Professional Documents
Culture Documents
DE PROCESSOS
JUNHO DE 1999
UBERLÂNDIA - MG - BRASIL
1. INTRODUÇÃO
1.1. Histórico
A lógica fuzzy foi desenvolvida com base na teoria de conjuntos fuzzy, proposta em
meados da década de 60 pelo professor de ciências da computação Lotfi A. Zadeh, da
Universidade de Berkeley. A elaboração dessa teoria foi motivada, em grande parte, pela
convicção de que os métodos tradicionais de análise eram inadequados para descrever
sistemas nos quais as variáveis não estivessem relacionadas por equações diferenciais. Tais
sistemas são comuns em biologia, sociologia, economia, e mais genericamente, em campos
nos quais os sistemas são de natureza mais humanística do que mecanística. Os métodos
tradicionais de análise são voltados para o uso de técnicas numéricas. Em contraste, na
maioria das vezes a razão humana envolve o uso de variáveis cujos valores são conjuntos
nebulosos (ou fuzzy). Essa observação foi a base para a introdução da variável lingüística, isto
é, uma variável cujos valores são palavras em lugar de números. Como exemplo podem ser
citados alguns conceitos peculiares à linguagem humana: quente, morno, muito longe, mais ou
menos próximo, quase impossível, improvável, meia idade, etc. O primeiro trabalho de Zadeh
sobre o assunto, intitulado “Fuzzy Sets”, foi apresentado em 1965 no volume 8 da revista
“Information and Control”.
1.2. Panorama
Os controladores fuzzy, nos últimos anos tem despertado interesse cada vez maior. A
aplicação em escala mais ampla teve início no Japão em meados da década de 80. Podem ser
citados alguns produtos que usam a lógica fuzzy: lavadoras de prato, aspiradores de pó
robotizados que evitam obstáculos, câmaras de vídeo que neutralizam o tremor do operador,
máquinas de lavar roupa que detectam o grau de sujeira das peças, controle de velocidade de
trens de metrô, ar condicionado, panelas automáticas para cozinhar arroz, modelos para
previsão meteorológica, etc.
2
As pesquisas, ultimamente, tem sido voltadas para o uso de lógica fuzzy na área de inteligência
artificial. Essa teoria procura reproduzir a forma de pensar e de tomar decisões, do ser humano. Quando o
homem faz parte de um sistema de controle, agindo como um controlador, em geral se obtém um efeito
altamente estabilizante. Um exemplo que pode ser citado é o ato de andar de bicicleta. A bicicleta é um
veículo inerentemente instável. Entretanto, quando o ser humano passa a fazer parte do sistema,
desempenhando o papel de controlador, pode ser obtido um sistema bastante estável. Fora da área de
controle de sistemas a lógica fuzzy tem sido, também, objeto de intensas pesquisas. Dentro da idéia de se
buscar a imitação do processo de tomada de decisão humana uma série de estudos podem ser
desenvolvidos. Nessa linha podem ser citados: a) sistemas decisórios de suporte para o campo bio-
médico: sistemas fuzzy especialistas os quais, ao contrário dos sistemas especialistas convencionais,
podem levar em consideração a experiência pessoal e as características individuais de cada caso; controle
automático de órgãos artificiais, controle de tratamentos, b) sistemas de suporte para deficientes físicos
incluindo: cadeira de rodas inteligente, máquina de auxílio à leitura dos lábios para pessoas surdas,
sistemas de orientação para cegos comandado pela voz, c) carros inteligentes: sistemas de prevenção de
colisão, motorista automático, forma econômica de dirigir, controle de poluição, navegação comandada
pela voz, estacionamento automático, proteção ao pedestre, d) máquinas inteligentes para a execução de
serviços: operação remota semi-automática de grandes tratores, sistemas para uso na agricultura e pesca,
máquinas de fazer túneis, helicópteros não pilotados, robôs para exploração, e) robôs inteligentes de alto
nível: robôs autônomos para fins especiais, capazes de agir a partir de simples instruções, inferindo as
intenções do homem de acordo com cada situação, f) sistemas conversacionais para dar instruções e
informações sobre diversos assuntos, etc.
Um conjunto fuzzy é descrito por uma função que designa graus de pertinência
entre zero e um aos seus membros. Um elemento que tenha grau de pertinência igual a zero
não pertence ao conjunto. Grau de pertinência igual a um, indica que o elemento pertence
totalmente ao conjunto. Graus de pertinência entre zero e um significam que o elemento
pertence parcialmente ao conjunto. Como exemplo, considere-se o conjunto de pessoas de
meia idade. O quadro abaixo ilustra esse conjunto. Uma pessoa de 50 anos pertence, então,
ao conjunto com um grau de pertinência de 0,7 ou 70%.
Membros (idades) 30 35 40 45 50 55 60
Graus de pertinência 0,0 0,3 1,0 1,0 0,7 0,4 0,0
2. CONJUNTOS FUZZY
3
O conceito de conjunto fuzzy é o principal pilar da teoria da lógica fuzzy. Na teoria clássica há
uma clara distinção entre os elementos que pertencem e os que não fazem parte de um conjunto. A lógica
fuzzy admite a possibilidade de uma pertinência parcial. Assim, um elemento pode pertencer a um dado
conjunto, com um determinado grau de pertinência. Para tornar mais claro esse conceito, passamos a
apresentar algumas definições.
Definição 2.1. Seja U uma coleção de objetos denotados genericamente por {u}, onde U
é chamado de universo e u representa um elemento genérico de U. Um conjunto fuzzy F
num universo U é caracterizado por uma função de pertinência µF que assume valores no
intervalo [0,1], isto é:
µ F : U → [ 0,1]
F = {( u , µ F ( u )) / u ∈ U }
Quando o universo é contínuo, o conjunto fuzzy F costuma ser escrito concisamente como:
F = ∫ µ F ( u) / u
U
F = ∑ µ F ( u) / u
Sejam as definições:
Definição 2.3. Um conjunto fuzzy cujo conjunto suporte é um único ponto de U com
µF=1 é chamado de conjunto fuzzy unitário ou singular (singleton).
4
Definição 2.4. Um conjunto fuzzy é vazio se, e somente se, sua função de pertinência
for identicamente igual a zero, isto é:
µ φ ( u) = 0, u ∈ U
No item 2.2 serão dados alguns exemplos com o objetivo de esclarecer o significado
das definições apresentadas.
A = 0/(-3) + 0/(-2) + 0,1/(-1) + 0,3/0 + 0,5/1 + 0,7/2 + 1,0/3 + 0,7/4 + 0,3/5 + 0/6
ou
A = {0/(-3); 0/(-2); 0,1/(-1); 0,3/0; 0,5/1; 0,7/2; 1,0/3; 0,7/4; 0,3/5; 0/6}
Os números localizados ao lado direito das barras são os elementos do universo. Os números
da esquerda correspondem ao grau de pertinência de cada elemento do universo. Os sinais
“+” não tem o significado convencional usado em matemática.
C é um conjunto fuzzy unitário ou singular, pois seu conjunto suporte D é dado por:
D = {1/2}
Um conjunto fuzzy contínuo é expresso por uma função matemática que relaciona os
elementos do universo com seus graus de pertinência. A função dada abaixo é um exemplo de
representação de conjunto fuzzy contínuo:
1
µ A ( ui ) =
1 + ( 0,2( ui − 5) 2 )
Nesse exemplo, os elementos do universo são representados pela variável ui. Os graus de
pertinência são denotados por µA(ui).
3.1. Introdução
Serão apresentadas, a seguir, as operações e propriedades básicas dos conjuntos fuzzy. Antes,
porém, recordemos as principais propriedades satisfeitas pelos conjuntos na teoria clássica:
a) Comutativa:
AΥ B = BΥ A
AΥ B = BΥ A
b) Associativa:
A Υ ( B Υ C) = ( A Υ B) Υ C
A Ι ( B Ι C) = ( A Ι B) Ι C
c) Distributiva:
6
A Υ ( B Ι C) = ( A Υ B ) Ι ( A Υ C)
A Ι ( B Υ C) = ( A Ι B ) Υ ( A Ι C)
d) Idempotência:
A Υ A = A; AΙ A = A
e) Identidade:
A Υ φ = A; AΙ φ = φ
f) Absorção:
A Υ ( A Ι B) = A
g) Leis de De Morgan:
(A Ι B) = A Υ B
(A Υ B) = A Ι B
As normas triangulares são apropriadas para produzir modelos genéricos para as operações entre
conjuntos fuzzy.
Definição 3.1. A norma triangular t é uma operação tal que t : [0,1] x [0,1] → [0,1] satisfazendo as
seguintes propriedades:
Comutativa: A tB=BtA
Associativa: A t (B t C) = (A t B) t C
Monotônica: Se A ≤ B e C ≤ D, então A t C ≤ B t D
Contorno: A t 0 = 0; A t 1 = A
Definição 3.2. A co-norma triangular s é uma operação tal que s : [0,1] x [0,1] → [0,1] satisfazendo as
seguintes propriedades:
Comutativa: A s B=Bs A
Associativa: A s (B s C) = (A s B) s C
Monotônica: Se A ≤ B e C ≤ D, então A s C ≤ B s D
Contorno: A s 0 = A; A s 1 = 1
respectivamente. A norma triangular está associada à uma família de operações de intersecção. A co-
norma triangular está associada à uma família de operações de união.
3.3.1. Interseção
µ
µ A (u) se µ B (u)=1
produto drástico: µ A ∩∩B ( u) = µ A ( u) t 4 µ B (u) = µ
µ B (u) se µ A (u)=1
0 se µ A (u) e µ B (u)<1
3.3.2. União
µ
µ A (u) se µ B (u)=0
soma drástica: µ A ∪∪B ( u) = µ A ( u) s 4 µ B ( u) = µ
µ B (u) se µ A (u)=0
1 se µ A (u) e µ B (u)>0
8
É fácil verificar que todas as operações exemplificadas, possuem as propriedades das norma ou co-norma
triangulares definidas acima. Há diversas outras operações que também se enquadram em uma das duas
famílias apresentadas, mas não serão citadas por serem menos importantes.
3.3.3. Complemento
Além das duas famílias de operações definidas nos itens precedentes, é importante
apresentar a operação de complemento que está associada ao conectivo não. Ela é definida
como sendo um conjunto cujo grau de pertinência é exatamente 1 menos o grau de
pertinência do conjunto original:
µ A − ( u ) = 1 − µ A ( u ); u ∈U
3.3.4. Igualdade
Dois conjuntos fuzzy A e B são ditos iguais se :
µ A ( u ) = µ B ( u ); u ∈U
3.4. Exemplos
9
Para maior clareza, são apresentados alguns exemplos. Aqui são usados os
operadores mínimo e máximo para as operações de interseção e união respectivamente.
Outros operadores, entretanto, poderiam ser usados.
O resultado do produto cartesiano está representado dentro do retângulo acima. Para efeito
didático foram apresentados os conjuntos G e A nas posições horizontal e vertical,
respectivamente. Como cada conjunto participante da operação (G e A) possuia apenas uma
dimensão, o conjunto resultante (H) tem duas dimensões.
4. VARIÁVEIS LINGÜÍSTICAS
- Nome da variável
- Universo
11
Portanto, a variável lingüística pode ser caracterizada, por uma quádrupla
( x, T(x), G, U ) , onde x é o nome da variável; T(x) é um conjunto de predicados lingüísticos de
x (esses termos estão associados a valores em U); G i é a função de pertinência associada ao
predicado i; e U é o universo.
onde cada termo de T(x) é caracterizado por um conjunto fuzzy no universo U. Interprete
baixa como uma velocidade inferior a cerca de 50 km/h, média como uma velocidade
próxima à 75 km/h e alta como uma velocidade superior a cerca de 100 km/h. Esses
termos podem ser caracterizados por conjuntos fuzzy cujas funções de pertinência são
mostradas na fig. 4.1.
5. REGRAS FUZZY
Uma regra fuzzy ou afirmação fuzzy relaciona variáveis fuzzy, cada uma delas
associada a um dos seus predicados. Essas variáveis são conectadas através de operadores
lógicos como: e, ou, então, outro. Um algorítmo de controle é constituído por um conjunto
de regras fuzzy que são declarações condicionais ou incondicionais, envolvendo relações entre
entradas e saídas. Por exemplo, um sistema que utiliza um controlador baseado em lógica
fuzzy com duas entradas e uma saída, apresenta regras de controle fuzzy do tipo:
Ri: Se x é Ai e y é B i então z é Ci
Em um controlador fuzzy, cada regra de controle fuzzy está associada à uma relação
fuzzy gerada por ela. O comportamento do sistema como um todo será caracterizado pelo
conjunto das relações fuzzy.
6. MODIFICADORES
13
Um modificador altera a forma de um conjunto fuzzy causando uma mudança na
função de pertinência. Assim, um modificador transforma um conjunto fuzzy em outro. Há
modificadores que intensificam as características do conjunto (muito, extremamente), e
há os que atenuam ou diluem a curva de pertinência (mais ou menos). O conectivo não,
pode também ser considerado como um modificador, pois forma o complemento de um
conjunto fuzzy. É possível, então expressar na forma de conjunto fuzzy certos conceitos
como: muito grande, não muito pequeno, extremamente frio, etc.
Exemplo:
O conectivo mas é um operador de intersecção e pode ser considerado como sendo similar
ao operador lógico e. No exemplo, o conjunto representativo de grande era:
Então:
A expressão mais ou menos pequeno, usando o mesmo exemplo do item 3.2, seria
representada pelo conjunto T:
7. CONTROLADORES FUZZY
Desde que o controlador baseado em lógica nebulosa foi proposto por Mamdani em
1974, muitos estudos têm sido realizados na aplicação desse tipo de controlador aos
processos industriais tais como processos de trocadores de calor, aquecedores de água e
tantos outros citados na literatura.
b) a base de dados é formada pelas definições dos conjuntos fuzzy que descrevem os
predicados de cada variável de entrada e saída com suas respectivas funções de pertinência,
as quais podem ser discretas ou contínuas.
8.1. Fuzificação
Se as variáveis de entrada são mal definidas, ou são perturbadas por algum ruído
randômico, dizemos que elas são subjetivas. Neste caso, as variáveis, após a fuzificação,
serão descritas por funções de pertinência que seguem, cada uma, uma distribuição
possibilística que seja conveniente. O uso da distribuição com forma triangular é bem comum.
Há entretanto outras formas que podem ser usadas, como: trapezoidal, forma de sino, etc.
Universo normalizado
-1 -0,83 -0,67 -0,5 -0,33 -0,17 0 0,17 0,33 0,5 0,67 0,83 1
NG 1 0,7 0,3 0 0 0 0 0 0 0 0 0 0
PG 0 0 0 0 0 0 0 0 0 0 0,3 0,7 1
Um algorítmo de controle deve ser capaz de inferir uma ação de controle qualquer
que seja o estado do processo. Essa propriedade é chamada de completude e deve ser
satisfeita tanto pela base de dados como pela base de regras. A base de dados, deve ser
construída de tal forma que o ponto de cruzamento (ver figura 4.1) de dois conjuntos fuzzy
adjacentes tenha sempre um grau de pertinência igual ou superior a 0,5. Dessa maneira, um
valor é descrito com grau de credibilidade sempre superior (ou igual) a 0,5. Quanto à base
de regras, todas as situações possíveis, relativamente às entradas, devem estar previstas e
devem ser elaboradas regras para todas as possibilidades.
− ( x − uf ) 2
µ f ( x) = exp
2σ f
2
19
Na expressão acima, o grau de pertinência é dado por µf(x). A variável x representa uma
grandeza de entrada ou saída que assume valores dentro de seu universo. Os fatores uf e σf
são parâmetros constantes dados pela tabela 8.2, para cada conjunto fuzzy.
saída c
erro negativo
III
II
g
VI VII k
b d f h j l
IX
IV i
V
e
I erro positivo
tempo (s)
1 P Z P a, e, i
2 Z N N b, f, j
3 N Z N c, g, k
4 Z P P d, h, l
5 Z Z Z reg. permanente
Tabela 8.3. Proposta de regras para os pontos da fig. 8.1, usando 3 predicados.
Uma melhor característica pode ser obtida para o sistema se o número de predicados
for aumentado. Assim, as ações poderão variar de uma forma mais fina. Se forem usados,
por exemplo, sete predicados, (NG, NM, NP, Z, PP, PM, PG) poderão ser elaboradas as
regras das tabelas 8.5 e 8.6 para os pontos e as regiões respectivamente.
Regra no E DE CI Região
6 P N P I(subida), V
7 N N N II(ultrapas.), VI
8 N P N III, VII
9 P P P IV, VIII
10 P N Z IX
11 N P Z XI
Regra no E DE CI Ponto
1 PG Z PG a
2 PM Z PM e
3 PP Z PP i
4 Z NG NG b
5 Z NM NM f
6 Z NP NP j
7 NG Z NG c
8 NM Z NM g
9 NP Z NP k
10 Z PG PG d
11 Z PM PM h
12 Z PP PP l
13 Z Z Z reg. permanente
Tabela 8.5. Proposta de regras para os pontos da fig. 8.1, usando 7 predicados.
Regra no E DE CI Região
14 PG NP PM I(subida)
15 PP NG NM I(ultrapas.)
16 NG PP NM III
17 NP PG PM III
18 PP NP Z IX
19 NP PP Z IX
DE
NG NM NP Z PP PM PG
NG NG NM
NM NM
NP NP Z PM
E Z NG NM NP Z PP PM PG
PP NM Z PP
PM PM
PG PM PG
As regras podem ser arranjadas em uma tabela, ao invés de estarem em uma lista
seqüencial. Isso diminui o tempo de processamento computacional e em conseqüência
melhora a resposta do controlador fuzzy. A tabela 8.7 reúne as regras das tabelas 8.5 e 8.6.
As demais regras, não existentes na tabela, podem ser inferidas heurísticamente. Outros
métodos para a construção da base de regras tem sido propostos na literatura. Alguns desses
trabalhos podem ser consultados através das referências citadas ao final do texto.
8.4. Inferência
Em geral, uma regra de controle fuzzy é uma relação que expressa uma inferência
fuzzy. Em lógica fuzzy há muitas maneiras de se definir uma relação de inferência.
Consideremos um CF com duas entradas e uma saída. Uma regra Ri da base de regras é
expressa como:
Ri : Se x é Ai e y é B i então z é Ci
25
onde x e y são entradas, z é saída, Ai Bi Ci são conjuntos fuzzy que descrevem variáveis
linguísticas. Uma relação de inferência pode ser obtida por uma operação entre os conjuntos
Ai Bi Ci :
Ri = Ai x B i x Ci
Uma vez calculada a relação de inferência R, a saída fuzzy pode ser determinada pela
operação de composição:
z = y o (x o R)
Por este critério, a saída defuzificada z é dada pelo valor do universo que tenha o maior grau
de pertinência, isto é, z = 2.
Neste caso a saída é dada pela média entre os valores que apresentam o máximo grau de
pertinência. No caso do exemplo só há um valor de máxima pertinência. Entretanto, é
comum haver mais de um valor com máxima pertinência. Por este critério, a saída seria dada
pela média entre esses valores.
Este é o método mais usado em CFs. Consiste em se calcular a média ponderada entre os
valores do universo, considerando os graus de pertinência como pesos. No exemplo
apresentado a saída seria dada por:
BASE DE DADOS:
0 0 0,1 0,5 1, 0
grande = { ; ; ; ; }
1 2 3 4 5
0 0, 4 1,0 0, 4 0
m e′d i o = { ; ; ; ; }
10 12 14 16 18
0 0 0,4 0, 8 1,0
grande = { ; ; ; ; }
10 12 14 16 18
BASE DE REGRAS:
R1: Se x é pequeno, então y é grande
Uma vez dado o controlador, através de suas bases de dados e de regras, determinar-se-á a
saída para uma entrada existente:
Suponha-se, então, que a entrada x, já fuzificada, seja dada por:
28
0 , 4 1,0 0 ,3 0 0
x={ ; ; ; ; }
1 2 3 4 5
Cada uma das três regras da base de regras permite a determinação de uma relação de
inferência. Empregando-se a primeira afirmativa condicional da base de regras e aplicando-se
o produto cartesiano aos conjuntos da base de dados envolvidos nesta afirmativa, chega-se à
seguinte relação de inferência R1:
y
0 0 0,4 0,8 1,0
0 0 0,4 0,6 0,6
R1 = 0 0 0,2 0,2 0,2 x
0 0 0 0 0
0 0 0 0 0
Se for usada a segunda afirmação condicional da base de regras. Obtém-se a seguinte relação
R2 de inferência:
y
0 0 0 0 0
0 0,4 0,5 0,4 0
R2 = 0 0,4 1,0 0,4 0 x
0 0,4 0,5 0,4 0
0 0 0 0 0
y
0 0 0 0 0
0 0 0 0 0
R3 = 0,1 0,1 0,1 0 0 x
0,5 0,5 0,3 0 0
1,0 0,7 0,3 0 0
A relação de inferência R resultante pode ser determinada pela operação de união entre as
relações R1, R2 e R3:
A saída pode, então, ser inferida pela operação de composição entre a relação de inferência
R e a entrada x. A composição usada aqui constará de duas operações sucessivas: mínimo e
máximo. A operação de mínimo fornece:
Operação de máximo:
1,0
x ={ }
4
30
Pode-se usar a relação de inferência resultante R, obtida no exemplo anterior. É fácil
verificar que a operação de composição entre a entrada x e a relação R resulta num conjunto
que coincide com a quarta linha de R:
Uma consulta à base de dados indica que x pode ser interpretada como sendo média ou
grande. A base de regras, por outro lado, mostra que há duas possibilidades para a saída:
média ou pequena. A segunda regra, da base de regras, fornece a relação de inferência Ra,
que é obtida por uma operação de mínimo entre o conjunto “médio” para a variável y e o
grau de pertinência do elemento “4” no conjunto médio da variável x, que é igual a 0,5. Outra
relação de inferência Rb é proveniente da aplicação do mesmo procedimento, considerando-
se a terceira regra da base de regras. Pode-se então escrever:
0 0,4 0, 5 0,4 0
Ra = { ; ; ; ; }
10 12 14 16 18
0, 5 0,5 0, 3 0 0
Rb = { ; ; ; ; }
10 12 14 16 18
A relação de inferência resultante R' é dada pela união entre as duas relações acima:
y = 12,8
As três regras poderiam ter sido usadas na determinação da relação de inferência resultante.
Isso não mudaria o resultado, pois a terceira regra geraria uma relação em que todos os graus
de pertinência seriam nulos.
BASE DE DADOS:
U N I V. D E ε
-5 -4 -3 -2 -1 0 1 2 3 4 5
NG 1 .6 .2 0 0 0 0 0 0 0 0
NM 0 .4 1 .6 .2 0 0 0 0 0 0
Z 0 0 0 0 .5 1 .5 0 0 0 0
PM 0 0 0 0 0 0 .2 .6 1 .4 0
PG 0 0 0 0 0 0 0 0 .2 .6 1
32
U N I V. D E ∆ε
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
NG 1 .7 .3 0 0 0 0 0 0 0 0 0 0
NM 0 .2 .6 1 .6 .2 0 0 0 0 0 0 0
Z 0 0 0 0 0 .5 1 .5 0 0 0 0 0
PM 0 0 0 0 0 0 0 .2 .6 1 .6 .2 0
PG 0 0 0 0 0 0 0 0 0 0 .3 .7 1
U N I V. D E ∆s
-8 -6 -4 -2 0 2 4 6 8
NG 1 .5 0 0 0 0 0 0 0
NM 0 .5 1 .5 0 0 0 0 0
Z 0 0 0 .4 1 .4 0 0 0
PM 0 0 0 0 0 .5 1 .5 0
PG 0 0 0 0 0 0 0 .5 1
BASE DE REGRAS:
∆s ∆ε
NG NM Z PM PG
NG NG NG NM NM Z
NM NG NM NM Z PM
ε Z NM NM Z PM PM
PM NM Z PM PM PG
PG Z PM PM PG PG
A’ = {1/1; 0,25/2}
33
B’ = {1/-4; 0,25/-3}
Assim como no exemplo em que havia apenas uma entrada, há dois caminhos a serem
seguidos: Pode ser calculada a relação de inferência R resultante da aplicação de todas as
regras ou pode-se determinar uma relação de inferência parcial R' correspondendo apenas às
partes da relação de inferência que irão influenciar o cálculo da saída. A relação de inferência
R, nesse caso, é um conjunto fuzzy tridimensional com 11 × 13 × 9 = 1287 elementos, isto é,
o número de elementos é igual ao produto dos níveis de quantização das variáveis de entrada
e saída. O uso de R tem a vantagem de propiciar um processamento mais veloz, pois o
cálculo da relação de inferência seria feito uma só vez.. O uso de R' tem a vantagem de exigir
um espaço menor na memória, mas para cada nova entrada, R' precisa ser recalculado e o
processamento e torna mais lento. Neste exemplo será calculada apenas uma relação de
inferência parcial R', suficiente para a determinação da saída em função das entradas ora
existentes.
A base de dados mostra que ε pode ser considerado como positivo médio ou zero. Por outro
lado, ∆ ε pode ser vista como negativa média ou negativa grande. Então, é necessário
considerar apenas quatro regras:
1 PM NM Z
2 Z NM NM
3 PM NG NM
4 Z NG NM
34
Cada uma das quatro possibilidades acima gera uma relação de inferência:
Produto Cartesiano ⇒ Gera uma Relação de Inferência
Ri = Ai x B i x Ci
Possibilidade 1
R1 = A1 x B1 x C1 =
A1 C1 A1 C1
.2/-5 .2 .2 .2 .2/-5 .2 .2 .2
.6/-4 .2 .2 .2 .6/-4 .4 .6 .4
B1 1/-3 .2 .2 .2 B1 1/-3 .4 .6 .4
.6/-2 .2 .2 .2 .6/-2 .4 .6 .4
.2/-1 .2 .2 .2 .2/-1 .2 .2 .2
A1 C1 A1 C1
.2/-5 .2 .2 .2 .2/-5 .2 .2 .2
.6/-4 .4 .6 .4 .6/-4 .4 .4 .4
B1 1/-3 .4 1 .4 B1 1/-3 .4 .4 .4
.6/-2 .4 .6 .4 .6/-2 .4 .4 .4
.2/-1 .2 .2 .2 .2/-1 .2 .2 .2
35
Possibilidade 2
R2 = A2 x B2 x C2 =
A2 C2 A2 C2
.2/-5 .2 .2 .2 .2/-5 .2 .2 .2
.6/-4 .5 .5 .5 .6/-4 .5 .6 .5
B2 1/-3 .5 .5 .5 B2 1/-3 .5 1 .5
.6/-2 .5 .5 .5 .6/-2 .5 .6 .5
.2/-1 .2 .2 .2 .2/-1 .2 .2 .2
A2 C2
.2/-5 .2 .2 .2
.6/-4 .5 .5 .5
B2 1/-3 .5 .5 .5
.6/-2 .5 .5 .5
.2/-1 .2 .2 .2
36
Possibilidade 3
R3 = A3 x B3 x C3 =
A3 C3 A3 C3
1/-6 .2 .2 .2 1/-6 .5 .6 .5
B3 .7/-5 .2 .2 .2 B3 .7/-5 .5 .6 .5
.3/-4 .2 .2 .2 .3/-4 .3 .3 .3
A3 C3 A3 C3
1/-6 .5 1 .5 1/-6 .4 .4 .4
B3 .7/-5 .5 .7 .5 B3 .7/-5 .4 .4 .4
.3/-4 .3 .3 .3 .3/-4 .3 .3 .3
37
Possibilidade 4
R4 = A4 x B4 x C4 =
A4 C4 A4 C4
1/-6 .5 .5 .5 1/-6 .5 1 .5
B4 .7/-5 .5 .5 .5 B4 .7/-5 .5 .7 .5
.3/-4 .3 .3 .3 .3/-4 .3 .3 .3
A4 C4
1/-6 .5 .5 .5
B4 .7/-5 .5 .5 .5
.3/-4 .3 .3 .3
38
Então, R' =
A C A C
-1 -6 -4 -2 0 2 0 -6 -4 -2 0 2
-6 .5 .5 .5 0 0 -6 .5 1 .5 0 0
-5 .5 .5 .5 0 0 -5 .5 .7 .5 0 0
B -4 .5 .5 .5 0 0 B -4 .5 .6 .5 0 0
-3 .5 .5 .5 0 0 -3 .5 1 .5 0 0
-2 .5 .5 .5 0 0 -2 .5 .6 .5 0 0
-1 .2 .2 .2 0 0 -1 .2 .2 .2 0 0
A C A C
1 -6 -4 -2 0 2 2 -6 -4 -2 0 2
-6 .5 .5 .5 0 0 -6 .5 .6 .5 0 0
-5 .5 .5 .5 .2 .2 -5 .5 .6 .5 .2 .2
B -4 .5 .5 .5 .2 .2 B -4 .3 .3 .4 .6 .4
-3 .5 .5 .5 .2 .2 -3 0 0 .4 .6 .4
-2 .5 .5 .5 .2 .2 -2 0 0 .4 .6 .4
-1 .2 .2 .2 .2 .2 -1 0 0 .2 .2 .2
A C A C
3 -6 -4 -2 0 2 4 -6 -4 -2 0 2
-6 .5 1 .5 0 0 -6 .4 .4 .4 0 0
-5 .5 .7 .5 .2 .2 -5 .4 .4 .4 .2 .2
B -4 .3 .3 .4 .6 .4 B -4 .3 .3 .4 .4 .4
-3 0 0 .4 1 .4 -3 0 0 .4 .4 .4
-2 0 0 .4 .6 .4 -2 0 0 .4 .4 .4
-1 0 0 .2 .2 .2 -1 0 0 .2 .2 .2
OPERAÇÃO DE COMPOSIÇÃO:
39
z = y o (x o R)
ou
C’ = B’ o (A’ o R)
A C A C
1 -6 -4 -2 0 2 2 -6 -4 -2 0 2
Matriz máxima: -6 -4 -2 0 2
-6 .5 .5 .5 0 0
-5 .5 .5 .5 .2 .2
A’ o R = B -4 .5 .5 .5 .25 .25
-3 .5 .5 .5 .25 .25
-2 .5 .5 .5 .25 .25
-1 .2 .2 .2 .2 .2
40
Para se calcular C’ = B’ o (A’ o R), novamente faz-se uma operação de mínimo que resulta:
C
-6 -4 -2 0 2
.5 .5 .5 .25 .25
.25 .25 .25 .25 .25
∆ s = - 2.75
O mesmo resultado seria obtido caso as relações de inferência geradas por todas as regras,
fossem consideradas.
Quando as entradas são objetivas e podem ser fuzificadas através de conjuntos singulares , não
há necessidade de se fazer toda a manipulação apresentada. Além disso, a relação de
inferência resultante coincide com a saída fuzificada, e não há a necessidade da operação
composicional. Isso leva a:
- considerável simplificação do processo de cálculo.
- grande economia de memória.
ε = 1,0 e ∆ ε = -4,0
A’ = {1/1} e B’ = {1/-4}
41
A base de dados mostra novamente que ε pode ser considerado como positivo médio ou zero.
Também, ∆ ε pode ser vista como negativa média ou negativa grande. Persistem,
portanto, as quatro possibilidades de interpretação consideradas no exemplo anterior:
1 PM NM Z
2 Z NM NM
3 PM NG NM
4 Z NG NM
As relações de inferência para cada possibilidade podem ser obtidas por uma
operação de mínimo entre o conjunto conseqüente daquela possibilidade e os graus de
pertinência dos elementos dos universos das entradas contidos nos conjuntos antecedentes da
possibilidade considerada.
Possibilidade 1
R1 = A1 x B1 x C1 =
A1 C1
B1 .6/-4 .2 .2 .2
42
Possibilidade 2
R2 = A2 x B2 x C2 =
A2 C2
B2 .6/-4 .5 .5 .5
Possibilidade 3
R3 = A3 x B3 x C3 =
A3 C3
B3 .3/-4 .2 .2 .2
Possibilidade 4
R4 = A4 x B4 x C4 =
A4 C4
B4 .3/-4 .3 .3 .3
R = R1 ∪ R2 ∪ R3 ∪ R4
Portanto:
R=
A C
1 -6 -4 -2 0 2
B -4 .5 .5 .5 .2 .2
Então:
Esta é a saída fuzificada. Se a defuzificação for feita pelo método do centro de área, resultará:
a) A maioria dos CFs possui duas entradas e uma saída: erro, variação de erro e incremento
da variável de ação, respectivamente. O estudo será feito para um CF desse tipo, com as
entradas in1 e in2 e a saída out.
b) As entradas são consideradas bem definidas e a fuzificação será feita usando conjuntos
singulares.
c) Os conjuntos fuzzy usados na base de dados são triangulares e, se não houver indicação
em contrário, são simétricos.
d) Todos os pontos de cruzamento ( crossover) ocorrem num grau de pertinência igual a 0,5.
j) A base de regras é montada de forma que se tenha um pequeno valor para out ao redor do
ponto de coordenadas zero (regime permanente, ponto de equilíbrio ou set point) e valor
grande em pontos distantes dessa região. Usualmente, para se conseguir uma resposta rápida,
as ações do controlador devem ser grandes em pontos distantes do ponto de equilíbrio e
45
devem ser suaves e precisas ao redor do set point porque, em geral, deseja-se um erro nulo
em regime permanente e além disso, as oscilações costumam ser inconvenientes.
in2
in1 N Z P
N N N Z
Z N Z P
P Z P P
in2
in1 NB NS Z PS PB
NB NB NB NB NB Z
NS NB NS NS Z PB
Z NB NS Z PS PB
PS NB Z PS PS PB
PB Z PB PB PB PB
in2
in1 NB NM NS Z PS PM PB
NB NB NB NB NB NB NB Z
NM NB NM NM NM NM Z PB
NS NB NM NS NS Z PM PB
Z NB NM NS Z PS PM PB
PS NB NM Z PS PS PM PB
PM NB Z PM PM PM PM PB
PB Z PB PB PB PB PB PB
As figuras mostram a saída out no eixo vertical em função das entradas in1 e in2. É
possível identificar uma linha onde a superfície cruza o plano correspondente a out=0. Esta
linha pode ser definida como linha zero. A linha zero, em última análise, é uma linha de
deslizamento (sliding line) da resposta do sistema. A resposta converge para a referência (set
point) seguindo esta linha. A forma da linha zero pode ser mudada ajustando-se
principalmente, a base de regras. O número de degraus ao longo da linha zero é,
essencialmente, uma função da base de dados. Não é interessante a existência de grandes
degraus ao redor do ponto de referência. Isso poderia acarretar imprecisão em regime
permanente. Da análise de um grande número de casos, é possível concluir que um aumento
no número de níveis de quantização (aumento do universo) é mais eficiente do que um
aumento da cardinalidade, se o objetivo é obter variações mais suaves ao redor do ponto de
equilíbrio. Uma mudança no tamanho do universo não produz uma variação no número de
conjuntos fuzzy mas causa uma alteração na quantidade de elementos de cada conjunto.
As figuras 9.1 e 9.2 representam CFs com 9 elementos nos universos e com
cardinalidade 3 e 5 respectivamente. O aumento do valor da cardinalidade não melhorou as
características suavizando o controlador e os dois tem a mesma linha zero.
O número de níveis de quantização foi aumentado para 17 nas figuras 9.3 e 9.4. Novamente
os novos CFs tem a mesma linha zero e eles mostram um alisamento nas superfícies em
relação às figuras 9.1 e 9.2.
47
Nas figuras 9.1 a 9.7 os três universos (entradas e saída) eram do mesmo tamanho
em cada CF. É interessante observar a influência causada pelo uso de universos de diferentes
tamanhos. As figuras 9.8; 9.1; 9.9 e 9.10 apresentam uma seqüência em que a cardinalidade
é mantida constante (LL= 3), os números de elementos dos universos de in1 e in2 são
mantidos iguais a 9, mas o universo de out assume respectivamente 5; 9; 13 e 17 elementos.
A linha zero permanece quase a mesma. É possível observar que o número de degraus das
superfícies não muda substancialmente, mas os níveis desses degraus decrescem à medida
que o universo de out cresce. Isso causa um alisamento ao redor do ponto de equilíbrio mas
este efeito não é tão forte como o resultado obtido quando todos os universos tem seu
tamanho aumentado.
Uma outra análise pode ser feita variando-se o tamanho do universo de somente uma
das entradas. Nas figuras 9.11; 9.1, 9.12 e 9.13, o tamanho dos universos de in2 e out são
mantidos constantes e iguais a 9 elementos. O universo de in1 contém, respectivamente, 5, 9,
13 e17 elementos. O alisamento ao redor do ponto de referência cresce com o aumento do
universo. A superfície assume uma forma assimétrica.
48
Conforme foi observado nas figuras do item 9.1, a saída de um CF não é contínua,
isto é, se uma das entradas variar continuamente entre um e outro extremos do universo, a
saída variará em degraus. Foram examinadas algumas formas de se obter mais suavidade ao
redor do ponto de equilíbrio. Um procedimento usado para se obter uma ação mais suave no
ponto mencionado é o emprego de inserção de regras na base de regras. A base de regras é,
então, arranjada de modo a ter um espaço inserido ao redor do ponto de equilíbrio no qual o
mesmo conjunto de regras de controle é usado recursivamente à medida que a saída do
sistema se aproxima do valor de referência. Este método propicia uma característica quase
contínua ao redor do ponto de referência. A implementação do método se baseia na
redefinição dos universos de entrada e saída à medida que o erro se aproxima de zero. Uma
maneira cômoda de se obter essa variação dos universos é através do ajuste de ganhos nas
entradas e saídas do controlador. A figura 9.14 ilustra a presença dos ganhos:
10. CONCLUSÃO
Neste trabalho, lógica fuzzy foi abordada visando especificamente a sua aplicação a
sistemas de controle. Essa teoria oferece uma alternativa atraente para o desenvolvimento de
controladores que sejam usados em plantas cujos parâmetros variam ou em plantas difíceis de
serem descritas ou modeladas em termos precisos. Muitos desses sistemas apresentam
características ruins se são controlados por métodos convencionais, mas podem ter a sua
1
operação otimizada pelo uso de controladores fuzzy. Em geral, para projetar um CF, não é
necessário ter um profundo conhecimento matemático sobre o sistema, mas dominar
intuitivamente o seu funcionamento. Isso pode ser conseguido pela experiência e/ou por
observação.
11. REFERÊNCIAS
LEE, C. C., “Fuzzy Logic in Control Systems: Fuzzy Logic Controller - Parts I & II”, IEEE
Transactions on Systems, Man and Cybernetics, vol. 20, N. 2, pp. 404-435, Mar/Apr. 1990.
VON ALTROCK, C., Fuzzy Logic and Neuro Fuzzy Applications Explained, Prentice Hall,
New Jersey, 1995.
BERKAN, R. C. and TRUBATCH, S. L., Fuzzy Systems Design Principles, IEEE Press, New
York, 1997.
PEDRYCZ, W., GOMIDE, F., An Introduction to Fuzzy Sets, MIT Press, Cambridge, 1998.