UNIVERSITATEA TRANSILVANIA DIN BRAOV FACULTATEA DE INGINERIE ELECTRIC I TIINA CALCULATOARELOR

ing. CRISTIAN NICOLAE BOLDIOR

CERCETRI PRIVIND UTILIZAREA TEHNICILOR NEURO-FUZZY PENTRU CONTROLUL TENSIUNII ARTERIALE I DEBITULUI CARDIAC A STUDY ON THE USE OF NEURO-FUZZY TECHNIQUES FOR THE MEAN ARTERIAL PRESSURE AND CARDIAC OUTPUT CONTROL
= Rezumatul tezei de doctorat =

CONDUCTOR TIINIFIC Prof. univ. dr. ing. IULIAN OPA

2010

MINISTERUL EDUCAIEI I CERCETRII UNIVERSITATEA TRANSILVANIA DIN BRAOV BRAOV, B-dul EROILOR nr. 29, 500036 Tel. 0040-0268-413000, Fax 0040-0268-410525 RECTORAT

COMPONENA comisiei de doctorat numit prin Ordinul Rectorului Universitii Transilvania din Braov nr. 4130 din 25.06.2010 PREEDINTE Prof. univ. dr. ing. Sorin Aurel MORARU Decan, Facultatea de Inginerie Electric i tiina Calculatoarelor Universitatea Transilvania din Braov CONDUCTOR TIINIFIC Prof. univ. dr. ing. Iulian OPA Universitatea Transilvania din Braov REFERENI Prof. univ. dr. ing. Clement FETIL Universitatea Tehnic din Cluj-Napoca Prof. univ. dr. ing. Gheorghe BLU Universitatea Tehnic Gheorghe Asachi din Iai Prof. univ. dr. ing. Vasile COMNAC Universitatea Transilvania din Braov Susinerea public a tezei de doctorat va avea loc n data de 24.09.2010, ora 10.00, n corpul V al Universitii Transilvania, str. Mihai Viteazu nr. 5, etajul III, sala V III 9. V rugm s transmitei eventuale aprecieri sau observaii asupra coninutului lucrrii pe adresa de email cristian.boldisor@unitbv.ro.

PREFA
Proiectarea i implementarea sistemelor cu logic fuzzy pentru aplicaii tehnice n general, i n ingineria electric i automatic, n particular, au fost tratate intens, din perspective teoretice i practice, de la definirea logicii fuzzy ca domeniu al matematicii i introducerea ei n tehnic. Studiile au condus la expunerea multor strategii concrete de stabilire a bazelor de reguli fuzzy, de la cele empirice, simple, pn la metodologii complexe bazate pe algoritmi specifici inteligenei artificiale, cum ar fi auto-instruirea, reelele neuronale, algoritmi genetici. Dintre acestea, ultimele amintite sunt preferate la ora actual, datorit adaptabilitii ridicate ale acestora la diverse situaii, fr a implica etape de re-modelare i identificare a parametrilor. Sistemele de reglare cu logic fuzzy sunt o soluie frecvent utilizat pentru aplicaiile de control automat al proceselor cu parametrii inceri sau variabili n limite largi, printre care pot fi amintite procesele fiziologice. Proiectarea regulatoarelor fuzzy prin metodele analitice recente, cum ar fi tehnicile neuro-fuzzy, permit obinerea unor soluii de reglare i performane bune, evitnd o modelare matematic exact a procesului. Utilizarea acestor metode pentru un proces biologic face ca subiectul tezei s fie unul modern i oportun, att prin descrierea metodelor actuale, adaptabile la diverse alte aplicaii, ct i prin utilizarea lor ntr-un domeniu n plin dezvoltare. Proiectarea sistemelor de control al variabilelor fiziologice, ca unul din capitolele domeniului ingineriei biomedicale, este o tem teoretic de interes, n perspectiva realizrii de noi aparate medicale automate, ct mai complexe, dar i cu scopul mbuntirii performanelor i creterii siguranei echipamentelor existente deja. Sistemul cardiovascular este unul dintre procesele fiziologice de mare interes datorit incidenei afeciunilor specifice i a posibilitii de control automat n unele situaii clinice. Prin lucrarea de fa, autorul urmrete dezvoltarea experienei n proiectarea sistemelor neuro-fuzzy n general, dar i orientarea cercetrilor nspre domeniul modern al aplicaiilor ingineriei n medicin. Doresc s mulumesc domnului prof. univ. dr. ing. Iulian opa, conductorul tiinific al acestei teze de doctorat, precum i domnului prof. univ. dr. ing. Vasile Comnac pentru sprijinul acordat pe perioada elaborrii tezei de doctorat. De asemenea, mulumesc colegilor din cadrul Catedrei de Automatic pentru colaborrile utile avute n activitatea de cercetare i publicare. Nu n ultimul rnd, doresc s mulumesc familiei mele i n special soiei mele pentru toat nelegerea i susinerea oferite n aceti ani. Braov, 2010 Cristian Nicolae Boldior

PREFACE
The design and implementation of fuzzy logic systems for technical applications in general, and for electrical and control engineering, in particular, were intensively treated from theoretical as well as practical perspectives/both from theoretical and practical points of view, ever since fuzzy logic was defined as a sub-domain of mathematics and began to be used in engineering. Studies led to expound several practical strategies to establish fuzzy rule bases, from the simple empirical ones to the very complex methodologies based on artificial intelligence algorithms, such as self-learning, neural networks and genetic algorithms. Nowadays, among these strategies, the latter are preferred due to their high adaptability to different situations, without involving any stages for re-modelling or identification of parameters. Fuzzy logic control systems are a frequently used solution in automatic control applications for processes with uncertain or largely varying parameters, among which physiological processes can be mentioned. Designing fuzzy controllers using the recent analytical methods, such as the neuro-fuzzy techniques, assures satisfactory control solutions and good performances, while avoiding an exact mathematical modelling of the process. Using these methods for a biological process makes the subject of this thesis a modern and pertinent one, both by presenting current methods that can be adapted to various other applications and by using them in a rapidly developing domain. The design of control systems for physiological variables, as part of biomedical engineering, is a theoretical topic of interest, aiming at building new automatic medical equipment, as complex as possible, as well as with the purpose of improving the performance and safety of the equipment already available. The cardiovascular system is a psychological process of great interest due to the occurrence of specific diseases and due to the possibility of automatic control in certain clinical situations. Through this thesis, the author aims at improving his experience in neuro-fuzzy system design for control applications, in general, as well as at directing his research towards the modern applications of engineering in medicine. I want to thank Prof. Eng. Iulian opa, Ph.D., the scientific advisor for this thesis, and Prof. Eng. Vasile Comnac, Ph.D., for their support during the preparation of this thesis. Also, I thank my colleagues from Automatics Department for the useful cooperation in research work and publication of scientific papers. Finally, I want to thank my family and especially my wife for all patience and support shown over these years. Braov, 2010 Cristian Nicolae Boldior

CUPRINSUL TEZEI DE DOCTORAT

Introducere ......................................................................................................... (7)......1 Descrierea subiectului tezei de doctorat............................................. (7)......1 Stadiul actual al cercetrilor .................................................................. (9)......2 Organizarea lucrrii.............................................................................. (10)......5 Capitolul I. Elemente teoretice...................................................................... (12)......8 1.1. Mulimi fuzzy ....................................................................................... ....11 1.2. Raionamentul fuzzy ........................................................................... ....18 1.3. Modele neuronale. Antrenarea reelelor neuronale........................ ....24 1.4. Sisteme hibride neuro-fuzzy ....................................................... (12)....33 Capitolul II. Sisteme de reglare cu logic fuzzy .......................................... (14)....43 2.1. Regulatoare fuzzy ................................................................................ ....45 2.2. Adaptarea sistemului de inferene de tip Sugeno-Tagaki n form tabelar numeric................................................................. (16)....51 2.3. Sisteme neuro-fuzzy n aplicaii practice n inginerie.............. (16)....58 Capitolul III. Tehnici de proiectare a regulatoarelor fuzzy....................... (17)....61 3.1. Proiectarea bazat pe experien a bazelor de reguli fuzzy .... (18)....62 3.1.1. Prezentarea detaliat a metodologiei ................................. ....62 3.1.2. Alte recomandri de proiectare bazate pe situaii frecvente n practic........................................................................ ....68 3.2. Utilizarea unor metode specifice regulatoarelor clasice................. ....69 3.2.1. Utilizarea relaiilor Ziegler-Nichols n calculul factorilor de scalare .................................................................. (19)....69 3.3. Obinerea bazelor de reguli prin instruire iterativ ................. (20)....71 3.3.1. Algoritmul iterativ de auto-instruire .................................. ....72 3.3.2. Construcia bazelor de reguli din datele obinute prin auto-instruire ........................................................................... ....76 3.4. Utilizarea sistemelor fuzzy neuronale adaptive (ANFIS) pentru obinerea bazelor de reguli..................................................... (22)....80 3.4.1. Structura i funcionarea ANFIS........................................ ....80

3.4.2. Antrenarea ANFIS cu datele obinute prin auto-instruire............................................................................. (23)....82 3.5. Criteriile de validare ale bazelor de reguli ........................................ ....83 Capitolul IV. Modelarea dinamicii sistemului cardiovascular................... (24)....84 4.1. Scurt descriere a fiziologiei sistemului cardiovascular ................. ....85 4.2. Modelarea sistemului fiziologic ......................................................... ....89 4.2.1. Tipuri de modele ale sistemelor fiziologice ............... (25)....89 4.2.2. Un model extins nepulsatil al sistemului circulator......... ....90 4.3. Modelarea dinamicii cardiovasculare sub aciunea medicamentelor injectate........................................................................... ....93 4.3.1. Medicamente injectabile uzuale pentru controlul tensiunii arteriale i a debitului cardiac ................................. (26)....93 4.3.2. Principiul concentraiei la locul de aciune al medicamentului ............................................................................... ....94 4.3.3. Modelarea efectelor medicamentelor asupra parametrilor sistemului cardiovascular. ....................................... ....94 4.4. Modelul compact al lui Yu.......................................................... (26)....96 4.5. Simularea modelului utilizat n mediul Matlab/Simulink.............. ....99 Capitolul V. Proiectarea regulatoarelor fuzzy pentru controlul combinat al tensiunii arteriale i debitului cardiac...................................... (29)..102 5.1. Introducere........................................................................................... ..102 5.1.1. Situaii clinice ........................................................................ ..102 5.1.2. Structura sistemului de reglare............................................ ..103 5.1.3. Simularea injectomatelor ..................................................... ..104 5.2. Proiectarea regulatoarelor fuzzy pentru controlul combinat al tensiunii arteriale medii i debitului cardiac ........................................ ..105 5.2.1. Proiectarea regulatoarelor pe baza experienei i a recomandrilor generale de proiectare......................................... ..105 5.2.2. Ajustarea factorilor de scalare pe baza valorilor tipice ale parametrilor procesului ............................................................ ..108 5.2.3. Proiectarea regulatoarelor fuzzy prin auto-instruire ....... ..109 5.2.4. Proiectarea regulatoarelor prin auto-instruire i antrenare ANFIS............................................................................. ..113

5.3. Analiza performanelor sistemelor de reglare cu regulatoare proiectate prin metodele propuse...................................................... (30)..115 5.3.1. Detalierea indicatorilor de calitate...................................... ..115 5.3.2. Analiza performanelor obinute pentru fiecare variant de proiectare n cazul clinic standard ............................ ..116 5.4. Analiza robusteii variantelor funcionale................................. (31)..122 5.4.1. Scenarii de simulare.............................................................. ..122 5.4.2. Analiza robusteii variantei bazate de relaiile Ziegler-Nichols......................................................................... (32)..123 5.4.3. Analiza robusteii variantei bazate de antrenare ANFIS........................................................................................ (33)..128 Concluzii finale i perspective ....................................................................... (34)..133 Contribuii personale........................................................................... (35)..134 Perspective ............................................................................................ (37)..136 Anexe........................................................................................................................ ..137 Scenariile de simulare ................................................................................. ..137 Programe Matlab utilizate.......................................................................... ..139 List de notaii......................................................................................................... ..144 List de figuri........................................................................................................... ..148 Bibliografie........................................................................................................ (38)..152 Curriculum vitae .............................................................................................. (48) Lista complet de publicaii............................................................................ (49)

INTRODUCERE
Descrierea subiectului tezei de doctorat Sistemele de reglare cu logic fuzzy sunt o soluie frecvent utilizat pentru aplicaiile de control automat al proceselor cu parametrii inceri sau variabili n limite largi, printre care pot fi amintite i procesele fiziologice. Proiectarea regulatoarelor fuzzy este bazat n primul rnd pe experiena empiric, ns metodele de proiectare recente, analitice, prin tehnici neuro-fuzzy permit obinerea unor soluii de reglare satisfctoare, sau chiar bune, evitnd o modelare matematic exact a procesului. Utilizarea acestor metode pentru un proces biologic este un subiect de studiu ambiios innd cont de caracteristicile acestor procese, ns n acelai timp este unul modern, att prin descrierea metodelor de proiectare, ct i prin utilizarea lor ntr-un domeniu ingineresc n plin dezvoltare. Lucrarea prezint o abordare modern pentru controlul simultan al tensiunii arteriale i debitului cardiac, bazat pe tehnici inteligente neuro-fuzzy, cu enumerarea a patru metode concrete de proiectare. Aplicaia de control este una complex, n domeniul medical, ceea ce implic o serie de dificulti de modelare i probleme de identificare precis a parametrilor. Din titlul lucrrii se pot identifica dou direcii principale de studiu necesare rezolvrii aplicaiei propuse: Sisteme de reglare fuzzy simple i hibride neuro-fuzzy, cu aplicabilitate n diverse aplicaii de inginerie i sistematizarea unor metode de proiectare a sistemelor de inferene fuzzy ale regulatoarelor, pentru a facilita utilizarea lor n diferite aplicaii cu obinerea unor soluii performante; Cercetri privind modelarea sistemului cardiovascular i a dinamicii farmocologice a acestuia, pentru lrgirea domeniului de aplicabilitate a metodelor neuro-fuzzy descrise i dezvoltarea unor strategii de control pentru procese biologice. Cercetrile n cele dou subiecte sunt concretizate n aplicarea strategiilor de proiectare propuse pentru sisteme de control fuzzy i neuro-fuzzy ale variabilelor tensiune arterial medie i debit cardiac, ca exemplu de proces biologic controlabil prin ajustarea dozajului de medicamente injectate. Motivaia complex a acestui studiu este descris prin enumerarea ctorva aspecte: Proiectarea sistemelor cu logic fuzzy este nc, n majoritatea aplicaiilor, bazat mai mult pe experiena proiectantului, dect pe metodologii analitice sau clar sistematizate;
7

 Este dificil realizarea unor structuri de reglare utile, auto-adaptive, inteligente, fr necesitatea unui expert n teoria sistemelor, reglare fuzzy i n domeniul procesului studiat (aici cardiologie); Este necesar (i dorit) lrgirea experienei n proiectarea de sisteme cu logic fuzzy n domenii diverse i cazuri tot mai complexe; Se consider util stabilirea unor metodologii clare, sistematizate i ct mai automate pentru obinerea unor baze de reguli ale regulatoarelor pentru procese fr model sau cu parametrii inceri; Modelarea unui sistemelor biologice (n general) este o problem interesant i din perspectiva automaticii, dar dificil i cu prea puine studii relevante; Dezvoltarea unor metode, soluii, echipamente automate etc. pentru uz medical, aplicate n ingineria biomedical sau utile n studii farmacologice impune verificarea riguroas i repetat n simulare a tehnicilor utilizate i a soluiilor propuse, pentru creterea ncrederii. Studiul realizat poate fi argumentat de faptul c dezvoltarea oricror echipamente sau tehnologii pentru medicin este precedat de un volum mare de analize teoretice i simulri software. Altfel spus, oportunitatea lucrrii este susinut de tendinele actuale referitoare la decursul normal al dezvoltrii aplicaiilor de inginerie biomedical. Controlul unor variabile ce descriu un proces fiziologic prezint particulariti produse de evoluia neliniar, incert i complex a acestora. Cunoaterea aspectelor privind funcionarea sistemelor biologice mrete nivelul de ncredere n sistemele automate de control proiectate sau, cel puin, creeaz posibilitatea realizrii unor simulri folosind modelele disponibile. Cu toate c este posibil proiectarea sistemelor de reglare fuzzy folosind puine informaii privind procesul, disponibilitatea unui model ct mai exact i util n contextul aplicaiei faciliteaz realizarea simulatoarelor, care astfel reduc numrul i riscul testelor efectuate pe oameni. Cercetarea n domeniul ingineriei utilizeaz deseori simulri computerizate pentru creterea productivitii, scderea costurilor de proiectare i pentru mrirea fiabilitii i siguranei produselor obinute. Mai mult, unele domenii, printre care i ingineria biomedical, impun simulri complexe pentru evitarea situaiilor periculoase ce pot apare n realizarea sau testarea prototipurilor experimentale. n acest context, sunt utilizate intens instrumentele de simulare disponibile i se ncurajeaz dezvoltarea i mbuntirea aplicaiilor software de simulare. Ingineria biomedical impune cercetri susinute n modelarea proceselor fiziologice, mbuntirea modelelor obinute i simularea unor tehnologii, pentru a facilita proiectarea unor sisteme automate performante.
8

Stadiul actual al cercetrilor Proiectarea i implementarea sistemelor cu logic fuzzy n inginerie, n general, i n ingineria electric sau automatic, n particular, au fost tratate intens, din perspective teoretice i practice, de la definirea logicii fuzzy ca subiect matematic ([ZAD1965]) i de la introducerea ei n tehnic ([MAM1974]). Studiile teoretice au condus la expunerea multor strategii concrete de stabilire a bazelor de reguli fuzzy, de la cele empirice, simple, pn la metodologii complexe bazate pe algoritmi specifici inteligenei artificiale, cum ar fi autoinstruirea, reelele neuronale, algoritmi genetici ([JOV1999], [JAN2007], [PAY1998], [PRP1997]). Dintre acestea, ultimele amintite sunt preferate la ora actual, datorit adaptabilitii ridicate ale acestora la diverse situaii, fr a implica etape de re-modelare sau re-identificare a parametrilor, cnd condiiile de funcionare se modific. n acest context, referirea la domeniul inteligenei artificiale este rezonabil deoarece noile strategii emuleaz dou caracteristici umane, inteligente nvarea i adaptarea fie n timpul funcionrii efective a sistemului, fie n etapa de proiectare a sistemului. n cazul sistemelor cu logic fuzzy, nvarea reprezint capacitatea de a extrage un set de reguli, fuzzy sau non-fuzzy, dintrun proces de nregistrare i prelucrare de date numerice (pentru un sistem automat) sau de observaii experimentale (pentru un proiectant). Un exemplu sugestiv este mecanismul de construcie a bazei de reguli pentru un regulator fuzzy descris n [NIL1995], bazat pe conceptul de auto-instruire din [ARI1990] i simplificat la condiii practice concrete n [BCC2009]. Adaptarea semnific ajustarea unei baze de reguli standard sau brute la condiiile aplicaiei practice, cu scopul optimizrii sistemului proiectat. Aceast ajustare se poate face n baza unui algoritm de minimizare a erorii, cum ar fi antrenarea reelelor neuronale sau structura ANFIS, ca n [BCT2010b]. Introducerea unor algoritmi de inteligen artificial n etapa de proiectare are un avantaj semnificativ: foarte puine informaii privind procesul reglat sunt necesare n proiectare. Necesitatea unui operator uman experimentat sau a unui model matematic este redus sau chiar eliminat complet. Proiectarea sistemelor de control al variabilelor fiziologice, ca unul din capitolele domeniului ingineriei biomedicale, este o tem teoretic de interes actual, n perspectiva realizrii de noi aparate medicale automate, ct mai complexe, dar i cu scopul mbuntirii performanelor i creterii siguranei echipamentelor existente deja. Sistemul cardiovascular este unul dintre procesele fiziologice de mare interes datorit incidenei afeciunilor specifice i a posibilitii de control automat n unele situaii clinice. O serie de probleme specifice au fost abordate i parial rezolvate n decursul anilor. Mai nti, s-au realizat numeroase studii privind modelarea matematic a multor aspecte privind funcionarea sistemului cardiovascular. Printre acestea
9

trebuie amintite studiile de farmacologie privind dinamica efectelor unor substane injectate, prin care controlul devine posibil. Din punctul de vedere al modelrii matematice, sistemul cardiovascular a fost studiat din mai multe perspective (vezi [TIM2000], [CAT2006]), printre care i abordarea specific teoriei sistemelor care include dinamica sistemului sub aciunea unor medicamente, sau efectul farmacodinamic. Modelele utilizate i n cele mai recente lucrri sunt modele cu parametrii compaci, generalizate la ntreg sistemul cardiovascular, care ignor efectele pulsatorii produse de btile inimii. Se pot aminti aici modelele prezentate n [MPT1983] procese hemodinamice i [SRK1983] procese farmaco-dinamice, utilizate mpreun n [NIL1995] i modelul combinat propus de Yu et. al n [YRK1990a], cu extensia propus de Huang et. al n [HUR1998]. Un prim pas n dezvoltarea unor echipamente de control este realizarea injectomatelor programabile. Acestea injecteaz o doz constant de substan, stabilit de personalul medical pe baza experienei. Funcionarea lor este descris de teoria sistemelor ca un sistem n circuit deschis, adic sistemul nu prezint un mecanism de reacie. Al doilea pas l constituie studiul teoretic al unor metode de reglare robuste, facilitate de evoluia modelrii matematice a sistemului cardiovasculare. Exist abordri SISO pentru controlul unei singure variabile, sau mai recent, abordri MIMO, cu dou sau trei bucle de reglare, pentru un set de variabile fiziologice cu interinfluene. Studiile actuale se concentreaz pe controlul combinat al tensiunii arteriale medii i debitului cardiac prin administrarea intravenoas de nitroprusiat de sodiu i dopamin. Un ultim pas necesar este acela al realizrii practice a unor elemente de execuie care s controleze concentraia substanelor n injectomate. n paralel, s-au dezvoltat metode teoretice de control automat ct mai robuste, pentru a diminua efectele inexactitii n identificarea parametrilor asupra stabilitii i performanelor. Aceste tehnici de reglare sau proiectare au fost intens utilizate i verificate n diverse alte aplicaii, care ndeplinesc aceeai condiie a variaiei ample a parametrilor. Pentru controlul tensiunii arteriale i debitului cardiac se pot aminti lucrrile [PAL2003], [KHV2009], [BCT2010]. Nu n ultimul rnd, chestiuni de ordin etic sau juridic privind tratarea i responsabilitatea erorilor sunt nc n discuie, nainte de verificarea practic a unor echipamente sau metode prototip ([BRO2000], [BRO2006]). Organizarea lucrrii Lucrarea este structurat n cinci capitole principale, completate de dou seciuni pentru introducerea temei i concluziile lucrrii, dar i o bibliografie bogat. Problematica fiecrui capitol este abordat din perspectiva strict a subiectului lucrrii i este tratat sistematic i detaliat.
10

Seciunea de Introducere prezint i motiveaz tema de cercetare propus i amintete un scurt stadiu actual privind utilizarea general a tehnicilor neurofuzzy i particular n aplicaii biomedicale. Amintind tendinele actuale i specificul procesului fiziologic studiat, se argumenteaz alegerea soluiilor de reglare cu logic fuzzy. De asemenea, se prezint structura lucrrii i se prezint pe scurt problemele abordate. Capitolul 1, Elemente teoretice, prezint noiunile teoretice necesare ulterior n prezentarea metodelor i soluiilor propuse. Prezentarea se limiteaz strict la scopul capitolului, dar detaliaz suficient pentru a expune noiunile n mod clar. Capitolul 2, Sisteme de reglare cu logic fuzzy, detaliaz aspectele specifice sistemelor cu logic fuzzy utilizate n aplicaiile de control automat. Aici, expunerea se concentreaz pe noiunile privitoare la performanele sistemelor automate i restrnge domeniul larg al tehnicilor neuro-fuzzy la aspectele importante pentru sistemele automate. n acest context, se prezint un mecanism de inferen fuzzy uor de implementat numeric i recomandabil aplicaiilor n timp real. Capitolul 3, Tehnici de proiectare a bazelor de reguli pentru regulatoare fuzzy, lrgete aria tehnicilor neuro-fuzzy cu cele dedicate etapei de proiectare a sistemelor. Astfel, sunt prezentate patru metode de proiectare a regulilor fuzzy pentru aplicaii de control: A. metoda strict bazat experiena proiectantului; B. adaptarea regulatorului fuzzy pe baza parametrilor procesului, prin relaiile Ziegler-Nichols de acord a regulatoarelor clasice; C. procesarea datelor obinute printr-un algoritm de instruire iterativ, utilizat pentru obinerea unor informaii despre proces; D. o metod hibrid neuro-fuzzy ANFIS. Expunerea metodelor urmrete generalizarea i sistematizarea lor pentru a nlesni aplicarea n diverse alte situaii i, de asemenea, sunt amintite aspecte concrete privind utilizarea practic a metodelor. Capitolul 4, Modelarea dinamicii cardiovasculare n contextul unei aplicaii de control, cuprinde prezentarea procesului studiat dintr-o perspectiv inginereasc. Capitolul este redactat printr-un studiu bibliografic intens i subliniaz numrul relativ redus al cercetrilor privind modelarea sistemului cardiovascular pentru o aplicaie de control hemodinamic prin ajustarea dozajelor de medicamente injectate. Este prezentat modelul matematic ales pentru simulri i se argumenteaz alegerea acestuia. Capitolul 5, Proiectarea regulatoarelor fuzzy pentru controlul combinat al tensiunii arteriale i debitului cardiac, prezint utilizarea celor patru metode de obinere a regulilor fuzzy n proiectarea unor regulatoare fuzzy pentru controlul tensiunii arteriale i al debitului cardiac, pe modelul cardiovascular ales anterior. Regulatoarele fuzzy obinute sunt analizate din punct de vedere al performanelor, mai nti pentru
11

un caz considerat standard. Apoi soluiile mai performante sunt analizate i cu privire la robustee, n alte opt cazuri clinice propuse de autor. Rezultatele simulrilor sunt prezentate clar, n figuri i tabele comparative. n final, sunt prezentate principalele Concluzii ale lucrrii. Cele mai importante rezultate i contribuii personale sunt rezumate i de asemenea sunt precizate cteva direcii n care poate fi dezvoltat lucrarea. Lucrarea este completat de o Bibliografie bogat, care cuprinde lucrri n domeniul sistemelor neuro-fuzzy, de la noiunile teoretice pn la aplicaiile n inginerie, dar i multe referine privind modelarea sistemului cardiovascular.

CAPITOLUL I. ELEMENTE TEORETICE

Teoria matematic a mulimilor i logicii fuzzy a cunoscut o dezvoltare exponenial pe parcursul celor 45 de ani de la introducerea ei ([ZAD1965]), motivat att de atractivitatea raionamentelor asemntoare mecanismelor raionale umane uzuale, ct i aplicrii cu succes ntr-o serie larg de domenii inginereti. Expunerile teoretice ale logicii fuzzy, cu toate aspectele ei, interfereaz strns cu alte capitole ale matematicii, dar i cu domenii ale ingineriei, i utilizeaz instrumente abstracte sau practice specifice. Cu o desfurare doar puin mai lung, dezvoltarea modelelor neuronale, a structurilor de reele i a algoritmilor a fost de asemenea ampl. Structurile i metodele matematice propuse simuleaz pe cele naturale, specifice inteligenei umane, de unde sunt inspirate ([MCP1943]). Aplicaiile curente n inginerie i mai exact n control automat apeleaz doar o mic parte a teoriei mulimilor fuzzy i reelelor neuronale, care se dovedete relativ uor accesibil. Prezentarea noiunilor teoretice preliminare reprezint o enumerare a elementelor de baz considerate necesare pentru dezvoltarea ulterioar a temei propuse. Dintre lucrrile importante de amintit pentru o introducere mai detaliat a aparatului teoretic privind logica fuzzy, n general, i a aplicaiilor inginereti fuzzy i hibride neuro-fuzzy, n particular (printre care i controlul n logic fuzzy), se pot aminti monografiile: Mamdani [MAM1985], Driankov .a. [DHR1993], Kosko [KOS1996], Pedrycz i Gomide [PEG1998], Passino i Yurkovich - [PAY1998], Zimmermann [ZIM2001], Jantzen [JAN2007], dar i multe altele. Pe plan internaional, numrul lucrrilor n domeniu este mult mai mare, cele amintite fiind doar exemplele frecvent citate. n limba romn se pot aminti: Negoi i Ralescu [NER1974], Preitl i Precup [PRP1997]. Sisteme hibride neuro-fuzzy Fiecare tehnic inteligent are proprieti tipice care i confer aplicabilitatea pentru anumite probleme i prezint dezavantaje n rezolvarea altora. De exemplu, reelele neuronale au avantajul recunoaterii modelelor, ns nu pot
12

explica modul n care au ajuns la o concluzie. Pe de alt parte, sistemele fuzzy pot raiona cu informaii imprecise i i pot explica raionamentul, dar nu pot achiziiona automat regulile pe care le utilizeaz pentru luarea deciziilor. Aceste limitri au fost principalul motiv pentru care s-a ncercat crearea de sisteme inteligente hibride, n care dou sau mai multe tehnici pot fi combinate pentru a depi dezavantajele tehnicilor individuale. Modelarea cu reguli fuzzy, de tip dac-atunci, este n general potrivit pentru modelarea calitativ. Totui, n multe situaii, datorit incompletitudinii cunoaterii, inerente unor situaii reale, aceast abordare se dovedete insuficient. De aceea se face apel la unele metode conexioniste, cum ar fi reelele neuronale. Sistemele neuro-fuzzy sunt astfel capabile s nvee din exemple, s generalizeze pe baza cunotinelor acumulate i, pe baza datelor primite, s sintetizeze cunotine n forma regulilor fuzzy.
Tabelul 1. Privire comparativ a avantajelor i dezavantajelor sistemelor fuzzy i reelelor neuronale.

Avantaje - ncorporeaz cunotine predefinite bazate pe reguli - Sunt interpretabile (reguli) - Ofer o implementare simpl - Cunotinele sunt disponibile n orice moment - Nu pot nva - Trebuie s dispun de reguli stabilite a-priori - Nu exist metode formale pentru ajustarea regulilor

Dezavantaje - Pot nva fr nici o informaie iniial - Exist mai multe paradigme de nvare, potrivite diverselor situaii - Exist o multitudine de algoritmi de nvare disponibili n literatura de specialitate - Sunt cutii negre sub-simbolice - Nu pot utiliza cunotine a-priori - Necesit algoritmi de nvare compleci - Nu exist garania c nvarea converge spre soluie - Prezint dificulti n extragerea cunotinelor structurale

Sisteme fuzzy

Reele neuronale

n ultimii ani, sistemele hibride au suscitat un deosebit interes. Aceast abordare s-a dovedit ncununat de succes n diferite domenii, precum diagnoza echipamentelor industriale, robotica sau controlul proceselor dinamice. Motivul principal al studierii sistemelor neuronale hibride este crearea de sisteme de reprezentare sub-simbolic, n special a reelelor neuro-fuzzy. Din punctul de vedere al tiinelor cognitive, reprezentarea neuronal ofer avantajul omogenitii, a capacitii de nvare prin exemple i a generalizrii, precum i efectuarea de sarcini distribuite, n medii cu date incomplete sau afectate de zgomote. Din punctul de vedere al sistemelor bazate pe cunotine,
13

reprezentrile simbolice au avantajul interpretrii umane, al controlului explicit i al abstractizrii cunoaterii. Cele dou abordri pot fi utilizate n mod complementar. Aceasta este premisa crerii de sisteme hibride inteligente, care combin trsturi conexioniste (neuronale) i simbolice (fuzzy). n astfel de sisteme, mai nti se introduc informaii simbolice n reeaua neuronal, apoi se folosesc exemplele de instruire pentru rafinarea cunotinelor iniiale. n final, se proceseaz rezultatul pentru un set de intrri i, prin metode specifice, se extrag informaii simbolice din reeaua antrenat.

CAPITOLUL II. SISTEME DE REGLARE CU LOGIC FUZZY

Sistemele de reglare cu logic fuzzy dovedesc aplicabilitate i avantaje considerabile, ntr-o gam larg de aplicaii de control automat n ingineria electric, i nu numai. Fa de structurile de reglare clasice, aceste sisteme prezint dou mari diferene: n modul de descriere a procesului inexactitatea sau chiar lipsa unui model al procesului nu constituie un impediment; n modul de proiectare parametrii acestuia au coresponden clar cu cunotinele exprimate lingvistic de experi i pot fi adaptate mai uor la performanele impuse. Nu se pune aici n discuie o evaluare de tip competitiv ntre regulatoarele fuzzy i alte tipuri, cum ar fi regulatoarele PID clasice, din cauza condiiilor specifice diferite pentru care se recomand fiecare tip sau structur de reglare. Astfel, n mai toate lucrrile care prezint structurile de reglare cu logic fuzzy, utilizarea acestora este considerat potrivit n primul rnd n cazul proceselor cu parametrii inceri, fr ca acesta s fie singurul motiv. Incertitudinile privind procesul condus se refer la: - inexactitatea modelului obinut prin identificare, - existena unor parametrii variabili ntr-un domeniu larg, cu dinamic imprevizibil, - identificarea eronat a parametrilor procesului. Pe lng motivarea regulatoarelor fuzzy, existena acestor incertitudini implic o abordare imprecis a proiectrii structurii de reglare. Astfel, este dificil stabilirea unei metodologii stricte de proiectare deoarece, n prezena incertitudinilor, proiectantul i adapteaz metodele observnd i analiznd rezultatele pariale obinute. Cu alte cuvinte, dac algoritmul de reglare prezint aspecte specifice logicii fuzzy, atunci este rezonabil i chiar recomandabil ca i metodele de proiectare a sistemelor s utilizeze logica fuzzy.

14

Tehnicile de reglare clasice, bazate pe regulatoare clasice P, PI, PID, au stat la baza dezvoltrii unei largi game de aplicaii industriale. Motivele aplicrii lor sunt simplitatea lor, costul redus de fabricaie i de ntreinere, mpreun cu obinerea unor rezultate foarte bune. Spre exemplu, multe sisteme de reglare bazate pe servosisteme utilizeaz ieftin i eficient un algoritm de reglare PID. n proiectarea acestor regulatoare este necesar ns cunoaterea ct mai exact a modelului matematic al procesului. Modelul este deseori suficient de complex nct s fie impus neglijarea unor mrimi, ceea ce duce la obinerea unor rezultate aproximative. Pe de alt parte, sunt destule situaii cnd determinarea modelului este aproape imposibil. Dac totui modelul este bine determinat, parametrii regulatorului depind de parametrii procesului, ceea ce nseamn c, la modificarea unui parametru din proces, este nevoie de o recalculare a parametrilor regulatorului. Altfel spus, la schimbarea mainii electrice ntr-un servosistem, de exemplu, trebuie schimbat i regulatorul. O problem mai important apare n cazul sistemelor neliniare. Chiar dac modelul matematic este clar stabilit, un regulator PID nu va duce la obinerea unor rezultate bune pentru aceste sisteme.
Tabelul 2. Situaii care avantajeaz folosirea logicii fuzzy.

Cnd parametrii procesului controlat se modific n decursul funcionrii (regulatoarele convenionale necesit reproiectare cnd caracteristicile i configuraia, procesului se schimb) Cnd este necesar emularea sau nlocuirea regulatoarele convenionale existente (de exemplu pentru a asigura autoacordarea sau pentru a da mai mult flexibilitate regulatoarelor adaptive) Cnd este mai uor de a proiecta i implementa o baz de reguli fuzzy care va controla un proces complex (deoarece procesul este puternic neliniar, sau este imposibil modelarea eficient cu un cost rezonabil) Dac acurateea senzorului (sau preul) este o problem (logica fuzzy poate manipula masurtori imprecise cu incertitudini) Pentru a obine soluii de control eficient cnd intrrile procesului sunt incerte sau conflictuale sau cnd problema de control nu se poate rezolva folosind alte tehnici

Principalul avantaj al utilizrii unor regulatoare fuzzy este faptul c nu este necesar cunoaterea modelului matematic, ci doar cunoaterea comportrii aproximative a procesului. Proiectarea regulatorului nu impune efectuarea unui volum mare de calcule, mai important fiind experiena proiectantului. Obinerea unor rezultate bune depinde mai mult de experien i de calitatea implementrii. Pentru a depi complet problema modelrii exacte a procesului, algoritmii de reglare ce utilizeaz logica fuzzy au fost dezvoltai, incluznd metode tot mai
15

complexe, specifice domeniului inteligenei artificiale. Extinderea vizeaz n primul rnd utilizarea instruirii iterative i reelelor neuronale, pentru extragerea unor date care sunt o reprezentare numeric a experienei. Un mare avantaj al aplicaiilor cu logic fuzzy este faptul c utilizarea acestora va conduce la scdere semnificativ a timpului de dezvoltare i proiectare i a implementrii. (De exemplu conform informaiilor oferite de firma Texas Instruments, implementarea unui sistem de control a motorului de inducie cu regulatoare fuzzy logic cere doar o sfert din timpul necesar pentru proiectarea i implementarea unui sistem similar care utilizeaz regulatoare clasice.) Adaptarea sistemului de inferene de tip Sugeno-Tagaki n form tabelar numeric. Inferene Pedrycz n unele aplicaii practice concrete, procedura stabilirii unei baze de reguli poate consta ntr-o procesare a unui set de date non-fuzzy (reale). Finalitatea acestei prelucrri ar putea fi transpunerea acestor date ntr-o form lingvistic. Datele non-fuzzy sunt obinute prin nregistrarea semnalelor utile pentru proiectare mrime de comand, mrime de reacie i/sau eroare de reglare i prin calcularea derivatelor acestora, n funcie de structura de reglare aleas. ns extragerea regulilor fuzzy n forma dac ... atunci ... este considerat dificil din cauz faptului c nu exist proceduri sistematizate. Obinearea regulilor este strns legat de mecanismul de inferen utilizat. Dac un set de date reale privind funcionarea procesului este disponibil, se poate adapta mecanismul de inferen fuzzy de tip Tagaki, ntr-o form util i adecvat datelor numerice. Aceast adaptare reuete s reduc din volumul de calcule al metodelor de inferen obinuite, prin introducerea unei reprezentri mai degrab numerice a regulilor fuzzy, care n final nu mai sunt evideniate. Mecanismul de inferen fuzzy adaptat pentru a nlesni extragerea regulilor din date numerice a fost propus n lucrrile [NIE87, NIE89], pornind de la o form incipient propus n [PED85]. Metoda este utilizat cu succes pe date obinute prin aplicarea algoritmului de auto-instruire n [NIL95]. De asemenea, metoda a fost verificat practic n proiectarea unui sistem de reglare a vitezei unui motor de curent continuu n [BCC09b] i ntr-o analiz mai detaliat n [BCC10a]. Sisteme neuro-fuzzy n aplicaii practice n inginerie n sistemele fuzzy, relaiile exacte ale unui model matematic al procesului nu sunt eseniale. Sistemele sunt descrise de aprecierile calitative ale mrimilor i de legturile dintre acestea, exprimate lingvistic, pe baza experienei operatorilor. O mprire potrivit, n atribute, a domeniului de valori pe care le poate lua mrimile considerate i experiena obinut din observarea funcionrii procesului ce ajut la descrierea comportrii acestuia permit nlocuirea unor
16

relaii complexe (ecuaii difereniale, etc.) prin operaii mult mai simple: comparare (operatori min i max), nsumare, produs. O prim abordare care include tehnici neuronale este cea a modelrii unui proces (sistem) prin antrenarea unei reele neurale pe baza datelor experimentale obinute prin msurare i nregistrare. n acest caz, experiena privind funcionarea sistemului nu este important dect eventual n etapa de alegere a modelului neuronal, de stabilire a numrului de neuroni i de organizare n straturi. Sistemului i se aplic valori diverse pentru mrimile de intrare (pstrnd condiii de siguran), iar valorile mrimilor de ieire se msoar i se nregistreaz. Cu aceste date se antreneaz o reea neural, utiliznd programe specializate, urmnd ca prin implementarea (software) a reelei antrenate obinute s se modeleze procesul real. Astfel, reeaua antrenat realizeaz o descriere a funcionrii procesului prin operaii a cror complexitate depinde de modelul neuronal ales, dar care pot fi doar nmuliri i nsumri. Utilizarea strict a reelelor neuronale n obinerea modelelor nu finalizeaz proiectarea bazelor de reguli. Aadar, aceleai tehnici se extind i asupra ajustrii parametrilor bazei de reguli. Ajustarea lor este secundar schirii unei structuri a bazei de reguli, bazat pe experiena proiectantului. Aadar, cele dou concepte aprecierea calitativ i adaptarea neuronal se completeaz ntr-o procedur de proiectare neuro-fuzzy. mbinarea neuro-fuzzy ar beneficia de avantajele ambelor tehnici. Astfel, putem vorbi de sisteme fuzzy n care parametrii sistemului de inferen (de fapt parametrii funciilor de apartenen care definesc termenii lingvistici) pot fi acordai printr-un procedeu similar antrenrii reelelor neurale. Mai mult, acordarea acestor parametrii se poate face online, pe baza datelor msurate n timpul funcionrii sistemului de reglare.

TEHNICI DE PROIECTARE A REGULATOARELOR FUZZY

Lucrrile de specialitate n domeniul controlului cu logic fuzzy, prezint o serie larg de metodologii de proiectare, de la cele empirice pn la tehnici complexe de inteligen artificial, cu diverse grade de automatism n obinerea bazelor de reguli. Cu toate acestea, nc nu exist o metod strict de proiectare a bazelor de reguli, acceptat de majoritatea autorilor. Este evident ns, ncercarea multor autori de a prezenta ct mai compact i sintetic tehnicile utilizate. Pentru obinerea regulilor fuzzy de control se utilizeaz una sau mai multe dintre urmtoarele surse sau abordri: a) experiena proiectantului n sisteme de control automat cu logic fuzzy, completat cu cunotinele privind funcionarea procesului;
17

CAPITOLUL III.

b) nregistrarea, ntr-o form util pentru o procesare ulterioar, a aciunilor realizate de operatorul uman specializat n operarea asupra procesului; c) modelarea fuzzy a procesului; d) utilizarea unor strategii complexe, bazate de algoritmi de auto-instruire sau reele neuronale (tehnici de inteligen artificial). Fiecare dintre aceste surse de informaii poate fi utilizat exclusiv, ns combinarea lor poate mbunti performanele regulatoarelor obinute. Astfel, utilizarea tehnicilor avansate bazate de auto-instruire, motivate de gradul mare de automatizare n obinerea regulilor, este deseori completat de o ajustare a bazei de reguli bazat pe experiena proiectantului. Includerea tehnicilor de inteligen artificial n etapa de proiectare se refer la emularea unor aciuni regsite toate activitile de proiectare: nvarea i adaptarea. n proiectarea sistemelor automate, nvarea este procesul prin care proiectantul obine informaii despre procesul supus reglrii, fie n forma experienei, fie sub forma unor date numerice nregistrate. Adaptarea este o continuare a nvrii prin care proiectantul mbuntete regulile nvate anterior sau modific valorile numerice nregistrate pe baza unor noi observaii. Invocarea tehnicilor de inteligen artificial nu este nepotrivit. Avantajele unor astfel de tehnici constau n primul rnd n faptul c aceste metode nu necesit cunoaterea unui model exact i sigur al procesului reglat. n fapt, sunt necesare unele date privind funcionarea procesului pentru a evita situaii periculoase. Avnd n vedere caracteristicile principale ale reglrii cu logic fuzzy, muli autori recomand dou direcii pe care orice metod de proiectare a unui regulator fuzzy trebuie s le urmreasc: sistemul de reglare proiectat trebuie n final s satisfac performanele impuse, deci proiectarea va cuta s ndeplineasc condiiile impuse prin includerea experienei n ingineria sistemelor automate; metoda trebuie s utilizeze ct mai puine informaii despre funcionarea procesului, evitnd o etap de modelare a acestuia. Proiectarea bazat pe experien a bazelor de reguli fuzzy O analiz a tehnicilor de proiectare utilizate n aplicaiile practice ale tehnicilor de reglare cu logic fuzzy, promoveaz ca prim metodologie de proiectare emularea experienei umane. Prin aceasta se nelege att experiena proiectantului privind sistemele de reglare cu logic fuzzy, dar i experiena operatorului uman cu privire la funcionarea procesului condus. De cele mai multe ori proiectantul sistemului de reglare cunoate suficient de bine i funcionarea procesului.
18

Proiectarea bazat pe experien poate fi descris prin enumerarea a cel puin patru etape: a) alegerea structurii de reglare i a tipului regulatorului fuzzy (P, PI, PD, PID), ce implic stabilirea variabilelor pentru baza de reguli; b) alegerea mulimilor de baz i a seturilor de termeni lingvistici pentru fiecare variabil; c) stabilirea regulilor de control; d) stabilirea factorilor de scalare a mrimilor reale nregistrate n limitele mulimii de baz. Utilizarea relaiilor Ziegler-Nichols n calculul factorilor de scalare n cazul sistemelor de reglare clasice, n lipsa unui model al procesului, acordarea parametrilor regulatorului PID se poate face folosind metode experimentale. Acestea constau n obinerea unui model aproximativ al procesului, prin nregistrarea rspunsului procesului la un semnal de comand de tip treapt. Dac rspunsul acestuia este n forma unui element de ordinul nti, cu timp mort, atunci se folosesc relaii de calcul al parametrilor regulatorului PID, din parametrii procesului, determinai din analiza ieirii nregistrate a procesului. Fie cazul unui regulator fuzzy de tip PI, ales pentru a obine eroare staionar nul. n forma clasic, un regulator PI este descris de ecuaia diferenial:
Ti du (t ) de(t ) = K r Ti + K r e(t ) dt dt

(1)

cu factorul de amplificare a regulatorului K r i constanta de integrare Ti . Egalitatea n relaia anterioar exprim o coresponden ntre valorile pentru eroare i derivata ei i valorile pentru derivata mrimii de comand. n mod asemntor, funcionarea regulatorului fuzzy PI poate fi descris printro notaie simbolic:
g du du g de de + g e e

(2)

care evideniaz factori de amplificare pentru fiecare variabil a sistemului de inferene fuzzy. Fornd o identificare a coeficienilor ntre relaiile (1) i (2), se propun relaii de calcul pentru factorii de scalare:
g e = K r , g de = K r Ti , g du = Ti

(3)

Fie, de asemenea, parametrii procesului (factor de amplificare, K p , constanta de timp dominant, T p , timpul mort, ) obinui din nregistrarea rspunsului
19

procesului la o referin de tip treapt. Acordarea parametrilor procesului se poate face utiliznd relaiile Ziegler-Nichols:
K r = 0,9 1 Tp , Ti = 3,3T p . Kp

(4)-(5)

Factorii de amplificare pentru variabilele sistemului de inferene fuzzy devin:

g e = 0,9 Tp K p

, g de = 0,9

Tp K p

3,3T p , g du = 3,3T p

(6)-(8)

Obinerea bazelor de reguli prin instruire iterativ O problem fundamental evident, aprut n implementarea practic a sistemelor de reglare bazate pe reguli fuzzy (sau prin extindere a sistemelorexpert de reglare) este stabilirea unei metodologii de obinere a unui set de reguli de control. n general pentru sisteme-expert, aceast faz, denumit achiziia cunotinelor (sau achiziia experienei), reprezint o dificultate important n construirea unor sisteme-expert reale / realiste. Mai mult, performanele sistemelor de reglare bazate pe reguli sunt strns dependente de disponibilitatea bazei de reguli i de performanele acesteia (sau, altfel spus, de existena unei baze de reguli complet i corect n contextul aplicaiei concrete). n lipsa experienei operatorilor (experi), care pot furniza cunotinele pentru descrierea procesului (un model identificat), este necesar construirea unei baze de reguli prin operarea n mod direct asupra procesului supus reglrii. Pe de alt parte, un set de reguli brut furnizat de experi trebuie s fie mbuntit, deoarece cunotinele lor pot fi incomplete, inconsistente, sau chiar incorecte, mai ales cnd condiiile de funcionare (operare) obinuite sunt schimbate. n lucrrile de specialitate se introduce termenul de auto-instruire (self-learning) i de aici reglarea prin auto-instruire (self-learning control). Un mecanism de autoinstruire pentru sistem de reglare fuzzy trebuie s construiasc o baz de reguli pentru regulatorul fuzzy din date obinute prin msurare i nregistrare, ajustnd treptat mrimea de comand. Mai mult, dac sistemul de reglare este multivariabil (mai multe bucle de reglare), atunci mecanismul de nvare trebuie s extrag reguli pentru fiecare regulator fuzzy Suplimentar, dac procesul reglat este unul multi-variabil cu interaciuni considerabile ale mrimilor, atunci este util ca mecanismul de nvare s construiasc baze de reguli independente, decuplate, pentru ficare bucl de reglare. Pe scurt, principiul de baz al sistemului cu auto-instruire propus poate fi enunat astfel: prin introducerea unui model de referin al procesului i angajnd o strategie de control cu nvare iterativ, comanda dorit este nvat i, n acelai timp, o baz de reguli se formeaz prin msurarea, nregistrarea i procesarea adecvat a aciunilor nvate, utilizate consecutiv pe durata procesului.
20

Conceptul de auto-instruire a fost introdus iniial n contextul unei aplicaii de control al micrii roboilor autonomi ([AKM1984]), apoi intens tratat att din punct de vedere teoretic, ct i practic, ntr-o serie larg de lucrri tiinifice ([AKM1985], [ARI1990], [MOO1993], [MOO1999], [MOX2000], [MCB2005]). O variant adaptat a algoritmului de auto-instruire propus de Arimoto este utilizat pentru obinerea bazelor de reguli ale unui regulator fuzzy ntr-o monografie publicat de Nie i Linkens ([NIL1995]). Auto-instruirea iterativ este un mecanism de ajustare a mrimii de comand aplicat procesului cu scopul obinerii evoluiei optime a acesteia. Forma optim cutat este desemnat de valorile considerate optime ale mrimii de comand la fiecare moment de timp n care este prelevat un eantion al acesteia. Ajustarea se face n mod progresiv, pe baza informaiilor despre evoluia mrimii de comand obinute la iteraia anterioar.

Figura 1. Schema de principiu a mecanismului de construcie a bazelor de reguli fuzzy prin auto-instruire.

Structura unui sistem de auto-instruire este prezentat n figura 1. n figur am evideniat faptul c algoritmul este implementat software. Dispozitivul numeric impune considerarea unei perioade de eantionare, Te , cu care ieirea procesului este nregistrat. Evaluarea nvrii acumulate se face prin introducerea unei erori de instruire, obinut prin compararea comportrii procesului cu o form dorit a acesteia, desemnat de un model de referin. Evaluarea nivelului de instruire se face considernd toate erorile pariale de instruire, calculate pentru toate eantioanele nregistrate. Se introduce norma:
k = k (iTe ) =

i =0

k (iTe ) = k (iTe )
i =0

(9)

Condiia de oprire a algoritmului este k < impus , unde impus este valoarea maxim admis a erorii de instruire.
21

Valorile nregistrate la sfritul auto-instruirii pentru eroarea de reglare, derivata ei i derivata mrimii de comand se grupeaz dup indicele eantionului:
{e(iTe ); de(iTe )} ~ {du (iTe )} , i = 0, I .

(10)

unde notaia

descrie corespondena valorilor.

Utilizarea sistemelor fuzzy neuronale adaptive (ANFIS) pentru obinerea bazelor de reguli Sistemul de inferene fuzzy neuronal adaptiv (n englez Adaptive Neural Fuzzy Inference System - ANFIS) este cea mai des ntlnit structur hibrid care combin tehnici specifice reelelor neuronale cu mecanismele de inferen n logic fuzzy. Varianta cea mai des utilizat n aplicaii de control automat este cea propus de Jang ([JAN1992a], [JAN1992b], [JAN1993]), dei variante apropiate au fost independent prezentate de ali autori ([LIG1996], [WAM1992]). Varianta Jang realizeaz un mecanism de inferene de tip SugenoTagaki, iar adaptarea const n modificarea parametrilor bazei de reguli printr-o metod asemntoare algoritmului cu propagare napoi a erorii introdus pentru reelele neuronale unidirecionale ([JAN1992a], [JAN1992b]).

Figura 2. Structura ANFIS pentru o aplicaie de control automat.

Generaliznd pentru o baz de J reguli fuzzy, calculul realizat de ANFIS poate fi descris printr-o relaie de forma:
J J du = f ANFIS (e, de) = w j f j (e, de) = w j f j (e, de) w j j =1 j =1 j =1
J 1

(11)

n care
f j (e, de) = p j e + q j de + r j , w j = Ej (e) DEj (de)

(12)-(13)

i p j , q j , r j , Ej , DEj [0,1] .

22

Antrenarea sistemelor ANFIS Metoda de antrenare cu propagare napoi a erorii presupune cunoaterea iniial a unor date de antrenare n forma (valori de intrare)~(valori de ieire). Aceste perechi de date sunt obinute prin orice metod care furnizeaz valori corespondente corecte. Pentru cazul regulatorului fuzzy PI, perechile de date de antrenare se prezint sub forma:
{ei ; dei } ~ {du i } , i = 0, I .

(14)

Prin antrenare, se modific valorile parametrilor din relaiile (11)-(13), dup o metod de minim. Antrenarea necesit descrierea analitic a derivatelor pariale ale ieirii bazei de reguli dup fiecare parametru din (11)-(13). Acest fapt face ca implementarea acestui algoritm este dificil, mai ales pentru cazul funcionrii online a unui astfel de regulator. Pe de alt parte, structurile ANFIS i algoritmi de antrenare a acestora sunt deja implementai n aplicaii software, cum ar fi Matlab. Aadar, n locul implementrii online a acestei structuri, se poate determina un regulator fuzzy folosind datele de antrenare ntr-o procedur offline de antrenare a unei structuri ANFIS. Folosind un program Matlab, se realizeaz o antrenare a unei structuri ANFIS, din care apoi se extrage baza de reguli pentru utilizarea acesteia n regulatorul conectat online la proces. Antrenarea ANFIS cu datele obinute prin auto-instruire Structura bazei de reguli trebuie cunoscut apriori, deoarece ANFIS nu poate dect s ajusteze funciile de apartenen ale parametrilor antecedeni (ai funciilor de apartenen din premisele regulilor) i concluzivi (coeficienii funciei liniare din consecinele regulilor). Mai nti, utilizatorul decide numrul de reguli i modul lor de interaciune, construind astfel cunotinele integrate apriori despre structura soluiei. Funciile de apartenen trebuie iniializate astfel nct s mpart ct mai egal universul discursului i s aib suficiente suprapuneri. n pasul nainte al antrenrii, se calculeaz ieirile neuronilor pn n stratul 4, iar parametrii concluzivi sunt calculai prin metoda celor mai mici ptrate. n pasul napoi, semnalele de eroare sunt retro-propagate i se actualizeaz parametrii antecedeni prin metoda gradientului descendent. Antrenarea ANFIS necesit un set de date de antrenare, care pot fi considerate corecte sau mcar aproximativ corecte. Algoritmul de auto-instruire pare o soluie potrivit de obinere a unor date de antrenare utile. Practic, metodologia bazat pe antrenare ANFIS este asemntoare cu cea prezentat n seciunea precedent (bazat pe procesare statistic a datelor). Se realizeaz structura de auto-instruire din figura 8, apoi algoritmul iterativ este executat pn la obinerea unei valori minime a erorii de instruire. Se nregistreaz valorile pentru mrimea de comand i eroarea de reglare din care se construiesc apoi datele de antrenare pentru structura ANFIS:
23

{ei ; dei } ~ {du i } , i = 0, I .

(18)

Derivatele numerice se obin n raport cu perioada de eantionare prin

de(iTe ) = e(iTe ) e(iTe Te ) u (iTe ) u (iTe Te ) i du (iTe ) = . Te Te

Cu datele de antrenare se efectueaz o procedur de antrenare, n urma creia se obine baza de reguli. Bazele de reguli obinute prin metodele prezentate trebuie s fie verificate din punctul de vedere al specificaiilor care descriu calitatea lor: completitudinea, corectitudinea, consistena, complexitatea, reproductibilitatea.

CAPITOLUL IV. MODELAREA DINAMICII SISTEMULUI

CARDIOVASCULAR

Controlul unor variabile ce descriu un proces fiziologic prezint particulariti produse de evoluia neliniar, incert i complex a acestora. Cunoaterea aspectelor privind funcionarea sistemelor biologice mrete nivelul de ncredere n sistemele automate de control proiectate sau, cel puin, creeaz posibilitatea realizrii unor simulri folosind modelele disponibile. Cu toate c este posibil proiectarea sistemelor de reglare fuzzy folosind puine informaii privind procesul, disponibilitatea unui model ct mai exact i util n contextul aplicaiei faciliteaz realizarea simulatoarelor, care astfel reduc numrul i riscul testelor efectuate pe oameni. Cercetarea n domeniul ingineriei utilizeaz deseori simulri computerizate pentru creterea productivitii, scderea costurilor de proiectare i pentru mrirea fiabilitii i siguranei produselor obinute. Mai mult, unele domenii, printre care i ingineria biomedical, impun simulri complexe pentru evitarea situaiilor periculoase ce pot apare n realizarea sau testarea prototipurilor experimentale. n acest context, sunt utilizate intens instrumentele de simulare disponibile i se ncurajeaz dezvoltarea i mbuntirea aplicaiilor software de simulare. Ingineria biomedical impune cercetri susinute n modelarea proceselor fiziologice i mbuntirea modelelor obinute, pentru a facilita proiectarea unor sisteme automate performante i robuste. ncepnd de la calculele simple pentru dozarea regimurilor de tratament, pn la controlul la un nivel avansat al tensiunii arteriale, ca un prim exemplu, medicina cardiovascular poate avea o multitudine de beneficii din utilizarea acestor tehnologii. Modelele cardiovasculare pot fi utilizate pentru reducerea timpului necesar diagnosticrii, implicnd astfel costuri reduse fa de metodele clasice. Totodat, simulrile pot facilita creterea fiabilitii aparaturii cardiovasculare. Riscurile unui eec sau a tratamentului eronat (malpractice) fac ca testarea anumitor echipamente s fie efectuat mai nti pe modele computerizate.
24

Odat cu dezvoltarea modelelor matematice ale unor procese biologice dar i a instrumentelor software de simulare (modele computerizate), a fost introdus noiunea de pacient virtual ([TIM2000], [CAT2006]). Practic, n aplicaia de simulare, acesta trebuie s descrie o evoluie aproximativ (dar ct mai real) a mrimilor fiziologice implicate n situaia sau aplicaia studiat. Creterea puterii de calcul a calculatoarelor face foarte posibil ca, n viitor, modelarea computerizat s fie o alternativ mai bun pentru efectuarea experimentelor pe viu. ntre timp, modelele computerizate sunt folosite pentru: testarea fiabilitii unei metode; sporirea ncrederii n echipamentele noi prin completri aduse studiilor pe cobai; crearea unor experimente clinice mbuntite; reducerea numrului necesar de experimente. n general nu exist metode standardizate pentru modelarea sistemelor fiziologice sau pentru modificarea unui model deja existent, performana modelului depinznd ntr-o foarte mare msur de experiena modelatorului, modelul trebuind s deserveasc scopului pentru care a fost proiectat. Modelarea unui simulator implic o foarte bun nelegere a domeniului pentru care se creeaz, implicnd o foarte bun documentare. Tipuri de modele ale sistemelor fiziologice Diversele modele ale sistemului cardiovascular propuse i studiate n lucrrile de specialitate pot fi clasificate n diverse moduri, dup clasa de aplicaii n care sunt folosite i dup complexitatea abordrii. Astfel avem: i) modele ale mecanicii sistemului i modele ale sistemului automat de control; ii) modele pulsatorii i modele nepulsatorii; iii) modele extinse i modele reduse. Modelele mecanicii cardiovasculare se refer la circulaia sngelui n artere i vene, ritmul inimii i alte fenomene descrise prin legile mecanicii. Pe de alt parte, modelele sistemului automat de control abordeaz controlul automat natural realizat de sistemul nervos i de mecanismele locale de reglare. Modelele pulsatorii includ caracterul oscilant al variabilelor sistemului, sub influena ritmului cardiac, cu efecte notabile n intervale de timp reduse, de obicei pe durata a ctorva bti ale inimii. Pe de alt parte, aceste oscilaii sunt suficient de reduse n amplitudine i suficient de frecvente pentru a putea fi ignorate n aplicaiile care trateaz fenomene de durat, ceea ce argumenteaz modelele nepulsatorii. Modelele extinse desemneaz abordrile compacte care integreaz mai multe subsisteme, eventual laolalt cu alte sisteme fiziologice strns legate de sistemul cardiovascular. Spre exemplu, unele mrimi specifice sistemului nervos sau aparatului respirator cu efecte importante asupra celor cardiovasculare pot fi incluse n analiz. n opoziie, modelele reduse i limiteaz descrierea doar asupra unor aspecte, detaliind fenomenele fiziologice.
25

Medicamente injectabile uzuale pentru controlul tensiunii arteriale i a debitului cardiac Dei interesant din perspectiv studiului matematic, modelarea sistemului cardiovascular nu este complet sau util pentru aplicaii de control automat, fr a include dinamica sub aciunea efectelor produse de medicamente. Modelele combinate cardiovascular i farmacologic sunt mai puin numeroase, dar modelarea dinamicii pentru medicaii noi reprezint un subiect de cercetare de actualitate, pentru diverse sisteme fiziologice. n unele situaii clinice, cum ar fi insuficiena cardiac acut, este necesar un control simultan al debitului cardiac, Qc , i al tensiunii arteriale medii, Pam . n aceste situaii, se urmrete creterea debitului cardiac i reducerea presiunii sngelui, apoi meninerea acestora la valorile sigure. Controlul celor dou mrimi este realizat prin injectarea simultan a dou substane: un agent inotropic care mbuntete contractibilitatea inimii i mrete debitul cardiac la fiecare btaie (de ex. dopamina - DOP); un vaso-dilatator care dilat vasele de snge i deci reduce rezistena acestora cu efect asupra tensiunii arteriale (de ex. nitroprusiatul de sodiu - NPS).
Tabelul 3. Substanele injectabile uzuale n tratamente ale sistemului cardiovascular.

Substana Dopamina DOP Nitroprusiat de sodiu NPS Fenilefrin FEF Nitroglicerin NTG

Domeniul sigur sau usual al dozajului 210 [g/kgc/min] 0.254 [g/kgc/min] 5 [g/kgc/min] 0.252.5 [g/kg/min]

Efectele tensiunea arterial crete debitul cardiac crete tensiunea arterial scade debitul cardiac crete tensiunea arterial crete debitul cardiac rmne constant tensiunea arterial scade debitul cardiac crete

Este important de evideniat faptul c cele dou mrimi controlate interacioneaz: creterea debitului cardiac determin i o cretere a presiunii, iar reducerea presiunii permite o cretere a debitului cardiac. Altfel spus, cele dou mrimi de intrare ale modelului farmacologic, ratele de infuzie ale celor dou substane, I DOP i I NPS , sunt corelate de efecte mutuale: pe lng efectul principal al fiecrei intrri asupra mrimii controlate corespunztoare, exist i un efect secundar asupra celeilalte mrimi. Modelul compact al lui Yu. Pentru o aplicaie de control automat extern, modelele sistemului cardiovascular mpreun cu dinamica acestora sub aciunea medicamentelor trebuie exprimate n form compact. Un astfel de model compact ce descrie efectele unor
26

medicamente inotrope i vasoactive asupra tensiunii arteriale i debitului cardiac este cel propus de Yu et al ([YRK1990a], [YRK1990b]). Acest model a fost utilizat n diverse forme n numeroase aplicaii de proiectare-simulare a unor sisteme de control, bazat pe diverse strategii ([YRK1992], [GBR1994], [GBR1995], [HUR1998], [PAL2003]). Modelul iniial propus de Yu et al cuprinde trei seciuni: - sistemul circulator efectul parametrilor specifici ai corpului n momentul situaiei clinice, Rs i Fc , asupra variabilelor controlate, Pam (t ) i Qc (t ) ; - efectele ratelor de infuzie ale medicamentelor specifice, nitroprusiat de sodiu (NPS) - I NPS i dopamin (DOP) - I DOP , asupra parametrilor corpului amintii anterior; - efectele auto-reglrii naturale a sistemului cardiovascular prin efectul baroreflex. Modelul a fost extins de Huang i Roy n [HUR1998] pentru a include efectul injectrii de fenilefrin i nitroglicerin asupra presiunii arteriale pulmonare medii, cu scopul unui control separat al presiunii sngelui pe cele dou seciuni ale sistemului circulator.

Figura 3. Schema de principiu a modelului compact a sistemului cardiovascular propus de Yu.

Modelul extins, nepulsatil derivat din modelul propus de Yu et al., adaptat pentru controlul tensiunii arteriale medii i al debitului cardiac, este un model cu dou intrri i dou ieiri, cu dinamic de ordinul nti cu timp mort. Modelul este descris de relaia:
K e 11s 11 Pam sT11 + 1 Q = K e 21s c 21 sT21 + 1 K12 e 12 s sT12 + 1 I NPS K 22 e 22 s I DOP sT22 + 1

(19)

27

Mrimile de intrare sunt ratele de infuzie ale celor dou medicamente, NPS i DOP, exprimate n [g/kgc/min], iar mrimile de ieire sunt variaiile tensiunii arteriale i debitului cardiac produse de medicamente, exprimate n [mmHg], respectiv [l/kgc/min]. Valorile de referin ale variaiilor celor dou mrimi sunt calculate ca diferenele dintre starea iniial a pacientului, tensiunea arterial iniial Pam0 i debitul cardiac iniial Qc0 , i starea normal din punct de vedere medical, Pam,ref i Qc, ref :
Pam,ref = Pam,ref Pam0 , Qc,ref = Qc,ref Qc 0

(20)

Parametrii modelului descris de relaia (19) sunt: - sensibilitatea pacientului la medicamentele injectate, K ij , - constantele de timp ale aciunii acestor medicamente asupra variabilelor fiziologice n discuie, Tij , i - constantele de timp mort ale acestor dinamici, ij . (Practic, acestea sunt ntrzierile ntre momentul injectrii de medicamente i reacia sistemului.) n unele lucrri ([RHB1997], [RAB2003]), sunt prezentate doar modele staionare ale sistemului sub forma:
Pam K11 Q = K c 21 K12 I NPS K 22 I DOP

(21)

Tabelul 4. Valorile nominale i domeniile de variaie ale parametrilor din modelul utilizat.

Parametrul
K11 K12 K 21 K 22 T11 T12 T21 T22 11 12 21 22

Domeniul de variaie [-1; -50] [0; 9] [-15; 25] [1; 12] [30; 60] [30; 60] [70; 600] [70; 600] [15; 60] [15; 60] [15; 60] [15; 60]

Valoarea nominal -15 3 12 5 40 40 150 300 50 60 50 60

Unitatea de msur

[mmHg.kgc.min/g] [mmHg.kgc.min/g] [ml/g] [ml/g] [s] [s] [s] [s] [s] [s] [s] [s]

28

Analiznd valorile din tabelul 4 i modelul propus, se observ c exist interinfluene ntre cele dou bucle de reglare. Aadar, injectarea unuia dintre medicamente, pe lng aciunea direct asupra mrimii pentru care se administreaz, are i un efect suplimentar asupra celeilalte mrimi. Din punct de vedere medical, observaia este corect. Astfel, acionnd asupra ritmului cardiac pentru a crete debitul cardiac, se va produce i o cretere a tensiunii arteriale: inima pompeaz mai mult snge n artere pentru c bate mai des. Pe de alt parte, aciunea asupra rezistenei arteriale produce dilatarea vaselor de snge pentru scderea presiunii, care duce la o reducere a debitului ntors prin vene.

PROIECTAREA REGULATOARELOR FUZZY PENTRU CONTROLUL

COMBINAT AL TENSIUNII ARTERIALE I DEBITULUI CARDIAC

CAPITOLUL V.

Metodele de proiectare a regulatoarelor fuzzy prezentate n capitolul III sunt utilizate pentru controlul simultan la tensiunii arteriale medii i debitului cardiac, cu modelul sistemului cardiovascular propus de Yu i descris n capitolul IV. Acurateea modelului i a implementrii n simulare este important doar pentru realizarea unor simulri ct mai exacte i realiste. n proiectarea bazelor de reguli pentru regulatoarele fuzzy propuse, se ncearc o limitare, pe ct posibil, a folosirii informaiilor cunoscute despre procesul reglat, cu scopul dezvoltrii unor proceduri cu grad nalt de automatism. Structura sistemului de reglare combinat a debitului cardiac i tensiunii arteriale medii prin ajustarea dozajului de dopamin i nitroprusiat de sodiu, administrate intravenos, este prezentat n figura 4.

Figura 4. Structura sistemului de reglare.

n schema bloc, sunt evideniate: - valorile de referin ale celor dou variabile fiziologice - Pam,ref i Qc, ref ; - starea iniial a sistemului (pacientului) descris de Pam,0 i Qc,0 ;
29

- variaiile dorite ale celor dou variabile

Pam,ref = Pam,ref Pam,0 , Qc,ref = Qc,ref Qc,0

(22)

- dozajul celor dou substane, determinate de regulatoare, - I NPS i I DOP ; - variaiile obinute sub aciunea substanelor injectate - Pam i Qc . Structura urmrete controlul variaiilor celor dou mrimi, nu controlul direct al mrimilor fiziologice. Argumentaia st n faptul c mrimile controlate sunt influenate de mai multe efecte, pe lng aciunea substanelor. n fapt, personalul medical descrie efectul substanelor injectate ca o aciune de modificare a valorilor mrimilor fiziologice, nu de control direct al acestora. Spre exemplu, o anumit cantitate de nitroprusiat de sodiu determin o anumit variaie a tensiunii arteriale, nu o anumit valoare efectiv a acesteia. Efectul substanei este aproximativ acelai indiferent de valoarea iniial a variabilei. Pentru fiecare bucl de reglare n figura 4, regulatorul fuzzy utilizat este de tip PI, care, din punct de vedere teoretic, asigur o eroare staionar nul. n continuare, metodele de proiectare a regulatoarelor fuzzy se vor referi astfel: - varianta A regulatoarele proiectate pe baza experienei; - varianta B regulatoarele ajustate cu relaiile Ziegler Nichols; - varianta C regulatoarele obinute prin auto-instruire i procesare statistic a datelor; - varianta D regulatoarele obinute prin antrenarea offline a structurilor ANFIS. Analiza performanelor obinute pentru fiecare variant de proiectare n cazul clinic standard Pentru fiecare variant de proiectare a regulatoarelor fuzzy, au fost efectuate simulri pentru cazul considerat standard i cu valorile normale ale parametrilor procesului. Indicatorii de performan n domeniul timpului obinui pentru fiecare caz, sunt prezentai n tabelul 5. n mod surprinztor, varianta A, cea bazat pe experien i deci cea uzual n aplicaiile de reglare fuzzy, este instabil. Acest rezultat este explicabil prin lipsa unei experienei bogate n domeniul procesului fiziologic. Prezentarea variantei i a rezultatelor are ca scop sublinierea faptului c proiectarea bazat pe experien necesit cunotine n dou direcii: reglarea fuzzy/neuro-fuzzy i domeniul procesului n discuie. La varianta C, pentru debitul cardiac simulrile arat o aparent instabilitate, semnalat n tabel. Caracteristica de aparent se refer la faptul c sistemul este de fapt stabil, ns atinge regimul de stabilitate dup mai mult de 30 de minute, limita de simulare adoptat i o limit rezonabil a unui tratament eficient.
30

Tabelul 5. Valorile indicatorilor de calitate n domeniul timpului pentru cazul standard.

Pam,ref

eroarea staionar n raport cu

Pam,ref

Qc,ref

Qc, ref

Varianta A Varianta B Varianta C Varianta D

instabil 0 0 0
Pam,ref

instabil instabil 0 ~5 % 0 aparent instabil 0 ~3% suprareglajul n raport cu

Pam,ref Qc,ref

instabil < 1% aparent instabil ~ 0,5%

Qc, ref

Varianta A Varianta B Varianta C Varianta D Varianta A Varianta B Varianta C Varianta D

instabil ~ 2,5% ~ 5% 0 instabil ~ 4 min ~ 6 min ~ 5 min

instabil ~0,5% ~ 1% 0

instabil ~ 6% aparent instabil 0 timpul de reglare instabil ~ 6 min aparent instabil ~ 7 min

instabil ~ 1% aparent instabil 0

Analiza robusteii variantelor funcionale Dintre cele patru variante propuse, doar dou prezint comportament satisfctor din punct de vedere medical: - metoda ajustrii factorilor de scalare prin relaiile Ziegler-Nichols; - metoda antrenrii ANFIS cu data obinute prin auto-instruire. Analiza viabilitii soluiilor se realizeaz pentru mai multe situaii clinice: - insuficien cardiac i hipertensiune arterial reduse; - insuficien cardiac acut; - hipertensiune arterial. De asemenea, se consider mai multe cazuri privind reacia pacientului la substanele injectate, descris prin valorile parametrilor procesului: - pacientul rspunde normal la medicamente valorile tipice ale parametrilor modelului Yu; - pacientul are sensibilitate redus la medicamente valorile factorilor de amplificare sunt cu aproximativ 25% mai mici, iar valorile constantelor de timp cu aproximativ 25% mai mari; - pacientul are sensibilitate ridicat la medicamente valorile factorilor de amplificare sunt cu aproximativ 25% mai mari, iar valorile constantelor de timp cu aproximativ 25% mai mici.
31

Valorile constantelor de timp mort sunt n principal determinate de durata de timp n care substanele administrate ajung la locaia unde acestea acioneaz. Aceste valori sunt argumentate prin evaluarea probabilistic a distribuiei substanelor n snge. Scenariile de simulare sunt descrise n tabelul 6. Dintre scenariile de simulare, cazul [1a] se consider caz standard, pentru care se face analiza performanelor metodelor prezentate.
Tabelul 6. Codificarea i descrierea scenariilor propuse pentru simulare.

sensibilitate normal insuficien cardiac i hipertensiune arterial reduse insuficien cardiac acut hipertensiune arterial acut [1a] - standard [2a] [3a]

sensibilitate redus [1b] [2b] [3b]

sensibilitate ridicat [1c] [2c] [3c]

Analiza robusteii variantei bazate de relaiile Ziegler-Nichols Ajustarea factorilor de scalare ale variabilelor bazei de reguli fuzzy este condiionat de cunoaterea (exact sau aproximativ) a parametrilor procesului. n cazul aplicaiei de fa, modelul utilizat dispune de valorile identificate ale acestor parametri. Performanele bune ale regulatorului obinut astfel sunt de ateptat. Se ridic ns problema robusteii acestei soluii. Pentru aceasta, au fost simulate cele 8 scenarii considerate pe lng cazul standard. Rezultatele obinute, prezentate n tabelul 7, arat performanele ridicate ale regulatorului pentru bucla de reglare a tensiunii arteriale, dar i o comportare bun a celui pentru reglarea debitului cardiac.
Tabelul 7. Valorile indicatorilor de calitate n domeniul timpului pentru varianta B, n cele nou cazuri clinice propuse.

eroare staionar n raport cu

Pam,ref Qc, ref

suprareglaj n raport cu
Pam,ref Qc, ref

timp de reglare pentru

Pam Qc

[1a] [1b] [1c] [2a]

32

0 0 0 0

< 1% ~ 1,5% < 1% 0

~ 0,5% 0 ~ 1,5% 0

~ 1% ~ 1,5% ~ 1% 0

~ 4 min ~ 6min ~ 3 min ~ 5 min

~ 6 min ~ 7min ~ 5 min ~ 8 min

[2b] [2c] [3a] [3b] [3c]

0 0 ~ 10% ~ 1% 0

0 ~ 1,5% > 10% > 10% > 10%

0 0 0 0 ~3%

0 0 0 0 0

~ 7 min ~ 4 min ~ 3 min ~ 6 min ~ 4 min

~ 9 min ~ 7 min -

n analiza rezultatelor, trebuie inut cont de specificul procesului i de caracteristicile celor dou variabile fiziologice, dar i de inexistena comenzii negative. Astfel, o aciune rapid necesar asupra tensiunii arteriale foarte mari determin depirea valorii de referin a debitului cardiac, ns aceast depire nu este duntoare. n plus, simulrile sunt realizate pe o perioad de 30 de minute, timp n care condiiile iniiale de simulare se schimb. Practic, nainte de sfritul acestui interval, sistemul este repornit cu noi condiii iniiale. Analiza robusteii variantei bazate de antrenare ANFIS Dintre cele dou variante cu grad nalt de automatism n obinerea regulilor fuzzy, cea bazat pe antrenarea ANFIS a furnizat rezultate mai bune pentru cazul standard. Se analizeaz comportarea regulatorului n cele opt scenarii de simulare propuse. Rezultatele sunt prezentate n tabelul 8.
Tabelul 8. Valorile indicatorilor de calitate n domeniul timpului pentru varianta D, n cele nou cazuri clinice propuse.

eroare staionar n raport cu

Pam,ref Qc, ref

suprareglaj n raport cu
Pam,ref Qc, ref

timp de reglare pentru

Pam Qc

[1a] [1b] [1c] [2a] [2b] [2c] [3a] [3b] [3c]

0 0 0 0 0 0 0 ~ 5% 0

< 1% < 1% ~ 1% 0 0 0 > 10% ~ 10% > 10%

0 0 0 0 0 0 0 0 > 10%

0 0 0 0 0 0 > 10 % > 10% > 10%

~ 5 min ~ 6min ~ 3 min ~ 5 min ~ 7 min ~ 4 min ~ 3 min ~ 6 min ~ 4 min

~ 7 min ~ 8 min ~ 6 min ~ 10 min > 30 min ~ 8 min 33

CONCLUZII FINALE I PERSPECTIVE

Rezultatele obinute n lucrarea de fa dovedesc viabilitatea tehnicilor neurofuzzy pentru controlul proceselor fiziologice, ntre care procesele hemodinamice specifice sistemului cardiovascular. Procesul analizat fiind un exemplu sugestiv de proces multi variabil, caracterizat de un numr mare de parametrii inceri i bucle de reglare cu interinfluene, tehnicile propuse pot fi utilizate i n alte aplicaii cu aceste caracteristici, acesta fiind unul dintre obiectivele propuse. Argumentul principal i general acceptat al utilizrii logicii fuzzy n control automat, i anume comportarea mai bun n condiiile existenei incertitudinilor procesului reglat, motiveaz alegerea acestor tehnici pentru controlul oricror parametrii fiziologici. Rezultatele obinute n simulare pe modelele cardiovasculare actuale ncurajeaz utilizarea tehnicilor n mai multe aplicaii. Reglarea neuro-fuzzy devine o soluie bun, alturi de alte soluii propuse n lucrri de specialitate. n majoritatea aplicaiilor, proiectarea bazelor de reguli fuzzy este bazat mai mult pe experien dect pe relaii precise, ns se urmrete tot mai des stabilirea unor proceduri sistematice de proiectare i chiar definirea unor algoritmi de obinere automat a regulilor. n aceste condiii, lucrarea analizeaz comparativ 4 metode de proiectare, att din punct de vedere al dificultilor de aplicare ct i din cel al rezultatelor obinute. Aparent surprinztor, cele mai slabe performane le are sistemul bazat pe experiena de proiectare, adic metoda uzual. Acest lucru devine explicabil prin faptul c metoda bazat pe experien impune o experien bogat att n construcia regulilor fuzzy, ct i n domeniul aplicaiei propuse. Ori, experiena inginerului proiectant n domeniul medical va fi mereu insuficient. Cele mai bune rezultate sunt obinute prin metoda care utilizeaz date despre proces factori de amplificare, constante de timp, ntrzieri sau metoda bazat pe relaiile Ziegler-Nichols. Performanele bune ale acestei soluii sunt ns condiionate de disponibilitatea datelor privind dinamica procesului fiziologic n discuia. Sistemul cardiovascular a fost un subiect de studiu privind modelarea matematic ndelung tratat i exist modele matematice utile pentru aplicaii de control automat, ceea ce faciliteaz utilizarea metodei. n lipsa unui model matematic exact, proiectarea regulatoarelor prin autoinstruire sau cu ANFIS ofer soluii aproximative din perspectiva inginereasc, ns satisfctoare n condiiile lipsei totale a unei identificri a procesului. De asemenea, performanele obinute sunt satisfctoare innd cont de specificul aplicaiei care permite erori staionare sau timpi de reglare mai mari.

34

Contribuii personale Principala contribuie original a autorului o constituie utilizarea tehnicilor de proiectare bazate pe auto-instruire i structura ANFIS pentru obinerea bazelor de reguli fuzzy ale unor regulatoare pentru un proces cu incertitudini complexe, n general, sau pentru sistemul cardiovascular, n cazul particular descris. De asemenea, sunt de notat: a) analiza comparativ a metodelor, b) expunerea lor ntr-o manier detaliat i complet, c) abordarea unei aplicaii interesante n domeniul medical i d) analiza rezultatelor obinute care argumenteaz concluziile finale ale lucrrii. ntr-o enumerare clar, contribuiile personale sunt: 1. Am prezentat ntr-o manier sistematic i detaliat patru metode de proiectare a bazelor de reguli pentru regulatoare fuzzy, aplicabile n probleme de control automat, indiferent de domeniul ingineresc al procesului fizic. Aceste metode sunt: A. metoda strict bazat experiena n proiectarea sistemelor de reglare cu logic fuzzy (fr a implica aici experiena n domeniul procesului reglat); B. adaptarea factorilor de scalare pe baza parametrilor procesului, prin relaiile Ziegler-Nichols de acord a regulatoarelor clasice; C. procesarea statistic a datelor obinute printr-un algoritm de instruire iterativ, utilizat pentru obinerea unor informaii despre proces; D. o metod hibrid neuro-fuzzy ANFIS ce utilizeaz de asemenea date din instruire iterativ. Metodele prezentate au fost utilizate pe parcursul finalizrii lucrrii n redactarea unor lucrri tiinifice, care mbin verificarea lor n simulare cu verificarea n experimente practice de laborator. Expunerea metodelor urmrete generalizarea i sistematizarea lor pentru a nlesni aplicarea n diverse alte situaii i, de asemenea, au fost subliniate aspecte concrete privind utilizarea lor practic. 2. Am propus i am verificat un algoritm de obinere a bazelor de reguli fuzzy bazat pe nregistrarea de date numerice prin auto-instruirea iterativ adaptat scopului obinerii de reguli fuzzy de control. Algoritmul este bazat pe o variant prezentat n referina [NIL1995], dar adaptarea propus este argumentat de posibilitatea unor simplificri ignorate lucrarea amintit. Algoritmul de construcie a regulilor fuzzy prezentat este implementat n program Matlab, iar schema de auto-instruire iterativ este realizat n mediul Simulink. Algoritmul a fost verificat experimental ntr-o aplicaie clasic n lucrrile [BCC2009b] i [BCC2010a].

35

3. Am realizat un studiu bibliografic detaliat privind modelarea matematic a dinamicii sistemului cardiovascular, n funcionarea autonom sau sub aciunea unor substane administrate intravenos, cu aplicabilitate n: - studierea efectelor farmacologice ale acestor substane, - testarea unor proceduri clinice de administrare variabil de substane pentru reducerea costurilor, - proiectarea sistemelor de control hemodinamic al variabilelor fiziologice. Studiul este util celor interesai de cercetri n domeniul de actualitate al ingineriei biomedicale, care cuprinde i aplicaii ale ingineriei electrice sau ale automaticii n medicin sau farmacologie. 4. Am implementat un model al sistemului cardiovascular n mediul Matlab/Simulink, pentru analiza procesului cu privire la variaia parametrilor i n condiii clinice standard sau extreme. Modelul cardiovascular ales este unul binecunoscut n literatura de specialitate i este introdus n lucrarea [YRK1990a]. Cu toate c modelul este cunoscut de dou decenii, acesta este nc preferat de autori pentru studiile de control prin ajustarea dozajelor de medicamente. 5. Am utilizat cele patru metode prezentate la proiectarea bazelor de reguli fuzzy de control i simularea regulatoarelor de tip PI obinute pentru controlul combinat al tensiunii arteriale i debitului cardiac. Condiiile de simulare considerate sunt: - structur clasic de reglare, - proces cu dou intrri i dou ieiri, - inter-influene puternice ale celor dou bucle de reglare. 6. Am prezentat o analiz comparativ detaliat a performanelor sistemelor de reglare obinute prin cele patru metode prezentate pentru cazul procesului fiziologic luat n discuie. Analiza metodelor este fcut pentru un caz considerat standard, descris de insuficien cardiac i tensiune arterial moderate. Cazul standard este unul pentru care se admite administrarea celor dou substane injectabile. 7. Am realizat un numr mare de simulri n diverse condiii, pentru o analiz detaliat a robusteii a dou dintre soluiile propuse, cele cu performane mai bune. Au fost propuse opt variante de simulare pe lng cazul clasic, fornd limitele extreme referitoare la afeciunile cardiovasculare n discuie insuficien cardiac i hipertensiune arterial -, dar i seturi diverse de valori ale parametrilor procesului hemodinamic receptivitatea i sensibilitatea
36

pacientului la substanele administrate. Analiza suplimentar urmrete validarea metodelor propuse i a regulatoarelor fuzzy obinute. Perspective n acest moment, se pot identifica urmtoarele perspective de continuare a cercetrilor: Extinderea studiului privind modelarea dinamicii cardiovasculare i asupra efectelor altor substane utilizate frecvent n tratamente. Extinderea metodelor folosite aici n proiectarea unor sisteme de reglare cu logic fuzzy pentru alte mrimi fiziologice, n condiiile specifice ale proceselor respective. Continuarea analizei comparative a metodelor de proiectare a bazelor de reguli fuzzy de control n alte tipuri de aplicaii i procese, printre care unele mai simple dar cu finalitate practic. Generalizarea metodei de proiectare bazat pe auto-instruire, ntr-o expunere teoretic complet, cu analiza convergenei algoritmului de autoinstruire pentru un caz general.

37

BIBLIOGRAFIE
[ABR2001] Abraham, A., Neuro-fuzzy systems: state-of-the-art modeling techniques, n Connectionist models of neurons, learning processes, and articial intelligence, Springer-Verlag, Proc. of the 6th Int. Work-Conference on Artificial and Natural Neural Networks, partea I, Granada, Spania, 13-15 iunie 2001, pp. 269276. Abraham, A., Intelligent systems: architectures and perspectives, n Abraham, A., Jain, L., Kacprzyk, J., (editori), Recent advances in intelligent paradigms and applications, Studies in fuzziness and soft computing, Springer-Verlag, 2002, pp. 135. Abraham, A., Adaptation of fuzzy inference system using neural learning, Studies in Fuzziness and Soft Computing, vol. 181, Springer-Verlag, 2005, pp. 53-83. Astrom, K.J., Wittenmark, B., Adative control, Addison-Wesley, 1989. Arimoto, S., Learning control theory for robotic motion, Int. Journal of Adaptive Control and Signal Processing, vol. 4, 1990, pp. 543-564. Arimoto, S., Kawamura, S., Miyazaki, F., Tamaki, S., Learning control theory for dynamical systems, Proc. of the 24th IEEE Conf. on Decision and Control, 1985, pp. 1375-1380. Arimoto, S., Kawamura, S., Miyazaki, F., Bettering operation of robots by learning, Journal of Robotic Systems, vol. 1, 1984, pp. 123-140. Bailey, J.M., Haddad, W.M., Hayakawa, T., Closed-loop control in clinical pharmacology: paradigms, benefits and challanges, Proc. of the 2004 American Control Conference, Boston, Massachusetts, 30 iunie 2 iulie, 2004, pp. 2268-2277. Batzel, J.J., Timischl-Teschl, S., Kappel, F., A cardiovascular-respiratory control system model including state delay with applications to congestive heart failure in humans, Journal of Mathematical Biology, vol. 50, no. 5, martie 2005, pp. 293-335. Batzel, J.J., Kappel, F., Schneditz, D., Tran, H.T., Cardiovascular and respiratory systems: modeling, analysis, and control, n Frontiers in Applied Mathematics, vol. 34, Society of Industrial and Applied Mathematics SIAM, 2006. Behbehain, K., Russel R.C, A controller for regulation of mean arterial blood pressure using optimum nitroprusside infusion rate, IEEE Trans. on Biomedical Engineering, vol 38, no.6, iunie 1991. Bellman, R., Mathematical methods in medicine, World Scientific, Singapore, 1983. Betin, F., Sivert, A., Yazidi, A., Capolino, G.A., Determination of scaling factors for fuzzy logic control using the sliding-mode approach: application to control of a DC machine drive, IEEE Trans. on Industrial Electronics, vol. 54, no. 1,

[ABR2002]

[ABR2005]

[ASW1989] [ARI1990] [AKM1985]

[AKM1984] [BHH2004]

[BTK2005]

[BKS2006]

[BER1991]

[BEL1983] [BSY2007]

38

februrie 2007, pp. 296-309. [BEK1992] Berenji, H.R., Khedkar, P., Fuzzy rules for guiding reinforcement learning, Int. Conf. on Information Processing and Management of Uncertainty in Knowledge-Based Systems IPMU92, 1992, pp. 511514. Blanco, J.S., Hybrid self-learning fuzzy PD+I control of unknown linear and nonlinear systems, Proc. of the 5th Maxican Int. Conf. in Computer Science, Colima, Mexic, 20-24 septembrie 2004, pp. 233-240. Boldior, C., Comnac, V., Coman, S., A knowledge-based approach in fuzzy controller design, n Annals of the University of Craiova. Electrical engineering series, no. 33, 2009, pp. 23-26. Boldior, C., Comnac, V., Coman, S., Acreal, A., Rule-bases construction through self-learning for a table-based Sugeno-Takagi fuzzy logic control system, Proc. of the 4th Interdisciplinary in Engineering Int. Conf. InterEng2009, Tg. Mure, Romania, 12-13 noiembrie 2009, pp. 167-172. Boldior, C., Comnac, V., Coman, S., A comparative analisys of two selflearning based strategies for fuzzy controller design, Proc. of the 12th Int. Conf. on Optimization of Electrical and Electronic Equipment - OPTIM 2010, May 20-22, 2010, Braov, Romania, pp 837-842. Boldior, C., Comnac, V., opa, I., Coman, S., Using the iterative learning algorithm as data source for ANFIS training, Proc. of the 2010 IEEE Int. Conf. on Automation, Quality and Testing, Robotics - AQTR2010, ClujNapoca, Romnia, 28-30 mai 2010, pp. ???. Boldior, C., Comnac, V., Cernat, M., Coman, S., Ioanidou, F., On pharmacodynamics modeling for fuzzy control of hemodynamic variables through nonsquare drug infusion, Proc. of the 5th Int. Conf. on Interdisciplinarity in Education - ICIE10, Tallin, Estonia, 6-8 mai 2010, pe CD. Boldior, C., Comnac, V., opa, Experience-based design and simulations of a fuzzy control system for cardiovascular variables, Proc. of the 10th Int. Conf. on Development and Applications System, 27-29 mai 2010, Suceava, Romnia, pp. 73-79. Bronzino, J.D. (editor), The biomedical engineering handbook, ediia a 2-a, CRC Press i IEEE Press, 2000. Bronzino, J.D. (editor), The biomedical engineering handbook, ediia a 3-a, Taylor & Francis - CRC Press, 2006. Carson, E., Hennessy, T., Roudsari, A., Control in physiology and medicine, n Carson, E., Cobelli, C. (editori), Modelling Methodology for Physiology and Medicine, Elsevier Academic Press, 2001, pp. 15-44. Crstea, M.N., Dinu, A., Khor, J.G., McCormick, M., Neural and fuzzy logic control of drives and power systems, Newnes, UK, 2002. Casas, F., Timmons, W. D., Cardiovascular models and control, n Bronzino, J.D. (editor), The biomedical engineering handbook, ediia a 3-a, vol. 2, 39

[BLA2004]

[BCC2009a]

[BCC2009b]

[BCC2010a]

[BCT2010b]

[BCC2010c]

[BCT2010]

[BRO2000] [BRO2006] [CHR2001]

[CDK2002] [CAT2006]

Taylor&Francis-LLC, 2006, pp. 10.1-10.19. [COM1999] [CCB2009] [DHR1993] [DUP2000] [DAD2008] Comnac V., Reele neuronale, Editura Universitii Transilvania din Braov, 1999. Comnac, V., Coman, S., Boldior, C., Sisteme liniare continue, Ed. Universitii Transilvania, Braov, 2009. Driankov, D., Hellendoorn, H., Reinfrank, M., An introduction to fuzzy control, Springer Verlag, New York, 1993. Dubois, D., Prade, H.M., Fundamentals of fuzzy sets, Kluwer Academic Publishers, Massachusets, 2000. Duka, A.-V., Abrudean, M., Dulu, M., Positioning system based on electromagnetic levitation using fuzzy learning control, CEAI Journal, vol. 10 (3), 2008, pp. 60-69. Duka, A.-V., Oltean, S. E., Dulu, M., Model reference adaptive vs. learning control for the inverted pendulum: a comparative case study, CEAI Journal, vol. 9 (3), 2007, pp. 67-75. Feng, J.C., Teng, L.C., An online self-constructing neural fuzzy inference network and its applications, IEEE Trans. on Fuzzy Systems, vol. 6, no.1, 1998, pp.1232. Fowler,A.C., McGuinness, M.J., A delay recruitment model of the cardiovascular control system, Journal of Mathematical Biology, vol. 51, no. 5, noiembrie 2005, pp. 508-526. Furutani, E., Araki, M., Kan, S., Aung, T., Onodera, H., Imamura M., Shirakami, G., Maetani, S., An automatic control system of the blood presure of patients under surgical operation, Int. Journal of Control, Automation, and Systems, vol 2, no. 1, martie 2004, pp. 39-54. Gao, Z., Trautzsch, T.A., Dawson, J.G., A stable self-tuning fuzzy logic control system for industrial temperture regulation, IEEE Trans. on Industry Application, vol. 38, issue 2, 2002, pp. 414-424 Gerla, G., Fuzzy logic programming and fuzzy control, Studia Logica, vol. 79, 2005, pp. 231-254. Goel, A.K., Saxena, S.C., Bhanot, S., A genetic based neuro-fuzzy controller for thermal processes, Journal of Computer Science & Technology, vol. 5, no. 1, 2005, pp. 37-43. Gopinath, R.S., Bequette, B.W., Roy, R.J., Kaufman, H., Multirate MPC design for a nonlinear drug infusion syte, Proc. of the 1994 American Control Conference, Baltimore, MD, pp. 102-106. Gopinath, R.S., Bequette, B.W., Roy, R.J., Kaufman, H., Yu, C., Issues in the design of a multirate model-based controller for a nonlinear drug infusion system, Biotechnology Progress, vol. 11, no. 3, 1995, pp. 318-332. Grodins F.S., Integrative cardiovascular physiology: a mathematical model synthesis

[DOD2007]

[FET1998]

[FOM2005]

[FUA2004]

[GTD2000]

[GER2005] [GSB2005]

[GBR1994]

[GBR1995]

[GRO1959] 40

of cardiac and blood vessel hemodynamics, The Quarterly Review of Biology, Chicago Journals, vol. 34, no 2, pp. 93-116, 1959. [GRO1963] [HOM2004] [HOP1981] Grodins F.S., Control theory and biological systems, Columbia University Press, New York, 1963. Htnen, J.J., Owens, D.H., Moore, K.L., An algebraic approach to iterative learning control, Int. Journal of Control, vol. 77, no. 1, 2004, pp. 45-54. Hoppensteadt, F.C. (editor), Mathematical aspects of physiology, Lectures in Applied Mathematics, vol. 19, American Mathematical Society, Providence, Rhode Island, 1981. Hoppensteadt, F.C., Peskin, C.S. (editori), Mathematics in medicine and life sciences, Springer, New York, 1992. Huang, J.W., Roy, R.J., Multiple-drug hemodynamic control using fuzzy decision theory, IEEE Trans. on Biomedical Engineering, vol 45, issue 2, februarie 1998, pp. 213-218. Jang, J.S.R., Neuro-fuzzy modeling: architectures, analyses and applications, lucrare de doctorat prezentat la University of California, Berkeley, 1992. Jang, J.S.R., Self-learning fuzzy controllers based on temporal back propagation, IEEE Trans. on Neural Networks, vol. 3, issue 5, 1992, pp. 714-723. Jang, J.S.R., ANFIS: adaptive network-based fuzzy inference system, IEEE Trans. on Systems, Man and Cybernetics, vol. 23, issue 3, 1993, pp. 665684. Jang, J.S.R., Sun, C.-T., Neuro-fuzzy modeling and control, The Proc. of the IEEE, vol. 83, issue 3, martie 1995, pp. 378-406. Jantzen, J., Foundations of fuzzy control, John Wiley & Sons, 2007. Jantzen, J., stergaard, J., Verbruggen, H., Fuzzy control in the process industry: common practice and challenging perspectives, n Zimmermann, H.J. (editor), Practical applications of fuzzy technologies, Springer, 1999, pp. 3-56. Jin, Y, Wang, L. (editori), Fuzzy systems in bioinformatics and computational biology, Studies in Fuzziness and Soft Computing, vol. 242, SpringerVerlag Berlin, 2009. Kappel, F., Batzel, J.J., Survey of research in modeling the human respiratory and cardiovascular systems, n Smith, R.C., Demetriou, M.A. (editori), Research directions in distributed parameter systems, SIAM - Society of Industrial and Applied Mathematics, 2003, pp. 187-218. Kappel, F., Peer, R. O., A mathematical model for fundamental regulation processes in the cardiovascular model, Journal of Mathematical Biology, vol. 31, no. 6, iulie 1993, pp. 611-631. Kasabov, N., Evolving fuzzy neural networks - algorithms, applications and biological motivation, n Yamakawa, T., Matsumoto, G., (editori), Methodologies for the Conception, Design and Application of Soft Computing, 41

[HOP1992] [HUR1998]

[JAN1992a] [JAN1992b] [JAN1993]

[JAS1995] [JAN2007] [JOV1999]

[JIW2009]

[KAB2003]

[KAP1993]

[KAS1998a]

World Scientic, 1998, pp. 271274. [KAS1998b] [KAS2001] Kasabov, N., Foundations of neural networks, fuzzy systems and knowledge engineering, MIT Press, 1998. Kasabov, N., Evolving fuzzy neural networks for supervised/unsupervised online knowledge-based learning, IEEE Trans. on Systems Man and Cybernetics, vol. 31, issue 6, 2001, pp. 902-918. Kosko, B., Neural networks and fuzzy systems, Prentice-Hall, 1991. Kosko, B., Fuzzy systems as universal approximators, Proc. of IEEE Int. Conf. on Fuzzy Systems, San Diego, martie 1992, pp. 1153-1162. Kosko, B., Fuzzy engineering, Prentice Hall, 1996. Kovacic, Z., Bogdan, S., Fuzzy controller design. Theory and applications, CRC Press, 2006. Kumar, M.L., Harikumar, R., Vasam, A.K., Sudhaman, V.K., Fuzzy controller for automatic drug infusion in cardiac patients, Proc. of the Int. MultiConference of Engineers and Computer Scientists IMECS 2009, Hong Kong, 18-20 martie 2009, pp. 76-80. Lee, C.C., Fuzzy logic in control systems: fuzzy logic controller - Part I, IEEE Trans. on Systems, Man and Cybernetics, vol. 20, no 2, 1990, pp. 404435. Lee, C.C., Fuzzy logic in control systems: fuzzy logic controller - Part II, IEEE Trans. on Systems, Man and Cybernetics, vol. 20, no 2, 1990, pp. 436452. Lee, C.H., Teng, C.C., Identification and control of dynamic systems using recurrent fuzzy-neural networks, IEEE Trans. on Fuzzy Systems, vol. 8, issue 4, august 2000, pp. 349-366. Lin, C.T., George-Lee, C.S., Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems, Prentice Hall, New Jersey, 1996. Linkens, D.A., Nie, J., A unified approximate reasoning approach for real-time expert control system applications, IFAC Annual Review in Automatic Programming, vol. 16, no. 1, 1991, pp. 69-74. Linkens, D.A., Hacisalihzadeb, S.S., Computer control systems and pharmacological drug administration: a survey, Journal of Medical Engineering & Technology, vol. 14, issue 2, martie 1990, pp. 41 54. Lot, A., Learning fuzzy inference systems, tez de doctorat prezentat la University of Queensland, Australia, 1995. Lotfi, A., Learning fuzzy systems, n Russo, M., Jain, L.C. (editori), Fuzzy learning and applications, CRC Press, 2001, pp. 205-222. Luginbuhl, M., Bieniok, C., Leibundgut, D., Wymann, R., Gentilini, A., Schnider, T.W., Closed-loop control of mean arterrial pressure during surgery with

[KOS1991] [KOS1992] [KOS1996] [KOB2006] [KHV2009]

[LEE1990a]

[LEE1990b]

[LET2000]

[LIG1996] [LIN1991]

[LIH1990]

[LOT1995] [LOT2001] [LBL2006] 42

alfentanil: Clinical evaluation of a novel model-based predictive controller, Journal of Anesthesiology, vol. 105, no. 3, septembrie. 2006, pp. 462-470. [MAM1974] [MAM1985] [MAN2004] Mamdani, E.H., Application of fuzzy algorithms for the control of a simple dynamic plant, Procedings of IEEE, vol. 121, no. 12, 1974, pp. 1585-1588. Mamdani, E.H., Fuzzy reasoning and its applications, Academic Press, Londra, 1985 Manoliu, V., Considerations about the lumped parameter windkessel model aplicativity in the cardiovascular system structure, Simpozionul Naional de Electrotehnic Teoretic SNET04, 22-23 octombrie 2004, Bucureti, pp. 428-437. Mansour, N.E., Adaptive control of blood pressure, tez de doctorat prezentat la Dept. of Automatic Control and System Engineering, University of Sheffield, 1988. Mansour, N.E., Linkens, D.A., Self-tuning pole-placement multivariable control of blood pressure for post-operative pacients: a model-based study, Control Theory and Applications, IEE Proceedings D, vol. 137, 1990, pp. 13-29. McCulloch, W.S., Pitts, W., A logical calculus of the ideas immanent in the nervous activity, Bulletin Math. Biophysics, vol. 5, 1943. Miller, R.R., Awan, N.A., Joye, J.A., Maxwell, K.S.,DeMaria, A.N., Amsterdam, E.A., Mason, D.T., Combined dopamine and nitroprusside therapy in congestive heart failure, Circulation Journal of the American Heart Association, vol. 55, 1977, pp. 881-884. Mizumoto, M., Realization of PID controls by fuzzy control methods, Fuzzy Sets and Systems, no. 70, 1995, pp. 171-182. Modekilde, E., Mouritsen, O.G. (editori), Modelling the dynamics of biological systems, Springer, Berlin, 1995. Moller, D., Popovic, D., Thiele, G., Modelling, simulation and parameter estimation of the human cardiovascular system, n Irmfield, Hartman, (editori) Advances in control systems & signal processing, vol. 4, Braunschweig, 1983. Moore, K.L., Iterative learning control for deterministic systems, Springer-Verlag, 1993. Moore, K.L., Iterative learning control: an expository overview, n Datta, B.N. (editor) Applied and computational control, signals, and circuits, vol.1, Birkhauser, 1999, pp. 151-214. Moore, K.L., Chen, Y.Q., Bahl, V., Monotonically convergent iterative learning control for linear discrete-time systems, Automatica, vol. 41, no. 9, 2005, pp. 1529-1537. Moore, K.L., Xu, J.X., Editorial: Special issue on iterative learning control, Int. Journal of Control, vol. 73, no. 10, 2000, pp. 819-823. Detlef Nauck, D., Klawonn, F., Kruse, R, Foundations of neuro-fuzzy 43

[MAN1988]

[MAL1990]

[MCP1943] [MIL1977]

[MIZ1995] [MOM1995] [MPT1983]

[MOO1993] [MOO1999]

[MCB2005]

[MOX2000] [DKK1997]

systems, John Wiley & Sons, New York, 1997. [NAK1997] Nauck, D., Kruse, R., A neuro-fuzzy method to learn fuzzy classification rules from data, Fuzzy Sets and Systems, vol. 89, issue 3, august 1997, pp. 277288. Nauck, D., Kruse, R., Neuro-fuzzy systems for functions aproximations, Fuzzy Sets and Systems, vol. 101, issue 2, ianuarie 1999, pp. 261-271. Neat, G.W., Expert adaptive control: method and medical application, tez de doctorat prezentat la Rensselaer Polytechnic Institute, Troy, New York, 1990. Negoi, C.V., Ralescu, D.A., Mulimi vagi i aplicaiile lor, Editura Tehnic, Bucureti, 1974. Nguyen, H.T., Prasad, N.R., Walker, C.L., Walker, E.A., A first course in fuzzy and neural control, Chapman & Hall/CRC, 2003. Nie J., Linkens D.A., Fuzzy neural control: principles, algorithms and applications, Prentice Hall, 1995. Nie, J., Expert fuzzy control systems, lucrare de dizertaie prezentat la Xidian University, Xian, China, 1987. Nie, J., A class of new fuzzy control algorithms, Proc. of IEEE Int. Conf. on Control and Applications, Israel, 3-6 aprilie 1989, pp. 896-897. Noordergraaf, A., Melbin, J., Introducing the pump equation, n Kenner, T., Busse, R., Hinghofer-Szalkay (editori), Cardiovascular system dynamics: models and measurements, Plenum Press, New York, 1982, pp. 19-35. Ottesen, J.T., Modelling the baroreflex feedback mechanism with time-delay, Journal of Mathematical Biology, no. 36, 1997, pp. 41-63. Ottesen, J.T., Olufsen, M.S., Larsen, J.K., Applied mathematical models in human physiology, SIAM Monographs on Mathematical Modelling and Computation, Philadelphia, 2004. Ozcelik, S., Palerm, C.C., Kaufman, H., Multi-drug infusion control using a robust direct adaptive controller for plants with time delays, Proc. of the 7th Mediterranean Conf. on Control and Automation MED99, Haifa, Israel, 28-30 iunie 1999, pp. 989-1006. Palerm, C.C.R., Drug infusion control: an extended direct model reference adaptive control strategy, tez de doctorat prezentat la Rensselaer Polytechnic Institute, Troy, New York, 2003. Passino, K., Yurkovich, S., Fuzzy control, Addison-Wesley, 1998. Pedrycz, W., Application of fuzzy relational equation for methods of reasoning in presence of fuzzy data, IEEE Fuzzy Sets and Systems, vol. 16, 1985, pp. 163-175. Pedrycz, W., Fuzzy sets engineering, CRC Press, 1995.

[NAK1999] [NEA1990]

[NER1974] [NPW2003] [NIL1995] [NIE1987] [NIE1989] [NOM1982]

[OTT1997] [OOL2004]

[OPK1999]

[PAL2003]

[PAY1998] [PED1985]

[PED1995] 44

[PEG1998] [PLA2006]

Pedrycz, W., Gomide F., An introduction to fuzzy sets: analysis and design, MIT Press, 1998. Plv, C., Protocoale de administrare de droguri intravenoase pe injectomat, Cursul Naional de Ghiduri i Protocoale n Anestezie, Terapie Intensiv i Medicin de Urgen, Universitatea de Medicin i Farmacie Victor Babe, Timioara, 2006, pp. 47-57. Preitl, ., Precup, R.-E., Introducere n conducerea fuzzy a proceselor, Ed. Tehnic, Bucureti, 1997. Rafiroiu, D., Modelarea i simularea sistemelor medicale. Vol. 1: Sistemul cardiovascular teorie i exemple, ed. Mediamira, Cluj-Napoca, 2006. Rao R.R., Aufderheide B., Bequette B.W., Experimental studies on multiplemodel predictive control for automated regulation of hemodynamic variables, IEEE Trans. on Biomedical Engineering, vol. 50, issue 3, martie 2003, pp. 277288. Rao, R.R, Huang, J.W., Bequette, B.W., Kaufman, H., Roy, R.J., Modeling and control of a non-square drug infusion system, Proc. of IFAC-sponsored Int. Conf. on Modeling and Control in Biomedical Systems, University of Warwick, UK, 1997. Reznik, L., Fuzzy controllers, Newnes, 1997. Ruiz, R., Borches, D., Fuzzy rule-based controller for sodium nitroprissude optimum dosage computation, Proc. on the 12th Annual Int. Conf. of the IEEE Engineering in Medicine and Biology Society, vol. 12, Philadelphia, 1990, pp. 938-939. Sala, A., Guerrab, T.M., Babuka, R., Perspectives of fuzzy systems and control, IEEE Fuzzy Sets and Systems, vol. 156, issue 3, 2005, pp. 432-444. Schneck, D.J., An outline of cardiovascular structure and function, n Bronzino, J.D. (editor), The biomedical engineering handbook, ediia a 3-a, vol. 1, Taylor&Francis, LLC, 2006, pp. 1.1-1.12. Serna, V., Roy, R., Kaufman, H., Adaptive control of multiple drug infusion, Proc. of the 1983 American Control Conference, San Francisco, pp. 2226, 1983. Shieh, J.S., Abbod, M.F., Hsu, C.Y., Huang, S.J., Han, Y.Y., Fan, S.Y., Monitoring and control of anesthesia using multivariable self-organizing fuzzy logic structure, n Jin, Y., Wang, L., (editori), Fuzzy sistems in bioinformatics and computational biology, Studies in Fuzziness and Soft Computing, vol. 242, Springer-Verlag Berlin, 2009, pp. 273-296. Simakov, S.S., Kholodov, A.S., Kholodov Y.A., Nadolskiy, A.A., Shushlebin, A.N., Global dynamical model of the cardiovascular system, Proc. of the 3rd European Conf. on Computational Mechanics - Solids, Structures and Coupled Problems in Engineering, Lisabona, Portugalia, 5-8 iunie 2006. 45

[PRP1997] [RAF2006] [RAB2003]

[RHB1997]

[REZ1997] [RUB1990]

[SGB2005] [SCH2006]

[SRK1983]

[SAH2009]

[SKK2006]

[STD2001]

Srinivasa, Y., Timmons, W.D., Durkin, J., A comparative study of three expert systems for blood pressure control, Expert Systems with Applications, vol. 20, no. 3, aprilie 2001, pp. 267-274. Swan, G.W., Applications of optimal control theory in biomedicine, Marcel Dekker Inc., New Zork, 1984. Sugeno, M., Takagi, T., Multidimensional fuzzy reasoning, Fuzzy Sets and Systems, no. 9, 1983, pp. 313-325. Sulzberger, S., Tschichold, N., Vestli, S., FUN: optimisation of fuzzy rule based systems using neural networks, Proc. of IEEE Conf. on Neural Networks, San Francisco, martie 1993, pp. 312-316. Tanaka, K., Wang, H.O., Fuzzy control systems. Design and analysis, John Wiley & Sons, 2001. Thomas, D.E., Armstrong-Helouvry, B., Fuzzy logic control-a taxonomy of demonstrated benefits, Proc. of the IEEE, vol. 83, issue 3, martie 1995, pp. 407-421. Timmons, W. D., Cardiovascular models and control, n Bronzino, J.D. (editor), The biomedical engineering handbook, ediia a 2-a, vol. 2, CRC Press, 2000, pp. 160.1-160.18. Tso, S.K., Fung, Y.H., Methodological development of fuzzy-logic controllers from multivariable linear control, IEEE Trans. on Systems, Man, and Cybernetics, vol.27, issue 3, 1997, 566572. Upton, R.N., Ludbrook, G.L., Pharmacokinetic-pharmacodynamic modelling of the cardiovascular effects of drugs method development and application to magnesium in sheep, BMC Pharmacology, vol. 5, no. 5, iunie 2005. Vieira, J., Morgado Dias, F., Mota, A., Neuro-fuzzy systems: a survey, WSEAS Transactions on Systems, vol. 3, issue 2, 2004, pp. 414-419. Voss, G.I., Katona, P.G., Adaptive multivariable drug delivery: Control of arterial pressure and cardiac output in anesthetized dogs, IEEE Trans. on Biomedical Engineering, vol. BME-34, no.8, august 1987. Wang, L.X., Mendel, J.M., Back-propagation fuzzy systems as nonlinear dynamic systems identifier, Proc. of the 1st IEEE Int. Conf. on Fuzzy Systems, San Diego, California, martie 1992. Ying, H., Sheppard, L.C., Regulating mean arterial pressure in postsurgical cardiac patients: a fuzzy logic system to control administration of sodium nitroprusside, IEEE Engineering in Medicine and Biology, vol 13., no. 5, 1994, pp. 671-677. Yu, C.L., Roy, R.J., Kaufman, H., A circulatory model for combined nitroprusside-dopamine therapy in acute heart failure, Medical Progress through Technology, no. 16, 1990, pp. 77-88. Yu, C.L., Roy, R.J., Kaufman, H., Bequette, B.W., Multiple-model adaptive control applied to the multiple-drug infusion problem, Proc. of the 1990 Conf. on

[SWA1984] [SUT1983] [STV1993]

[TAW2001] [THA1995]

[TIM2000]

[TSF1997]

[UPL2005]

[VMM2004] [VOK1987]

[WAM1992]

[YIS1994]

[YRK1990a]

[YRK1990b] 46

Information Sciences and Systems, Princeton, NJ, 1990, pp. 274-279. [YRK1992] Yu, C.L., Roy, R.J., Kaufman, H., Bequette, B.W., Multiple-model adaptive predictive control of mean arterial pressure and cardiac output, IEEE Trans. on Biomedical Engineering, vol. 39, issue 8, 1992, pp. 765-778. Zadeh, L.A., Knowledge reprezentation in fuzzy logic, IEEE Trans. on Knowledge and Data Engineering, vol. 1, no. 1, martie 1989, pp. 253283; Zadeh, L.A., Fuzzy sets, Information and Control, vol. 8, 1965, pp. 338353. Zadeh, L.A., A theory of approximate reasoning, n Hayes, J., Michie, D., Mikulich, L. (editori), Machine intelligence, Halstead Press, New York, 1979, pp. 149194. Zimmermann, H.J., Fuzzy set theory and its applications, Kluwer Academic, Boston, 2001. Zimmermann, H.J., Negoi, M.G., Dasclu, D., (editori), Real world applications of intelligent technologies, Editura Academiei Romne, Bucureti, 1995. ***, Fuzzy Logic Toolbox 2 Users Guide, The Mathworks Inc., 2010. http://www.cardioportal.ro/ http://www.atitimisoara.ro/ http://www.shodor.org/ http://www.physionet.org/ http://projects.edte.utwente.nl/pi/

[ZAD1989]

[ZAD1965] [ZAD1979]

[ZIM2001] [ZND1995]

[***2010] [www2010a] [www2010b] [www2006] [www2009] [www2005]

47

CURRICULUM VITAE
Studii 2005 2010: studii de doctorat, forma fr frecven Universitatea Transilvania din Braov Facultatea de Inginerie Electric i tiina Calculatoarelor conductor tiinific prof. univ. dr. ing. Iulian opa 1998 2002: studii de licen Universitatea Transilvania din Braov Facultatea de Inginerie Electric i tiina Calculatoarelor specializarea Automatic i Informatic Industrial Experien profesional din 2005: preparator / asistent univ. / ef lucrri Universitatea Transilvania din Braov Facultatea de Inginerie Electric i tiina Calculatoarelor Catedra de Automatic 2002 - 2005: preparator, n regim de colaborare Universitatea Transilvania din Braov Facultatea de Inginerie Electric i tiina Calculatoarelor Catedra de Automatic 2002 2005: service i consultan aplicaii software SC Imagix SRL Braov Experien managerial Domenii de interes din martie 2008: secretar tiinific al Catedrei de Automatic Universitatea Transilvania din Braov Sisteme cu logic fuzzy Reele neuronale Controlul inteligent al proceselor Programarea calculatoarelor - mediul Matlab/Simulink - aplicaii desktop: Delphi , BC++, CVI - aplicaii web: PHP, MySQL, HTML, JavaScript Englez avansat

Alte competene

Limbi strine

48

LISTA COMPLET DE PUBLICAII A AUTORULUI

Boldior, C., Comnac, V., Coman, S., Using the Iterative Learning Algorithm as Data Source for ANFIS Training, Proc. of 2010 IEEE International Conference on Automation, Quality and Testing, Robotics - AQTR 2010, Cluj-Napoca, 2830 mai 2010, ISBN 978-1-4244-6722-8, pp. 354-359. Boldior, C., Comnac, V., opa, I., Experience-based design and simulations of a fuzzy control system for cardiovascular variables, Proc. of the 10th International Conference on Development and Application Systems DAS 2010, Suceava, 27-29 mai 2010, pp. 73-81. Boldior, C., Comnac, V., opa, I., Coman, S., A comparative analisys of two selflearning based strategies for fuzzy controller design, Proc. of the 12th International Conference on Optimization of Electrical and Electronic Equipments OPTIM 2010, Braov, 2022 mai 2010, pp. 837-842. Coman, S., Comnac, V., Boldior, C., Dumitrache, D., Fractional Order Control for DC Electrical Drives in Networked Control Systems, Proc. of the 12th International Conference on Optimization of Electrical and Electronic Equipments OPTIM 2010, Braov, 2022 mai 2010, pp. 858-863. Moldoveanu, F., Boldior, C., Floroian, D., Suliman, C., Suciu, C., Intelligent Active Vision System for Autonomous Robots, Proc. of the 12th International Conference on Optimization of Electrical and Electronic Equipments OPTIM 2010, Braov, 2022 mai 2010, pp. 746-753. Boldior, C., Comnac, V., Cernat, M., Coman, S., Ioanidou, F., On Pharmacodynamics Modeling for Fuzzy Control of Hemodynamic Variables Through NonSquare Drug Infusion, Proc. of the 5th International Conference on Interdisciplinarity in Education ICIE10, 17-19 mai 2010, Tallin, Estonia, pe CD. Comnac, V., Coman, S., Boldior, C., Cernat, M., Ioannides, M., Sensorless StateSpace Control of Elastic Two-Inertia Drive System Using a Minimum State Order Observer part I, Proc. of the 5th International Conference on Interdisciplinarity in Education ICIE10, 17-19 mai 2010, Tallin, Estonia, pe CD. Comnac, V., Coman, S., Boldior, C., Cernat, M., Ioannides, M., Sensorless StateSpace Control of Elastic Two-Inertia Drive System Using a Minimum State Order Observer part II, Proc. of the 5th International Conference on Interdisciplinarity in Education ICIE10, 17-19 mai 2010, Tallin, Estonia, pe CD. Boldior, C., Comnac, V., Coman, S., A Knowledge-Based Approach in Fuzzy Controller Design, Annals of the University of Craiova, Electrical Engineering series, no. 33, 2009, ISSN 1842-4805, pp. 23-26. Boldior, C., Comnac, V., Coman, S., Acreal, A., Rule-bases construction through self-learning for a table-based Sugeno-Takagi fuzzy logic control system, Proc. of the 4th
49

Interdisciplinary in Engineering International Conference InterEng2009, Tg. Mure, 12-13 noiembrie 2009, ISSN 1843-780X, pp. 167-172. Comnac, V., Coman, S., Boldior, C., Acreal, A., Sensorless State-Space Control of Elastic Two-Inertia Drive System Using a Minimum State Order Observer, Proc. of the 4th Interdisciplinary in Engineering International Conference InterEng2009, Tg. Mure, 12-13 noiembrie 2009, ISSN 1843-780X, pp. 159-166. Acreal, A., Comnac, V., Boldior, C., Influence of Variable Time Delay on the Performances of Networked Control Systems, Proc. of the 4th Interdisciplinary in Engineering International Conference InterEng2009, Tg. Mure, 12-13 noiembrie 2009, ISSN 1843-780X, pp. 142-145. Coman, S., Comnac, V., Boldior, C., Demeter, R., Networked Control Systems for DC Electrical Drives, Proc. of the 4th Interdisciplinary in Engineering International Conference InterEng2009, Tg. Mure, 12-13 noiembrie 2009, ISSN 1843-780X, pp. 138-141. Comnac, V., Cernat, M., Boldior, C., Ioannides, M., Puklus, Z., Environmental Cars: Control of Automotive Supply System Based on Conventional Alternator, Part I: Modeling and Analysis, Proc. of the 4th International Conference on Interdisciplinarity in Education ICIE09, 21-22 mai 2009, Vilnius, Lituania, ISSN 1790-661X, pp. 253-258. Moldoveanu, F., Floroian, D., Boldior, C., MPPT Using Sliding Mode Observer for Estimation of Solar Array Current, Proc. of the 2nd Conference on Sustainable Energy CSE 08, Braov, 35 iulie 2008, ISBN 978-973-598-316-1, pp. 130139. Moldoveanu, F., Floroian, D., Boldior, C., Nonlinear Control System for a theta-r Manipulator: A Sliding Mode Strategy Approach, Proc. of the 2008 IEEE-TTTC International Conference on Automation, Quality & Testing, Robotics AQTR 2008, Cluj-Napoca, 2225 mai 2008, ISBN: 978-1-4244-2576-1, Tome III, pp.503508. Comnac, V., Cernat, M., Boldior, C., Vittek, J., Rabinovici, R., A New 42 V Automotive Supply System Based on Conventional 14 V Alternator, Proc. of the 11th International Conference on Optimization of Electrical and Electronic Equipments OPTIM08, Braov, 2224 mai 2008, ISBN 978-973-131-028-2, vol. III, pp. 531-536. Moldoveanu, F., Vittek, J., Ryvkin, S., Floroian, D., Boldior, C., Control of a Dynamic Nonlinear/Uncertain System via a Variable Structure System Approach, Proc. of the 11th International Conference on Optimization of Electrical and Electronic Equipments OPTIM08, Braov, 2223 mai 2008, ISBN 978-973131-031-2, vol. III, pp. 4554.

50

Comnac, V., Moldoveanu, F., Boldior, C., Floroian, D., State Controller Design for Elastic Two-mass Drive Systems, Proc. of the 10th International Conference on Optimization of Electrical and Electronic Equipments OPTIM06, Braov, 1819 mai 2006, ISBN 973-635-705-8, vol. III, pp. 4552. Moldoveanu, F., Comnac, V., Floroian, D., Boldior, C., Variable Structure Control and Observation for a -r Manipulator, Proc. of the 10th International Conference on Optimization of Electrical and Electronic Equipments OPTIM06, Braov, 1819 mai 2006, ISBN 973-635-705-8, vol. III, pp. 119128. Moldoveanu, F., Comnac, V., Floroian, D., Boldior, C., Trajectory Tracking Control of a Two-link Robot Manipulator Using Variable Structure System Theory, Control Engineering and Applied Informatics (CEAI) Journal, SRAIT, septembrie 2005, vol. 7, no. 3, ISSN 1454-8658, pp. 5662.

51