MODELAGEM, CONTROLE, SISTEMAS E LGICA FUZZY

Fernando Antonio Campos Gomide Ricardo Ribeiro Gudwin Departamento de Engenharia de Computao e Automao Industrial (DCA) Faculdade de Engenharia Eltrica (FEE) Universidade Estadual de Campinas (UNICAMP) CP 6101, CEP 13081-970, Campinas - SP e-mail : gomide@dca.fee.unicamp.br gudwin@dca.fee.unicamp.br

RESUMO: A Lgica Fuzzy (Nebulosa) a lgica que suporta os modos de raciocnio que so aproximados ao invs de exatos. Modelagem e controle fuzzy de sistemas so tcnicas para o tratamento de informaes qualitativas de uma forma rigorosa. Derivada do conceito de conjuntos fuzzy, a lgica fuzzy constitui a base para o desenvolvimento de mtodos e algoritmos de modelagem e controle de processos, permitindo a reduo da complexidade de projeto e implementao, tornando-se a soluo para problemas de controle at ento intratveis por tcnicas clssicas. Este trabalho apresenta uma introduo aos princpios e s idias que fundamentam a aplicao da lgica fuzzy em sistemas inteligentes em geral, e controle de processos em particular. Hardware e ferramentas de suporte ao desenvolvimento de aplicaes so tambm descritos. Exemplos de diferentes classes de problemas de controle so consideradas a fim de ilustrar o potencial da lgica fuzzy em aplicaes prticas. Finalmente apresentado um panorama do estado da arte atual, incluindo os principais resultados prticos em uso por vrios segmentos da indstria e as tendncias futuras.

1 - INTRODUO
A lgica fuzzy a lgica baseada na teoria dos conjuntos fuzzy. Ela difere dos sistemas lgicos tradicionais em suas caractersticas e seus detalhes. Nesta lgica, o raciocnio exato corresponde a um caso limite do raciocnio aproximado, sendo interpretado como um processo de composio de relaes nebulosas. Na lgica fuzzy, o valor verdade de uma proposio pode ser um subconjunto fuzzy de qualquer conjunto parcialmente ordenado, ao contrrio dos sistemas lgicos binrios, onde o valor verdade s pode assumir dois valores: verdadeiro (1) ou falso (0). Nos sistemas lgicos multi-valores, o valor verdade de uma proposio pode ser ou um elemento de um conjunto finito, num intervalo, ou uma lgebra booleana. Na lgica

nebulosa, os valores verdade so expressos linguisticamente, (e.g. : verdade, muito verdade, no verdade, falso, muito falso, ...), onde cada termo lingustico interpretado como um subconjunto fuzzy do intervalo unitrio. Outras caractersticas da lgica fuzzy podem ser sumarizadas como segue : nos sistemas lgicos binrios, os predicados so exatos (e.g. : par, maior que ), ao passo que na lgica fuzzy os predicados so nebulosos (e.g. : alto, baixo, ...). Nos sistemas lgicos clssicos, o modificador mais utilizado a negao enquanto que na lgica fuzzy uma variedade de modificadores de predicados so possveis (e.g. : muito, mais ou menos, ...). Estes modificadores so essenciais na gerao de termos lingusticos (e.g. : muito alto, mais ou menos perto, etc). Nos sistemas lgicos clssicos existem somente os quantificadores existenciais () e universais (). A lgica fuzzy admite, em adio, uma ampla variedade de quantificadores (e.g. : pouco, vrios, usualmente, frequentemente, em torno de cinco, etc ). A probabilidade, no contexto da lgica clssica, um valor numrico ou um intervalo. Na lgica nebulosa existe a opo adicional de se empregar probabilidades lingusticas (e.g. : provvel, altamente provvel, improvvel, etc), interpretados como nmeros fuzzy e manipuladas pela aritmtica fuzzy (Kaufmann & Gupta , 1985). Tambm, em contraste com a lgica modal clssica, o conceito de possibilidade interpretado utilizando-se subconjuntos fuzzy no universo dos reais (Zadeh, 1988). Nas teorias de controle clssica e moderna, o primeiro passo para implementar o controle de um processo, derivar o modelo matemtico que descreve o processo. O procedimento, requer que se conhea detalhadamente o processo a ser controlado, o que nem sempre factvel se o processo muito complicado. As teorias de controle existentes se aplicam a uma grande variedade de sistemas, onde o processo bem definido. Vrias tcnicas, tais como para controle linear multivarivel (Doyle e Skin, 1981), estimao de estado a partir de medidas ruidosas (Anderson e Moore, 1979), controle timo (Sage e White, 1977), sistemas lineares estocsticos (Bertsekas, 1976),
SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994 97

alm de certas classes de problemas no-lineares determinsticos (Holtzman, 1970), foram desenvolvidas e aplicadas com sucesso em um grande nmero de problemas bem postulados. Entretanto, todas estas tcnicas no so capazes de resolver problemas reais cuja modelagem matemtica impraticvel. Por exemplo, em diversas situaes um volume considervel de informaes essenciais s conhecido a priori de forma qualitativa. Do mesmo modo, critrios de desempenho s esto disponveis em termos lingusticos. Este panorama leva a imprecises e falta de exatido que inviabilizam a maioria das teorias utilizadas at agora. A modelagem e o controle fuzzy (Lee, 1990) so tcnicas para se manusear informaes qualitativas de uma maneira rigorosa. Tais tcnicas consideram o modo como a falta de exatido e a incerteza so descritas e, fazendo isso, tornam-se suficientemente poderosas para manipular de maneira conveniente o conhecimento. A sua utilizao em sistemas de controle de processos em tempo real, em computadores ou micro-controladores, das mais convenientes, dado que, geralmente, no envolvem nenhum problema computacional srio. A teoria de modelagem e controle fuzzy trata do relacionamento entre entradas e sadas, agregando vrios parmetros de processo e de controle. Isso permite a considerao de processos complexos, de modo que os sistemas de controle resultantes proporcionam um resultado mais acurado, alm de um desempenho estvel e robusto. A grande simplicidade de implementao de sistemas de controle fuzzy pode reduzir a complexidade de um projeto a um ponto em que problemas anteriormente intratveis passam agora a ser solveis.

(a)

(b)

(c)

0 U

0 x U

0 25 U

Figura 1: Funes de Pertinncia Zadeh (Zadeh, 1965) props uma caracterizao mais ampla, na medida em que sugere que alguns elementos so mais membros de um conjunto do que outros. O fator de pertinncia pode ento assumir qualquer valor entre 0 e 1, sendo que o valor 0 indica uma completa excluso e um valor 1 representa completa pertinncia. Esta generalizao aumenta o poder de expresso da funo caracterstica. Por exemplo, para expressar a idia de que uma temperatura tem seu valor por volta de 25, pode-se utilizar uma funo de pertinncia triangular (veja figura 1c), com o pico em 25, para sugerir a idia de que quanto mais perto o nmero de 25, mais ele se identifica com o conceito representado. Formalmente, seja U uma coleo de objetos denominados genericamente por {u}. U chamado de universo de discurso, podendo ser contnuo ou discreto. Um conjunto fuzzy A em um universo de discurso U definido por uma funo de pertinncia A que assume valores em um intervalo [0,1]: A : U [0,1]

2 - CONJUNTOS FUNDAMENTOS

LGICA

FUZZY

Nesta seo sero apresentadas as idias bsicas sobre conjuntos e lgica fuzzy visando a modelagem e o desenvolvimento de sistemas de controle. Apesar de existir uma complexa base formal sustentando seu uso na modelagem e controle de sistemas, ser evidenciado aqui somente o necessrio para o entendimento da teoria bsica de controle fuzzy (Pedrycz, 1989; Yager et.al., 1987; Lee, 1990; Albertos, 1992). Na teoria de conjuntos clssica, um elemento ou pertence a um conjunto ou no. Dado um universo U e um elemento particular x U, o grau de pertinncia A(x) com respeito a um conjunto A U dado por:

O conjunto suporte de um conjunto fuzzy A o sub-conjunto dos pontos u de U tal que A(u) > 0. Um conjunto fuzzy cujo conjunto suporte um nico ponto de U com A = 1 chamado de um conjunto unitrio fuzzy. Sejam A e B dois conjuntos fuzzy em U com funes de pertinncia A e B, respectivamente. As operaes de conjuntos tais como a unio (AB), interseco (AB) e complemento (A) para conjuntos fuzzy so definidas do seguinte modo: AB(u) = A(u) AB(u) = A(u) B(u) B(u)

1 se x A A ( x) = 0 se x A
A funo A(x) : U {0,1} chamada de funo caracterstica na teoria clssica de conjuntos. Frequentemente, uma generalizao desta idia utilizada, por exemplo, para manipulao de dados com erros limitados. Todos os nmeros dentro de um erro percentual tero um fator de pertinncia 1, tendo todos os demais um fator de pertinncia 0. (veja figura 1a). Para o caso preciso, o fator de pertinncia 1 somente no nmero exato, sendo 0 para todos os demais (veja figura 1b).

A(u) = 1 - A(u) onde uma norma triangular (norma-t) e uma co-norma triangular (norma-s). Uma norma triangular uma funo : [0,1] [0,1] [0,1] tal que, x, y, z, w [0,1]: (i) (ii) (iii) (iv) x x (x x w y z, se x y, w z y = y x y) z = x (y z) 0 = 0; x 1 = x

98

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

Uma co-norma triangular tal que :[0,1] [0,1] [0,1], satisfazendo as propriedades (i) a (iii) acima e ainda
1

temp

BAIXA

MDIA

ALTA

(iv)

x 0 = x; x 1 = 1

Exemplos de normas-t incluem o mnimo () e o produto algbrico (.). Como exemplo de normas-s podem ser citadados o mximo () e a soma limitada () (Pedrycz, 1989). Se A1,A2, ..., An so conjuntos fuzzy em U1, U2, ..., Un respectivamente, uma relao fuzzy n-ria um conjunto fuzzy em U1 U2 ... Un, expresso da seguinte maneira: R = { [ (u1, ...,un), R(u1, ...,un) ] | (u1, ...,un) U1 U2 ... Un } Se R e P so relaes fuzzy em U V e V W respectivamente, a composio de R e P uma relao denotada por R P definida a seguir: R P = { [ (u,w), supv( R(u,v) P(v,w) ) ]; u U, v V, w W } Para expressar conceitos muito comum o uso de elementos qualitativos ao invs de valores quantitativos. Elementos tpicos incluem "mais ou menos", "alto", "no muitos", "mdio", etc. Estas idias so capturadas pela definio de varivel lingustica. Uma varivel lingustica tem por caracterstica assumir valores dentro de um conjunto de termos lingusticos, ou seja, palavras ou frases. Assim, ao invs de assumir instncias numricas, uma varivel lingustica assume instncias lingusticas. Por exemplo, uma varivel lingustica Temperatura poder assumir como valor um dos membros do conjunto {baixa, mdia, alta}. Para se atribuir um significado aos termos lingusticos, associa-se cada um destes a um conjunto fuzzy definido sobre um universo de discurso comum. (veja figura 2). A forma mais comum de expressar o conhecimento por meio de regras do tipo condio-ao. Nestas, um conjunto de condies descrevendo uma parcela observvel das sadas do processo associado com uma ao de controle que ir manter ou levar o processo s condies de operao desejadas. Tipicamente, uma condio uma proposio lingustica (envolvendo variveis lingusticas) sobre o valor de alguma das variveis de entrada, como por exemplo o erro grande e positivo. De modo anlogo, uma tpica ao de controle uma descrio lingustica, como por exemplo aumente um pouco a vazo. A idia geral aqui se representar o conhecimento por meio de um conjunto de regras nas quais as condies so dadas a partir de um conjunto de termos lingusticos associados s variveis de sada/entrada do processo (que so entradas do controlador/modelo). As aes (de controle) ou as sadas (modelo) so expressadas de modo similar para cada varivel de controle (sada). Regras do tipo se-ento so frequentemente chamadas de declaraes condicionais fuzzy ou simplesmente regras fuzzy. Dependendo do propsito ser controle ou modelagem, podem ser chamadas ainda de regras de controle fuzzy ou regras de modelagem fuzzy. Uma regra fuzzy como a seguinte: Se (x Ai e y Bi ) ento (z Ci )

0 25 50 75 temperatura ( C )

Figura 2 : Varivel Lingustica Temperatura interpretada como uma relao fuzzy Ri, definida da seguinte forma:
R i = (A i
and Bi C i ) ( u , v, w ) = [ A i

( u) and Bi ( v )] C i ( w )

onde (Ai and Bi ) um conjunto fuzzy Ai Bi em U V; Ri = (Ai and Bi ) Ci uma relao fuzzy em U V W e denota o operador fuzzy de implicao. Considerando regras do tipo AB, exemplos do operador fuzzy de implicao incluem (Lee, 1990): Rc(u,v) = A(u) B(v) Rp(u,v) = A(u) . B(v) Em um sistema fuzzy (representando um modelo ou um controlador, por exemplo), cada regra fuzzy representada por uma relao fuzzy. O comportamento do sistema caracterizado pelo conjunto das relaes fuzzy associadas s regras. O sistema como um todo ser ento representado por uma nica relao fuzzy que uma combinao de todas as relaes fuzzy provenientes das diversas regras. Esta combinao envolve um operador de agregao de regras: R = agreg (R1, R2, ...,Ri, ...,Rn ) Usualmente, o operador de agregao interpretado como um operador de unio (utilizando a operao max ), embora exista uma ampla classe de operadores de agregao. Em lgica fuzzy uma importante regra de inferncia decorrente do modus ponens generalizado: Fato: Regra: Consequncia: x A' se (x A) ento (y B) __________________ y B'

Usualmente esta regra de inferncia interpretada pela lei de inferncia composicional, sugerida por Zadeh (Zadeh, 1973). Nesta abordagem, uma regra fuzzy se x A ento y B, escrita resumidamente como AB, primeiramente transformada em uma relao fuzzy RAB. Por exemplo:

R AB ( u, v) = min( A ( u), B ( v)); u U , v V

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

99

onde min o operador de implicao. Dado um fato x A' (ou simplesmente A' ) e uma regra AB, a lei de inferncia composicional de Zadeh diz que: B' = A' RAB

onde

representa o operador agregao (unio, por

exemplo) A figura 4 ilustra o processo de inferncia max-min quando existem 2 regras, AiBi e Aj Bj. A' o fato de entrada, representado como um conjunto fuzzy.

B ( v) = max{min( A ( u), R AB ( u, v) )}
u

Esta a regra (lei) de inferncia max-min, cuja interpretao grfica mostrada pela figura 3 abaixo, onde a interseco interpretada pela t-norma min e a projeo em V pelo operador max. Note que, em sntese, esta regra constituida de duas etapas : interseo da extenso cilndricasde A, A com RA B , e a projeo desta interseco em V.

3 - MODELAGEM FUZZY DE SISTEMAS E PROCESSOS

Para modelar um sistema necessrio descrever o comportamento do mesmo para, por exemplo, sua anlise, simulao e/ou projeto de controladores. Para os propsitos deste artigo, consideraremos trs categorias de representao de sistemas : equaes matemticas, regras fuzzy (lingusticas) e redes neurais artificiais (Yamakawa, 1993). Equaes relacionais ou diferenciais descrevem a dinmica ou a cintica de sistemas (ou o conhecimento sobre o sistema) em uma forma muito conveniente. Se a relao entre a entrada x e a sada f(x) do sistema ou a relao entre a causa x e a resposta f(x) obtida como mostrado na figura 5, ento f(x) descrito por:

A R A B

R AB
B

f ( x) = ( x 3)
U
f(x) 30.0

Figura 3 - Regra de Inferncia Composicional Em geral, a regra da composio expressa por:

B ( v) = sup{ A ( u) 7 R A B ( u, v)}
u

Quando mais de uma regra acionada, as contribuies das diversas regras aps a inferncia so combinadas pelo operador de agregao. Por exemplo, supondo-se que B'1,...,B'n so os resultados derivados das diversas regras acionadas, todos relacionados com a mesma varivel lingustica, o resultado combinado B' :

15.0

B= U Bi i

0.0 -2.00 0.00 2.00 4.00 6.00 8.00 x

Ai

Bi B i U V Bj B j U V V B

Figura 5 - Exemplo de Funo f(x) descrita por Equao Matemtica A descrio de um sistema com este tipo de equao de grande importncia. , no entanto, muito difcil de identificar a equao que descreve o sistema exatamente, especialmente em casos de sistemas complexos e com mltiplas variveis. Em adio, tambm muito difcil reescrever esta equao quando a relao entre x e f(x) varia. Portanto, esta descrio no apropriada para a maioria de sistemas complexos tais como, sistemas no lineares e sistemas variantes no tempo. A

Aj

Figura 4: Mecanismo de Inferncia Fuzzy

100

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

medida que a complexidade do sistema aumenta, a possibilidade de descrever um sistema com equaes matemticas diminui (Princpio da Incompatibilidade de Zadeh). Uma outra abordagem consiste em descrever a relao entre x e f(x) atravs de regras do tipo: Regra i : Se x Ai Ento f(x) Bi , i = 1,..., N

onde x representa a varivel independente e f(x) a varivel dependente, sendo Ai e Bi constantes lingusticas e N o nmero de dados experimentais que descreve a funo. Quando Ai e Bi so constantes lingusticas com valores numricos exatos (como nos sistemas clssicos da inteligncia artificial), teramos o seguinte, com relao ao exemplo anterior (Figura 6).
f(x) 30.0

15.0

descries na forma de regras so apropriadas para sistemas com aprendizagem, sistemas auto-organizveis e sistemas adaptativos. Por outro lado, existem tambm algumas desvantagens. Quando dado que x=1 a concluso obtida f(x) = 4 a partir do casamento entre o dado x=1 com o antecedente x=1 da regra 4. Este , essencialmente, o procedimento bsico de inferncia em sistemas baseados em regras da inteligncia artificial clssica. Contudo, se dado que x = 1.5 nada pode ser inferido a partir do conjunto de regras mencionado pois no existe nenhuma delas que possui um antecedente com x=1.5, exatamente. Isto mostra que os sistemas clssicos binrios so pouco eficientes com relao a conhecimento impreciso, com rudo ou com variao em dados de entrada, e que necessrio uma enorme quantidade de regras (base de conhecimento) para se obter um resultado ou desempenho significativo. Consequentemente, este tipo clssico de inferncia demanda tempo devido a necessidade de se verificar o casamento entre um dado e uma base de regras (em geral muito grande). Em adio, este mecanismo de inferncia no apropriado para manusear possveis regras contraditrias existentes pois, caso contrrio, poderia produzir concluses tambm contraditrias a partir de um mesmo dado. Estas desvantagens esto tambm presentes nos sistemas clssicos de inteligncia artificial, baseados somente no processamento simblico, mas no no processamento do significado dos termos lingusticos. Alternativamente, poderamos utilizar regras do mesmo tipo anterior, mas interpretando-as como regras fuzzy. Neste caso Ai e Bi seriam termos lingusticos associados varivel x, cada um destes termos associado a um conjunto fuzzy a fim de se estabelecer seu significado. Assim, poderamos descrever a relao entre x e f(x) por : Regra 1 : Se x est no entorno de -2 Ento f(x) est no entorno de 25 Regra 2 : Se x est no entorno de -1 Ento f(x) est no entorno de 16 ... Regra 11: Se x est no entorno de 8 Ento f(x) est no entorno de 25 Neste caso, a relao precisa entre x e f(x) da figura 6 fuzzyficada, tornando-a contnua como mostrado pela figura 7. Esta relao fuzzy fornece valores razoveis para qualquer dado no universo de interesse, e.g. : x=-1.5; x=3.2; x=4.3, etc... atravs do mecanismo (regra) de inferncia fuzzy e defuzzyficao. Em outras palavras, inferncia fuzzy e defuzzyficao proporcionam uma forma razovel e simples de interpolao, com muito menos dados e dados inexatos. Sob este ponto de vista, a inferncia fuzzy exibe um comportamento similar quele descrito por funes matemticas. Ainda mais, muito mais fcil re-elaborar regras fuzzy do que equaes matemticas quando as caractersticas do sistema ou processo so variantes. Em geral, neste caso, somente umas poucas regras so adicionadas ou revisadas independentemente das outras regras. Em contraste, no caso de equaes matemticas vrios parmetros dever ser re-avaliados simultaneamente, e.g. ordem, coeficientes, etc ... Logo, as caractersticas principais da modelagem fuzzy de sistemas e processos podem ser resumidas em: 1 - apropriada para descrever sistemas complicados com uma razovel quantidade de conhecimento;
SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994 101

0.0 -2.00 0.00 2.00 4.00 6.00 8.00 x

Figura 6 - Exemplo de Funo f(x) descrita por Regras Lingusticas com Valores Exatos.

Regra 1 Regra 2 Regra 3 Regra 4 Regra 5 Regra 6 Regra 7 Regra 8 Regra 9 Regra 10 Regra 11

Se x -2 Se x -1 Se x 0 Se x 1 Se x 2 Se x 3 Se x 4 Se x 5 Se x 6 Se x 7 Se x 8

Ento Ento Ento Ento Ento Ento Ento Ento Ento Ento Ento

f(x) 25 f(x) 16 f(x) 9 f(x) 4 f(x) 1 f(x) 0 f(x) 1 f(x) 4 f(x) 9 f(x) 16 f(x) 25

A vantagem desta descrio a facilidade em mudar a descrio do sistema. Por exemplo, quando somente uma variao local verificada (indicada por quadrados na figura 6) necessrio somente modificar os valores correspondentes dos consequentes das regras (e.g. : Regra 7 : 1 para 2; Regra 8 : 4 para 6; Regra 9 : 9 para 13; Regra 10 : 16 para 18) pois as regras so independentes umas das outras. Isto mostra que a

f(x) 30.0

interconectados, cada elemento realizando uma operao de agregao a partir de um modelo de um neurnio fsico. Quando wij (i = 1, ..., n) o peso atribudo ao sinal de entrada pi para o j-simo neurnio e j e qj so um limiar e o sinal de sada do j-simo neurnio, respectivamente, o sinal de sada tipicamente dado por :

q j = h w ij . p i j i
onde h em geral uma funo de agregao sigmoidal, e.g. :
15.0

h( x ) = [1 + exp( x )]

0.0 -2.00 0.00 2.00 4.00 6.00 8.00 x

Figura 7 - Exemplo de Funo f(x) descrita por Regras Lingusticas Fuzzy

2 - fcil selecionar as variveis lingusticas e os correspondentes valores a serem usados nas regras fuzzy entre uma categoria relativamente pequena de palavras; 3 - A memorizao do conhecimento mais simples; 4 - Permite uma maior facilidade na comunicao dos modelos com projetistas e analistas devido ao uso da linguagem natural. Note que, enquanto a inferncia baseada na regra de inferncia modus ponens nos sistemas clssicos de inteligncia artificial baseada somente em processamento simblico, a inferncia fuzzy (raciocnio aproximado) baseada tanto no processamento simblico quanto no processamento do significado. Regras lingusticas (fuzzy ou no) podem representar um conhecimento explicitamente e este ser usado tambm explicitamente para inferncia. Redes neurais artificiais, ao contrrio, representam tanto o conhecimento quanto a inferncia implicitamente. Portanto regras lingusticas representam conhecimento estruturado enquanto que as redes neurais representam, em geral, conhecimento no estruturado. Existem, no entanto, classes de redes neurais fuzzy que permitem a deteo do conhecimento e ento sua estrutura (Figueiredo et.al., 1993). Finalmente, outra alternativa para modelagem (e tambm controle) de sistemas complexos consiste em descrev-lo por um conjunto de parmetros, cujo exemplo tpico so as redes neurais artificiais clssicas (Hecht-Nielsen, 1990). Uma rede neural composta por um nmero de elementos simples

Figura 8 - Rede Neural para a Descrio da Funo f(x) Utilizando-se deste modelo de neurnio, a relao existente entre x e f(x) pode ser caracterizada pela rede neural como mostrado na figura 8,onde tanto os pesos wij quanto os limiares j foram obtidos aps inmeras iteraes de aprendizado utilizando-se dos algoritmos clssicos de propagao retroativa (backpropagation). Os dados utilizados foram aqueles correspondentes s 11 regras com termos lingusticos constantes apresentados anteriormente. Como pode ser verificado pela figura 9 a rede neural capaz de realizar interpolaes de forma similar ao caso da inferncia fuzzy. Contudo em geral muito difcil de entender, apenas pela observao do conjunto de parmetros, como a rede neural se comporta. Em adio, existem problemas na determinao da topologia mais apropriada para o problema em questo (nmero de neurnios, camadas intermedirias, recursividade ou no-recursividade, etc...); bem como problemas de convergncia durante o processo de aprendizagem. Se o sistema est sujeito a variaes em seu comportamento, nova aprendizagem deve, em geral, ser executada para se obter um novo conjunto de pesos e limiares correspondentes e muitas vezes os resultados no so razoveis. Isto , existe uma maior dificuldade em projetar sistemas para fins de modelagem (e controle) com redes neurais do que com sistemas fuzzy. Esta uma das razes pela qual os sistemas fuzzy tem sido mais populares na soluo de problemas prticos do que as redes neurais. No entanto,

102

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

f(x) 30.0

15.0

variao de uma varivel observvel relacionada com a sada do processo) em funo das variveis lingusticas que provocam a modificao do comportamento. As funes de pertinncia so constitudas e o conjunto de regras processado, para os valores definidos das variveis envolvidas. O modelo testado para verificar sua fidelidade ao processo real ou no. Caso a resposta proporcionada pelo modelo no corresponda quela do processo real, modificaes no nmero de regras, nmero de antecedentes e consequentes, nas funes de pertinncia e parmetros do modelo devem ser efetuadas. Uma metodologia baseada em dados experimentais e no clculo de relaes fuzzy descrito em (Pedrycz, 1989). Tcnicas de aprendizagem baseadas em redes neuro-fuzzy e algoritmos genticos vem sendo tambm frequentemente utilizadas como instrumentos de projeto automtico de regras e funes de pertinncia (Takagi, 1993 ; Oliveira et.al. 1994).

4 - SISTEMAS DE CONTROLE FUZZY

A idia bsica em controle fuzzy modelar as aes a partir de conhecimento especialista, ao invs de, necessariamente, modelar o processo em si. Isso nos leva a uma abordagem diferente dos mtodos convencionais de controle de processos, onde os mesmos so desenvolvidos via modelagem matemtica dos processos de modo a derivar as aes de controle como funo do estado do processo. A motivao para esta nova abordagem veio de casos onde o conhecimento especialista de controle era disponvel, seja por meio de operadores ou de projetistas, e os modelos matemticos envolvidos eram muito custosos, ou muito complicados para serem desenvolvidos. A estrutura de um processo controlado por um controlador fuzzy mostrada na figura 10, enfatizando-se seus componentes bsicos: a interface de fuzzyficao, a base de conhecimento, a base de dados, o procedimento de inferncia e a interface de defuzzyficao.
Controlador Fuzzy Base de Dados Base de Conhecimento

0.0 -2.00 0.00 2.00 4.00 6.00 8.00 x

Figura 9 - Exemplo da Funo f(x) descrita por uma Rede Neural

pesquisa recente vem gerando classes de sistemas neuro-fuzzy, onde as limitaes e vantagens de ambas as abordagens so tratadas de forma a criar sistemas mais eficientes tanto do ponto de vista da soluo de problemas, quanto da questo de anlise e projeto dos mesmos (Pedrycz, 1992; Gomide & Rocha, 1992-b; Gomide & Rocha, 1992-c; Figueiredo et.al. 1993). Devido a limitaes de espao, este assunto (esperamos) dever ser objeto de um artigo no futuro. Como vimos, a representao de conhecimento por meio de regras fuzzy pode ser utilizada, tambm, para se modelar um processo do ponto de vista de seu conhecimento qualitativo e quantitativo. Para concluir esta seo, apresenta-se um procedimento para a modelagem de processos. A princpio, necessrio algum conhecimento a priori do comportamento do processo. Caso este conhecimento no esteja disponvel, alguns experimentos podero fornecer um mnimo de conhecimento de modo a dar prosseguimento ao procedimento de modelagem. Inicialmente necessrio definir quais so as variveis fsicas a serem consideradas. A partir da, necessrio decidir: O nmero de variveis lingusticas (V.L.) Os termos lingusticos utilizados para as V.L. Os parmetros associados s regras

Interface de Fuzzyficao

Procedimento de Inferncia

Interface de Defuzzyficao

Sensores

Processo

Atuadores

Figura 10 : Estrutura Bsica de um Controlador Fuzzy A interface de fuzzyficao toma os valores das variveis de entrada, faz um escalonamento para condicionar os valores a universos de discurso normalizados e fuzzyfica os valores, transformando nmeros em conjuntos fuzzy, de modo que possam se tornar instncias de variveis lingusticas. A base de conhecimento consiste de uma base de regras, caracterizando a estratgia de controle e suas metas. A base de

A seguir necessrio escrever um conjunto de regras que descrevam o comportamento do processo (por exemplo, a

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

103

dados armazena as definies necessrias sobre discretizaes e normalizaes dos universos de discurso, as parties fuzzy dos espaos de entrada e sada e as definies das funes de pertinncia. O procedimento de inferncia processa os dados fuzzy de entrada, junto com as regras, de modo a inferir as aes de controle fuzzy, aplicando o operador de implicao fuzzy e as regras de inferncia da lgica fuzzy. A interface de defuzzyficao transforma as aes de controle fuzzy inferidas em aes de controle no-fuzzy. Em seguida, efetua um escalamento, de modo a compatibilizar os valores normalizados vindos do passo anterior com os valores dos universos de discurso reais das variveis. Aps a inferncia da ao de controle fuzzy, necessria a determinao de uma ao de controle no fuzzy que melhor represente a deciso fuzzy, para ser efetivamente enviada ao controle. Apesar de no haver nenhum procedimento sistemtico para a escolha da estratgia de defuzzyficao, as mais comuns incluem: o critrio do mximo (MAX), que escolhe o ponto onde a funo inferida tem seu mximo, a mdia dos mximos (MDM), que representa o valor mdio dentre todos pontos de mximo quando existe mais de um mximo, e o mtodo do centro de rea (CDA), que retorna o centro de rea da funo inferida (figura 11).
1

parmetros fixos so chamados de parmetros estruturais e os variveis so chamados de parmetros de sintonizao: Parmetros estruturais -Nmero de variveis de sada -Nmero de variveis de entrada -Recursos de operao sobre os dados de entrada (somas, multiplicaes, etc) -Variveis lingusticas -Funes de pertinncia parametrizadas -Intervalos de discretizao e normalizao -Estrutura da base de regras -Conjunto bsico de regras Parmetros de Sintonizao -Universo de discurso das variveis -Parmetros das funes de pertinncia, tais como altura, largura ou conjunto suporte -ganhos e offset das entradas e sadas

0 V MAX CDA MDM

Figura 11 - Mtodos de Defuzzyficao

CDA =

k =1 n

B( vk ). vk
k =1

B ( v k )

MOM =

v k l k =1

onde
v k V V , V = v k | B ( v k ) = max B ( v j ) , v j V , j

l o nmero de elementos de V (discretizao de V ) e n a discretizao de V

5PARMETROS, SINTONIZAO E MONITORAO DE CONTROLADORES FUZZY

Durante o projeto de controladores fuzzy, necessria a definio de alguns parmetros. Estes parmetros so definidos a partir da experincia do projetista ou atravs de experimentos. Dado um processo, alguns dos parmetros so fixos, dentro das condies normais de operao, sendo que outros precisam ser alterados de tempos em tempos. Os

Certas propriedades da base de regras precisam ser testadas, dentre elas: a completude, consistncia, interao e robustez. Esta ltima est relacionada com a sensitividade do controle diante de algum comportamento anmalo no modelado ou rudo. Um mtodo possvel para se medir a robustez consiste em introduzir um rudo aleatrio com mdia e varincia conhecidas e observar-se a alterao dos valores das variveis de sada. Alm destas, diversas outras decises precisam ser tomadas, como por exemplo a especificao dos operadores para implementar o casamento (matching), dos conectivos e (and) e implicao, do operador para implementar a agregao das diversas regras e o mtodo de defuzzyficao. Em seguida, passa-se etapa de sintonizao do controlador. A sintonizao uma das etapas mais custosas do projeto de um controlador fuzzy. A grande flexibilidade que decorre da existncia de muitos parmetros exige um grande esforo do projetista de modo a obter o melhor desempenho do controlador. Alguns dos parmetros podem ser alterados por mecanismos automticos de adaptao e aprendizado. Entretanto, tais mecanismos no esto ainda bem estabelecidos na teoria de controle fuzzy, de modo que normalmente tarefa do projetista o treinamento e a sintonizao da maioria dos parmetros envolvidos. Esta sintonizao feita por meio de busca, o que caracteriza uma atividade tpica em IA. Um grande esforo tem sido devotado a esta questo na teoria clssica de controle. Recentemente, em (Ollero et.al. 1991), apresentou-se uma nova estratgia de projeto, envolvendo caractersticas de aprendizado. De acordo com o conhecimento que se tem sobre o processo a ser controlado, a tcnica de projeto do controlador ser mais ou menos elaborada. Tendose pouco conhecimento sobre o processo, deve-se adotar um projeto mais conservador, de modo a evitar um mau comportamento do controlador. necessrio que alguns cuidados sejam observados pelo projetista. Em primeiro lugar, deve-se verificar-se se realmente necessrio o uso de um controlador fuzzy para controlar o processo. Caso o processo possa ser controlado por um controlador convencional simples, sem grandes transtornos, este poder constituir uma boa soluo. Se este no o caso, e controladores convencionais no so apropriados devido a complexidades do processo, deve-se considerar o uso dos controladores fuzzy. Mesmo com pouco

104

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

conhecimento sobre o processo, pode-se considerar o uso de um controlador fuzzy para control-lo. A seguir, tem-se uma proposta de metodologia de projeto, baseada nas abordagens clssicas de sintonizao experimental: Inicie com um controlador simples, como por exemplo um que simule um controlador proporcional com: -ganho reduzido -as variveis mais relevantes -baixo nmero de variveis lingusticas -funes de pertinncia no discriminantes Aumente o ganho at que se verifiquem respostas indesejadas. Adicione conhecimento de acordo com a experincia que vai se adquirindo do processo -procure por novas variveis lingusticas ou variveis fsicas, para evitar dificuldades de controle -modifique as funes de pertinncia e os parmetros do controlador fuzzy -adicione novos componentes ou modifique a estrutura de controle Valide a coerncia do novo conhecimento incorporado modificando as condies de operao. Para obter um desenvolvimento satisfatrio do projeto, necessria uma interface homem-mquina poderosa, que permita uma rpida modificao nos parmetros utilizados, o que normalmente pode ser encontrado em pacotes integrados. Tais pacotes incluem editores para as regras, funes de pertinncia e outros parmetros, recursos grficos e um mdulo depurador, para permitir o acompanhamento do processo de inferncia e a monitorao das variveis do processo. Tais recursos possibilitam uma grande interao com o projetista Outro recurso extremamente valioso a existncia de um mdulo supervisor que possa processar alguns ndices de desempenho, alm dos convencionais. Por exemplo, se uma entrada do tipo degrau aplicada a alguma entrada, alguns ndices de desempenho tais como o overshoot, o tempo de resposta ou o erro em regime permanente podem ser calculados. Atravs da anlise sequenciada das amostras no tempo, pode-se detectar oscilaes, desvios lentos ou algum tipo de comportamento inadequado mais raro, resposta dbia, etc. Os mdulos supervisores podem tambm se encarregar de tomar algumas aes, tais como: Mudanas em parmetros : Neste caso, uma mudana lenta e progressiva recomendada Desconsiderao ou adio de regras : Caso sejam pouco utilizadas, algumas regras podero ser removidas. Algum tipo de indicador poder recomendar que uma nova regra seja adicionada. Por exemplo, para reduzir erros estticos, regras que utilizem termos concentrados em menores universos de discurso podem ser adicionadas, aumentando o ganho esttico. Neste caso, o teste das aes ir

comfirmar a modificao ou recomendar o retorno ao conjunto de regras anterior. Mudanas em variveis : Funes de pertinncia no discriminantes podero recomendar a desconsiderao de alguns antecedentes em regras pr-estabelecidas. Um comportamento insatisfatrio poder indicar a considerao de novas variveis. Como anteriormente, o procedimento de verificao e teste ir confirmar se as aes de controle so aceitveis, tendo em vista as especificaes a serem atingidas.

6 - HARDWARE E SOFTWARE
O primeiro chip a implementar a lgica fuzzy foi desenvolvido por Togai e Watanabe nos laboratrios da AT&T em 1985. Este chip implementava uma mquina de inferncia fuzzy capaz de processar 16 regras em paralelo. Alm de uma memria para armazenar o conjunto de regras, implementava uma unidade de processamento de inferncia, um controlador, e interfaces de entrada e sada. Em uma verso mais recente, a memria foi implementada por uma memria RAM esttica, de modo que fosse possvel efetuar mudanas dinmicas no conjunto de regras. A unidade de processamento de inferncia foi baseada na regra composicional de inferncia "max-min". Em testes de desempenho mostrou-se que o chip realizava 250.000 FLIPS (inferncias de lgica fuzzy por segundo) com um relgio de 16 MHz. Posteriormente um acelerador para operaes em lgica fuzzy foi desenvolvido baseado no chip anterior. Em maro de 1989, o Centro de Microeletrnica da Carolina do Norte completou com sucesso a fabricao de outra verso do chip, projetada por Watanabe, com 608.000 transistores, capaz de realizar 580.000 FLIPS. Um controlador fuzzy de alto desempenho foi proposto por Yamakawa (1986). Composto por uma plataforma de 15 regras de controle e uma interface de sada implementando um defuzzyficador pelo mtodo do centro de rea, ele manipula regras fuzzy utilizando os termos lingusticos NL (alto e negativo), NM (mdio e negativo), NS (baixo e negativo), ZR (zero), PS (baixo e positivo), PM (mdio e positivo) e PL (alto e positivo). Sua velocidade operacional de 10 MFLIPS (mega FLIPS). O sistema foi testado em uma aplicao cujo objetivo o de estabilizar um pndulo invertido montado sobre um veculo. Pndulos duplos com diferentes parmetros foram tambm controlados. O controlador foi integrado em um chip com 40 pinos. Yamakawa e Miki tambm implementaram 9 funes de uso geral em lgica fuzzy, utilizando-se o processo CMOS convencional, com um circuito em modo corrente. Posteriormente uma verso preliminar de um computador fuzzy foi proposta por Yamakawa, tendo sido implementada pela Omron. Este computador constitua-se de uma memria, um conjunto de mquinas de inferncia, um bloco de operadores de mximo, um defuzzyficador e uma unidade de controle. A memria fuzzy armazena a informao fuzzy, contida nas funes de pertinncia.. Inclui uma RAM binria, um registrador e um gerador de funes de pertinncia (GFP). Este, por sua vez, consiste de uma PROM, um array de transistores e um decodificador. Cada termo lingustico representado por um cdigo binrio, armazenado na RAM

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

105

binria. As funes de pertinncia correspondentes so geradas pelo GFP de acordo com estes cdigos binrios. A mquina de inferncia aplica operaes de mximos e mnimos, implementados por portas fuzzy em configurao emissor-acoplado, com circuitos em modo- tenso. As entradas so representadas por tenses analgicas nos barramentos, alimentando cada mquina de inferncia em paralelo. Os resultados inferidos pelas regras so agregados pelo bloco de mximos. A sada feita por meio de tenses analgicas. Implementando um controlador fuzzy, o computador fuzzy capaz de processar 10 MFLIPS. Este foi um grande passo no somente em termos de uma aplicao industrial, mas em termos de processamento de conhecimento, de um modo geral. Mais recentemente, a Neuralogix (1991) anunciou o microcontrolador fuzy NLX230, uma mquina de inferncia VLSI configurvel baseada no esquema de inferncia MAX-MIN. O chip possui 16 interfaces de fuzzyficao, uma rede neural para comparaes de mnimos, um comparador de mximos, memria de regras, registradores e circuitos de controle e sincronizao. Apropriadamente programado, pode executar 30 MFLIPS. Oki tambm desenvolveu um chip VLSI para inferncia em lgica fuzzy, em um PGA cermico de 132 pinos. Sua arquitetura baseada em estruturas do tipo "pipeline". Realiza 7.5 MFLIPS com no mximo 960 regras. Possui todos os circuitos necessrios para uma inferncia fuzzy: buffer de entrada, memria para regras e funes de pertinncia, interface de fuzzyficao, circuitos MAX-MIN, defuzzyficador e registradores de sada. A Omron desenvolveu um dos primeiros controladores fuzzy. Atualmente, anunciou uma nova gerao de processadores fuzzy digitais, a famlia FP3000. Dotada de uma mquina de inferncia de alta velocidade, processa em 650 s, com relgio de 24 MHz, um total de 20 regras com 5 antecedentes e 2 consequentes cada, fornecendo alm disso diversos outros recursos e interfaces. Do ponto de vista de suporte de software, um grande nmero de ambientes de desenvolvimento encontra-se hoje disponvel no mercado. A maioria deles implementa recursos para edio de funes de pertinncia, com suporte grfico, linguagens dedicadas para descrio de regras, pr-compiladores para uma vasta gama de processadores e micro-controladores e gerao de cdigo automtica para linguagens de alto nvel, C por exemplo. Exemplos incluem o Togai Til Shell, da Togai Infralogic, o Cubicalc da Hyperlogic, o Manifold Editor da Fuzzy Systems Engineering, o ambiente integrado da fuzzyTECH, as ferramentas de desevolvimento FIDE da Aptronix, e a da Omrom, alm do sistema de controle fuzzy da Meiden e o SDAF da HI Tecnologia. Muitos destes possibilitam a escolha de diferentes procedimentos de inferncia, bem como diferentes mtodos de defuzzyficao e capacidade de aprendizado.

O SDAF (Sistema de Desenvolvimento de Aplicaes Fuzzy) foi concebido como um sistema de suporte ao desenvolvimento de aplicaes que utilizem a lgica fuzzy como mtodo de construo de controladores. Uma linguagem foi implementada para que a construo de controladores seja realizada a partir de uma especificao na forma mais prxima possvel da linguagem natural, viabilizando que um especialista descreva seu conhecimento de uma maneira bem amigvel. Esta linguagem incorpora as inovaes possibilitadas pelo uso da lgica fuzzy como instrumento, que o uso de termos vagos e imprecisos representando conceitos. A representao e manipulao de termos deste tipo o que diferencia basicamente o SDAF de outros shells para sistemas especialistas.
SDAF PC Ambiente de Desenvolvimento MCI Controlador Fuzzy

Usurio

Processo

Figura 12- Componentes do SDAF A configurao do SDAF a de uma plataforma de desenvolvimento. Estando a base de conhecimento devidamente concluda, a mesma pode ser armazenada em uma EPROM, e um conjunto interpretador/base de conhecimento ser implementado em um hardware mais apropriado para a aplicao alvo. O SDAF constitudo basicamente por dois mdulos de hardware interconectados, operando em equipamentos distintos, e ligados ao processo a ser controlado (aplicao). So os seguintes (figura 12): Ambiente de Desenvolvimento - PC Controlador Fuzzy - Microcontrolador Industrial

7.1 - Mdulo do Desenvolvimento:

Ambiente

de

7 - EXEMPLO DE UMA FERRAMENTA DE DESENVOLVIMENTO

Nesta seo, ser apresentado o exemplo de uma ferramenta de desenvolvimento, utilizada para o projeto, implementao e teste de controladores fuzzy. Esta ferramenta foi apresentada em (Gudwin et.al. 1991), descrevendo seus mdulos bsicos, sendo colocada aqui a ttulo de ilustrao.

Este mdulo foi projetado para operar em microcomputadores do tipo IBM/PC-XT/AT/386/486, sob sistemas operacionais compatveis com o MS-DOS. Possui uma interface homemmquina amigvel, dotada de recursos grficos, menus, janelas de entrada de dados, help sensvel a contexto, operao com ou sem mouse, etc. O objetivo deste mdulo permitir a integrao entre o projetista e o hardware do controlador fuzzy, oferecendo uma interface homem-mquina altamente amigvel. Prov, dentre outros, os seguintes recursos: Linguagem de Representao de Conhecimento utilizando regras fuzzy; Editor de funes de pertinncia;

106

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

 Gerador de Cdigo para o Controlador Fuzzy; Mecanismos para programao dos canais de comunicao com o processo; Operao remota do controlador Fuzzy; Depurador simblico On line;

sobre o universo de discurso da varivel lingustica envolvida (figura 13).

7.2 - Mdulo do Controlador Fuzzy:

Este mdulo foi implementado sob uma plataforma de hardware baseada no micro-controlador industrial MCI da HI Tecnologia. A implementao deste mdulo em uma outra mquina decorre da necessidade de conexo fsica com o processo a ser controlado. O mdulo do controlador fuzzy deve suprir todos os recursos necessrios para a integrao com um processo real, tais como, entradas e sadas analgicas/digitais, interface com o operador e rede local de comunicao. Opcionalmente, este mdulo dispe de uma interface de operao local, permitindo ao usurio comandar a execuo do programa localmente. Existem comandos para ativar, suspender, executar passo a passo as regras, medir o tempo que o processador necessita para executar as instrues, etc.

Figura 13 - Editor de Funes de Pertinncia

7.5 - A Linguagem LEARN

O ponto chave para a compreenso do SDAF o mtodo de representao de conhecimento utilizado pelo sistema. Para tal, desenvolveu-se a linguagem LEARN - Linguagem de Especificao de Aplicaes mediante Regras Nebulosas, utilizada pelo sistema para a implementao das bases de regras fuzzy. Esta linguagem foi especialmente concebida para ser utilizada dentro do contexto deste sistema. A declarao das variveis lingusticas segue a seguinte sintaxe: VAR Nome_Var [ Universo_Discurso ] = {Conjunto_Termos_Lingusticos } ; A sintaxe das regras fuzzy na linguagem LEARN segue a seguinte forma: SE Condio_1 E Condio_2 ... ENTAO Ao; As condies so expresses simples do tipo: Var_i == Termo_Lingustico_j E as aes: Var_i = Termo_Lingustico_j onde Var_i corresponde a uma varivel lingustica e Termo_Lingustico_j deve ser um dos termos lingusticos definidos na partio de Var_i. Um exemplo simples de uma de base de regras constituida a partir da linguagem LEARN pode ser visto na listagem 1.

7.3 - Desenvolvimento de Projetos

O desenvolvimento de sistemas de controle baseados em lgica fuzzy no SDAF, um processo interativo, composto das seguintes etapas: Identificao das variveis de entrada/sada do processo; Definio das parties de cada varivel lingustica do sistema; Edio da Base de Regras Fuzzy; Compilao da Base de Regras; Edio das funes de pertinncia associadas a cada termo lingustico previamente definido; Transferncia da Base de Conhecimento do ambiente de desenvolvimento para o controlador fuzzy; Execuo/Depurao da Base de Conhecimento; Anlise de Desempenho do sistema; Alterao nas regras da base e/ou funes de pertinncia, para estruturao e sintonizao. Para facilitar a programao, o SDAF permite que as variveis lingusticas de entrada/sada do sistema, sejam convenientemente escaladas no range equivalente ao do sensor, na unidade de engenharia correspondente.

7.4 - O Editor de Funes

O SDAF dispe de um editor grfico que permite a edio/manipulao das funes de pertinncia. As funes mais usuais, tais como, funo sigmide, triangular e gaussiana, so geradas por meio de seus parmetros. Outras funes podem ser geradas atravs de tcnicas de interpolao, via grficos ou tabelas. Uma vez definida a base de regras fuzzy, o SDAF gera, durante a compilao, um arquivo referente base de funes, citando todos os termos lingusticos utilizados, que devem ser configurados pelo usurio. Assim, para cada termo lingustico, o usurio dever associar uma funo de pertinncia, definida

7.6 - Tipos de Variveis

As variveis do sistema foram inicialmente concebidas para suportar aplicaes de controle em tempo real, e por isso podem ser dos seguintes tipos: 1) Variveis Analgicas : So variveis numricas de uso geral, podendo ser de entrada, de sada ou internas. Esto

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

107

associadas implicitamente a variveis lingusticas, ou seja, as medidas numricas colhidas pelo conversor A/D so mapeadas no universo de termos lingusticos da varivel (variveis de entrada) ou ento tm seus valores inferidos em termos lingusticos mapeados em termos numricos que so enviados ao conversor D/A (variveis de sada). 2) Variveis Digitais : So variveis lgicas de uso geral. Tambm podem ser de entrada, de sada ou internas. Estas variveis so utilizadas para definir estados lgicos. Assumese para o nvel lgico 0 (low) o termo lingustico FALSO, e para o nvel lgico 1 (high) o termo lingustico VERDADEIRO. Nas regras, as variveis digitais so utilizadas de modo similar ao das variveis analgicas, com a devida restrio nos termos lingusticos utilizados. 3) Timers Analgicos : So variveis numricas internas do sistema que possuem a caracterstica adicional de serem atualizadas automaticamente pelo sistema, medida que o tempo passa. Funcionam em sincronismo com o relgio de tempo real do sistema. Com este tipo de varivel, possvel quantificar-se pores de tempo de definio vaga, como por exemplo "um pouco", "bastante", etc. Os timers analgicos so ento ao mesmo tempo variveis de entrada e de sada. Quando utilizados nos antecedentes das regras, avalia-se a temporizao atual do timer frente aos termos lingusticos definidos. Quando utilizadas no consequente das regras, reinicializa-se o perodo de temporizao (tambm em termos vagos). 4) Timers Digitais : So variveis lgicas associadas a temporizadores do sistema. Ao contrrio dos timers analgicos, onde deseja-se manipular um tempo definido de modo vago, os timers digitais fazem um controle bem definido do tempo transcorrido. Ao ser acionado um consequente que contenha um timer digital, a temporizao do mesmo reinicializada com o perdo definido na regra. A partir desta, qualquer avaliao nos antecedentes das regras surtir um valor lingustico "tempo no expirado", at que o perdo de temporizao se esgote, quando ento a avaliao do antecedente resultar "tempo expirado". Este tipo de variveis util quando se deseja o controle exato de algum tipo de temporizao, como em sequenciamento de eventos, etc.

VAR ANALOGICA Erro[0,100] = { Negativo, Zero, Positivo } ; ANALOGICA Valvula[0,200]={Diminui, Mantem, Aumenta } ; ENTRADA Erro; SAIDA Valvula; REGRAS GRUPO Principal { SE Erro==Negativo ENTAO Valvula=Aumenta; SE Erro == Zero ENTAO Valvula = Mantem; SE Erro == Positivo ENTAO Valvula = Diminui; } FimGrupo FimRegras Listagem 1 : Exemplo de Programa na Linguagem LEARN

7.7 - Desenvolvimento de Aplicaes - O Depurador

A construo de uma base de conhecimento normalmente um processo incremental, onde o conhecimento vai sendo levantado junto ao especialista, ou pelo projetista, em etapas. A cada etapa, um novo conjunto de regras acrescentado base, e o projetista do sistema, junto com o especialista, deve verificar a consistncia destas regras, validando o comportamento do sistema. Uma das tcnicas na elaborao de uma base de conhecimento, que facilita a prpria elicitao do mesmo e proporciona um incremento no desenpenho computacional do sistema, em ambientes de tempo real, a utilizao de bases de regras estruturadas, ou modularizadas. O SDAF permite a construo de bases de regras deste tipo por meio da definio de grupos. Cada grupo deve conter portanto, uma pequena parte do conhecimento, relativa a uma determinada especializao do

mesmo, utilizando um mecanismo conhecido como foco de ateno. Um dos grupos, normalmente o grupo principal, deve conter o meta-conhecimento, ou seja, o conhecimento do contedo dos diversos grupos, e de quando acess-los. O SDAF permite que este acesso seja feito de duas maneiras. A primeira delas, a execuo uma nica vez de um determinado grupo, processada pelo comando EXECUTA. Este tipo de acesso feito quando se deseja apenas uma aplicao de um procedimento, de modo semelhante a uma chamada de funo em programao convencional. O segundo modo de se acessar um grupo por meio do comando CHAVEIA, quando sob determinadas condies levantadas pelo grupo, determine-se que aquele grupo j no mais o adequado a ser processado, e com isso se deseja efetivamente chavear o processamento para outro grupo de regras, que est mais adequado situao corrente do sistema. Para o desenvolvimento de uma base de conhecimento, o procedimento mais usual a determinao de um grupo principal, onde sejam colocadas as diretrizes gerais de atuao, e a cada etapa, sejam acrescentados novos grupos de regras, que podem ento ser analisadas pelo projetista, que passa a validar o funcionamento do grupo, efetuando as correo que forem pertinentes. Durante este processo, necessrio que o projetista disponha de alguns recursos adicionais, as ferramentas de depurao, que o auxiliem na avaliao do comportamento do sistema. Este conjunto de recursos reunido no SDAF no mdulo depurador. O mdulo depurador do SDAF permite o controle da execuo das regras, permitindo o disparo e a parada da mquina de inferncia em qualquer ponto da mesma. Com isso, conseguese executar as regras passo a passo, sendo exibidas na tela, tanto as regras com o passo sendo executado, como o estado do sistema aps a execuo do mesmo. Este passo pode ser a nvel de ciclo, regra ou antecedente. A nvel de ciclo, a mquina executa um ciclo de inferncia e para, esperando um prximo comando do operador. A nvel de regra a mquina executa uma determinada regra ao comando do operador, parando em seguida, e a nvel de antecedentes, a mquina para aps executar cada antedente, exibindo o estado do sistema. Um outro comando auxiliar colocado de modo a reinicializar as variveis do sistema.

108

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

Outro recurso importante do depurador o processo pelo qual se pode analisar o contedo das diversas variveis utilizadas. Com este, permite-se verificar o estado de cada varivel. Caso sejam variveis digitais, mostra-se seu estado lgico (FALSO/VERDADEIRO). Caso sejam variveis analgicas de entrada, mostra-se o valor medido da varivel, e para cada predicado lingustico associado mesma, como o mesmo se relaciona diante do valor medido, dando uma idia da compatibilidade entre o valor medido e o conceito associado ao predicado lingustico. Para variveis analgicas de sada, mostra-se alm do conjunto completo de conjuntos fuzzy associados a ela, o estado do conjunto fuzzy inferido, que dar origem ao valor defuzzyficado, que ser enviado ao controle. Utilizando-se o depurador, o projetista consegue efetuar o desenvolvimento incremental do sistema, pois aps a elicitao do conhecimento sobre a forma de regras e funes de pertinncia, o mesmo pode ser validado executando-se o programa de regras passo a passo, o que permite a deteco de regras com comportamento inadequado, facilitando sua correo.

8 - EXEMPLOS DE APLICAO FUZZY 8.1 - Controle Urbanos de Poluio em Tneis

de CO2 aceitvel (set point , s), o desvio (d) do nvel medido de CO2 (y) com relao ao set point, e a variao do desvio ( ) em instantes sucessivos de tempo. O primeiro passo, como no caso de qualquer controlador, definir as variveis controladas e as variveis de controle. Estas variveis so as entradas e as sadas, respectivamente, do controlador. Para o sistema de exausto, as variveis de entrada so o desvio e a variao do desvio, sendo a variao na velocidade do exaustor a varivel de sada (u). A seguir, determina-se, para cada varivel, o universo de discurso (range) associado a cada varivel lingustica, a partio do conjunto de termos para as variveis lingusticas e os respectivos conjuntos fuzzy. No caso do exemplo, d, e u so as variveis lingusticas com valores no conjunto de termos {pequeno(a), mdio(a), grande}, {Negativo, Zero, Positivo}, onde os termos so, por sua vez, definidos pelos conjuntos fuzzy da figura 14. Observe que os universos de discurso correspondem ao intervalo [-5,5] para d, [-1,1] para e [-100,100] para u. O passo final consiste em definir as regras que descrevem as aes de controle em funo do erro e da variao do erro. Cada varivel lingustica deve ser considerada por pelo menos uma regra. A tabela 1 apresenta um conjunto possvel de regras: - VARIAO DO ERRO P M G P N N Z M N Z P G Z P P

Descreve-se aqui, sucintamente e com objetivos meramente didticos, o procedimento de desenvolvimento de um controlador fuzzy. O exemplo utilizado para ilustrar o procedimento um sistema de exausto de gs com velocidade varivel, utilizado para o controle do nvel de gs carbnico em tneis urbanos. O controlador possui como entradas o nvel

d - ERRO

Tabela 1- Exemplo de Regras de Controle

P Pequeno

1.0 0.67 0.33

M Mdio

G Grande

P Pequena

M Mdia

G Grande

-5

-1.0

-0.6

1.0

ERRO NA PORCENTAGEM DE CO 2 N Negativo Z Zero

VARIAO DO ERRO NA PERCENTAGEM DE CO 2 P Positivo

-100

100

INCREMENTO NA VELOCIDADE DE EXAUSTO

Figura 14 - Funes de Pertinncia para os Termos Lingusticos

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

109

Na execuo da estratgia de controle, representada pelo conjunto de regras da tabela 1, o primeiro passo a classificao (matching) das variveis de entrada com relao s respectivas variveis lingusticas. Por exemplo, o valor d = 1 grande com grau 0.33 e mdio com grau 0.67, enquanto que o valor = -0.6 pequena com grau 1 (ver figura 14), ou seja, G(d) = 0.33, M(d) = 0.67 e P() = 1. Feita esta classificao (correspondente ao mdulo de fuzzyficao), o procedimento de inferncia (lgica de deciso) avalia as regras da seguinte forma. Para d=1 e = -0.6, as regras que se aplicam so as seguintes (tabela 1) : R4 : Se (d Mdio) e ( Pequena) Ento (u Negativo)

Unio

Contribuio de R 4

Contribuio de R 7

u0
Figura 16 - Ao Final de Controle

R7: Se (d Grande) e ( Pequena) Ento (u Zero) Como as regras possuem dois antecedentes relacionados pelo conectivo E (interseco), definindo-se o operador interseco como sendo (min), obtm-se como resultado da combinao dos antecedentes: R4: min ( M(d=1), P(=-0.6) ) = (0.67) (1) = 0.67 R7 : min (G(d=1), P(=-0.6) ) = (0.33) (1) = 0.33 Para cada regra, o grau de ativao da ao de controle calculada de acordo com o resultado da combinao de antecedentes. Se a regra de inferncia MAX-MIN, o resultado da inferncia, para uma regra, obtido pelo mnimo entre o grau de combinao dos antecedentes e consequentes (ao de controle), conforme ilustrado graficamente pela figura 15.
1.0 0.67 R 4 d 1.0 R 7 0.33 d -0.6 0.33 u u 0.67

8.2 - Controle de Direo de Veculos AutoGuiados

Deseja-se, nesta aplicao, controlar o movimento de um veculo auto-guiado (AGV) para que o mesmo percorra uma trajetria em um ambiente, a partir do sensoreamento de sua localizao (figura 17).

x
1

x4

Figura 17 - Variveis de Entrada e Sada

MIN

Figura 15 - Inferncia : Composio MAX-MIN Terminada a inferncia, a ao final de controle calculada a partir da unio das contribuies proporcionadas por cada regra ativada. Se a unio definida como sendo o operador de agregao mximo (), o resultado ser o mostrado na figura 16. O ltimo passo consiste na determinao do sinal de controle (u0)a ser enviado ao processo (no caso, sinal proporcional ao incremento de velocidade do exaustor), obtida a partir da defuzzyficao. Por exemplo, na figura acima, u0 obtido pelo mtodo do centro de rea.

As variveis de entrada do controlador so as posies x1, x2, e x4 e o ngulo do veculo em relao direo das laterais. A sada do controlador o ngulo do eixo frontal do veculo em relao posio de repouso (alinhada com a direo do veculo). As regras de controle so da forma: Ri : Se (x1 A1i ) e ... e (x4 A4i ) Ento i = p0i + p1i x1 + p2i x2 + p3i x3 + p4i x4 i = 1, ... , m A ao de controle determinada por:

110

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

i=1 m

w i i
i =1

wi

sendo que os tanques so abastecidos por meio de vlvulas individuais de entrada de fluido. Cada tanque tem em seu fundo, uma vlvula de drenagem de abertura fixa, por onde escoa o fluido. A tarefa do controlador fuzzy manter os nveis em ambos os tanques de acordo com os set-points definidos.

onde wi o resultado da combinao dos antecedentes da isima regra, dados os valores das variveis de entrada. As funes de pertinncia dos conjuntos fuzzy correspondentes s parties das variveis lingusticas so mostradas na figura 18 para as variveis x1 e x3 .
x
1

Pequena

Mdia

Grande

30 x3 Esquerda

60

90

120

150

(cm)

Frente

Direita

Figura 20 - Sistema de 2 Tanques Acoplados Neste exemplo, ambos os tanques possuem uma seo horizontal com rea de 1 105 cm2, alturas de 300 cm e suas vlvulas fixas de sada possuem uma resistncia vazo de 2.5 10-2 cm / cm3 / s. As vazes mnimas de entrada so iguais a 0 l/s e as mximas de 40 l/s. Para implementar o controlador fuzzy, utilizou-se como variveis lingusticas de entrada o erro e a variao do erro entre os nves dos tanques e seus set-points. Como variveis lingusticas de sada, adotou-se os incrementos nas vazes de entrada do processo. Na figura 21 tem-se um esquema das funes de pertinncia utilizadas.

-60

-40

-20

20

40

60

(graus)

Figura 18 - Funes de Pertinncia para variveis x1 e x3 A figura 19 mostra o resultado proporcionado pelo controlador para o veculo colocado em um ambiente complexo.

NG

NM

NP

ZR

PP

PM

PG

Figura 19 - Trajetria do Veculo

0 U

8.3 - Controle de Nvel Para 2 Tanques Acoplados

Nesta aplicao, considera-se um sistema em que 2 tanques esto acoplados por meio de uma interligao (vide figura 20),

Figura 21 - Funes de Pertinncia As regras utilizadas pelo controlador foram as seguintes:

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

111

erro\derro NG NM NP ZR PP PM PG

NG

NM

NP PG

ZR PG

PP

PM

PG

busca, otimizao e aprendizagem de mquina, dentre outros. O ciclo bsico do algoritmo gentico mostrado na figura 23.
POPULAO NOVA POPULAO

PM PM PG PM PP PP ZR NP NM NP NM NG

ANTERIOR

SELEO
NM

MUTAO

CROSSOVER
NG NG

Figura 23 - Ciclo Bsico de Algoritmo Gentico Os resultados obtidos, so mostrados na figura 22 a seguir, para os dois tanques: Um algoritmo gentico considerado neste exemplo como um mtodo de aprendizagem de aes de controle de forma autnoma. Considera-se um controlador neural fuzzy para um rob mvel. A rede aprende a dirigir o rob mvel at que o mesmo atinja alvos predefinidos, sem colidir com obstculos do ambiente. O conhecimento adquirido pela rede pode tambm ser facilmente extrado em forma de regras fuzzy. Como o algoritmo gentico tambm determina o nmero de regras, as funes de pertinncia dos antecedentes e os consequentes, este modelo constitui-se em um mtodo conveniente para projetar sistemas nebulosos de forma automtica (Oliveira et.al., 1994). A rede neural fuzzy utilizada (figura 24) baseada em um conjunto de proposies (fatos) e regras fuzzy do tipo (Figueiredo et.al. 1993):
Fato: Regra 1: X1 A1 e e XM A M 1 1 Se X1 A1 e e X M A1 M Ento y g
N Se X1 A1 N AN M Ento y g y g M

Nvel do Tanque 1

Regra M: Concluso (a o):

Nvel do Tanque 2

   eeX

onde Xj uma varivel fuzzy, Aj e A j so os conjuntos nebulosos associados, y uma varivel com valores gj (figura 24).
1 max a1 11 min x11 x1 a 1p max 1
1

1 g1 1

. . .

x 1p
1

aN 1p a 11 a M1
N

. . . 1 N
N

y div

M1

a Mh

max

1 1

Figura 22 - Resultados para os Tanques

. . . xMh aN

a M1

min

Mh

max

8.4 - Controle Autnomo de um Rob Mvel

Algoritmos genticos (Goldberg, 1989) so mtodos adaptativos que podem ser usados para resolver problemas de
112 SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

Figura 24: Controlador Neural Fuzzy

O consequente y determinado em trs etapas: casamento (matching), agregao de antecedentes e agregao de regras. Estas etapas so executadas por neurnios especializados do tipo min-max pois incorporam funes mais complexas para modelagem de sinapses, de agregao de entradas e de decodificao (Gomide & Rocha, 1992-c). O algoritmo gentico (GA) usado do tipo elitista e manipula um cromossomo de formato misto inteiro/real. As caractersticas ajustadas pelo GA durante as geraes so os consequentes das regras e as funes de pertinncia, representadas por formato e posio. Os consequentes das regras so codificados em genes reais, enquanto a codificao das funes de pertinncia mais elaborada: um par numrico (centro, tipo), onde centro indica a posio do ponto central da funo e tipo indica o formato da funo, trapezoidal ou triangular (veja tabela 2). Para uma base de conhecimento com n regras, cada uma com k antecedentes e fi funes de pertinncia para cada antecedente i, o cromossomo descrevendo esta rede neurofuzzy ter n +

Evoluo da Funo Objetivo

80000

Valor da Funo Objetivo

CtM
70000 60000 50000 40000 30000 20000 10000 0 0 1 2 3 4 5 6 7 8 9 10 11

BEST AVG

Gerao

Figura 25 - Evoluo da Funo Objetivo

fi
i =1

genes reais e

fi genes inteiros.
i =1

Os genes relativos s funes de pertinncia so interpretadas de acordo com seu prprio formato e centro e os formatos e centros das funes imediatamente anterior e posterior. Veja a Tabela 2. O crossover sempre ocorre e seleciona apenas um ponto de permutao. A mutao possui probabilidade zero durante quase todas as geraes, ocorrendo apenas em situaes especiais de convergncia. Este tipo de mutao baseada na estratgia de exploses mutantes peridicas de Kauffman. A funo objetivo uma funo do nmero de alvos alcanados, distncia mdia percorrida e distncia ao alvo atual ao final da simulao. O GA descrito anteriormente utiliza durante as simulaes 4 seqncias distintas de 4 obstculos ((A,B,C,D), (B,C,D,A) etc.). A funo objetivo a mdia dos resultados obtidos em cada seqncia. Os resultados de simulao so mostrados nas figuras 25, 26 e 27. Observe que, mesmo com alvos colocados em lugares diferentes, o melhor indivduo (controlador) encontrado foi capaz de navegar pelo ambiente atingindo os alvos sem colidir.
Formato da Funo (i) (seu ponto central ci) Triangular (Trapezoidal) Formato da Funo (i+1) (seu ponto central ci+1) Triangular (Trapezoidal)

Figura 26 Simulao do Melhor Indivduo

Figura 27 - Simulao com Alvos Diferentes

Lado direito da Funo (i) e o lado esquerdo da Funo (i+1)

i+1

ci

( c i+1 -ci )/3

2*( c i+1 -ci )/3

c i+1

Triangular (Trapezoidal)

Trapezoidal (Triangular)

ci

2*(c i+1 -ci )/3

c i+1

(c

i+1

-c )/3
i

i+1

Tabela 2 : Formao das Funes de Pertinncia

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

113

9 - CONCLUSES E PERSPECTIVAS
A tecnologia decorrente da lgica fuzzy tem gerado aplicaes e produtos em diversas reas. Em controle de processos industriais, rea pioneira, as primeiras experincias datam de 1975 quando foi demonstrado no Queen College, Londres, que um controlador fuzzy muito simples controlou eficientemente uma mquina a vapor. Na mesma poca, a primeira aplicao industrial significativa foi desenvolvida pela indstria de cimento F.L.Smidth Corp. da Dinamarca. Presentemente, uma variedade de aplicaes comerciais e industriais esto disponveis, destacando-se neste cenrio o Japo e mais recentemente, os EUA e a Alemanha. Exemplos tpicos incluem produtos de consumo tais como geladeiras (Sharp), ar condicionado (Mistsubishi), cmeras de vdeo (Canon, Panasonic), mquinas de lavar roupa (Sanyo), fornos de microondas (Sanyo), aspiradores de p, etc. Na indstria automotiva destacam-se transmisses automticas (Nissam, Lexus), injeo eletrnica, suspenso ativa, freios antibloqueantes. Sistemas industriais incluem controle de grupo de elevadores (Hitachi, Toshiba), veculos auto-guiados e robs mveis (Nasa, IBM), controle de motores (Hitachi), ventilao de tneis urbanos (Toshiba), controle de trfego urbano, controle de parada e partida de trens de metr (Sendai, Tokio). Estas citaes so, evidentemente, ilustrativas pois correntemente mais de 1000 patentes envolvendo lgica fuzzy j foram anunciadas. No Brasil, apesar do uso e da aplicao extensiva ainda ser incipiente, vrias indstrias e empresas vm desenvolvendo produtos e servios (Villares, IBM, Klockner & Moeller, Robertshaw, Yokogawa, HI Tecnologia). Nos ltimos dois anos o potencial de manuseio de incertezas e de controle de sistemas complexos proporcionado pela lgica fuzzy vem sendo combinado com com redes neurais artificiais as quais, por sua vez, possuem caractersticas de aprendizagem e adaptao. Esta simbiose vem gerando novas classes de sistemas e de controladores neurofuzzy, combinando assim os potenciais e as caractersticas individuais em sistemas adaptativos e inteligentes (Gomide et.al. 1992-a). Estes sistemas devero proporcionar uma importante contribuio para os sistemas de automao e controle do futuro, principalmente em controle de processos. AGRADECIMENTO: Os autores agradecem ao CNPq pelo apoio financeiro, respectivamente, pelo contrato n. 300729/863 e por bolsa de doutorado. Os autores tambm agradecem ao projeto ECLA-005 por seu suporte. Doygle, J.C. e G. Skin (1981). Multivariable feedback design: concept for a classical/modern synthesis. IEEE Trans. on Automatic Control, vol. AC-26, pp. 4-16 Figueiredo, M. F. Gomide ; W. Pedrycz (1993) - A Fuzzy Neural Network : Structure and Learning - 5th IFSA World Congress, Seul, Coria. pp 1171-1174. Goldberg, D. (1989) - Genetic Algorithms in Search, Optimization and Machine Learning - AddisonWesley, MA. Gomide, F.; A. Rocha; P. Albertos (1992-a) Neurofuzzy Controllers - IFAC - LCA92, Viena, Austria Gomide, F. ; A. Rocha (1992-b) A Neurofuzzy Controller ; 2nd International Conference on Fuzzy Logic and Neural Networks - IIZUKA92 , Fukuoka, Japan. Gomide, F. ; A. Rocha (1992-c) Neurofuzzy Components Based on Threshold - IFAC SICICA Symposium, Malaga, Espanha, pp.425-430 Gudwin, R.R ; M.A. Silva, H.J.Almeida Jr.; I.M.C.Ribeiro (1991). SDAF - Uma Ferramenta para Desenvolvimento e Teste de Sistemas utilizando Lgica Nebulosa - Simpsio sobre Integrao Computadorizada na Automao Industrial, 18 a 20 Setembro - So Paulo-SP Hechst-Nielsen, R. (1990) Wesley, N.Y. Neurocomputing Addison

Hotzman, J.M. (1970) Nonlinear System Theory - Prentice Hall, N.J. Kaufmann, A. ; M. Gupta (1985) - Introduction to Fuzzy Arithmetic - Van Nostrand, NY. Lee, C.C (1990) . Fuzzy Logic in Control Systems: Fuzzy Logic Controller, part I and II. IEEE Trans. on Systems, Man and Cybernetics, vol. 20, pp 404-435 Oliveira, M. ; M. Figueiredo ; F. Gomide (1994) - A Neurofuzzy Approach for Autonomous Control 3rd International Conference on Fuzzy Logic, Neural Nets and Soft Computing, IIZUKA94 Fukuoka, Japan. Ollero A., A.Garcia-Cerezo, e J.Aracil. (1991). Design of Rule Based Expert Controllers - ECC91 European Control Conference, Grenoble, Frana, pp 578-583 Pedrycz, W. (1989). Fuzzy Control and Fuzzy Systems. - John Wiley and Sons Inc, NY Sage, A. e C. White (1977). Prentice Hall, NJ Optimum Systems Control -

REFERNCIAS BIBLIOGRFICAS
Albertos, P. (1992). Fuzzy Controllers - AI Techniques in Control - Pergamon Press. Anderson, B.D.O e J. B. Moore (1979). Optimal Filtering Prentice-Hall, N.J. Bertsekas, D.P. (1976). Dynamic Programming and Stochastic Control. Mathematics in Science and Engineering. Vol. 125, Academic Press, NY

114

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

Takagi, H. ; M. Lee (1993) - Neural Networks and Genetic Algorithms Approaches to Auto-Design of Fuzzy Systems - Proc. of Fuzzy Logic in Artificial Intelligence - FLAI93, Linz, Austria. Yager, R. ; S. Ovchinnikov, R.M. Tong e H. T.Nguyen (1987). Fuzzy Sets and Applications- Wiley Interscience, NY Yamakawa, T. (1993). A Fuzzy Inference Engine in Nonlinear Analog Mode and Its Application to a Fuzzy Logic Control. IEEE Transactions on Neural Networks, vol. 4 n. 3, May, pp. 496-522 Zadeh, L. (1965). Fuzzy Sets - Information and Control, vol. 8, pp 338-353 Zadeh, L. (1973). Outline of a new approach to the analysis of complex systems and decision processes. IEEE Trans. on Systems Man and Cybernetics, vol SMC3, pp 28-44 Zadeh, L. (1988) - Fuzzy Logic - IEEE Computer, April, pp. 83-92

SBA Controle & Automao/Vol.4 n3/setembro-outubro 1994

115