Documente Academic
Documente Profesional
Documente Cultură
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.
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.
OBJETIVO S D O CAPÍTULO
ENTRADA SAÍDA
0 1.5
2.6 4.5
4.7 7.9
9.1 15.3
2.6 29.8
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.
• 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.
; 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:
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:
| E m vez de se utilizar núm eros reais, as entradas e saídas podem ser descritas através de “ valores
“ fuzzy” :
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
IDENTIFICADOR
OPERADOR
y(k)
HUMANO PLA N TA
D E S C O N H E C ID A
u(k)
. 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
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.
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
§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.
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 .
Em Kovacic & Bogdan (2005), são definidas as seguintes operações com conj untos fuzzy.
iii) Conjuntos Fuzzy Iguais: Os conjuntos fuzzy, A e B , são iguais se e somente se jUA(x) = jUB( x ) ,
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
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
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.
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.
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
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:
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
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)
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:
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:
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:
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:
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:
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.
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.
• 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:
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)
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)
As etapas do raciocínio fuzzy (operações de inferência mediante regras fuzzy se-então) realizadas pelo
sistema de inferência/a^); são:
§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.
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