređaja.

Ovdje se postavlja osnovno pitanje, a to je pitanje definiranja normalnog, ispravnog stanja određenog tehničkog sustava. Definicija normalnog, odnosno ispravnog stanja nekog uređaja usko je vezana s zadacima koje određeni sustav treba obaviti.

Tako se može pokazati da uređaj može biti u dva suprotna stanja: − ispravno stanje i − neispravno stanje.

Ispravno stanje je onda kada uređaj, podsustav ili cijeli sustav radi prema svim zadanim tehničko-normativnim funkcijama. Neispravno stanje nastaje kada tehnički sustav ne zadovoljava makar i jednom zahtjevu tehničko-normativnih funkcija. Utvrđivanje stanja uređaja je zapravo proces dijagnosticiranja, koji se bazira na logičkoj obradi objektivne informacije koju promatrani tehnički sustav daje kao izlaznu informaciju. Ta informacija dolazi u obliku vanjskih znakova koji direktno označuju stanje tehničkog sustava.

Promatra li se neki jednostavan realni tehnički sustav u vremenskoj domeni, onda taj sutav može biti u tri različita stanja: − normalno stanje u radu, − nenormalno neispravno stanje i − nedefinirano stanje.

Ovakva podjela pogodna je za analizu tehničkih sustava koji imaju funkciju upravljanja. Dijagnostika stanja takvih tehničkih sustava izvodi se u vremenskoj domeni, odnosno odziva upravljanog sustava na ulaznu pobudu. Kako se radi o realnim sustavima, odziv na pobudu ima i vremensku komponentu. Tako se može pokazati da ukoliko sustav ima svojstvo inercije, odziv na ulaznu pobudu također je vremenski pomaknut. Od trenutka pobude do trenutka odziva, sustav se tada nalazi u nedefiniranom stanju, te se za sustav tada ne može utvrditi da li je u ispravnom ili neispravnom stanju.

Dijagnosticiranje stanja tehničkih sustava, koji imaju zadatak upravljanja, bazira se na utvrđivanju dijelova sustava koji ne odgovaraju postavljenim tehničkim uvjetima i ne reagiraju na zadanu pobudu. U procesu dijagnosticiranja stanja sustava, očito je da se svi elementi nalaze u nedefiniranom stanji, do trenutka

provjere, koje treba što kraće trajati, a sam proces mora biti tako koncipiran kako bi se dobio što točniji, istinit i jednostavan rezultat.

Uzimajući u obzir navedene kriterije podjele stanja tehničkih sustava logično je da se više pažnje posvećuje analizi neispravnih i nedefiniranih stanja. Kvarovi se mogu pojaviti zbog mnogobrojnih razloga i u različita vremena. Općenitom klasifikacijom možemo greške i kavarove podijeliti na:

− Iznenadani kvarovi koji se pojavljuju kao posljedica naglih promjena parametara koji određuju funkcionalnost određenog sklopa, a čiji je uzrok najčešće skriveni nedostatak materijala ili elemenata od kojih je taj sklop načinjen,

− Postupni kvar koji nastaje kada se parametri koji određuju funkcionalnost sklopa postupnu mijenjaju u dužem razdoblju,

− Neovisan kvar nastaje kada se pojavi greška ili nesipravnost samo jednog elementa koji čini sklop,

− Potpuni kvar ili otkaz nastaje kada sklop ili uređaj nije u stanju obaviti postavljeni zadatak, a za njegovo otklanjanje je potreban popravak,

− Djelomičan kvar ili greška će se pojaviti kao posljedica promjena nekih karaktetistika elememata ili sklopova, a uređaj može djelomično obaviti postavljene zadatke,

− Prolazni kvar će se pojaviti kao prolazna promjena karakteristika sustava koji mu dozvoljava regeneraciju,

− Povratni kvar ili otkaz zapravo predstavlja posljedicu niza prolaznih kvarova koji slijede prije njega, a zahtjeva analizu uzroka zbog kojeg je nastao,

− Slučajni kvar ili pogreška će se za razliku od iznenadnog kvara javiti u slučaju njegovog nepoznatog uzroka i

− Sistematski kvar ili pogreška nastaje kao posljedica starenja, korozije, erozije ili trošenja određenog elementa ili sklopa, a pojavljuje se proporcionalno s vremenom.

10.2. Primjer proračuna pouzdanosti Pouzdanost i sigurnost željezničkog prometa vrlo je složena i kompleksna

problematika, koja zahtijeva egzaktan i suptilan pristup rješavanju kako najjednostavnijih tako i najsloženijih zadataka.

Uzme li se za primjer određivanje razine pouzdanosti podsustava željezničkog prometa koji obuhvaća interakciju uređaja (signala), čovjeka (strojovođa) i pokretnog sredstva (lokomotiva), mogu se izračunati i usporediti vrijednosti pouzdanosti (Pi), triju znakovitih kombinacija odnosa uređaj-čovjek-stroj:

1. P1 - pouzdanost podsustava sastavljenog od signalnog uređaja (SU) i čovjeka (Č), gdje čovjek opaža signal i na njega reagira, upravljajući lokomotivom pomoću lokomotivskog kočionog sustava (KL). Blok-shema podsustava prikazana je slikom 10.1.,

Slika 10.1. Blok-shema podsustava signal-čovjek-stroj 2. P2 - pouzdanost podsustava sastavljenog od signalnog uređaja (SU) i autostop

uređaja (AS), koji radi bez prisustva čovjeka, gdje uređaj automatski djeluje reagirajući na signal, a upravljajući lokomotivom pomoću lokomotivskog kočionog sustava (KL). Blok-shema podsustava prikazana je slikom 10.2. i

Slika 10.2. Blok-shema podsustava signal-autostop-stroj 3. P3 - pouzdanost podsustava sastavljenog od signalnog uređaja (SU) i

paralelne kombinacije autostop uređaja (AS) i čovjeka (Č), koji radi uz prisustvo čovjeka, gdje uređaj automatski djeluje reagirajući na signal, a čovjek i dalje upravljaja lokomotivom pomoću

SIGNAL ČOVJEK

KOČIONI UREĐAJ LOKOMOTIVE

Pouzdanost signalnog uređaja

(PSU)

Pouzdanost čovjeka (Pč)

Pouzdanost kočionog uređaja

(PKL)

SIGNAL AUTOSTOP UREĐAJ

KOČIONI UREĐAJ LOKOMOTIVE

Pouzdanost signalnog uređaja

(PSU)

Pouzdanost autostop-uređaja

(PAS)

Pouzdanost kočionog uređaja

(PKL)

lokomotivskog koćionog sustava (KL). Blok-shema podsustava prikazana je slikom 10.3.

Slika 10.3. Blok-shema podsustava signal-čovjek⏐⏐autostop-stroj

Koristeći se podacima iz stručne literature i željezničke prakse, može se

pokazati da su najpogodnije vrijednosti pouzdanosti za signalno-sigurnosne uređaje i čovjeka:

PSU=PAS=PKL=0,999 i Pč=0,35. Uzimajući u obzir gornje vrijednosti, provodi se postupak proračuna

pouzdanosti sva tri gornja slučaja, tako da je: 1. P1=PSU

.PČ.PKL=0,999.0,35.0,999=0,349

2. P2=PSU.PAS

.PKL=0,999.0,999.0,999=0,9970 3. P3= ( )( )[ ] =⋅−−− KLASČSU PP1P11P

= ( )( )[ ] 0,9990,99910,35110,999 ⋅−−− =0,99735 Iz ovoga primjera je vidljivo da je moguće, primjenom odgovarajućih

matematičkih modela i koristeći teoriju vjerojatnosti i pouzdanosti te pribjegavajući odgovarajućim međusobnim odnosima pojedinih komponenti, postići zadovoljavajuće rezultate glede pouzdanosti i sigurnosti promatranog sustava. Vidljivo je, da je moguće podizanje razine podsustava uključujući u kombinaciju i čovjeka s relativno niskom vlastitom pouzdanošću, ako je pri tome primijenjen princip redundancije.

SIGNAL

ČOVJEK

KOČIONI UREĐAJ

Pouzdanost signalnog

uređaja (PSU)

Pouzdanost čovjeka (Pč)

Pouzdanost kočionog uređaja

(PKL)

Pouzdanost autostop-uređaja

(PAS)

AUTOSTOP UREĐAJ

10.3. Sustav za podršku u upravljanju signalno-sigurnosnim uređajima

Elektronički signalno-sigurnosni uređaji predstavljaju računalski podržani sustav upravljanja željezničkim prometom koji u svom radu koriste informacije, bilo iz vlastitog sustava, bilo iz drugih informacijskih sustava, a služe za donošenje optimalne upravljačke odluke.

U takvim sustavima postupak odlučivanja odvija se od najjednostavnijeg rutinskog odlučivanja u dobro poznatim uvjetima, po dobro poznatim pravilima, do vrlo složenog odlučivanja u nepoznatim i višedimenzionalnim uvjetima, bez dobro poznatih pravila, ali ni jedna odluka ne smije ugroziti sigurnost odvijanja željezničkog prometa. Tako se može dokazati da je u željezničkom prometu potrebno donositi odluke u različitim uvjetima složenosti. Ovdje se mora istaknuti da se radi o složenom i vremenski zahtjevnom procesu odlučivanja, koji sadrži slijedeće elemente: problem, potreba rješenja problema, postojanje izbornih rješenja problema, donositelj odluke i izvršitelj odluke. Uz pretpostavku postojanja svih gore navedenih elemenata, očito je da postoje i različite metode rješavanja problema, koje donositelju odluke stoje na raspolaganju, kao rješenje postavljenog problema. Donositelj odluke je čovjek koji svakodnevno donosi odluke na temelju iskustva, intuicije i procjene. Kao pomoć u odlučivanju razvijene su mnogobrojne formalno-analitičke metode, kao što su statistička analiza, stvaranje modela i simulacija, te pomagala u obliku računalskih programa za proračune i upravljanje bazama podataka. Uporabom navedenih metoda i pomagala, te korištenjem iskustva, intuicije i procjene, stvaraju se informacije na temelju kojih donositelj odluke može donijeti pravu odluku kao rješenje postavljenog problema. Same informacije se sastoje iz velikog broja raspoloživih podataka, koje je potrebno prikazati u pravom obliku na pravom mjestu i u pravo vrijeme.

Da bi se stvorila vrijedna informacija, podatke treba na pogodan način obraditi. Obrada se podataka najčešće koristi za pretvorbu skupa neobrađenih i sirovih podataka u statističke informacije u brojevnom obliku, a najčešće predstavljaju srednju vrijednost, medijane ili varijance podataka, ali mogu biti i u grafičkom obliku prikazani dijagramima, histogramima ili grafikonima.

Pretvorba, obrada i pohranjivanje informacija obavlja se u informacijskom sustavu. Osnovni zadatak informacijskog sustava je da na temelju informacija pohranjenih u bazi podataka donositelju odluka neposredno pruži pravu i ažurnu informaciju o promatranom procesu. Ta informacija mora biti u takvoj formi da se pomoću nje može planirati, organizirati i nadzirati sustav upravljanja željezničkim prometom. Uporabom takvih informacijskih sustava, donositelj odluke se udaljuje od same obrade podataka, a time se smanjuje vrijeme potrebno za interpretaciju podataka..

Uporabom računala u informacijskom sustavu, donositelj odluke komunicira s informacijskim sustavom putem tipkovnice i zaslona monitora. Potrebni podaci se obrađuju uporabom pogodnih programa, a rezultat obrade se prikazuje u najprikladnijem obliku za donošenje odluke, koji je najčešće u vidu grafikona, slika ili tablica.

10.4. Sustav za podršku u donošenju odluke

Analiza ponašanja svakog tehničkog sustava, pa tako i sustava upravljanja prometom, može se definirati kao efikasnost sustava upravljanja, koji predstavlja vjerojatnost uspješnosti obavljanja funkcija koje su projektirane za određeno vrijeme i određene uvjete okoline.

Sustavi za podršku u donošenju odluke o upravljanju predstavljaju sustave za prikupljanje i obradu podataka, njihovu vizualizaciju i pružanje preporuka o akcijama koje mogu dovesti do rješenja postavljenog zadatka korištenjem analitičkih metoda, a prikazani su slikom 10.4.

Slika 10 4.Sustav za podršku u donošenju odluka

Ovakvi sustavi formuliraju se za određenu kategoriju problema, primjenom odgovarajućih metoda rješavanja koje uključuju: matematičko programiranje, ulazno-izlazne analize, metode teorije repova, mrežno planiranje, simulacijske metode, postupke predviđanja i slično. Nastoji se postavljeni zadatak pogodno prikazati, koristeći se nekim postojećim modelom, a u suprotnome, se nastoji postavljeni problem transformirati u približan matematički model, pri čemu se koristi pojednostavljenje uz zanemarivanje određenih faktora. Ako sustav za podršku u donošenju odluke raspolaže pomagalima za rješavanje postavljenog zadatka,

PODACI

ALAT ZA STVARANJE BAZE PODATAKA

BAZA PODATAKA

OBRADA PODATAKA

ANALITIČKE METODE

SUČELJE

KORISNIK

donositelju odluke će se preporučiti jedno ili više rješenja koja slijede, primjenom odgovarajuće metodologije. Ovaj sustav svakako je aktivni sudionik u procesu donošenja odluka.

10.5. Model sustava za podršku u upravljanju željezničkim prometom Pretpostavka za razvoj modela sustava za podršku u upravljanju signalno-

sigurnosnim uređajima te upravljanju željezničkim prometom na najvišoj razini, svakako je opis prometnih komponenti i aktivnosti, proširen vrijednostima informacijsko-komunikacijskih sustava. Uvažavajući posebnosti odvijanja željezničkog prometa, upravljajući sustav komunicira s prometnim procesom, na temelju utvrđenih protokola, izmjenjujući poruke utvrđenog formata. Upravljajući sustav sastavljen je od niza podsustava, koji kao i cijeli sustav, u predmetnom modelu za svoj rad koriste numeričke i simboličke podatke i informacije. Stoga se upravljački sustavi, koji tradicionalno koriste algoritamske module trebaju proširiti simboličkim modulima, čime se uvodi mogućnost simboličke obrade informacija, koja omogućuje automatsko donošenje zaključka, objašnjenje postupka dolaska do zaključka te razloga pokretanja dijaloga čovjeka s procesom.

Predmetni model upravljajućeg sustava signalno-sigurnosnim uređajima i željezničkim prometom uz algoritamske module sadrži i simboličke module kako je prikazano slikom 10.5.

Slika 10.5. Model sustava za podršku u upravljanju željezničkim prometom

Primjenom tako definiranog modela, informacije o željezničkom prometnom procesu ne svode se samo na egzaktne matematičke oblike, već se pretvaraju u znanja o prometnom procesu, koje je moguće obrađivati i koristiti za donošenje odluka o načinu odvijanja željezničkog prometa.

Algoritamski modul u upravljajućem sustavu modelira zakonitosti odvijanja prometnog procesa, primjenom analitičkih metoda. Analitičke metode sadrže skupove algoritama, kao metode rješavanja postavljenog zadatka, a pomoću operacija iz utvrđenog skupa elementarnih operacija, tako da se do rješenja dolazi primjenom konačnog broja elementarnih operacija. Elementarne operacije sadrže

UPRAVLJAJUĆI SUSTAV

ALGORITAMSKI MODUL

SIMBOLIČKI MODUL

UPRAVLJANI SUSTAVSIGNALNO-SIGURNOSNI UREĐAJI

ZA UPRAVLJANJE PROMETOM

temeljne logičke opreacije (i, ili, ni, nili, ne) te jednostavne matematičke postupke (zbrajanje, oduzimanje, dijeljenje i množenje). Pri rješavanju postavljenog zadatka, algoritme je moguće primijeniti na jednu ili više matematičkih zakonitosti, kako bi se dobio matematički sud koji stavlja elemente upravljajućeg i upravljanog sustava u različite odnose.

Tako se dobiva zakonitost odvijanja željezničkog prometa, kao prikaz znanja o načinu rada promatranog prometnog sustava. Algoritamski odnosno konvencionalni pristup rješavanja problema predstavlja zapravo povezanost zakonitosti, matematičkih jednakosti, logičkih zaključivanja kao i strogo održavanje redosljeda izvođenja pojednih koraka elementarnih operacija.

U okviru algoritamskog modula, modela sustava za podršku u upravljanju željezničkim prometom moguće je postaviti model i program za istraživanje pouzdanosti signalno-sigurnosnih uređaja, a prikazan je slikom 10.6.

U tom modelu analizira se pouzdanost signalno-sigurnosnih uređaja, koji se sastoje iz pojedinih elemenata. Analiza pojedinih elemenata uređaja usmjerena je prvenstveno na određivanje pojma kvara samog elementa i izradi kriterija pouzdanosti elemenata te uređaja kao cjeline, kao i na određivanje oblika potrebnih podataka, kako bi se mogla dobiti informacija o stanju uređaja. Postupak izrade kriterija pouzdanosti će kao rezultat matematičkih operacija dati temelj za izradu teorijskog modela, dok će s druge strane određivanje pojma kvara kao rezultat dati tablicu pouzdanosti koja će biti temelj za izbor matematičkih metoda. Pomoću matematičkih metoda u teorijskom modelu, na temelju unešenih podataka, odrediti će se karakteristika pouzdanosti. Analizom karakteristika pouzdanosti dolazi se do pouzdanosti i operativne raspoloživosti uređaja. Obradom podataka o pouzdanosti i raspoloživosti određuju se nužne promjene u uređaju, koje određuju održavanje sustava. Izlazni podaci iz održavanja sustava koriste se za istraživanje povećanja pouzdanosti, kao i za praćenje poduzetih operacija.

SIGNALNO-SIGURNOSNIUREĐAJ

ANALIZA ELEMENATA PROMATRANJA

IZRADA KRITERIJA POUZDANOSTI

UNOS PODATAKA O STANJU SUSTAVA

ODREĐIVANJE ZNAČAJKI POUZDANOSTI

ODREĐIVANJE POJMA KVARA

IZRADA TEORIJSKOG MODELA

IZRADA TABLICE POUZDANOSTI

IZBOR MATEMATIČKIH METODA

ODREĐIVANJE PROMJENAPOUZDANOST OPERATIVNA RASPOLOŽIVOST SUSTAVA

ODRŽAVANJE SUSTAVAISTRAŽIVANJE POVEĆANJA POUZDANOSTI

PRAĆENJE PODUZETIH OPERACIJA

Slika 10.6. Model istraživanja pouzdanosti signalno-sigurnosnih uređaja Univerzalno rješavanje problema upravljanja željezničkim prometnim

procesom, koji je u uskoj vezi s problemima pouzdanosti elemenata koji sudjeluju u tom procesu, očito nije moguće samo primjenom algoritamskog modula, pa se tako pojavljuje nužnost primjene simboličkog modula koji u sustav unosi određeni stupanj inteligentnog ponašanja. Primjena simboličkog modula u sustavu upravljanja željezničkim prometom ima za cilj pojačanje komunikacije između čovjeka i sustava, kao i sustava i procesa u svrhu donošenja pravilnijih odluka, što će rezultirati povećanjem sigurnosti u željezničkom prometu. Ovaj modul je razvijen na temelju primjene tehnika discipline umjetne inteligencije, a problemi koji se rješavaju ovim načinom jednaki su problemima koji se žele riješiti uz

pomoć sustava za podršku u donošenju odlika i heurističkim programiranjem, kako bi se čovjeku pomoglo pri donošenju pravilnih odluka.

Heurističko programiranje je postupak pronalaženja rješenja za model koji je sastavljen od heurističkih pravila, a to su pravila razvijena intuicijom, iskustvom i vlastitom procjenom. Značajke heurističkih pravila označavaju svojstva izbora, filtriranja i odbacivanja, pa se tako mogu upotrijebiti za smanjenje broja izvedenih alternativnih puteva u postupku rješavanja postavljenog zadatka. Iskustvom koje se vremenski stvara, stjeće se osjećaj o prikladnosti primjene pojedine heuristike, koja mogu dovesti do boljih rješenja. Slaganjem jednog ili više heurističkih pravila s postupcima za izvođenja rješenja stvara se heuristički program koji daje rješenje, a samo programiranje je postupak pronalaženja rješenja. Za razliku od algoritamske procedure, heurističko programiranje daje rezultate koji mogu, ali ne moraju, uvijek biti teorijski najbolji ili predstavljati optimalno rješenje. Heuristike i heurističko programiranje koriste se u nalaženju prihvatljivih rješenja, a opravdanje za njihovu primjenu nalaze se u slučajevima kada se analitičke metode, posebice one koje daju optimalna rješenja, pokažu manje djelotvornima. Budući da heurističko programiranje ne jamči najbolje rješenje, postupak rješavanja se ne prikazuje u formi algoritma već predstavlja postupak zaključivanja odnosno logičkog računa koji izvodi zaključke iz skupa upotrebljenih heuristika. Heuristička pravila i heuristički način zaključivanja može olakšati postupak donošenja odluke, te tako heurističke metode često tvore dio pomagala uključenih u sustave za podršku u donošenju odluka, a nadopunjavaju skup analitičkih metoda.

Disciplina umjetne inteligencije proučava načine izgradnje informacijskih sustava koji probleme mogu riješiti bolje od čovjeka, uz uvjet izuzimanja definicije inteligencije i bez usporedbe s djelotvornošću čovjeka i stroja. Ova disciplina predstavlja proizvodno područje kognitivnih znanosti, a u tehničkom smislu, umjetna inteligencija je zanimljiva u okviru ostvarenja strojeva ili programskih sustava koji imaju sposobnost efektivnog ponašanja u području zaključivanja, mišljenja i prosuđivanja.

Temelj umjetne inteligencije je svakako znanje, a inteligentni programski sustav raspolaže velikom količinom formalnih i neformalnih znanja i iskustava, iz kojih se induktivnom i deduktivnom metodom generiraju nova znanja, pojmovi ili njihovi odnosi. Primjena novih metoda umjetne inteligencije, u odnosu na složenost problema, može se promatrati kao pokušaj rješavanja složenih kombinatornih problema u polinomnom vremenu, a sustavi čije je ponašanje određeno znanjem koji posjeduju, nazivaju se informacijski sustavi temeljenim na znanju, sustavima za obradu znanja ili inteligentnim informacijskim sustavima. Osnovna pitanja pri razvoju informacijskih sustava temelje se na znanju i značenju, odnosno smislu određenog koncepta ili relacije, kao i prikaz znanja i značenja u obliku koje računalo može pročitati.

Ukoliko postoji više inteligentnih informacijskih sustava, od kojih svaki ima stručno i specijalističko znanje iz određenog područja, tada se takav sustav naziva ekspertnim. Ekspertni sustav ne mora biti isključivo vezan s područjem umjetne

inteligenicije, jer su u njemu ugrađene i ostale discipline, naročito ako se ekspertni sustav promatra kao specifični format implementacije heurističkog programiranja. Promatrajući s tog gledišta ekspertni sustavi ne predstavljaju proizvod razvijen unutar discipline umjetne inteligencije ili računalnih znanosti, ali koristeći se heuristikama kao osnovne komponente razvoja baze znanja unutar ekspertnih sustava, proširuje se primjena takvih sustava skupom potrebnih formalnih postupaka i pravila. Ekspertni sustavi su se pokazali komercijalno i znanstveno prihvatljivima, bez obzira što ti sustavi i heuristički programi ne donose uvijek matematički optimalna rješenja i što nedostaju formalni dokazi konvergencije prema tim optimalnim rješenjima. Najznačajniji doprinos ekspertnih sustava heurističkom programiranju je odvajanje postupka zaključivanja od baze znanja, odnosno odvajanjem postupka rješavanja problema od baze znanja, a zadatak se usmjerava na razvoj modela baze znanja.

10.6. Inteligentni informacijsko-komunikacijski sustavi u željezničkom prometu Promatrajući sustave umjetne inteligencije, računala se ne smiju tretirati kao

računski strojevi, nego kao strojevi za pretvorbu, obradu, proizvodnju i distribuciju informacija. Rad inteligentnog informacijsko-komunikacijskog sustava temelji se na mehaničkom modelu intelekta, koji podrazumijeva učenje, razumijevanje, rješavanje problema, objašnjenja vlastitog ponašanja, te ostale inteligentne funkcije koje najviše ovise o znanju. Da bi se neka pojava, događaj ili proces razumio, potrebno je imati određeno znanje koje se tamelji na početnom znanju čije je podrijetlo izvan odnosnog sustava, a kasnije se ono samo proširuje. Za inteligentno ponašanje informacijsko-komunikacijskog sustava dovoljan uvjet je posjedovanje velike količine specijalističkog znanja, što znači da takvi sustavi mogu pružiti ogromnu podršku stručnjaku ili specijalisti pri rješavanju problema kada je potrebna visoka razina intelektualne aktivnosti. Dobre rezultate ekspertni sustavi pokazuju u područjima gdje se mišljenje ne temelji na matematičkim operacijama, već na zaključivanju, iako je većina stručnih i specijalističkih aktivnosti vezana za matematičke formule. Specijalističko znanje ne temelji se samo na znanju prikazanom tekstovima u knjigama, časopisima ili publikacijama, već i u korištenju iskustva, izbjegavanju tuđih pogrešaka, ponavljanjem uspješnih postupaka, kao i osjećanju problema, što sve ima za posljedicu naglašenu vremensku dimenziju znanja. Tako su u željezničkom prometu izgrađena mnogobrojna pravila koja su nastala iz iskustva stogodišnje eksploatacije željeznice, a kombinirana s novim znanjima željeznica postaje atraktivna grana prometa. Može se pokazati da uporabom ekspertnog sustava čovjek postaje iskusan i vješt stručnjak.

U odnosu na čovjeka ekspertni sustav može otkloniti nedostatke čovjeka koje mogu izazvati slijedeće grupe pogrešaka:

− pogreške nastale kao posljedica psiholoških nedostataka ljudskog organizma,

− pogreške koje su posljedica ograničenosti senzorskih organa ljudskog organizma,

− pogreške nastale nedostacima antropometrijskih karakteristika i motorike ljudskog organizma.

Ekspertni sustav u odnosu na čovjeka, stručnjaka s dokazanim znanjem za obavljanje određenog zadatka, ima prednosti koje se mogu izraziti slijedećim tvrdnjama:

• Trenutno i uvijek je raspoloživ i uvijek pruža istu razinu stručnosti, • Pristup potrebnim bazama podataka je neposredan i trenutačan, te nije vezan

nepotpunim, ograničenim ili pristranim pamćenjem, • Objektivan je, logičan i dosljedan, a na njega ne utječu emocionalni

elementi, • Ne radi matematičke pogreške i ne zaboravlja, osobito ona pravila koja su

dovela do rješenja, • Uvijek je u stanju budnosti, tako što stalno nadzire i opaža kritične

događaje, a odluke što ih donosi od općeg su značaja, odbacujući nečiji osobni prestiž,

• Spremište je za pohranjivanje znanja stručnjaka koji su ga razvili, te umnožava stručnost organizacije u kojoj se koristi.

Može se ustvrditi da je osnovna namjena ekspertnih sustava modeliranje ponašanja stručnjaka pri rješavanju problema iz dovoljno jasnog područja, a problem realizacije takvih sustava je u prijenosu znanja stručnjaka i specijalista u računalo. Ekspertni sustav mora sadržavati tri osnovne komponente:

• Sustav za prikupljanje znanja, • Bazu znanja s memoriranim znanjima domene kojima raspolaže čovjek i • Sustav za rješavanje problema, koji preslikava sposobnosti stručnjaka u

manipulaciji znanjem i rasuđivanjem na temelju znanja.

10.7. Model ekspertnog sustava Na temelju potrebnih komponenti moguće je izraditi model ekspernog sustava

kako je prikazano slikom 10.7. Ovisno o vrsti korisnika, prilaz ekspertnom sustavu ostvaruje se kroz dva

pristupna mjesta: krajnji korisnik i inženjer znanja. Krajnji korisnik je osoba ili drugi podsustav koji koriste ekspertni sustav kao pomagalo pri donošenju odluka. Inženjer znanja je osoba koja je odgovorna za unos znanja u bazu znanja ekspertnog sustava, a sam postupak unosa zanja ostvaruje se preko sučelja i podsustava za prilagodbu znanja. On ujedno predstavlja i sučelje između čovjeka - stručnjaka i ekspertnog sustava.

Slika 10.7. Model ekspertnog sustava

Sadržaj radne memorije sastoji se od činjenica i mijenja se prema zadatku koji

se rješava. Ove činjenice su utvrđene za vrijeme i na kraju konzultacija, a nove činjenice, kao rezultat procesa, pohranjuju se u radnu memoriju.

Znanje o određenom području pohranjeno je u bazi znanja uz pomoć činjenica i pravila, koja izražavaju različita gledišta o promatranom području prije konzultacija s ekspertnim sustavom. Pravila u bazi znanja izgrađena su u suradnji sa stručnjakom, a predstavljaju percepciju heuristika koju donosi stručnjak pri donošenju odluka, onako kako ih je shvatio inženjer znanja.

Mehanizam zaključivanja ima zadatak ispitivanja baze znanja i radne memorije te upravljanje redosljedom izvođenja zaključaka. On služi za utvrđivanje poznatih činjenica i dodavanje novih, a na temelju postupka stapanja činjenica i pravila, koja se koriste pri razvoju ili izvođenju novih činjenica i pravila.

Sučelje ima zadatak upravljanja komunikacijom prema sustavu, s inženjerom znanja i korisnikom, a mora imati sposobnost prikaza postupka dolaska do zaključka i odgovora na pitanja korisnika. Jednostavnost uporabe ekspertnog sustava osnovna je značajka dobro oblikovanog sučelja. Komunikacija korisnika sa sustavom je tada preko govornih poruka ili tipkanjem na pogodnoj tipkovnici, a odgovori su također govorne poruke ili tekst prikazan na zaslonu.

Ekspertni sustavi podržani računalima koriste računalni model ljudskog načina zaključivanja, koji rješava složene probleme koji zahtijevaju stručnu obradu, a

zaključak koji predlaže ekspertni sustav isti je zaključku do kojeg bi došao čovjek - stručnjak iz određenog područja ako bi mu bio postavljen isti zadatak.

10.8. Logički model inteligentnog informacijsko-komunikacijskog sustava Ako se sustav za podršku u donošenju odluke o upravljanju proširi ekspertnim

sustavom dobiva se algoritamsko-simbolički sustav za podršku u donošenju odluke o upravljanju prometom, kako je prikazano su slikom 10.8.

Slika 10.8. Model algoritamsko-simboličkog sustava za podršku u donošenju

odluka Ovakav sustav osigurava analitička pomagala, koja sadrže matematičke modele

i algoritme, kao i ekspertne heuristike, koje sadržavaju baze znanja i strategije zaključivanja, a sve je to ovisno o karakteristikama zadataka koje treba riješiti. Algoritamsko-simbolički sustav daje mogućnost korištenja više pristupa rješavanja istog problema, tako da se pojedina pomagala koriste u ovisnosti o njihovoj prikladnosti.

Korisniku su kod ovog sustava dostupne i baze podataka i baze znanja koristeći jedno sučelje, a ovisno o problemu koji treba riješiti, inženjer znanja puni baze podataka ili baze znanja.

Ovaj algoritamsko-simbolički sustav služi kao temelj za razvoj inteligentnog informacijsko-komunikacijskog sustava, koji upravlja prometnim procesom uz maksimalnu sigurnost odvijanja željezničkog prometa. Upravljački sustav se treba postaviti u hijerarhijskoj strukturi, u više razina, koje se mogu identificirati slijedećim funkcionalnim razinama:

− fizička, − algoritamska i − simbolička.

Sastav modela inteligentnog informacijsko-komunikacijskog sustava, koji sadrži gore navedene funkcionalne razine prikazan je slikom 10.9., gdje se svaka razina sastoji iz više modula.

Slika 10.9. Struktura inteligentnog sustava za upravljanje željezničkim prometom Simbolička razina se satoji iz modula inteligentne obrade upravljačkih funkcija

željezničkog prometa, a čini najviši stupanj upravljanja. Na toj razini modul sučelja služi za povezivanje prema algoritamskoj razini i prema fizičkoj odnosno korisničkoj razini. Ovaj modul pretvara podatke u deklarativne iskaze simboličke logike na ulaznoj strani, a isto tako pretvara podatke iz formata iskaza simboličke logike u oblik prikladan za predaju drugim razinama na izlaznoj strani.

Algoritamska razina se sastoji iz modula koji koriste analitičke i numeričke metode upravljanja željezničkim prometom. Na toj razini modul sučelja služi za povezivanje sa simboličkom razinom i za prikupljanje podataka, ponajprije onih koji su značajni za odvijanje prometnog procesa, koji se odvija na fizičkoj podlozi. Za rješavanje prometnih problema koriste se algoritamski moduli, uporabom numeričkih i analitičkih metoda.

Fizička podloga je zapravo korisnička razina koju tvori željeznička prometna mreža, s definiranom kompletnom željezničkom infrastrukturom i prometnim

Upravljački modul

Modul sučelja Ekspertni modul

Modul sučelja

Modul sučelja

Algoritamski moduli: - matematička analiza prometa, - predviđanje prometa, - sigurnosna analiza, - upravljanje prometom

Fizička struktura: - infrastruktura - željeznička vozila, - željeznička prometna mreža, - prometni proces.

ALGORITAMSKA RAZINA

SIMBOLIČKA RAZINA

FIZIČKA RAZINA

procesom. Na ovoj razini se prikupljaju potrebni podaci za sigurno odvijanje procesa željezničkog prometa i izvršavaju upravljačke funkcije koje dolaze iz viših razina.

10.9. Razvoj teorije neizrazitih skupova u prometu

Danas za pojam skupa podrazumijevamo izraziti skup. Koncept neizrazite logike prvi je definirao 1965. godine profesor Lofti Zadeh sa Sveučilišta u Berkleyu. Ideja uvođenja neizrazite logike zasniva se na primjeni tzv. meke pripadnosti skupu koji se koristi pri kvalitativnom opisu. Prema njemu svakom elementu skupa se pridjeljuje brojčana vrijednost kojom se opisuje stupanj pripadnosti toga elementa skupu. Tih godina napravljeno je mnoštvo teorijskih razrada u Evropi, Americi i Japanu. Među njima Japanski istraživači bili su glavni oslonac razvoja tako da su do 1995. godine imali već 2000 patenata u području primjene neizrazite logike. Neizrazita logika prisutna je u gotovo svim područjima, tako da broj korisnika i aplikacija ima eksponencijalni rast primjene u Japanu, što je bio razlog pokretanja vlastitih projekata i u drugim zemljama.

U području prometa proteklih nekoliko godina izvršen je veliki napredak u primjeni teorije neizrazite logike i to na način da fuzzy logički model može biti primjenjen kao sveukupni proces ili samo kao jedan ili više modula u nekom drugom procesu. Jedna od mogućih primjena je sustav upravljanja vožnje podzemne željeznice, izrada automatskog mjenjača kao i ABS sustava primjenom neizrazite logike. U automatskom upravljanju kretanja neizrazita logika ima zadatak voditi vozilo vremenski optimalno pri visokom voznom komforu do sljedeće točke stajanja uz optimalno iskorištenje voznog profila. Sa sigurnosno-tehničkog aspekta upravljanja kretanja potrebno je obratiti pozornost na graničnu brzinu koju vozilo ne smije prekoračiti, na mjesta lagane vožnje i točke opasnosti na kojima vozilo mora stajati bilo zbog željezničkog vozila ispred ili signala. Opći zahtjevi koji se postavljaju su postizanje brzine vremenski optimalno i bez prekoračenja. Gotovo u svakoj grani prometa odnosno području primjene postoje teoretske razrade primjene neizrazite logike. Obzirom da je predmet ovoga dijela primjena neizrazite logike na automatizaciju željezničkog prometa dat će se kratak pregled područja primjene u cestovnom prometu. Pappis i Mandami (1977. godine) razmatrali su kontrolu izoliranog raskrižja s jednostavnom jednosmjernom regulacijom istok-zapad/sjever jug na kojem nije bilo skretanja i gdje su dolasci vozila bile veličine slučajnog karaktera. Načinjena su neizrazita pravila za ocjenu pogodnosti produženja trenutne zelene faze s različitim vremenima trajanja. Uspoređena su različita vremena trajanja (odnosno vremena produženja trenutne zelene faze) i ono koje je imalo najveći stupanj pouzdanosti je odabrano. Ukoliko ni jedno vrijeme nije imalo stupanj pouzdanosti veći od 50%, tada se donosi odluka o trenutnoj promjeni zelenog signalnog pojma. U protivnom trajanje zelenog svjetla je produženo odabranom vrijednošću, a postupak odluke se je ponavljao dok nije dostignuta maksimalna vrijednost trajanja zelenog signalnog pojma za navedeno raskrižje. Kelsey i Bisset (1993. godine) simulirali su kontrolu prometa

na izoliranom raskrižju primjenom neizrazite logike i unaprijed definiranih vremenski ustaljenih signalnih planova. Ulazne neizrazite vrijednosti u program su prosječne vrijednosti gustoće vozila u smjeru istok-zapad i sjever-jug. Nakatsuyama (1984. godine) je primjenio neizrazito upravljanje dva raskrižja u kojima se odvija jednosmjeran promet. Neizrazita pravila načinjena su za selekciju produljenja zelenog ili crvenog signalnog pojma ovisno o broju vozila među raskrižjima kao i broju vozila koji se približava prvom od njih. Chiu (1992. godine) je primijenio neizrazitu logiku za upravljanje i kontrolu više raskrižja, ali bez mogućnosti skretanja. Ovim pristupom moguće je bilo podešavati dužinu ciklusa, trajanje i pomak zelenih svjetla za svako od raskrižja korištenjem podataka o trenutnoj situaciji, odnosno broju vozila u prometu. U svakom od navedenih projekata dobiveni su bolji rezultati primjenom neizrazite logike u odnosu na ostale mogućnosti upravljanja što opravdava daljnja istraživanja u ovom području kako bi se povećala sigurnost odvijanja željezničkog prometa. Danas je naglasak na primjeni adaptivnih kontrolera koji omogućavaju podešavanja signalnih pojmova u stvarnom vremenu u ovisnosti o trenutnim prometnim zahtjevima.

10.9.1. Osnovni pojmovi neizrazite logike Prema definiciji neizrazitih skupova dobivaju se pojmovi neizrazite aritmetike,

neizrazitog izračunavanja, neizrazitog modela i neizrazitog upravljanja. Za izrazite skupove element skupa x u univerzumu X je ili nije član skupa A.

Binarna vrijednost pripadnosti skupu može biti predočena matematički prema izrazu:

⎩⎨⎧

∉∈

=AxAx

xA ,0,1

)(χ

10.9.2. Neizraziti skupovi Prema Zadehu neizraziti skup A definiran u skupu X određen je funkcijom

pripadnosti μ(x) koja svakom elementu x skupa X pridružuje realan broj u intervalu [0,1], s vrijednošću μ(x), gdje je μ(x) stupanj pripadnosti elementa x u skupu A. Krajnja vrijednost 0 označava nepripadnost skupu, a vrijednost 1 punu pripadnost. Neizraziti skupovi su u biti funkcije koje preslikavaju elemente nekog skupa na jedinični interval.

Ukoliko je skup X konačan i diskretan tada je neizraziti skup A moguće zapisati pomoću relacije

⎭⎬⎫

⎩⎨⎧

=⎭⎬⎫

⎩⎨⎧

++= ∑i i

iAAA

xx

xx

xx

A)(

...)()(

2

2

1

1 μμμ

odnosno ukoliko je skup X beskonačan i kontinuiran tada je A moguće zapisati kao

⎭⎬⎫

⎩⎨⎧= ∫ x

xA A )(μ

Grafički prikaz funkcije pripadnosti u obliku trapeza dan je na slici 10.10.

Jezgra funkcije pripadnosti je definirana kao područje za koje je vrijednost funkcije jednaka jedan. Potpora funkcije pripadnosti je područje vrijednosti za koje je μA(x) veći od nula.

Rubovi funkcije pripadnosti su područja vrijednosti za koje vrijedi relacija 1)(0 pp xAμ .

Slika 10.10.. Oblik funkcije pripadnosti neizrazitog skupa Normirani neizraziti skup je onaj koji ima barem jedan element za koji je

funkcija pripadnosti jednaka jedan, slika 10.11.

Slika 10.11. Normirani i nenormirani neizraziti skup

1

μ

0

Jezgra

x

Potpora

Granica

μ

1

0

A

x

μ

1

0

A

x

Primjer : Neka je skup S skup vozila koja imaju različite godine proizvodnje. Za

svako od vozila potrebno je odrediti funkciju pripadnosti koja odgovara neizrazitom podskupu A pod nazivom Nova vozila.

To je moguće učiniti na osnovu starosti vozila na sljedeći način:

⎪⎪⎪

⎭

⎪⎪⎪

⎬

⎫

⎪⎪⎪

⎩

⎪⎪⎪

⎨

⎧

≥___

≤_≤_−

≤___

=_

10,0

105,5

10

5,1

vozilastarostjeukoliko

vozilastarostvozilastarost

vozilastarostjeukoliko

vozilaNova

Grafički prikaz funkcije pripadnosti dan je na slici 10.12. Slika 10.12. Funkcija pripadnosti skupa A Prema definiciji funkcije pripadnosti skupa Nova_vozila u tablici dani su

rezultati za pojedina vozila i odgovarajuće godine proizvodnje. Tablica: Funkcija pripadnosti skupa Nova_vozila

Marka vozila Tip vozila Godina

nabave

Starost vozila

(godine)

Funkcija

pripadnosti

MERCEDES KAM 1992 8 0,4

FIAT AUTO 1982 18 0

MERCEDES BUS 1993 7 0,6

TAM KAM 1995 5 1,0

μA

1

0 5 10 godine

TAM KAM 1996 4 1,0

FIAT AUTO 2000 0 1,0

FIAT AUTO 1999 1 1,0

TAM KAM 1991 9 0,2

FIAT KAM 1994 6 0,8

MERCEDES BUS 1997 3 1,0

Operacije na neizrazitim skupovima Neka su definirani neizraziti skupovi A,B i C na univerzumu X. Za element x

moguće je definirati operacije unije, presjeka i komplementa za navedene skupove u X na sljedeći način:

Unija )()()( xxx BABA μμμ ∨=∪ Presjek )()()( xxx BABA μμμ ∧=∩ Komplement )(1)( xx AA μμ −= Odgovarajući Venovi dijagrami za navedene operacije prikazani su na slici

10.13.

Slika 10.13. Dijagrami a) unije b) presjeka i c) komplementa neizrazitih

skupova.

μ 1

0

A

x

B μ 1

0

A

x

B

μ

1

0

A

x

A

Jezični opis sustava odlučivanja U području umjetne inteligencije postoji mnoštvo načina u izražavanju znanja o

problemu koji se proučava. Najčešći i najbolji način izražavanja ljudskoga znanja je opis sustava jezičnim pravilima.

Neka je { }NiRC i ,...,3,2,1, ==

gdje je: Ri - pojedini pravilo i N - broj pravila. Pojedino pravilo je neizrazita tvrdnja s osnovnim oblikom :

)(),(: iii YjeBONDAXjeAAKOR gdje je: X,Y - neizraziti skupovi s elementima A i B, A - ulaz sustava i B - izlaz sustava. Ukoliko promatramo dinamičke sustave kao što je to promet potrebno je jezična

pravila osnovnog oblika proširiti operatorima oblika I (eng.AND), odnosno ILI (eng.OR) u njihovom uvjetnom dijelu. Pritom prethodni izraz poprima oblik:

)()(),(: iiii YjeBONDAZjeCIXjeAAKOR

gdje je: X i Z - ulazne veličine, A i C - promatrane vrijednosti ulaznih veličina, Y - izlazna veličina i B - trenutna vrijednost izlazne veličine. U literaturi postoji više načina kojima je moguće izvršiti dekompoziciju

složenih jezičnih pravila u jednostavne kanonske oblike. Ovdje će biti dana najvažnija od njih:

Neka je zadana sljedeća tvrdnja )()...()()( 21 YjeBONDAXjeAIXjeAIXjeAAKO n

Pretpostavimo novi neizraziti podskup A tako da je nAAAA ∩∩∩= ...21

izražen funkcijom pripadnosti [ ])()...,(),(min)(

21xxxx

nAAAA μμμμ =

tada se zadana tvrdnja može napisati kao )()( YjeBONDAXjeAAKO

Neka je zadanja sljedeća tvrdnja

)()...()()( 21 YjeBONDAXjeAILIXjeAILIXjeAAKO n Možemo ja napisati kao

)()( YjeBONDAXjeAAKO ako je novi neizraziti podskup A definiran na način

nAAAA ∪∪∪= ...21 izražen funkcijom pripadnosti

[ ])()...,(),(max)(21

xxxxnAAAA μμμμ =

Primjer: Neka je skup S skup vozila. Za svako od vozila potrebno je odrediti

funkciju pripadnosti koja odgovara neizrazitom podskupu A pod nazivom nova vozila (prethodni primjer) i neizrazitom podskupu B pod nazivom visina vozila. Za tako definirane skupove potrebno je primjeniti sljedeće operacije i ispisati odgovarajuće funkcije pripadnosti.

a = X je nova_vozila and X je visina_vozila b = X je nova_vozila or X je visina_vozila c = not (X je visina_vozila)

⎪⎪⎪

⎭

⎪⎪⎪

⎬

⎫

⎪⎪⎪

⎩

⎪⎪⎪

⎨

⎧

≤___

≤_≤−_

≥___

=_

5sin,0

7sin5,2

5sin

7sin,1

sin

vozilaavijeukoliko

vozilaavivozilaavi

vozilaavijeukoliko

vozilaaVi

Tablica. Osnovne operacije na neizrazitim skupovima Godina

proizvodnje Visina

X je nova vozila

X je visina vozila

a) b) c)

1992 4 0,4 0 0 0,4 1,0 1982 5 0 0 0 0 1,0 1993 6 0,6 0,5 0,5 0,6 0,5 1995 7 1,0 1,0 1,0 1,0 0 1996 5,5 1,0 0,25 0,25 1,0 0,75 2000 6,5 1,0 0,75 0,75 1,0 0,25 1999 8 1,0 1,0 1,0 1,0 0 1991 9 0,2 1,0 0,2 1,0 0 1994 10 0,8 1,0 0,8 1,0 0

Prethodno navedene procedure moguće je implementirati na računalu radi

povećanja brzine procesiranja. Ukoliko pak želimo provjeriti računalni program tada se često koriste grafičke metode kojima je moguće izvršiti manualno računanje.

Projektiranje neizrazitih upravljačkih sustava U upravljačkoj tehnici automatsko upravljanje sustavom moguće je realizirati

putem upravljačkih algoritama. U konstrukciji upravljačkog sustava potrebno je prvo izabrati odnosno načiniti strukturu upravljačkog kruga sa svim značajnim parametrima, da bi se potom izvršilo optimiranje svih navedenih parametara. Osnovni postupak projektiranja klasičnih upravljačkih sustava prikazan je na slici 10.14. Navedeni sustav upravljanja moguće je primijeniti kod sustava za koje je moguće definirati matematički model.

PROCES

MODELIRANJE PROCESA

IZBOR NACINAUPRAVLJANJA

OPTIMIZACIJA PARAMETARAUPRAVLJANJA

ANALIZA UPRAVLJACKOGKRUGA

SIMULACIJA UPRAVLJACKOGKRUGA

VERIFIKACIJAMODELA

PRIMJENA

Slika 10.14. Dijagram toka projektiranja klasičnog sustava upravljanja

Neizraziti upravljački sustavi imaju nekoliko značajnih razlika u odnosu na klasične:

− neizraziti upravljački sustav ima mogućnost uključenja i drugih slobodnih procesnih veličina u proces regulacije što ima za posljedicu povećanje broja procesnih veličina,

− nelinearnost rada, odnosno nelinearnost karakteristike i − neovisnost o vremenu.

Dijagram toka projektiranja neizrazitog upravljačkog sustava prikazan je na slici 10.15. Slika 10.15. Dijagram toka projektiranja neizrazitog upravljačkog sustava Ulazne veličine neizrazitih upravljačkih sustava najčešće su odstupanja između željene i

stvarne vrijednosti upravljane veličine, dok su izlazne veličine najčešće vremenske promjene postavne veličine. Blok shema neizrazitog upravljačkog sustava prikazana je na slici 10.16.

PROCES

DEFINICIJA REGULACIJE

BAZA ZNANJA O PROCESU

VERIFIKACIJAMODELA

DOKUMENTIRANJE ZNANJA OPROCESU

METODICKI TESTOVI

OPIS PROCESA

OBLIKOVANJE STRUKTUREUPRAVLJACKOG KRUGA

ODREÐIVANJE STRUKTURENEIZRAZITOG

UPRAVLJACKOG SUSTAVA

NACIN UPRAVLJANJA

KRAJ

Slika 10.16. Blok shema neizrazitog upravljačkog sustava Da bi se upravljač učinio što efikasnijim potrebno je izvršiti poboljšanje strukture upravljača.

To je moguće učiniti na sljedeće načine:

− promjenom logike odnosno pravila odlučivanja, − promjenom funkcija pripadnosti i − povećavanjem znanja o samom procesu kojim se želi upravljati.

U fazi oblikovanja strukture upravljačkog kruga potrebno je odrediti sve ulazne i izlazne

veličine, područja dozvoljenih vrijednosti te povratne i postavne veličine upravljanja. U fazi određivanja strukture potrebno je odrediti jezične varijable, njihove funcije pripadnosti,

neizrazite operatore, pravila odlučivanja kao i postupke defuzzyfikacije.

BAZA ZNANJA LOGIKAODLUČIVANJA

FUZZYFIKACIJA DEFUZZYFIKACIJAZAKLJUČIVANJE

SENZORI

ULAZ IZLAZ