Professional Documents
Culture Documents
Resumo
Considerando a aplicação da lógica fuzzy como elemento importante na automação de
processos, permitindo assim a criação de sistemas especialistas em controles inteligentes, o
presente artigo tem por objetivo a apresentação de um sistema especialista desenvolvido para
modelagem computacional da previsão do comportamento de um motor elétrico em função da
tensão a ele aplicada. As técnicas de Inteligência Artificial, Lógica Fuzzy juntamente com o
ambiente de programação de computadores Borland Delphi Enterprise 7.0 foram utilizadas
como métodos para a implementação do sistema em questão. Os dados da pesquisa foram
obtidos junto ao Laboratório de Informática Aplicada à Agricultura - INFOAGRO, da
Universidade Estadual de Ponta Grossa (UEPG) e foram utilizados dados de teste de
bancada de um motor elétrico, obtidos junto ao laboratório de Engenharia Elétrica - UNESP,
Bauru. A partir dos resultados obtidos, pode-se dizer com segurança que o Controlador
Fuzzy é aplicável a sistemas que ainda não dispõem de uma metodologia adequada ao seu
controle.
Palavras chave: Lógica fuzzy, Aquisição de conhecimento, Controle inteligente.
1. Introdução
Nos últimos anos a utilização de sistemas inteligentes em controle tem despertado
grande interesse. Dentre as várias técnicas as mais utilizadas são as redes neurais e a lógica
fuzzy. As redes neurais apresentam a capacidade de aprendizado e podem aprender através de
dados previamente coletados. Já os sistemas fuzzy utilizam-se de termos lingüísticos e podem
obter o conhecimento a partir de especialistas. Unindo as vantagens de cada uma destas
técnicas pode-se gerar os chamados sistemas inteligentes híbridos. (MEDEIROS et al., 2001).
Com aplicação da lógica fuzzy é possível criar condições de tratar as informações
lógicas seguindo regras naturais de raciocínio, por exemplo: SE Tensão muito Baixa ENTÃO
desligue motor. Isto representa a análise de uma determinada condição que terá uma
determinada conseqüência (Shaw e Simões, 1999). Os fundamentos desta teoria tem origem
nos conjuntos nebulosos (fuzzy sets), que permitem a manipulação de valores não precisos,
expressões verbais abstratas (muito baixo, baixo, longe, muito rápido, etc).
Dado o alto grau de complexida da modelagem baseda na lógica fuzzy é necessário um
grande esforço computacional para que as expressões verbais sejam convertidas em números.
Esta fase é conhecida como fuzzyficação e será a partir dela que uma estratégia de controle
será implementada. As informações oriundas da situação real, captadas por sensores e
dispositivos computadorizados, sofrem essa transformação por meio da definição de um
conjunto de variáveis fuzzy, o qual atribui às informação um domínio de abrangência. Nesta
etapa são utilizados mnemônicos para descrever essas variáveis, por exemplo: variação da
tensão, velocidade, temperatura, etc.
Trata-se, portanto, de um conjunto de informações (conhecimento do especialista),
convertido em regras de produção do tipo se ... então ... que descrevem a dependência entre as
XI SIMPEP - Bauru, SP, Brasil, 08 a 10 de novembro de 2004
2. Lógica Fuzzy
Segundo Feitosa (1992), em 1965, o professor L. A. Zadeh, da Universidade de
Berkeley, USA, sugeriu uma teoria alternativa de conjuntos, teoria essa, muito mais flexível,
para atender suas necessidades. Uma teoria onde, a passagem da pertinência para a não
pertinência fosse feita de uma forma lenta e gradual e não abrupta como na teoria usual de
conjuntos. Dessa maneira, surgiram os Conjuntos Fuzzy, cuja palavra “fuzzy” pode ser
traduzida por nebulosa.
Sistemas que utilizam lógica fuzzy são grandes aliados no desenvolvimento de
sistemas de controle. O uso desta lógica possibilita a incorporação de uma certa imprecisão
em um problema. A lógica fuzzy considera o uso de variáveis reais, do tipo: velocidade,
temperatura, pressão, etc. A estas variáveis reais são associados termos lingüísticos do tipo
alto, baixo, pouco baixo, etc, que são denominados memberships.
Formalmente, um conjunto fuzzy A é definido por uma função de pertinência µA:[0 -
1]. Essa função associa a cada elemento x do conjunto fuzzy A um grau µA(x) de pertinência,
isto representa o grau de compatibilidade entre x e o conceito expresso por A: (SANDRI e
CORREA, 1999)
- µA(x) = 1 indica que x é completamente compatível com A;
- µA(x) = 0 indica que x é completamente incompatível com A;
- µA(x) > 0 e µA(x) < 1 indica que x é parcialmente compatível com A, com grau µA(x).
Segundo Bittencourt e Osório (2002), a teoria fuzzy tem sido aplicada com sucesso em
diversas áreas, destacando-se o uso em controladores fuzzy de usinas nucleares, refinarias,
processos biológicos e químicos, em produtos como máquina de lavar, câmeras fotográficas,
sistemas de ventilação, na área médica, econômica, ou seja, em qualquer área aonde é
necessário trabalhar com incertezas.
Os autores ainda destacam que o uso crescente de aplicações baseados em fuzzy e as
diversas possibilidades práticas têm despertado grande interesse por parte de pesquisadores e
empresas. Estes sistemas utilizam um conjunto de regras do tipo SE .. ENTÃO, formado pela
união de todos os estados das grandezas utilizadas no sistema. Sua criação segue o seguinte
esquema:
1. As variáveis de entrada sofrem um processo de fuzzificação, aonde as informações
são convertidas em números fuzzy para então ocorrer a formulação e execução de uma
estratégia de controle.
2. Efetua-se então, a inferência sobre o conjunto de regras obtendo os valores dos
termos das variáveis de saída.
3. Uma vez obtidas as variáveis linguísticas de saída pode-se aplicar a defuzzificação,
que consiste em converter os dados nebulosos para valores numéricos precisos.
Existem diversas formas de defuzzificação, como centro de massa, valor máximo,
média dos máximos.
Nesta ferramenta de desenvolvimento de lógica fuzzy, o processo de defuzzificação é
calculado pelo centro dos mínimos.
6. Defuzzyficação: Cálculo do valor discreto ∆Va pelo método do centro dos mínimos.
24 x0,4 + 24 x0,6 + 48 x0,118 + 24 x0,118
∆Va = = 26,29
0,4 + 0,6 + 0,118 + 0,118
Va(d) = 81,49 V
4. Considerações finais
Os resultados obtidos para o caso do motor elétrico mostram a viabilidade da
aplicação da lógica fuzzy no controle da velocidade de motores. Isto permite vislumbrar a
possibilidade da criação de controladores de baixo custo, graças à simplicidade de sua
implantação, permitindo, desta forma, uma fácil integração a sistemas já existentes, pois
através da simulação chegou-se ao valor de 81,49 V para uma velocidade de 105,5330 rad/s,
valor este muito próximo ao tabelado (quadro 4) de 81,60 V para a mesma velocidade.
XI SIMPEP - Bauru, SP, Brasil, 08 a 10 de novembro de 2004
Referências
BITTENCOURT, J. R.; OSÓRIO (2002) - F. FuzzyF – Fuzzy Logic Framework : Uma Solução Software Livre
para o Desenvolvimento, Ensino e Pesquisa de Aplicações de Inteligência Artificial Multiplataforma. Disponível
em <http://www.inf.unisinos.br/~jrbitt/fuzzyf/doc/fuzzyf_wsl_2002.pdf>
CRUZ, L.F. (2001) - Modelo fuzzy para obtenção do tempo de aeração em silos verticais visando reduzir o
consumo de energia elétrica. Botucatu. 102p. Tese (Doutorado em Agronomia/Energia na Agricultura) –
Faculdade de Ciências Agronômicas. Universidade Estadual Paulista.
FEITOSA, H . A. (1992) - Princípios fundamentais da teoria fuzzy. Rio Claro. 89p. Dissertação (Mestrado em
Matemática/Fundamentos da Matemática) – Instituto de Geociências e Ciências Exatas, Universidade Estadual
Paulista.
Fuzzy Logic for G Toolkit, Reference Manual. (1997) - National Instruments.
MEDEIROS, A. V.; A. L. MAITELLI; GABRIEL FILHO, O (2001) - Otimização das Funções de Pertinência
de um Controlador Nebulosos utilizando Algoritmos Genéticos. In: V Simpósio Brasileiro de Automação
Inteligente, Canela, RS.
SANDRI, S.; CORREA, C. (1999) - Lógica Nebulosa. V Escola de Redes Neurais, Conselho Nacional de Redes
Neurais. pp. c073-c090, 19 de julho. ITA, São José dos Campos – SP
SHAW, I. S.; SIMÕES M.G. (1999) - Controle e Modelagem Fuzzy. FAPESP, Editora Edgard Blücher LTDA,
São Paulo.
ZADEH, L. A. (1965) - “Fuzzy Sets”, Information and Control, 8: 338-353.