Ein deutliches "Jein" - Softcomputing im "Fuzzy- Schatten"

ELRAD 1997, Heft 9

Dr. Rudolf Fellix, Rainer Albersmann

Wenn es bei Rechneranwendungen nicht darum geht, klare Grenzen zu ziehen und exakte Daten anzugeben, sondern vielmehr „vernünftige“ Entscheidungen zu treffen, wie es dem menschlichen Denken nahe kommt, dann ist es Zeit für Softcomputing. Unter diesem Überbegriff fallen die sogenannten „intelligenten Technologien“ wie Fuzzy-Logik, neuronale Netze, evolutionäre Strategien und generische Algorithmen. Die Fuzzy-Logik und ihre Anwendungen sind aktueller denn je.

Bei dieser intelligenten Technik werden Begriffe, Symbole und Prozesse, die dem menschlichen Denken nachempfunden sind, mit Hilfe des Computers programmiert. Fuzzy-Logik kann überall dort eingesetzt werden, wo strikte Verfahren an ihre Grenzen stoßen. Wichtige Anwendungsbereiche sind die Steuerungs- und Regelungstechnik, die Planung von Produktions- und Entscheidungsabläufen sowie die Bildverarbeitung. Die Anwendung der Fuzzy Logik führt zu wesentlich intelligenteren Geräten und Systemen. Zahlreiche Beispiele aus verschiedenen Branchen zeigen nicht nur die Potentiale, sondern auch den großen Nutzen für die Wirtschaft. Der englische Begriff Fuzzy bedeutet vage oder unscharf und steht für eine Mathematik, die qualitative Begriffe so umsetzen kann, daß diese in gewöhnlichen Computern dargestellt und verarbeitet werden können.

Ein zentraler Gedanke der Fuzzy-Logik ist mit dem Begriff der sogenannten linguistischen Variablen verbunden. So stehen beispielsweise die linguistische Variable „Alter“ für Werte wie sehr jung, jung, alt, sehr alt. Wie bei den meisten qualitativen Begriffen sind die Grenzen zwischen jung und alt nicht scharf gezogen, sondern die Übergänge zwischen den einzelnen Altersstufen sind flexibel und fließend. In der traditionellen Darstellung wären die Grenzen aber scharf zu ziehen. Zur Beschreibung des Unterschiedes zwischen jung und alt müßte eine Grenze gezogen werden, die beispielsweise bei 35 Jahren liegen konnte. Damit wäre eine Person am 35. Geburtstag Punkt 24:00 Uhr schlagartig nicht mehr als jung, sondern als alt einzustufen. Dabei handelt es sich jedoch um eine Vorgehensweise, die mit der menschlichen Intuition und dem tiefen Verständnis von jung und alt kaum etwas zu tun hat. Fuzzy Logik bietet hier wesentlich bessere Darstellungsmöglichkeiten. Anstelle von scharfen Grenzen zwischen jung und alt, zwischen ja und nein oder zwischen 1 und 0 (wie in der klassischen Logik) werden Zwischenwerte zugelassen und die klassische Ja- Nein- Logik erweitert. Bild1 zeigt die Unterschiede in der Darstellung der Begriffe jung und alt nach konventionellem und nach dem Verständnis der Fuzzy Logik.


Abbildung 1: Unterschiede zwischen einer konventionellen und einer Fuzzy- Zugehörigkeits- Funktion

Anwendungen

Die Fuzzy Logik hat in zahlreichen Produkten, Branchen und Industriezweigen Einzug gehalten. Vorwiegend in Japan eroberte Fuzzy-Logik den Konsumgüterbereich. Fuzzygesteuerte Produkte wie Waschmaschinen, Staubsauger, Eierkocher, Autofokuskameras oder Videokameras ließen Anfang der neunziger Jahre die europäische - vorwiegend die deutsche - Industrie aufhorchen.

Obwohl mittlerweile auch Fuzzy-Produkte deutscher Hersteller im Endverbraucher-Markt existieren, liegt in Deutschland der Schwerpunkt der Anwendungen von Fuzzy Logik im Bereich der Planung und der Optimierung industrieller Prozesse sowie in der Qualitätssicherung.
Dabei haben sich in den letzten fünf Jahren vom technischen Standpunkt her die Bereiche Fuzzy Control, Fuzzy-Entscheidungs-Unterstützung und Fuzzy-Bildanalyse mit entsprechenden Softwaretools und Industrie-Applikationen herauskristallisiert.

Der Einsatz von Fuzzy Logik in der Steuerungs- und Regelungstechnik (Fuzzy Control) hat sich bewährt. Einerseits können Prozesse geregelt werden, die mit konventionellen Methoden nicht beherrschbar sind. Andererseits führt die Verwendung von Fuzzy-Reglern in bestehenden Regelungen oft zu einer wesentlichen Verbesserung des Systemverhaltens.
Prozesse laufen dann ‚rund’, wenn die Steuerung zum richtigen Zeitpunkt die richtige Entscheidung trifft und entsprechende Maßnahmen eingeleitet werden. Sämtliche Entscheidungsmuster sind in Form eines Regelsystems in einem sogenannten Zustandsraum zusammengefaßt, der von dem DV-System möglichst vollständig abgedeckt werden muß. Eine konkrete Entscheidung bedeutet, daß eine Kombination verschiedener Regeln zum Einsatz kommt.

Sind beispielsweise zwanzig Parameter für die Steuerung einer Anlage erforderlich, so gibt es ungefähr 220 potentielle Möglichkeiten, diese Parameter miteinander zu verknüpfen. Ebenso viele Regeln müssen als Symbole im Zustandsraum abgelegt sein. Fuzzy-Control löst dieses Problem auf elegante Weise.
Die symbolorientierte Verarbeitung von Daten wird mit numerischen Methoden gekoppelt. Bei dieser Vorgehensweise ist es nicht mehr notwendig, im Zustandsraum immer genau eine Regel auf den Kopf zu treffen. Es reicht aus, in die Nähe einer Regel zu stoßen, im sogenannten „Fuzzy-Schatten“ zu landen. Der „Kern der Sache“ wird trotzdem erfaßt, da Informationslücken durch Interpolations-Techniken geschlossen werden können. Interpolation bedeutet jedoch schlicht und ergreifend eine „gewöhnliche“ Rechenaufgabe.

Bei der konventionellen Steuerungs- und Regelungstechnik, die stets ein analytisches Modell des Prozesses notwendig, stößt man oft an die Grenze des Möglichen. Mit wachsender Komplexität der Prozesse fehlt es immer mehr an Wissen, die physikalischen Zusammenhänge werden unüberschaubarer. Ab einer bestimmten Grenze ist es nicht mehr möglich, ein analytisches Modell zu erstellen.
An dieser Stelle hilft Fuzzy-Logik. Fuzzy modelliert einen Prozeß nicht analytisch, sondern orientiert sich am Prozessverhalten. Dabei wird ermittelt, wie das System reagiert, wenn es in einem bestimmten Zustand auf eine bestimmte Art und Weise beeinflusst wird. Ein Mensch, der unter der Dusche steht und intuitiv die Wassertemperatur regelt, dreht auch nicht aufgrund komplexer, physikalischer Zusammenhänge am Wasserhahn, sondern aufgrund seiner Erfahrung. Wenn Wissen über das Verhalten eines Prozesses gegeben ist, dann ist es ratsam, dieses heranzuziehen und mit Hilfe der Fuzzy-Methoden zu beschreiben. Der Anwender erspart sich oft lange Entwicklungszeiten und kann sein System flexibel einstellen.

Entscheidungsunterstützung

Eine Vielzahl technischer und nicht-technischer Fragestellungen liegen komplexen Entscheidungssituationen zugrunde. Aus- und Umrüstung von Anlagen, Auswahl und Analyse von Betriebsmitteln, Planung von Fertigungsabläufen oder optimales Nutzen vorhandener Kapazitäten sind Beispiele solcher technischen Entscheidungsbereiche. Eher management- orientierte oder kaufmännische Fragestellungen, etwa in der Lieferantenanalyse oder bei der Bonitätsprüfung, sind zwar thematisch anders, stellen aber von der Struktur der Entscheidungssituation her vergleichbare Aufgaben dar.

Die Komplexität der zu behandelnden Entscheidungssituationen entsteht dadurch, daß die Entscheidung unter Berücksichtigung einer Reihe von Entscheidungszielen mit unterschiedlichen Prioritäten getroffen werden muß. Die Entscheidungsziele sind in den seltensten Fällen unabhängig voneinander. In der Regel ist eine komplexe Entscheidungssituation gerade dadurch gekennzeichnet, daß einige Ziele gleich- und andere gegenläufig sind. Eine wesentliche Aufgabe bei der Entscheidungsfindung kommt daher der Ermittlung einer ausgewogenen Balance zwischen den Entscheidungszielen zu.

Der Mensch kann eine derartige Balance dadurch herstellen, das er Erfahrungswissen über positive und negative Wechselwirkungen zwischen den Entscheidungszielen und den vorliegenden Entscheidungsalternativen ausnutzt. Er lenkt seine Aufmerksamkeit auf diejenigen Alternativen, die einerseits die Beziehungen zwischen den Zielen berücksichtigen und andererseits den Prioritäten der Ziele genügen. Zielkriterien wie eine gute Auslastung der Kapazitäten einer Anlage bei der Produktionsplanung oder geringer Kraftstoffverbrauch eines PKW als Grundlage einer Kaufentscheidung sind Beispiele von Entscheidungszielen. Entscheidungsalternativen können bei der Produktionsplanung beispielsweise verschiedene Stückzahlvorgaben sein. Beim Autokauf sind die verfügbaren Automodelle als Entscheidungsalternativen aufzufassen. Die Entscheidungsziele „geringer Kraftstoffverbrauch eines Autos“ und „hohe Endgeschwindigkeit“ sind eher gegenläufig. Die Ziele „geringer Kraftstoffverbrauch“ und „Familienfreundlichkeit“ eher gleichläufig.


Abbildung 2: Wirkungsmengen, dargestellt am Editor des Software Tools FuzzyDecisionDesk

Mit Hilfe von Fuzzy Logik gelingt es, komplexes Entscheidungswissen zu modellieren und umzusetzen. Die hierzu notwendigen Techniken stellen im Gegensatz zu Techniken des Fuzzy Control spezielles Know-how dar, das nicht einfach aus Fachbuchwissen aufgebaut werden kann. Der Umgang mit Fuzzy-Zielkriterien und den fließenden Übergängen zwischen den Wechselwirkungen dieser Kriterien ist anspruchsvoll aber auch, wie die nachfolgenden Referenzanwendungen belegen, richtungsweisend für viele Planungs- und Entscheidungs- Vorgänge.

Beispiele, die genannt werden können, sind Kunden- und Lieferantenanalyse, Kreditwürdigkeitsanalyse sowie die Planung und Steuerung von Produktionsprozessen. Das zur Lösung solcher Aufgaben notwendige Spezial-Know-how ist zum Beispiel mit Hilfe des Softwaretools FuzzyDecisionDesk modellierbar.

Kreditwürdigkeit

Kunden- und Kreditwürdigkeits- Analyse stellen anspruchsvolle Anforderungen in Bezug auf Flexibilität und Qualität der Entscheidungen dar. Basierend auf FuzzyDecisionDesk ist die Lösung solcher Fragestellungen mit einer Qualität möglich, die bisher nur menschlichen Bewerten vorbehalten war. Im konkreten Fall der zusätzlichen Kreditvergabe durch die Citybank Privatkunden AG ist es die Aufgabe des Fuzzy Systems, eine Klassifizierung der Kunden in "gute" und "schlechte" Kunden durchzuführen.

Der Übergang zwischen "guten" und "schlechten" Kunden ist fließend und erfolgt unter Berücksichtigung einer Reihe von Zielkriterien. Im Prozeß der Entscheidungsfindung werden alle Kriterien gleichzeitig betrachtet, wobei einzelne Kriterien fallabhängig gewichtet werden können, so daß sie den Entscheidungsprozeß gemäß ihrer strategischen Bedeutung geeignet beeinflussen. Fehlentscheidungen, die aufgrund einer nicht systematischen Vorgehensweise bei der Entscheidungsfindung entstehen, sind weitestgehend ausgeschlossen.

Auto-Montage

Die Montage von Automobilen stellt einen Fertigungsprozeß dar, dessen Steuerung von einer Reihe von naturgemäß auftretenden Störungen und Schwankungen abhängt. Sperrungen und Freigaben von Modellvarianten und Sonderausstattungen erfordern eine flexible Reaktionsfähigkeit des Steuerungspersonals, um eine möglichst gleichmäßige Auslastung der Montagekapazitäten zu gewährleisten. Mit Hilfe von FuzzyDecisionDesk wird bei der BMW AG die Optimierung des Ausgleichs von Schwankungen im Produktionsprogramm sowie eine gleichmäßige Auslastung des Montagepersonals erzielt. Aufgrund von Daten über die aktuelle Produktionssituation ermittelt FuzzyDecisonDesk mehrere alternative Sätze von Optimierungsmöglichkeiten.

Jede dieser Möglichkeiten wird hinsichtlich ihrer voraussichtlichen Auswirkungen auf die Auslastungs-Situation in den Montagestationen und den Optimierungs-Bestands an Fahrzeugen bewertet. Die Bewertung wird anschließend durch Zugehörigkeitsfunktionen in Fuzzy Wirkungsgrößen umgerechnet, die die Auswirkung der Optimierungs-Möglichkeiten auf die Auslastungs-Situation in den Montagestationen und den Optimierungs-Bestand bewertet.

Die Fuzzy-Wirkungsgrößen werden von FuzzyDecisionDesk ausgewertet und in Steuerung-Empfehlungen umgesetzt. Anhand der nach diesem Konzept angelegten Spezial-Software kann das Steuerpersonal die Auslastungsziele der einzelnen Montagestationen gewichten und über die zur Auswahl stehenden Optimierungsalternativen entscheiden. Das Ergebnis der Entscheidung ist ein Satz von Optimierungs-Möglichkeiten, der die Aussteuerungs-Reihenfolge der Fahrzeugkarossen in die Montagestation bestimmt.


Abbildung 3: Produktionskette in der Automobil Montage

Bildanalyse

Die Automatisierung von visuellen Auswertungen der Ergebnisse von Verarbeitungsschritten in Produktionsprozessen erfordert den Einsatz von Bildverarbeitungsalgorithmen. Diese müssen einerseits in der Lage sind, qualitative Merkmale wie z. B. das Vorhandensein von nicht mehr akzeptablen Störungen in Prüfobjekten zu erkennen. Andererseits sind Verfahren notwendig, die strukturelle Eigenschaften, wie z. B. die Zuordnung von Prüfobjekten, ihre Präsenz oder ihre Position analysieren.

Aufgrund der ständig variierenden Qualitätstests setzt die Automatisierung der Qualitätsüberprüfung eine flexible Eingabe von Referenzbildern und Merkmalen, auf die die Prüflinge zu untersuchen sind, voraus. Grundlage hierfür sind spezielle Fuzzy-Ähnlichkeits-Begriffe und Fuzzy-Inferenzen, die eine hohe Effizienz der dargestellten Verfahren sichern.

Optisch erfaßte Informationen werden im Bereich der Qualitätskontrolle ( z. B. bei der Analyse von Materialeigenschaften wie Schweißnähten oder Klebstellen) in der Regel in qualitativer Form ausgewertet. Der Begriff qualitativ bedeutet, daß Bildinformationen, wie Dichteverteilungen, Graustufenübergänge, Kontrastverschiebungen bzw. -abweichungen oder Anhäufungen von Störstellen ausgewertet werden, wobei die genaue Form und die Lage der einzelnen Merkmale vorab nicht bekannt sind.

So ist etwa bei der Untersuchung von Materialien auf Risse nicht die genaue Lage der Risse, sondern ihr Vorhandensein im zu untersuchenden Bereich sowie die relative Größe ihrer Ausprägung festzustellen.

Bei vergleichbaren Aufgabenstellungen versuchen konventionelle Verfahren, quantitative Informationen über Lage, Anzahl und Größe von Störungen selbst dann abzuleiten, wenn diese Informationen für die Untersuchung nicht von Interesse sind und anschließend durch Generalisierung oder Vereinfachung in qualitative Aussagen umgewandelt werden.


Abbildung 4: Oberfläche des Softwaretools FuzzyDisperDesk Boge-FLS

Die Automation von industriellen Produktionsprozessen ist durch die zunehmende Verwendung von Bestückungs-, Plazierungs-, Positionierungs- und Sortierautomaten gekennzeichnet. Die Fähigkeit, die Arbeitsweise derartiger Systeme effizient und gegebenenfalls in Echtzeit zu steuern, zu überwachen und Korrektur-Operationen oder flexible Anpassungen durchzuführen, bietet hohe Automatisierungs- und damit Kostensenkungs-Potentiale.

Dabei kommt es insbesondere darauf an, strukturelle Bildinformation geeignet auszuwerten. Der Begriff strukturell bedeutet dabei das Erkennen, Analysieren und Verarbeiten von Bildinformationen, die in ihrer räumlichen Anordnung Rückschlüsse auf Formen und Werkstücksarten sowie auf die Lage von Werkstücken erlauben. So läßt z.B. eine effiziente Analyse von Werkstückskonturen die Ableitung von Steuerungsbefehlen, die die Manipulation des Werkstückes (z.B. für eine Bestückung einer Folgebearbeitungsstation) bestimmen.

Gegenwärtig werden solche Aufgaben vielfach durch den Einsatz kostenintensiver Sensorik oder durch Mitarbeiter wahrgenommen. Beispiele von Systemen, die strukturell auszuwertende Bildinformationen verarbeiten, sind:

  • Werkstückerkennungs-Systeme
  • Präsenzanalyse-Systeme
  • Positionierungs-Systeme
  • Sortierautomaten
  • Kennzeichnungs-Systeme
  • Identifikations-Systeme
  • Kommissionierungs-Systeme


Abbildung 5: Ziffernerkennung mit dem Bildverarbeitungstool FuzzyImageDesk

Die Kennzeichenidentifikation kann anhand eines Systems zur Zeichenerkennung verdeutlicht werden. Die Anwendung der strukturellen Fuzzy Bildanalyse zeigt, wie strukturelle Ähnlichkeiten von Ziffern ausgewertet werden, um beispielsweise eine korrekte Identifikation zu gewährleisten.

Spezial-Tool

Ähnlich wie bei der Fuzzy-Entscheidungs-Unterstützung ist die erfolgreiche Anwendung der Fuzzy- Bildanalyse mit speziellen Know-how verbunden. Das Tool "FuzzyImageDesk" und davon abgeleitete Spezial-Komponenten bieten Unterstützung bei der Entwicklung erfolgreicher Applikationen, wie dies die nachfolgend skizzierten Referenzanwendungen zeigen.

Mit Hilfe der flexibel konfigurierbaren Software FuzzyImageDesk wird bei den Hengst Filterwerken eine optische Montage-Überwachung durchgeführt. Dabei werden ca.15 verschiedene Filterbaugruppen am Ende der Produktionslinie auf Vollständigkeit sowie auf korrekte Verankerung der montierten Einzelteile hin überprüft. Der Taktzyklus beträgt dabei weniger als vier Sekunden. Die Prüfergebnisse werden visualisiert und der Anlagensteuerung (SPS) zugeführt.

Bei der Boge GmbH findet mit dem speziellen Tool eine Qualitätsprüfung von Gummiprodukten statt. Zur optimalen Klassifizierung der Rußdispersion in Gummimischungen hat sich FuzzyDisperDesk Boge-FLS im industriellen Einsatz bewährt. Objektivität und Reproduzierbarkeit der Prüfentscheidung sowie eine angemessene Arbeitsgeschwindigkeit sind Anforderungen, die von der Software erfüllt werden, da nur die relevanten Merkmale eines Oberflächenbildes betrachtet werden. Das System vergleicht - ähnlich der Vorgehensweise des menschlichen Prüfers - das aktuelle Bild des Prüflings mit dem jeweiligen Referenzbild. Als Referenz für die Zuordnung in Qualitätsklassen dient eine zehnteilige Referenzskala oder ein individueller Satz von kundenspezifischen Referenzbildern.

Die Besonderheit der im FuzzyImageDesk eingesetzten Verfahren besteht in ihrer Flexibilität. Diese ist vor allem auf die Anpaßbarkeit (Training) der Verfahren auf unterschiedliche Bildanalyse-Aufgaben, auf die problemunabhängige Merkmals-Extraktion sowie auf die Art der Auswertung der Merkmale zurückzuführen.

Das Anpassen der Verfahren auf neue Bildanalyse-Aufgaben besteht vorwiegend in der Bekanntgabe neuer Referenzbilder. Dazu werden diese Referenzbilder aufgenommen, digitalisiert und als Muster abgespeichert. Die Wahl der Art und der Anzahl der Referenzbilder ist durch die jeweilige Bildanalyse-Aufgabe bedingt. Die problemunabhängige Merkmals- Extraktion ist durch die Verwendung der sogenannten Sektorisierung möglich. Bei der Sektorisierung wird jedes Referenzbild und jedes zu analysierende Bild in gleichmäßig gewählte Ausschnitte (Sektoren) zerlegt. Für jeden der Sektoren werden allgemeingültige Merkmale wie der durchschnittliche Grauwert oder die Anzahl von Grauwert-Übergängen ermittelt. Die auf diese Weise gewonnenen Merkmale von Referenz- und Testbildern werden mit Hilfe unscharfer Ähnlichkeitsbegriffe und Fuzzy Inferenzen verglichen.

Die Wahl der Größe (und damit auch der Anzahl) der Sektoren bestimmt die Tatsache, ob eine vorliegende Bildanalyse eher einen qualitativen oder strukturellen Charakter aufweist. Je feiner die Sektorisierung desto stärker der strukturelle Charakter. Je gröber die Sektorisierung ausfällt, desto stärker ist der qualitative Charakter der vorliegenden Bildanalyse geprägt.

Powermanagement

Die Techniken der Anwendung von Konzepten des Fuzzy Control, der Fuzzy-Entscheidungs-Unterstützung und der Fuzzy-Bildverarbeitung sind sehr gut dazu geeignet komplexe Zusammenhänge zu beschreiben und menschliche Lösungsansätze nachzuempfinden. Im Bereich Power-Management bieten die Fuzzy Techniken eine Reihe von Ergänzungen und Verbesserungen beim Entwurf und bei der Implementierung von komplexen Systemen an.

Für Fuzzy Control prädestinierte Gebiete sind beispielsweise die Heiz- und Klimatechnik, die Warmwasser-Zubereitung, Energieverteilungs- und Energienutzungs-Konzepte, Steuerungen von Heizprozessen oder Aufzugsteuerungen. Die Fuzzy-Entscheidungs-Unterstützung kann bei der Planung und Auslegung von Transportvorgängen, bei der Planung des Personaleinsatzes bei der Gebäude-Betreuung, bei der Optimierung des Energiemanagements in Hoch- und Bürohäusern oder zur Diagnose und Maßnahmen-Planung bei der Wartung und Instandhaltung eingesetzt werden.

Entscheidungs-Unterstützungs-Systeme für die Auswahl von Innenausstattungen und grundsätzlich bei Kauf- oder Standortentscheidungen sind weitere Möglichkeiten. Die Fuzzy Bildverarbeitung kann als Sensortechnik bei der Auswertung von Bild-und Akustiksignalen zum Beispiel in Verbindung mit Steuerungen und Regelungen, Zutrittskontrollen oder bei Diagnostik- Systemen eingesetzt werden.