CDNTTLDL-B Ü I ^ I T A L

UNIDADE II - Introdução aos

Sistemas Fuzzy

UFPA - Campus Universitário de Abaeíetuba

Curso de Engenharia Industrial Prof. Eiiomar A. do Carmo
 SISTEM A IN TE LIG E N TE

• A bordar conceitos relativos a sistem as inteligentes

Entender os objetivos fundam entais de controle inteligente

Sistem as de controle fornecem resposta à uma determinada entrada de acordo com sua função
de transferência. Os assim cham ados “ sistemas inteligentes” são aqueles que fornecem respostas que
solucionam problemas, tais respostas apropriadas às situações específicas destes problemas, mesmo
que sejam novas ou inesperadas, fazendo com que tal com portam ento seja “único” ou até mesmo
considerado “criativo”. A operação de sistemas inteligentes é geralm ente associada às analogias com
sistem as biológicos: por exemplo, ao se observar uma pessoa cumprindo determinadas tarefas de controle,
reconhecendo padrões, ou tomando decisões. Até o presente m om ento, existe um grande descom passo
entre a capacidade criativa dos seres humanos e a possiblidade de solução que as m áquinas com puta­
cionais proporcionam, devido ao fato de que as pessoas raciocinam de form a incerta, imprecisa, difusa
ou nebulosa, enquanto que as máquinas e computadores são m ovidas por raciocínio preciso e binário. A
elim inação de tal restrição faria com que as máquinas fossem inteligentes, isto é, pudessem raciocinar
da m esm a m aneira imprecisa, com o os seres humanos. Tal form a de raciocínio é cham ada em inglês
por “fuzzy” e será aqui utilizada com o sinônim o de incerto, im preciso, difuso ou nebuloso.

Inteligência A rtificial é um a disciplina que estuda com o as pessoas résolvem problem as e

com o as m áquinas podem em ular este com portam ento hum ano de “solução de problem as”.
E m outras palavras, com o fazer com que as m áquinas sejam m ais atribuídas de características
d a inteligência humana.

A Lógica Fuzzy é um a técnica que incorpora a form a hum ana de pensar em um sistema de
controle. U m controlador fu z z y típico pode ser projetado para com portar-se conform e o raciocínio
cledutivo, isto é, o processo que as pessoas utilizam para inferir conclusões baseadas em inform ações
que elas já conhecem . Por exem plo, operadores hum anos podem controlar processos industriais e
plantas com características não-lineares e até com com portam ento dinâm ico pouco conhecido, através
de experiência e inferência de relações entre as variáveis do processo. A Lógica F uzzy pode capturar
esse conhecim ento em um controlador fu zzy , possibilitando a im plem entação de um controlador
com putacional com desem penho equivalente ao do operador hum ano.
Outra forma de raciocínio é o indutivo, que também pode ser utilizado no projeto de controladores
fuzzy, onde seria possível o aprendizado e generalização através de exem plos particulares provenientes
da observação do comportam ento do processo numa situação dinâm ica, ou variante no tempo. Esse
enfoque é geralmente referido com o controle/wzzy “aprendiz” ou então como controle fu zzy adaplativo.
Vantagens significativas podem ser obtidas de controladores que podem aprender com a e x periência,
de tal form a que quando uma situação é encontrada repetidamente, estes controladores saberão com o
gerenciar o problem a. Os sistemas fu zzy adaptati vos podem se ajustar às m udanças no am biente dev ido
à sua habilidade de aprender e explicar seu raciocínio, além de poderem ser m odificados e estendidos.
Tal equilíbrio entre a aprendizagem por exem plos e a codificação do conhecim ento hum ano expl ícito,
fazem que tais sistem as sejam m uito robustos, extensíveis e passíveis de serem aplicados em uma
larga gam a de problem as.
C ontroladores que combinam técnicas convencionais e inteligentes são geralm ente utilizados
no controle inteligente de sistemas dinâm icos complexos. Controladores fu z z y operacionais ou su ­
perviso rios representam um típico exem plo onde apenas uma função de controle da estratégia global
utiliza o enfoque/wzzy. Controladores fu zzy operacionais autom atizam apenas o que tradicionalm ente
tem sido legado aos seres hum anos com o tarefa. Por exem plo, os sistem as supervisórios de controle
industriais, onde o valor de referência (set-point) de m uitos controladores PID podem ser controlados
por um a estratégia fu zzy , representam um a aplicação bem sucedida na área industrial. N esses casos,
a experiência d e um operador hum ano pode ser capturada em um controlador fu zzy , providenciando
um a técnica heurística para se projetar os algoritm os de supervisão.
U m a outra ferram enta muito poderosa em controle inteligente é a aplicação de redes neurais
artificiais, que em ulam as funções biológicas de baixo nível em nosso cérebro para resolver tarefas
de controle. R edes neurais têm a capacidade de aprender com o controlar um sistem a,'através de
exem plos num éricos entre dados de entrada e saída do mesmo, enquanto que a técnica fu z z y pode
aprender através de exem plos sem ânticos.
Um sistem a inteligente ideal perm itiria a criação de sistem as autônom os, os quais poderiam
executar com plexas tarefas de controle sob todas as condições de operação de um processo ou de uma
planta, m esm o na presença de falhas, sem supervisão ou intervenção de operadores externos.

1. Q ual a diferença entre sistemas inteligentes e convencionais?

2. P or que um sistem a baseado em lógica fu zzy pode ser considerado um sistem a inteligente?
,3. Q ual é a finalidade do estudo de sistem as inteligentes?
4. Qual a principal característica de um sistem a inteligente?
5. Qual é a diferença entre um sistem a indutivo e um dedutivo'}
 MODELAGEM DE PLANTAS E PROCESSOS
EM SISTEMAS DE CONTROLE

OBJETIVO S D O CAPÍTULO

• Reconhecer problem as relativos à m odelagem m atemática

• Entender o que é modelagem heurística
• Definir a utilização básica de lógica fu zzy
• Distinguir a metodologia de identificação d e sistem as convencional da baseada em fu zzy
• Entender as vantagens das estratégias de controle fu zzy
• Apresentar aplicações bem sucedidas de controle fu zzy

3.1 — A NECESSIDADE DE MODELAGEM D E SISTEM AS

A modelagem de situações reais é necessária por podei' ser objeto de utilização em ensaios
e experim entos de um a form a mais fácil, e com m enores custos, do que a utilização dos sistemas
reais. Destacam-se enfoques de m odelagem baseados em (1) M étodo experim ental, (2) M odelagem
m atem ática (ou analítica) e (3) M étodo heurístico.

3.2 — M ÉTO DO EXPERIMENTAL

Considere um determ inado sistema, com um a única entrada e um a única saída, de parâm etros
invariantes no tem po, caracterizado por um a tabela (Figura 3.1), a qual foi construída experim ental­
m ente, através da m edição da resposta na saída para um conjunto de valores na entrada. O m étodo
é equivalente ao de se plotar pontos discretos de um a curva característica de entrada versus saída,
utilizando-se o eixo horizontal para a entrada e o eixo vertical para a saída.

ENTRADA SAÍDA
0 1.5
2.6 4.5
4.7 7.9
9.1 15.3
2.6 29.8

Figura 3.1 Tahelti de dados de entrada e soida

G eralm ente, os equipam entos físicos de que se constitui o processo não estão facilm ente dis­
poníveis. Conseqüentem ente, não se pode efetuar exp erim entos para determ inar c o m o o processo
reage às diversas entradas, não se podendo portanto projetar o sistem a de controle apropriado.
M esm o que os equipam entos do processo estejam d isponíveis para experim entação, o procedim ento
experim ental pode ser caro, e m uitas vezes há problem as de segurança em plantas industriais que
inibem a operação em m alha aberta. Além disso, um núm ero m uito grande de valores de entrada
pode ser im praticável de se m edir, e um a interpolação entre tais medidas é sem pre necessária.
U m estudo cuidadoso tam bém faz-se necessário para avaliar se as faixas de valores de entrada e
saída são cobertas pelos instrum entos de m edição. É m uito m ais desejável de se calcular, isto é.
de se predizer dos possíveis valores de entrada, sem a necessidade de utilizar m edições. A ssim ,
é preciso um a descrição de com o o processo reage para várias entradas, sendo exatam ente isso o
que os m odelos m atem áticos fazem.

33 — M ÉTO DO D E MODELAGEM MATEMÁTICA

O enfoque tradicionalm ente utilizado em engenharia de controle é o de se o bter um m odelo
idealizado do processo a ser controlado, geralm ente na form a de equações diferenciais ou equações
de diferença. U tilizam -se norm alm ente de transform adas de Laplace ou c para tais descrições. De
form a a se obter m odelos m atem áticos sim ples, certas restrições são feitas; assum indo-se por exem ­
plo que o processo é linear, ou seja, que variações nas entradas produzem variações proporcionais
nas saídas. Ao se assum ir a propriedade de linearidade, pode-se utilizar de técnicas extrem am ente
poderosas e conhecidas na área de engenhana e tecnologia, com soluções analíticas ideais. Sistem as
não-lineares, todavia, não possuem um a teoria geral para solução analítica, e m uitas vezes necessitam
ser linearizados em torno de um ponto de operação. Outra restrição muilo utilizada em 'análises de
sistem as lineares é que os parâm etros de processo não se alteram , ou seja, que o sistema seja invariante
no tem po, apesar de na realidade ocorrer deterioração dos com ponentes dos sistem as com o passar
do tem po, além de im pactos am bientais, tais com o influências de temperatura e pressão. D evido a
tais sim plificações, o projetista em geral encontra sérias dificuldades no desenvolvim ento de uma
descrição matemática significativa e realista de um processo industrial. As causas de tais dificuldades
podem ser classificadas com o:

• Fenômenos físicos ou químicos “pobremente” compreendidos

O entendim ento com pleto dos fenôm enos físicos e quím icos que ocorrem em m uitos processos,
é em geral impossível. Há diversos fenôm enos físicos ou quím icos em que até um grau acei­
tável de conhecim ento é um fator complexo: relacionam ento de reações quím icas em reatores
nucleares com tem peraturas e pressões no vaso, controle de temperatura e coloração de cham as,
deslocam ento de m ateriais em fluidos, processos de ferm entação, dentre outros.

• Valores imprecisos de parâmetros

Valores precisos de parâm etros de m odelos são indispensáveis para uma análise quantitativa do
com portam ento de processos, e infelizm ente, são raram ente disponíveis. Além disso, os valores
dos parâm etros variam com o tem po, precisando-se de uma descrição de com o isso ocorre. Um
exem plo pode ser descrito: a variação do valor de resistência elétrica de enrolam entos estatóri-
cos de m otores de indução depende do ciclo de torque e velocidade da m áquina, da geom etria
eletrom ecânica e do material de fabricação da m áquina. O enfoque matemático encontra muitas
dificuldades para trabalhar com a incerteza de parâm etros, e suas mudanças devido às variações
ambientais. O tem po-m orto (dead-tim e) é um parâm etro típico em processos industriais e m uito
crítico de se avaliar, sendo tanto im precisam ente conhecido ou variante com o tem po, podendo
inclusive causar sérios problem as de instabilidade.

• A dimensão e a complexidade do modelo

A dim ensão e com plexidade de m odelos de processos industriais tende a aum entar significativa­
mente, quando se objetiva o desenvolvim ento de um modelo precisoede alta resolução. Cuidados
são necessários para que a com plexidade não exceda um certo grau. a|JÓs o<|ue o m odelo perde seu
valor, por se distanciar dem asiadam ente da realidade. Uma prova dessa preocupação em m anter
 os controladores dentro de níveis de dim ensão gerenciáveis pode ser observado pelo fato que o
parque industrial atual utiliza 80 % de controladores baseados em P /D ; já controladores m ulti-
variáveis com plexos, baseados em controle m oderno avançado, têm m enor representatividade.
Por outro, lado deve-se enfatizar que os controladores PID são lineares, e não são adequados
para aplicações em plantas extrem am ente não-lineares. U m a observação feita recentem ente em
pesquisa sobre o assunto é que na m aioria das instalações industriais atuais os controladores P ID
não estão propriam ente sintonizados, tendo sido encontrados m uitas vezes operando em m odo
manual. Um a análise poderia ser feita para se concluir se os operadores não teriam “ perdido sua
paciência” com a necessidade de constantes reajustes e sintonias, pois por sua própria natureza
os controladores PID não são apropriados para controlar plantas não-lineares, além de não pos­
sibilitar um a interação com esses operadores.

• Distúrbios externos
É fato conhecido que distúrbios externos influenciam o sistem ar e nem sem pre tais distúrbios são
levados em consideração n o m odelo; quando os distúrbios são de im pacto pequeno no processo,
eles são negligenciados, porém os que afetam dem asiadam ente devem ser inclusos no m odelo.
Para se considerar distúrbios, deve-se analisar quais variáveis devem ser utilizadas, afetando de
um a certa form a o grau de com plexidade do modelo.

• Deficiência de qualificação técnica

Certam ente diversos desenvolvim entos teóricos foram e têm sido relevantes para alcançarm os
o nível tecnológico atual. N a área de controle autom ático, m uitas contribuições foram feita
basea-das na teoria de controle m oderno. Assim, os que aplicam tal conhecim ento devem ser
capazes de com preender processos estocásticos, álgebra m ultivariável e processam ento digital
de sinais, dentre outros tópicos. O conhecim ento necessário para se projetar, im plem entar e
m anter um sistem a de controle desse porte está m uito além do que é necessário para se operar
sistem as PID em plantas industriais. Tem sido observado tam bém que as contribuições da teo­
ria de controle m oderno não afetaram significativam ente as aplicações industriais, podendo-se
atribuir tal constatação à deficiência de m ão-de-obra técnica, geralm ente treinada para operar e
m anter “o trivial” ! N a realidade, parece que os controladores PID representam exatam ente o
m áxim o de teoria com preensível pela m aioria dos operadores de plantas industriais, enquanto
que equipam entos que utilizam teoria de controle m ultivariável necessitam de pessoal com um
nível m aior de com preensão m atem ática. A lém disso, pessoas com nível técnico elevado não
são em pregadas em grupos de operação e m anutenção de plantas industriais, desviando-se da
carreira técnica para a a adm inistrativa ! É um a pena que esse relevante problem a nunca tenha
sido seriam ente discutido pelas autoridades m undiais em teoria de controles. Aqui deve-se notar
que a propriedade fundam ental de controladores inteligentes, especialm ente os controladores
fuzzy, é de serem baseados em experiência de operadores hum anos e em padrões de raciocínio,
em vez de utilizarem de m odelos m atem áticos, fazendo com que o treinam ento de operadores
e técnicos de m anutenção seja m uito m ais fácil e barato, e pessoal m enos qualificado possa ser
utilizado para operar u m a planta industrial. E sse fator, p o r si só, pode se tornar um argum ento
poderoso ao se d ecidir p e la adoção de controladores fu zzy em certas aplicações específicas.
É claro que, ao se assum ir sim plificações em m odelos m atem áticos, pode-se ignorar inform ações
im portantes, e esta perda de inform ações resulta em reajustes e ressintonia do controlador na planta
real, na operação do processo. Isso é o que ocorre na prática, e pode ser até bem sucedido, todavia,
quando a com plexidade do processo excede um determ inado grau, os m odelos m atem áticos não
apenas se tornam intratáveis, com o tam bém sua precisão e confiabilidade relativas à realidade física
se tornam questionáveis. N a verdade, a teoria avançada d e controle, tem incorporada um tal grau de
sofisticação, que o tratam ento m atem ático necessário se torna com pletam ente divorciado da realidade
í física. C om o resultado, hoje em dia acredita-se m ais que a teoria de controles é parte das disciplinas
de m atem ática do que um conhecim ento na área de engenharia.
A noção de precisão m atem ática tem sido tão fortemente enraizada na cultura tecnológica que,
S até os m eados da década de 60 e início d e 70, nenhum engenheiro ou cientista respeitado ousaria
l desafiar tal conceito. Porém, os engenheiros voltados às aplicações práticas já chegaram à conclusão
j que, devido às diversas sim plificações feitas devido às lim itações físicas, torna-se contraditório a
I busca cada vez m aior de precisão na m odelagem matemática.

; 3.4 — M É T O D O HEURÍSTICO
i O m étodo heurístico consiste em se realizar um a tarefa de acordo com a experiência prévia,
r com regras práticas ou “dicas” e estratégias já freqüentem ente utilizadas. U m a regra heurística é um a
im plicação lógica da forma:

I SE <condição> ENTÃO <conseqúência>

i ou então em um a regra típica de um a situação de controle:

i SE <condição> ENTÃO <ação>

f R egras associam conclusões (ou conseqüências) com condições (ou antecedentes). O m étodo
1heurístico é sim ilar ao método experim ental de se construir um a tabela de entradas e saídas. Para
i cada linha da tabela, têm -se um a relação entre as variáveis de entrada(s) e as de saída(s). Pode-se
escrever u m a linha de regra heurística da seguinte forma:

SE eent = 1 volt ENTÃO esaída = 3,5 volts

| E m vez de se utilizar núm eros reais, as entradas e saídas podem ser descritas através de “ valores
“ fuzzy” :

f SE e ent = M É D IO então esa(da = GRANDE

í onde M É D IO e G RAND E são definidos através de funções de pertinência que descrevem a im precisão
I d e tais valores de entrada e saída.
%
N otar que em vez de se utilizar um a expressão num érica, um a expressão lingüística (ou verbal)
í: pode ser utilizada, para descrever a relação entre a variável de entrada e a de saída. M ais im portante
que isso, a restrição de linearidade não é m ais necessária ou m esm o relevante, um a vez que a função
l entrada-saída é descrita ponto a ponto, exatam ente como no método experimental. Em outras palavras,
.o poder do m étodo heurístico está em sua habilidade de se possibilitar a construção de um a função de
entrada versus saída, não m atem ática, porém útil na descrição de um a planta ou processo. Isso pode
ser feito sem pre que um m odelo equivalente m atem ático for m uito difícil ou com plexo de se obter,
m esm o com a presença de parâm etros incertos, desconhecidos ou variantes no tempo.
P or exem plo, no enfoque fu zzy , um a função real de entrada-saída é aproxim ada por seções
que cobrem regiões da função. Em vez de se especificar um valor exato de um ponto na função
de entrada-saída, a seção indicaria um conjunto.de valores plausíveis. Quanto m aior a cobertura
da região, m ais incerta (ou seja, m ais fu z z y ) seria um valor nesse conjunto para representar um
ponto real. C ada região é expressa por um a regra heurística S E ... ENTÃO. Da m esm a form a,
quanto m enos incertas (fuzzy) forem as regras, as regiões serão m enores. Se as regras contiverem
núm eros reais, em vez de conjuntos fu zzy , elas se tornariam pontos. D e acordo com o Teorema de
A proxim ação F uzzy, um a curva pode ser sem pre convertida em descrições verbais através de um
núm ero finito de regiões fuzzy.
E ssa estrutura de regras é usada explicitam ente por alguns sistemas inteligentes, tais com o
sistem as fu z z y e sistem as especialistas, inclusive os sistemas fieurofuzzy.
3.5 — POR MUI i . NECESSÁRIA A LÓGICA FUZZY ?
Novas tecnologias são inventadas devido às necessidades específicas. O advento da lógica fuzzy
foi causado pela necessidade de um m étodo capaz de expressar de inmi m aneira sistem ática quanti­
dades in ip in nas. vagas, mal-definidas. Por exem plo, em vez de se u tilizar um m odelo m atem ático,
os controladores industriais baseados em ló g ic a /« “ y podem ser investidos com o conhecim ento
c xpnim cntal de operadores hum anos já treinados, fazendo com que a ação de controle seja tão boa
(|iuuito a deles (em geral m elhor) e sem pre consistente.
O peradores hum anos, treinados, podem trabalhar com plantas industriais não com pletam ente
com preendidas, processos m al-definidos. e sistem as com dinâm ica não conhecida. Esses operadores
sabem qual ação tomar, quando observam certas condições, tais com o um a com binação de leitura de
instrum entos, padrões indicados por sinais lum inosos ou sonoros, ou outros eventos. Assim a vanta­
gem de controladores inteligentes é perm itir que regras heurísticas possam capturar tais estratégias
de controle de operadores hum anos. Isso resolve o problem a de se autom atizar funções de controle,
geralm ente delegadas para controle manual.
A lógica fuzzy é também útil em tarefas de tom adas de decisão, onde as variáveis individuais
não são definidas em termos exatos. Por exem plo, no seqüenciam ento de tarefas de um a linha de
produção industrial, ou na aplicação em logística e planejam ento de m anutenção, o uso de lógica
fiizzy pode significar vantagens adicionais em m inim ização de custos, devido à facilidade de im ple­
mentação dessas estratégias.
Um fator interessante a se notar é que a lógica fu zzy não tem sido aceita facilm ente, porque
a conceituação utilizada nos princípios da lógica fu z z y parece ser contrária às tradições e culturas
ocidentais, as quais são baseadas em um a definição precisa, bivalente. entre o ser ou o não-ser. entre
o claro e o escuro. Embora a cultura ocidental, fundam entada na lógica binária, resolva de form a
extraordinária m uitos problem as, é necessário que se preencha os espaços não adequadam ente
endereçados pelos m étodos tradicionais. Nesse sentido, a lógica fu z z y perm itiria ver os graus de
verdade entre ser e não-ser e os graus de cinza entre claro e escuro.
L ógica fu zzy. redes neurais. sistem as especialistas, algoritmos genéticos dentre outras, pertencem
a esse novo paradigm a cham ado coletivam ente por sistem as inteligentes. C om o esperado, qualquer
tecnologia nova tem seus proponentes e seus oponentes. Ao se decidir em se adotar ou não um a tecno-
logia /icr.y. os engenheiros e os gerentes de projeto, devem se basear nos requisitos de confiabilidade,
utilidade e viabilidade econôm ica, sendo essencial que se pense nas seguintes questões:
• E a lógica .fuzzy apenas mais um a "m oda" ou efetivamente oferece vantagens objetivas e tangíveis?
• A lógica fu zzy permitiria a solução de problem as que tradicionalm ente têm sido difíceis ou
m esm o im possíveis de se resolver
• A lógica fu zzy é econom icam ente viável de se utilizar
• Q ue nível de treinam ento é requerido para se m anter e reparar controladores fuzzy'!
• Entende-se de antem ão em quais aplicações específicas as vantagens da lógicafu z z y podem ser
alcançadas

3.6 — METODOLOGIA DE MODELVGEM CONVENCIONAL COMPARADA AO

CONTROLE INTELIGENTE
Na m etodologia conv encional de projeto de sistem as de controle, m ostrada na Figura 3.2. o <///<• c
modelada c aplaiila «aprocesso i/ iic está sendo controlado. Ksse procedim ento é cham ado por identi­
ficação dc sisicnuis. *hkIc i>sistema é assum ido com o linear, ou aproxim adam ente linear, caracteri/ado
por um conjunto de equações diferenciais, cuja solução indicaria ao controlador com o os parâm etros
deveriam ser ajustados para um determ inado com portam ento do sistema (tais com o. am ortecim ento,
sobre-sinal. velocidade de resposta, tem po de acom odação e erro em regim e permanente).
Por outro lado. em m uitos sistem as não afeitos ao controle autom ático, operadores hum anos
estão sendo ainda em pregados, e a m etodologia de projeto está focalizada no com portam ento dos
operadores, isto é. com o eles ajustariam os parâm etros de controle para um determ inado conjunto
de circunstâncias. Por exem plo, em m etodologia fuzzy c o operador cujo m odelo eshi seiulo
identificado: enquanto ele está controlando o sistem a, conform e m ostra a Figura 3.3. A ssim , o
controlador fuzzy. baseado 110 m odelo identificado do operador humano, torna-se um m odelo lógico
da form a com que o operador raciocina ao m anipular o sistema. Esse deslocam ento de ponto de
vista de m odelagem do si\te m a fís ic o para o operador humano m uda o enfoque cios problem as de
controle autom ático.

Figura 3.2 Ulcntiticaçao da dinâmica do prtKvssó nu planta

IDENTIFICADOR

OPERADOR
y(k)
HUMANO PLA N TA
D E S C O N H E C ID A
u(k)

F ig u ra J . J h ic n ii f n u ç ii ii J n « <»////>««t a n u ntt* (/•» •»/*• ■#*,/.//»#• «/<•. \

3.7 — O CONTROLADOR CORRETO PARA A APLICAÇÃO CORRETA
A utilização de controle inteligente não pode ser vista com o uma “panacéia universal” , sendo in­
correta a atitude de sim plesm ente trocar todos os controladores convencionais por controladores fuzzy.
H á diversas análises que devem ser feitas ao se decidir qual controlador deve ser implementado.
Se a planta ou o processo que está sendo controlado não é com pletam ente linear, porém a não
linearidade entre a entrada e a saída é conhecidam ente um a função suave, sem descontinuidades, ou
se apesar do processo ser não linear ele operar em um ponto quiescente, em torno do qual variações
pequenas são lineares, a solução com controladores PID ou com controlador lógico program ável
(PLC) operando na função PID é ainda um a excelente solução custo/benefício. Em tais condições,
os controladores PID podem controlar plantas, m esm o com dinâm ica desconhecida, um a vez que a
com ponente-P representa o erro de realim entação instantâneo, a com ponente-/ representa a integral
do erro que contribui para a história passada da realim entação e a com ponente-/) representa a derivada
do erro, a qual tende a antecipar o com portam ento futuro do erro de realim entação.
Se os parâm etros de cada com ponente são sintonizados para o desem penho específico da
planta, a ação do controlador será satisfatória. A tarefa de sintonia implica na m útua otim izáção de
características de resposta, tais com o am ortecim ento, sobre-sinal, tem po de acom odação e erro em
regim e perm anente (“off-set”). A propriedade de linearidade (ou quase-linearidade) garante que as
três estratégias individuais de controle (P + / + D) possam ser com binadas em um a form a aditiva,
fazendo com que a m alha de realim entação consiga com pensar, por mudanças nos parâm etros da
planta, ruído e alterações am bientais, enquanto que a ocorrência de não-linearidade im põe um a certa
interação entre táis fenôm enos, podendo portanto tornar difícil a sintonia, ou até m esm o impossível.
Assim o controlador PID representa três estratégias de controle, que dinam icam ente ajustam o com ­
portam ento do sistem a através do erro da m alha de realim entação.
D evido ao fato dos controladores P /D serem de entrada-única e saída-única, e a m aioria das
plantas e processos industriais serem m ultivariáveis por natureza, verifica-se que cada variável
controlada necessita de seu próprio controle e valor de referência. D aí a necessidade de um sistema
de controle supervisório, capaz de ajustar os valores de referência de um a m ultitude de malhas de
controle. Em muitos sistem as, essa tarefa pode ser realizada por um escalonam ento no tem po de
ajustes nos valores de referência, geralm ente através de interface com com putadores. H á diversos
casos em que a m udança de valores d e referência deve ser feita baseada em decisões tom adas pela
observação das saídas de processos, tarefa tipicam ente realizada por operadores hum anos. Além
disso, é m uito freqüente que processos e plantas possuam dinâm ica sujeita à variação de parâm etros,
faixa de variação de variáveis de controle m uito larga, fazendo com que os pontos de operação se
desloquem devido às essas características. N esse caso os controladores PID não conseguem fornecer
um desem penho satisfatório.
E m m uitos processos, tais com o extrusões de borracha ou elastôm eros, fabricação de pneus de
autom óveis, a função de entrada de um m isturador tipo B anbury ou de uma canaleta extrudora não
pode ser descrita m atem aticam ente, devido às com plexas reações e à dinâm ica não com pletam ente
form alizadas, m esmo por pessoal de operação m uito experiente. Há, entretanto, um grande corpo de
receitas em píricas que são conhecidas, para se produzir resultados aceitáveis. Tais receitas podem ser
tom adas com o funções de entrada-saída, porque elas relacionam variáveis de entrada fundam entais
para obter as saídas, m esm o que as unidades dim ensionais sejam incom patíveis, com o por exem plo
pressão de entrada e com posição de m aterial de borracha versus a vida útil de um pneu.
U m a das mais im portantes características de controladores fu zzy é a habilidade em se executar
controle m ultiobjetivos, m esm o com requisições conflitantes, de forma a se obter um bom com pro­
m isso na estratégia de controle. Um exem plo pode ser dado: um elevador de um a ponte-rolante, muito
utilizado para transporte de cargas em portos, onde o contêiner suspenso em um a corrente deve ser
 .transferido do navio para um vagão de um trem. De um a form a sim plificada, as duas variáveis de
centrada de tal controlador são: a distância entre o navio e o vagão, o ângulo da corrente onde a carga
se balançará, enquanto que a variável de saída é a potência do m otor que im pulsiona a carga de sua
p o siç ã o inicial até o seu destino. Um operador hum ano observa am bas as variáveis, sim ultaneam ente,
,e ajusta a velocidade de transferência por meio de um controlador do motor, de form a a se obter o
deslocam ento do material o m ais rapidamente possível, e m antendo o ângulo de balanço dentro de
lim ites razoáveis. Usando-se sensores apropriados, um controlador fu zzy de duas entradas e uma
saída é capaz de em ular a ação de controle m ulti-objetiva do operador humano. Seria m uito difícil
se utilizar um controlador P ID de entrada e saída únicas, para tal propósito m ulti-objetivo. Outro
exem plo de controle m ultiobjetivos é o de injeção de plásticos em m oldes, onde a tem peratura de
y sa íd a e a pressão no parafuso de entrada estão inter-relacionadas: o fluxo de resina é dependente de
i ainbos, tem peratura e pressão.
Sj! Controladores P ID convencionais e controladores fuzzy são, às vezes, combinados. P or exem plo,
!':en; controladores de tem peratura comerciais, onde o PID pode im por um a resposta m uitíssim o rápida,
" e antes que o sobressinal ocorra, um controlador fu zzy tom a lugar, fazendo com que a resposta seja
, 'plana, exatam ente no valor de referência.
& Um núm ero considerável de controladores fu zzy e stão sendo atualm ente utilizados em aplica-
jições operacionais, onde executam apenas algum as das funções de um controlador convencional.
[ Tem sido estim ado que, antes de 2010, cerca de 80% de todos os controladores serão em butidos
; com sistem as fu zzy operacionais. A razão é que os m icrocontroladores têm se tornado cada vez
Mmenores, m ais poderosos, e fáceis de serem program ados, com program as que executam funções
' -‘fu z z y em m uitas aplicações.

’ i;3.8 — IMPLEMENTAÇÃO FUZZY D E ESTRATÉGIAS D E CONTROLE

’i n t e l i g e n t e
x' ; Em bora as estratégias de controle inteligente possam ser implementadas por o utros m eios,
>: as im plem entações por lógica fu zzy freqüentem ente se tornam m uito mais eficientes, devido aos
seguintes pontos:
• Estratégias de controle fu zzy nascem da experiência e de experimentos, em vez de m odelos
m atem áticos. Portanto, um a implementação lingüística é m uito mais rápida e efetiva de se
implementar.
• Estratégias de controle fu zzy envolvem um núm ero m uito grande de entradas, a m aioria das
quais relevantes apenas para condições especiais. Tais entradas são ativadas apenas quando
condições específicas prevalecem. Dessa form a, algum as condições raras ou excepcionais (tais
com o alarmes) podem ser incorporadas com pouquíssim o “overhead” com putacional, e ainda
assim a estrutura de software permanece transparente e compreensível.
• E stratégias de lógica fu zzy im plem entadas em produtos com erciais, voltadas para o m ercado de
m assa, devem ser de custo baixo. Com paradas com soluções convencionais de controle, a lógica
fu zzy é freqüentem ente mais eficiente, ao se com parar a codificação e o tem po com putacional
de execução.

3.9 — APLICAÇÕES B EM SUCEDIDAS DE CONTROLE FUZZY

• Sem pre que ocorrerem ajustes em máquinas com o objetivo de redução de perdas e de matéria-
prim a, com o função de julgam ento de um operador. Um exem plo é o corte de m adeiras através
de serra automática. O controle fu zzy fornece um m eio de em butir o conhecimento e a experiência
dos operadores.
■

. v. • •• ;>

V
• Sem pre que o sistema depender de habilidades do operador e de atenção. Um exem plo é a
produção de asfalto ou de concreto, onde m esm o o mais experim entado operador não consegue
m anter consistência na qualidade do produto.
• Sem pre que um parâmetro de um processo afetar outro parâm etro de outro processo. Um exemplo
é o do elevador de contêiner. já m encionado, onde o operador deseja controlar sim ultaneam ente
a velocidade de transferência e o ângulo de balanço. O utro exem plo é o da injeção de plásticos
em moldes.
• Sem pre que os processos possam ser m odelados lingüisticam ente. ou seja. através de descrições
verbais, m as não m atem aticam ente. Um exem plo é o de controle de tensão de um a lâm ina de
papel, em um sistema de roletes. cuja posições são descritas verbalm ente.
• Sem pre que um controlador fu zzy possa ser utilizado com o um sistem a aconselhador a um op­
erador hum ano, tarefa m uito útil para sim uladores de processo, sim uladores de vôo. treinam ento
de operadores. É freqüente a preocupação de se introduzir um controle autom ático em uma
instalação que sem pre foi controlada por operadores hum anos: nesse caso é possível se m ostrar
em um a tela a saída do c o n tro lad o r/u ~ v apenas com o um a sugestão para o controlador humano,
o qual executa a função de controle. O operador pode aceitar que a saída do controle fu zzy sejs
razoável, baseado em seu conhecim ento do processo. As inconsistências devem ser anotadas
para se m elhorar a base de regras do controlador, e assim que o potencial de conhecim ento seja
transferido para o controlador fu zzy . o processo pode ser finalm ente automatizado.

Q U E ST Õ E S D E REVISÃO

1. Por que é necessário m odelagem de sistem as ?

2. Q uais as vantagens e desvantagens da m odelagem m atem ática ?
3. O que é um sistem a linear invariante no tem po ?
4. D iscuta o conceito de “ m odelagem com plexa".
5. Q ual a vantagem , e de fato a principal função, da lógica fu z z y ?
6. O m odelo m atem ático de um sistem a físico é m ais preciso que um m odelo/ícxv ?
7. Q uais são as lim itações do controlador PID ? Em sua explanação inclua o controle de
sistem as m ultivariáveis.
8. D iscuta a alternativa de escolha entre se usar o controle de um operador hum ano ou um
controlador fu zzy capaz das m esm as funções específicas.
9. Se você for um consultor em controle industrial,« um adm inistrador lhe perguntar quando
você recom endaria controle fu zzy , qual seria sua resposta ?
10. Q uando você poderia recom endar controle fu z z y em butido ?
11. Q uando você não recom endaria a utilização de controlefiiz z y ?
 CAPÍTULO 4 - Introdução à Lógica Fuzzy
/
4.1 - Introdução

Sf A teoria fuzzy é uma técnica de inteligência artificial, que procura emular a maneira com que as pessoas
í tratam informações imprecisas. A modelagem fuzzy se utiliza da teoria dos conjuntos fuzzy, que ao contrário
da teoria clássica dos conjuntos não é ancorada na lógica bivalente de Aristóteles, mas baseia-se na idéia de
■v multivalência. Valendo-se da idéia de multivalência, é possível modelar idéias típicas do mundo real como,
por exemplo, o quanto um réu é culpado por um crime, se a temperatura de um fluido é baixa, média ou alta
e assim por diante. Antes de tratarmos sobre modelagem fuzzy, é necessário primeiramente apresentar
:§| algumas definições e propriedades, seja referente a conjuntos, lógica ou sistemas fuzzy■ Sempre que
II necessário, estaremos fazendo um paralelo entre conjuntos clássicos e conjuntos fuzzy ou entre lógica
N|§ clássica e lógica fuzzy, uma vez que a lógica fuzzy é uma generalização da lógica clássica.

4.2 - Conjuntos Fuzzy

Consideremos o conjunto A - {xe R /5 < x < 10}. A pertinência dos números reais ao conjunto A pode ser
representada graficamente através da Figura 4.1, (Kovacic & Bogdan, 2005)

Pertinência k
de x a. A

0 5 10

Figura 4.1: Gráfico de pertinência, conforme a lógica clássica

§J A partir da Figura 4.1, conclui-se que, ou certo elemento x pertence, ou não pertence ao conjunto A , não
lhe restando outra alternativa. Esse é o princípio da bivalência proposto na teoria clássica dos conjuntos.
Pode-se definir uma função característica da forma:

11 se e somente se x e A
/ aW =
10 se e somente s e i í Á

Considere-se agora um conjunto B = {xe R /x » 10}. Notamos que na definição do conjunto B existe
uma “vagueza”. Neste caso é o contexto quem vai determinar o que vem a ser um número muito maior que
1
10. Consideremos uma situação hipotética em que x > 100, é definitivamente muito maior que 10. Para esse
caso é razoável dizer que 99 também seria muito maior que 10 e que 90 está bem próximo de ser. Podemos
categoricamente afirmar que, os números 11, 12 e 13 não são valores muito maiores que 10. Nesse contexto
existe, em termos de pertinência, uma transição suave no intervalo [10, 100], ou seja, um número passa

gradativamente a ser muito maior que dez à medida que se aproxima de 100, conforme ilustra a Figura 4.2.

No contexto do conjunto B , Zadeh (1965) propôs a ampliação do conceito de pertinência de um

elemento a um conjunto, introduzindo a idéia de gradatividade para a pertinência, de modo que ela
assumisse qualquer valor no intervalo [0 1].

Feitas as considerações anteriores, apresentaremos algumas definições básicas.

Definição 4.1. (Conjuntos Crisp): Seja S um conjunto, definido em certo domínio X . O conjunto S é
chamado de conjunto não-fuzzy (crisp), quando sua função característica jus, assume valores jUs(x) = 1

quando x e S e assume jus(x) = 0 quando x<t S . Atente para o fato de que função característica é um

conceito que se aplica exclusivamente a conjuntos crisp, não permitindo o tratamento de conjuntos com
definição vaga como o caso do conjunto B .

Definição 4.2. (Conjuntos Fuzzy): Seja F um conjunto definido em certo domínio X . O conjunto F é
chamado de conjunto fuzzy quando sua função de pertinência jUr (x) é uma função que assinala um grau de

pertinência entre 0 e 1 para cada elemento x e X . Com o conceito de função de pertinência é possível o
tratamento de conjuntos com definição vaga como o conjunto B e, conjuntos crisp passam a serem tratados
como casos particulares de conjuntos fuzzy■
Definição 4.3. (Subconjunto Fuzzy) Um conjunto fuzzy D é um subconjunto de um conjunto fuzzy C se
V x e X : jUD(x) < jUc ( x ) . C c D estão definidos em um certo domínio X .

4.3 - Operações com Conjuntos Fuzzy

Em Kovacic & Bogdan (2005), são definidas as seguintes operações com conj untos fuzzy.

i) Conjunto Fuzzy Vazio: Um conjunto A é vazio quandojUA(x) = 0 , para todo o universo de

discurso X , para o qual A é definido.

ii) Complemento de um conjunto fu zzy : O complemento A de um conjunto A é jUA(x) = 1-jUA(x)

para todo o universo de discurso X , para o qual A é definido.

iii) Conjuntos Fuzzy Iguais: Os conjuntos fuzzy, A e B , são iguais se e somente se jUA(x) = jUB( x ) ,

para todo o universo de discurso X , para o qual A é definido.

iv) Intersecção de conjuntos fuzzy: A intersecção entre dois conjuntos fuzzy A e B , definida em certo
universo de discurso X é dada por juAnB = min{juA(x),jUB( x ) } , onde “min” é o operador mínimo. Na

verdade, o operador mínimo é apenas uma das alternativas que se tem para a implementação da intersecção
fuzzy. A literatura chama de norma-T as operações que se pode utilizar para a implementação da intersecção
entre conjuntos fuzzy.

v) União de conjuntos fuzzy: A união entre dois conjuntos fuzzy A e B , definidos em um certo
universo de discurso X é dada por jUA^ B =max{juA(x),juB( x )} , onde “max” é o operador máximo. Na

verdade, o operador máximo é apenas uma das alternativas que se tem para a implementação da união fuzzy.
A literatura chama de norma-S as operações que se pode utilizar para a implementação da união entre
conjuntos fuzzy.

A teoria fuzzy é uma generalização da teoria clássica, tanto no que tange a conjuntos quanto à lógica
matemática, sendo, portanto necessário definir-se operadores de base axiomática, baseados nos conceitos de
norma triangular (norma-T) e co-norma triangular (conorma-T ou norma-S). Estes termos foram citados nos
itens iv e v, mas não foram definidos formalmente, isso será feito a seguir.
Uma norma-T realiza a operação binária “and”, Que representaremos por A norma-T realiza o

mapeamento: [0,1]*[0,1]->[0,1] tal que, \/x, y, z, w e [0,1], as seguintes propriedades devem ser satisfeitas:
 • Comutatividade: x * y = y * x ;
• Associatividade: (x * y) * z = x * (y * z);
• Monotonicidade: se x < y, w < z, então x * w < y * z;
• Condições de contorno: x * 0 = 0 e x * l = x ;

Uma co-norma-T, ou norma-S, realiza a operação binária “or”, que representaremos por ©. A norma-S
realiza o mapeamento: [0,1] © [0,1]—> [0,1] tal que, Vjc, y, z, w e [0,1], as seguintes propriedades devem ser
satisfeitas:

• Comutatividade: x © y = y © x
• Associatividade: (x © y) © z = x © ( y ®-z)
• Monotonicidade: se x < y, w < z, então x © w < y © z
• Condições de contorno: x © 0 = x e x ©1 =1

V i
Pode-se encontrar na literatura várias normas-T e normas-S, contudo para os fins de nossos estudos
« utilizaremos preponderantemente os operadores min ou produto para a operação “and” e o operador max
para a operação “or”.

nS
4.4 - Tipos mais Comuns de Funções de Pertinências

s! Qualquer função cuja variável dependente esteja acomodada no intervalo [0 1] é candidata a ser função

de pertinência /J.(x). No entanto por motivos de facilidades matemáticas, ou de implementação

computacional, algumas são utilizadas com mais freqüência. Outro fator determinante na escolha da forma
de n (x) é o conceito que ela deverá representar. As funções de pertinências mais utilizadas são:

a) Triangular:

0, paia x < a
x- a
, paia a < x < b
b -a
M Á X) =
c-x
, paia b < x < c
c-b
0, para x> c.

- 4
 b) Trapezoidal:

c) Gaussiana: <7

a2
M Ax) = e

Exercício: Implemente no software Matlab funções que plotem cada uma das funções de pertinência
listadas acima.

Definição 4.4. (Centro e Núcleo): O valor singular x - c F& F , com flF(x = cF) = 1, é chamado centro do

conjunto fuzzy F.. Se existir um intervalo (região), na qual jUF(x) = 1, então esta região é chamada núcleo

b+ c ,
do conjunto fuzzy F . Neste caso cF = ------ , onde b e c são os extremos do intervalo do núcleo. Isso

ocorre, por exemplo, quando jU(x) é trapezoidal.

5
 Definição 4.5. (Conjuntos Fuzzy Adjacentes): Sejam F e T dois conjuntos fuzzy, com centros cxF e cxT,

no mesmo domínio X (Universo de discurso). Se não existir um conjunto fuzzy S , com centro cxs , tal que

cxF < c'l < cxT , então T e F , são conjuntos fuzzy adjacentes.

Muitos autores não fazem distinção entre a função de pertinência fuzzy e o conjunto fuzzy que ela
representa. Isso é válido porque fJ-(x) trás as informações necessárias sobre o conjunto que representa,
bastando-se apenas informar o universo de discurso para o qual é definida.

4.5 - Variáveis Lingüísticas e Rótulos de Conjuntos Fuzzy

Wang (1997), contextualiza dizendo que em nosso cotidiano, as palavras são muitas vezes utilizadas
para descrever variáveis. Por exemplo, quando dizemos “hoje está quente”, ou equivalentemente, “a
temperatura hoje está alta”, usamos a palavra “alta” para descrever a variável “temperatura” . Ou seja, a
variável “temperatura” assume a palavra “alta”, como valor. Obviamente que a variável “temperatura”
também pode ser quantificada por números, como por exemplo 16°C, 30° C , etc. Quando uma variável é
definida por valores numéricos, ela pode ser tratada pela matemática clássica. Mas, quando uma variável é
definida por termos lingüísticos, a matemática clássica não consegue tratá-la, somente a teoria fuzzy trata
matematicamente valores lingüísticos. É nesse contexto que surge o conceito de variáveis lingüísticas. Em
termos gerais, se uma variável pode assumir termos lingüísticos como os seus valores, ela é chamada de
variável lingüística e os termos assumidos por ela são denominados de rótulos.

Wang (1997), formaliza a seguinte definição para variáveis lingüísticas:

Definição 4.6. (Variável Lingüística): Se uma variável pode assumir rótulos, em linguagem natural, como
seus valores, ela é chamada de variável lingüística, onde os rótulos são caracterizados por conjuntos fuzzy
| j | distribuídos sobre o mesmo universo de discurso para o qual a variável está definida numericamente,
jô Definição 4.7. (Proposição Fuzzy)’ Seja um elemento x & X e um elemento y & Y , onde X e Y são

i variáveis lingüísticas, e sejam A,(x) e B,(y) conjuntos fuzzy com rótulos A, e B ,, associados às variáveis

jj§ lingüística X e Y , respectivamente. Ou seja, X assume os valores lingüísticos An l = l,2,...,Nx e Y

assume os valores lingüísticos B,, l = 1,2,...,N y , onde N x e N y são, respectivamente, o número de valores

lingüísticos (rótulos de conjuntos fuzzy) que as variáveis X e Y podem assumir. Feitas estas considerações
define-se uma proposição fuzzy, como sendo qualquer afirmativa do tipo:

6
 x é \ (4.1)
x não é Aj (4.2)
x é A, E j é 5, (4.3)
xé^OUyé^ (4.4)
x não é A i E y é B 1 (4.5)

Os termos não, E e OU são ditos conectivos. Quando uma proposição não contém os conectivos E e OU,
ela é chamada de proposição atômica ou simples, é o caso das proposições (4.1) e (4.2). Já as proposições
(4.3), (4.4) e (4.5), são chamadas de compostas.
A avaliação do valor lógico de uma proposição fuzzy é feita através dosseguintes princípiosrelacionais,
entre os conectivos e o grau de pertinência dos valores numéricos x e y aos conjuntos fuzzy At(x) e Bt( y ) ,

respectivamente:

1. Emprega-se o complemento fuzzy para o conectivo não.

x não é A3 <=>JLA^(x) = 1 - (iA (x) (4.6)

2. Emprega-se norma-T para o conectivo E.

x éAj E y éS j < ^ ^ A( x ) * ^ ( y ) (4.7)

3. Emprega-se norma-S para o conectivo OU.

x é Aj OU y é 5 2 <£=> (x) © (y) (4.8)

Definição 4.8. (Fuzificação): Seja um elemento x e X , onde X é uma variável lingüística e seja A,(x) um

conjunto fuzzy associado ao valor lingüístico A,. A conversão de um valor numérico x para um valor

lingüístico correspondente, associado a uma função de pertinência, x —» flA (x ), é chamada fuzificação.

Definição 4.9. (Relação Fuzzy): Seja x e X e y e Y , onde X e Y são variáveis lingüísticas, e sejam

A;(x) e B,(y) conjuntos fuzzy correspondentes aos valores lingüísticos A; e Bt , (rótulos). Então a

estrutura:

R«x)My): x é A lM P y i \ y ) (4 '9)
que pode ser indicada como
^Kx)J(y) ’ Pl(x) IP Pi(y) (4.10)

Representa uma relação fuzzy bidimensional, onde p representa um operador.

7
 É importante salientar que a relação p influencia diretamente na estrutura do sistema fuzzy, isso porque

o valor lógico de cada proposição fuzzy depende, dentre outros fatores, da norma-T e da norma-S utilizada.
Assim sendo, relações fuzzy, podem ser descritas da seguinte forma:

R!U)My) ={\.MR,lX) j i y ) ^ y \ x , y ] I x , y e Y] (4.11)

(4 -1 2 )

Onde, jURax)My)(x, y) : [0,l]x[0,l] [0,1].

Perceba que uma relação fuzzy é um conjunto definido em um subconjunto do produto cartesiano
A,(x )x B ,(y ), ou de maneira generalizada A ,( x ) x B ,( y ) x ...x C l(z) ■

; Exercício: Implemente no software Matlab funções que fuzifíquem uma determinada variável real, quando
são atribuídos a:

^ a) 2 valores lingüísticos (use função de pertinência trapezoidal)

A
^ b) 3 valores lingüísticos (use função de pertinência trapezoidal nas extreminades do universo de curso e
triangular no centro)
\ c) 4 valores lingüístico (use função de transferência gausiana)

. 4.6 - Regras Fuzzy Se-Então

Regras fuzzy se-então ou proposições fuzzy condicionais, são expressões da forma SE A ENTÃO B (isto
é, se <antecedente> então <conseqüente>), onde A e B são rótulos de conjuntos fuzzy. Devido à sua forma
concisa, regras fuzzy se-então, são freqüentemente utilizadas para incluir em modelos de sistemas ou em
projeto de controladores, o conhecimento qualitativo que os humanos utilizam para tomar decisões. Uma
situação de incerteza e imprecisão é apresentada a seguir:

se pressão fo r alta, então volume será baixo

Onde pressão e volume são variáveis lingüísticas, alta e baixo são valores lingüísticos associados a
conjuntos fuzzy por meio de uma função de pertinência. Regras dessa natureza constituem os chamados
Ü1
" -~T: sistemas fuzzy do tipo Mandani, (Kovacic & Bogdan, 2005).

£ . : *
a -jMlgSfr
■
■ "r-Vr-
 Um outro tipo de regras fuzzy se-então, proposto por Takagi e Sugeno (T-S), Kovacic & Bogdan (2005),
apresenta conjuntos fuzzy apenas na premissa. De uma forma geral, a força resistiva sobre um objeto em
movimento pode ser modelada usando regras fuzzy do tipo T-S, como se segue:

Se velocidade fo r alta, então força = k*(velocidade)

Onde, novamente, alta é um rótulo lingüístico, caracterizada por uma função de pertinência adequada e que
descreve o antecedente da regra. Contudo, o conseqüente é descrito por uma equação não fuzzy, em função
da variável de entrada velocidade.

Ambos os tipos de regras fuzzy se-então citados neste capítulo, tem sido vastamente utilizados tanto em
modelagem quanto em controle. As regras fuzzy capturam o conhecimento empírico, que um
especialista tem sobre o sistema em tratamento. Por outro ângulo, as regras se-então representam um
modelo local do sistema que está sendo modelado. As regras fuzzy, são a parte central do sistema de
inferência fuzzy, o qual será apresentado no próximo capítulo.
 CAPÍTULO 5 - Introdução aos Sistemas de Inferência Fuzzy

Um sistema de inferência fuzzy, pode ser representado esquematicamente através da Figura 5.1, onde:

Figura 5.1: Sistema de Inferência Fuzzy

1) Interface de Fuzificação: Responsável por capturar as entradas do sistema, que geralmente são crisp, e
fazer o seguinte mapeamento: x —>[ /^ (x),//Ai( x ),..., jlia^ (x )], ver definição 4.8.
\

i§ 2) Base de Regras: É formada por um conjunto de regras se-então. Trata-se da base de conhecimento que
se tem sobre o sistema. É um dos principais elementos do sistema fuzzy.

3) Máquina de Inferência: É o elemento responsável por analisar o vetor de entrada já fuzificado e

inferir, seja o valor lógico de cada regra de forma independente, seja o valor lógico das regras de modo
acoplado. Fornece ao próximo elemento uma informação fuzzy representativa da decisão.

4) Interface de Defuzificação: A saída de um sistemas fuzzy deve ser um valor crisp. O defuzificador é o
i " elemento responsável por converter a decisão fuzzy para uma decisão crisp, essa operação é chamada de
ígp defuzificação e será detalhada na seção 5.1. Observe que sistemas fuzzy do tipo T-S não possuem
L i defuzificador.

5.1 - Defuzificação

Wang (1997), define a defuzificação como sendo a operação que encontra um valor numérico y*

representativo da decisão fuzzy B ' tomada pela máquina de inferência e afirma que um bom defuzificador
atende aos três critérios apresentados a seguir.

10
• Plausibilidade: O ponto y* deve representar bem a decisão fuzzy inferida pela máquina de
inferência.

• Simplicidade Computacional: Este critério é imprescindível quando se está trabalhando em tempo

real.

• Continuidade: Uma pequena variação em B ' não deve acarretar em variações bruscas em y* .

Atentemos que o conjunto fuzzy B ' corresponde ao conjunto união ou intersecção de M conjuntos
fuzzy. Apresentaremos a seguir dois tipos de defuzificadores bastante utilizados:

5.1.1 - Defuzifícador Centro de Gravidade

O defuzificador centro de gravidade (CG), fornece a saída y * em função do centro da área coberta pela
função de pertinência de B ', ou seja,
b
\y-MBi y)
y* = JLh----------- (5.1)

onde, J é a integral convencional.

O defuzificador CG é considerado como sendo bastante plausível, pois é fundamentado na geometria do

conjunto B ' , no entanto dependendo da forma dos conjuntos usados sobre as variáveis fuzzy, o método
pode-se tomar de difícil computação. Apresentaremos a seguir um método que tenta contornar a
complexidade computacional que o defuzificador CG pode apresentar.

5.2 - Defuzifícador Média de Centros

Em Wang (1997), é afirmadu que a equação (5.2) é uma boa aproximação para (5.1).
L

E " ,y ,
y * = - 1— (5-2)
I - ,.
;=i

Na equação (5.2), y. é o centro de um conjunto de saída arbitrário (conjunto citado na parte então da regra)

e W/ é o resultado da inferência sobre o conjunto de saída cujo centro é yj .

 5.3 - Síntese das etapas envolvidas num sistema de inferência fuzzy

As etapas do raciocínio fuzzy (operações de inferência mediante regras fuzzy se-então) realizadas pelo
sistema de inferência/a^); são:

1. Comparar, na parte da premissa (parte se da regra), as variáveis de entrada com as funções de

pertinência, para obter os valores de pertinência de cada rótulo lingüístico. (Este passo consiste na
fuzificação).

2. Combinar (através de uma determinada norma-T, usualmente os operadores produto ou mínimo) os

!j valores de pertinência da parte se da regra, obtendo-se o grau de disparo de cada regra.

§J 3. Gerar o conseqüente (parte então) de cada regra, em função de seu grau de disparo. O conseqüente
gerado pode ser um conjunto/wzzy, ou um valor crisp, dependendo da estrutura da regra.

* 4. Agregar os conseqüentes, de cada regra de modo a se obter uma saída crisp. (Esse passo consiste na
^ defuzificação).

TRABALHO: Desenvolva um arquivo tipo m no Matlab que execute a ilustração da figura 5.1 (Use um
vetor de entrada 1x2, produto para norma-T, máximo para Norma-S e defuzificador média de centro.

5.4 - Sistemas Fuzzy como Mapeamento Não-linear.

Em situações em que se objetiva levantar modelos não-lineares através de algoritmos de identificação, é útil
observar os sistemas fuzzy como um mapeamento não-linear bem definido da forma y = f ( u ) . Nesta seção
apresentaremos expressões matemáticas que descrevem com certo detalhe determinadas classes de sistemas
fuzzy.

12
Em Wang (1997), a equação (5.3) fornece a saída f ( x ) de um sistema fuzzy em função de seu vetor de

entrada x , desde que tal sistema tenha a seguinte configuração: máquina de inferência produto, fuzificador
singleton e defuzificador média de centros.
M n

fW = -^ rH r ----------- (5-3)
E
í=i O;=i W * »

Onde x e Í7 <=/?" são as entradas do sistema fuzzy, e f ( x ) e V c f i , é a saída do sistema /wzry. Caso o
sistema fuzzy tenha máquina de inferência mínimo ao invés de máquina de inferência produto a equação
(5.3) pode ser reescrita conforme (5.4).
M
J ^ y 1( m i n i , l i A, O , ) )
f ( x ) = ^ ---------------------- (5.4)
J (m in " =I//A, (*,.))
/=1 '

Modelagem /wzry diz respeito à identificação de estruturas fuzzy (números de regras, forma e distribuição
dos conjuntos fuzzy sobre as variáveis de entrada e de saída, etc.) e de parâmetros do sistema de inferência
fuzzy que podem melhor relacionar certo conjunto de dados de entrada-saída, ou seja, busca-se um modelo
fuzzy capaz de representar satisfatoriamente determinado processo, no tocante à estimação da saída a partir
de um determinado vetor de entrada.

Segundo Wang (1997), o projeto de sistemas fuzzy, partindo dos pares entrada-saída, pode ser
classificado em duas abordagens distintas: Na primeira as regras fuzzy se-então são definidas
primeiramente, a partir dos dados de entradas-saída e a estrutura do sistema é então construída a partir
destas regras, de acordo com certas escolhas de máquina de inferência, fuzzificador e defuzificador. Na
segunda abordagem, a estrutura do sistema fuzzy é especificada primeiramente, e alguns parâmetros dela
são livres para mudar; estes parâmetros livres são determinados de acordo com os pares de entrada-
saida, por meio do chamado algoritmo de identificação ou algoritmo de treinamento.

13