Lógica Fuzzy

Introdução
O objetivo deste curso é prover de conhecimento
básico sobre Sistemas Inteligentes, os alunos do 6º
período do Curso Superior de Tecnologia em
Automação do CEFET-Campos.
Tendo em vista este objetivo e consciência de ter sido
apresentada a parte da disciplina introdutória de
sistemas inteligentes e Redes Neurais Artificiais, faz-se
necessário adentrar a teoria de Lógica Fuzzy, pois esta
fundamenta o controlador fuzzy (nebuloso), objeto de
estudo desta etapa do curso.
 Lógica Fuzzy
1. Modelagem de plantas e processos em Sistemas de
Controle
1.1 A necessidade de modelagem de sistemas
A modelagem de situações reais é necessária por poder
ser objeto de utilização em ensaios e experimentos de
uma forma mais fácil, e com menores custos, do que a
utilização de sistemas reais.
Método experimental;
Modelagem matemática (ou analítica);
Método heurístico.
 Lógica Fuzzy
1.2 Método Experimental
O método experimental é realizado através de
medições dos valores das variáveis contidas em um
sistema real.
O resultado deste método é uma tabela que apresenta
valores de entrada e seus correspondentes valores de
saída ao longo do tempo.
Todavia, para levantamento de todas as possibilidades
de pares entrada-saída do sistema real, necessitamos
de sistemas de medição extremamente eficiente, bem
como a disponibilidade de matéria-prima para efetuar
testes no processo, o que demanda tempo e custos
operacionais, para burlar tal incoveniente utilizamos, a
modelagem matemática.
 Lógica Fuzzy

1.3 Método da Modelagem Matemática

Este método é de grande valia para simulações, dos
testes anteriormente mencionados, uma vez estes
serão realizados no computador, onde não se necessita
de materiais nem sistemas de medição.
Ele resulta num modelo matemático capaz de
determinar a saída do sistema para um determinado
valor de entrada.
Estes modelos são obtidos, levando em consideração
as relações físicas e químicas que descrevem o
comportamento do sistema real, mas são limitados pois
não incorporam não-linearidades, desgaste de material,
e vaiações do sistema ao longo do tempo. “Por mais
completo que seja, um modelo matemético é apenas
uma representação do sistema real”.
 Lógica Fuzzy

1.3 Método da Modelagem Matemática

Fenômenos pobremente compreendidos
Valores imprecisos de parâmetros
A dimensão e complexidade do modelo
Distúrbios externos
Deficiência de qualificação técnica
 Lógica Fuzzy

1.3 Método Heurístico

O método heurístico se utiliza de conhecimento prévio
do sistema para elaboração de regras práticas, do tipo
implicação lógica:
Se <condição> então <ação>
Estas regras associam consequentes (ação) aos seus
antecedentes (condição) da mesma forma que a tabela
do método experimental, ou seja, ponto a ponto,
cobrindo todas as possibilidades. Porém no sistema
fuzzy este conhecimento é realizado modelando o
conhecimento do especialista, e abrangendo
subconjuntos das variáveis de entrada e saída.
Se entrada = Médio então saída = Grande
 Lógica Fuzzy

1.3 Método Heurístico

Onde Médio e grande são representações fuzzy
(nebulosas) de uma faixa de valores possíveis das
variáveis de saída e entrada.
Estas representações são obtidas a partir das funções
de pertinência associadas a esta variável.
 Lógica Fuzzy

2. Princípios básicos de LÓGICA FUZZY

2.1 Bivalência
A ciência da Informação é baseada na bivalência.
A álgebra de Boole lança as bases para modelarmos o
conhecimento do mundo com apenas dois valores: “0”
e “1”.
Porém o mundo não é totalmente bivalente, tendemos
a pensar de tal maneira devido a nossa cultura
ocidental a partir de lógica Aristotélica.
Se uma coisa não é totalmente verdadeira então é
falsa.
 Lógica Fuzzy

2. Princípios básicos de LÓGICA FUZZY

2.1 Multivalência
Existe um grande descompasso entre nossa visão
bivalente e o mundo multivalente, a começar com os
diferentes tons de cinza existentes entre a cor branca e
a preta.
Assim como no diagnóstico médico o profissional
precisa levar em consideração diferentes fatores para
determinar a doença de uma pessoa.
Em termos técnicos o mundo real é analógico e não
digital.
 Lógica Fuzzy

2. Princípios básicos de LÓGICA FUZZY

2.3 Números Fuzzy
Para entendermos os números fuzzy precisamos
abstrair e imaginar um risco sobre um eixo numérico
horizontal, variando de -3 a 3. E sobre número real 0
um risco na vertical.
Devemos associar a idéia de que um número real pode
ser visto como um conjunto em que seus componentes
pertencem (100%) ou não pertencem (0%) a este
conjunto.
Portanto podemos dizer que o risco na vertical é o
conunto ZERO e que os números do eixo horizontal
pertencem ou não ao conunto ZERO.
 Lógica Fuzzy

2. Princípios básicos de LÓGICA FUZZY

2.3 Números Fuzzy
Supondo agora que o risco seja borrado para a
esquerda e para a direita proporcionalmente.
A esse novo conjunto gerado damos o nome de QUASE
ZERO e percebe-se que ele, ao contrário do ZERO,
possui uma área finita.
Pode-se ainda desenhar um conjunto que seja mais
borrado para os lados, chamado de PRÓXIMO DE
ZERO, que podemos dizer “mais fuzzy” que o anterior.
 Lógica Fuzzy

2. Princípios básicos de LÓGICA FUZZY

2.4 Implicação lógica e regras de inferência
Os seres humanos pensam a partir de implicações
lógicas, regras de inferência do tipo:
Se causa1=A e causa2=B então efeito=C
Em diversas situações na vida profissional e no meio
técnico tais iplicações são corriqueiras, por exemplo,
para resolver problemas matemáticos e seguir u
manual de um equipamento, tomar decisões, etc.
Se o trânsito está PESADO na rua#2 então mantenha o
semáforo verde MAIS TEMPO ACESO.
Onde os termos em maiúsculo representam conjuntos
fuzzy, determinados através do grau de pertinência
associado aos valores possíveis.
 Lógica Fuzzy

2. Princípios básicos de LÓGICA FUZZY

2.4 Implicação lógica e regras de inferência
Logo, o fato de implantar inteligência no controlador do
semáforo está na arte de relacionar através de
implicações lógicas os conjuntos fuzzy.
 Lógica Fuzzy

2. Princípios básicos de LÓGICA FUZZY

2.4 Fuzzificação e defuzzificação natural
Estes conceitos podem ser evidenciados a partir do
exemplo de um operador realizando um controle de
velocidade de um veículo.
O cérebro do operador não necessita de valores exatos
da grandeza velocidade para perceber a qual conjunto
fuzzy ela pertence (BAIXA, MÉDIA e ALTA), estes
conjuntos representam valores fuzificados dos valores
exatos da velocidade.
Após perceber a qual conjunto pertence a velocidade
naquele momento, o operador vai processar a ação de
controle através de uma implicação lógica.
 Lógica Fuzzy

2. Princípios básicos de LÓGICA FUZZY

2.4 Fuzzificação e defuzzificação natural
Após o processamento linguístico o operador vai
atribuir uma ação de controle também fuzzy, porém
para atuar sobre o sistema real, ele realiza a conversão
do valor fuzzy em um valor exato para manipular a
variável controle.
 Lógica Fuzzy

3. Teoria de Conjuntos
3.1 Noções básicas sobre conjuntos
Uma das noções mais básicas da teoria de conjuntos é
a pertinência de um elemento a um determinado
conjunto:
x A
Uma forma de indicar esta pertinência pode ser através
de uma função de pertinência,  A (x) cujo valor indica
se o elemento x pertence ou não ao conjunto A. No
caso da teoria convencional de conjuntos esta função é
do tipo bivalente sendo seu valor “0” quando o
elemento não pertence ao conjunto e “1” quando o
elemento pertence.
 Lógica Fuzzy

3. Teoria de Conjuntos
“A propriedade fundamental da lógica convencional é
que, ou booleana, é que a função de pertinência é
bivalente.”
Um exemplo básico pode fazer com que observamos
melhor a questão da pertinência de um dado elemento
em um conjunto.
Onde a velocidade de um carro é plotada em termos da
função bivalente. Os que dirigem mais rápido que
80Km/h pertencem ao grupo de infratores (A), e tem
sua função de pertinência com valor I. Por outro lado
aqueles que dirigem mais lentamente não pertencem a
este conjunto A.
Lógica Fuzzy
 Lógica Fuzzy

3. Teoria de Conjuntos
Na realidade a transição brusca entre infratores e não-
infratores não é levada tão ao “pé-da-letra”.
Na verdade os policiais reconhecem a imprecisão de
seus instrumentos para medir velocidade, e concedem
uma tolerância para pequenas infrações. Talvez
considerem infratores apenas aqueles que dirigem
acima de 85Km/h, e emitirão multas a partir deste
valor.
Uma forma mais realista de plotar esta função é
demonstrar que a transição é gradual e não brusca.
Lógica Fuzzy
 Lógica Fuzzy

3. Teoria de Conjuntos
Probabilidade X Possibilidade
Probabilidade
Elemento tem 0,8 (80%) de chance de pertencer ao
grupo A.
Possibilidade
1,0 = MEMBRO; 0,8 = QUASE MEMBRO; 0,6 = MAIS
OU MENOS MEMBRO; 0,4 = NÃO MUITO MEMBRO; 0,2
= POUQUÍSSIMO MEMBRO; 0 = NÃO MEMBRO.
 Lógica Fuzzy

3. Teoria de Conjuntos
Universo de discurso
Tomando como exemplo um sistema de simples
entrada, tem-se como universo de discurso os valores
possíveis de serem assumidos pela entrada u(k), logo,
um conjunto fuzzy de uma faixa de valores de u(k)
seria um subconjunto.
Universo de discurso nada mais é que o range da
variável.
 Lógica Fuzzy

3. Teoria de Conjuntos
Conjunto
Podemos considerar conjunto um vetor de pares
ordenados, da seguinte forma:
A = {(x1, 0), (x2, 0), (x3, 1), (x4, 1), (x5, 0)}
Cada valor da entrada x com seu correspondente valor
de pertinência (função de pertinência bivalente).
Se extremamente conhecida a faixa de valores e seu
grau de pertinência, o conjunto pode ser definido
apenas por um vetor de pertinência.
A = {0, 0, 1, 1, 0}
 Lógica Fuzzy

3. Teoria de Conjuntos
Variáveis linguísticas
Uma variável linguística em um determinado universo
de discurso é definida por rótulos, e cada valor sendo
um número fuzzy definido nesse universo pela função
de pertinência.
T(velocidade) = {BAIXA, MÉDIA, ALTA}
Sobre um universo de discurso que varia de 0 a 100,
onde BAIXA, MÉDIA e ALTA são termos, ou variáveis
linguísticas de velocidade.
 Controlador Fuzzy - Interfaces

1. Configuração básica de um controlador fuzzy

Esta estrutura é composta pelos seguintes blocos
funcionais:
Interface de fuzzificação;
Base de conhecimento;
Lógica de tomada de decisões;
Interface de defuzzyficação.
 Controlador Fuzzy - Interfaces

1. Configuração básica de um controlador fuzzy

 Controlador Fuzzy - Interfaces

2. Funções de pertinência fuzzy

As funções de pertinência fuzzy são funções numéricas
representadas de forma gráfica ou tabulada que atribui
valores de pertinência para valores discretos de uma
variável, em seu universo de discurso.
Apesar da ilustração a seguir demonstrar as funções de
pertinência como contínuas, na verdade elas são
discretizadas, pois nosso objetivo é aplicação em
sistemas computacionais.
A quantidade de funções de pertinência e seu formato
não são definidos através de nehum formalismo,
ficando então a cargo do projetista recorrer a
experiência de operadores do processo bem como o
conhecimento prévio deste para a escolha.
Controlador Fuzzy - Interfaces
 Controlador Fuzzy - Interfaces

2. Funções de pertinência fuzzy

Existem porém, algumas considerações feitas por
especialistas da área, sobre essa escolha.
Um número prático de funções de pertinência, é algo
entre 2 e 7 para cobrir o universo de discurso de uma
variável. Quanto maior o número maior a precisão,
mas também aumenta a demanda computacional.
Mas a partir de um número de funções maior que 7
esta particularidade passa a não mais fazer efeito.
Os formatos mais encontrados são triângulos e
trapezóides, mas em situações onde a transição deve
ser mais suave pode-se utilizar funções sigmóides,
gaussiana.
Controlador Fuzzy - Interfaces
 Controlador Fuzzy - Interfaces

2. Funções de pertinência fuzzy

As funções de pertinência não precisam ser igualmente
espaçadas e cada variável pode ter um conjunto de
funções diferente.
Repare que em sistemas onde o zero é o ponto de
equilíbrio, e o universo vai de valores negativos a
positivos, faz-se necessário uma interação mais
intensas entre as funções no centro, e nos extremos o
espaçamento é aumentado.
Controlador Fuzzy - Interfaces
 Controlador Fuzzy - Interfaces

3. Fuzzificação
O primeiro passo para a contrução de um controlador
fuzzy é definir as variáveis manipuladas e controladas
do sistema.
A seguir devemos estabelecer o universo de discurso e
os subconjuntos fuzzy associados as variáveis
linguísticas. Estas estão definidas pelas suas funções
de pertinência.
Normalmente utilizamos de 3 a 12 valores linguísticos.
Quando o controlador passa a operar os valores do
universo de discurso vão sendo codificados aos valores
linguísticos da variável. É associado ao número um
valor de pertinência relativo ao subconjunto que este
pertence.
 Controlador Fuzzy - Interfaces

3. Fuzzificação
O que pode ocorrer, se os valores linguísticos tiverem
interações, é que um mesmo valor pode pertencer a
valores linguísticos diferentes, com graus de
pertinência diferentes.
Exemplo.:
Em dado instante o erro entre a variável controlada e o
set-point pode ser considerado ALTO com valor de
pertinência igual a 0.7 e NORMAL com valor de 0.3.
 Controlador Fuzzy - Interfaces

4. Base de conhecimento
A base de conhecimento do controlador fuzzy é o seu
“cérebro”. Nela estão contidas informações como:
número e tipo das funções de pertinência, extensão do
universo de discurso das variáveis, variáveis
linguísticas e seus valores linguísticos, bem como as
regras de produção que associam as variáveis
linguísticas de entrada com as de saída.
O método mais utilizado para obtenção das
informações é a obtenção manual.
Este método nada mais é que a entrevista com
operadores e especialistas da área de controle para a
formalização de regras do tipo Se..então que
relacionem valores linguísticos de entrada com os de
saída.
 Controlador Fuzzy - Interfaces

4. Base de conhecimento
As regras de controle fuzzy possuem a característica de
serem avaliadas em paralelo, resultando em várias
ações de controle a serem ponderadas para obtenção
da ação de controle efetiva, esta será enviada para o
processo.
Esta característica permite que o controlador fuzzy seja
robusto a regras de controle contraditórias, devido a
ponderação feita entre as diversas regras.
 Controlador Fuzzy - Interfaces

5. Raciocínio Fuzzy
A etapa de raciocínio fuzzy consiste em utilizar as
regras de controle na presença das variáveis de
entrada medidas do processo e que satisfazem
parcialmente as condições de utilização das regras.
Por exemplo, seja a regra:

Se{V1éA11}e{V2 éA12 }então{WéB1}

Se no instante, a pertinência de V1 em A11 é de 0.65 e
a pertinência de V2 em A12 é 0.3, então a saída do
controlador (w) deveria, por esta regra, ser próximo de
B1 com grau de pertinência descrito por min{0.65,
0.3}=0.3.
 Controlador Fuzzy - Interfaces

5. Raciocínio Fuzzy
Um controlador fuzzy raciocina com inferência
associativa paralela. Quando uma entrada é fornecida,
um controlador fuzzy dispara cada regra em paralelo
com graus diferentes, dependendo de um peso
chamado grau de suporte, que é um número no
intervalo de 0 a 1, associado a cada regra para inferir o
resultado ou valor de saída.
Devido ao processamento das regras em paralelo,
obtemos uma alta velocidade no controlador fuzzy.
Ex.: Em um controlador fuzzy industrial de 3 entradas
e 1 saída, com 80 regras, o tempo de processamento é
de menos de um milissegundo.
 Controlador Fuzzy - Interfaces

5. Raciocínio Fuzzy
Um especialista humano, entrevistado para ajudar a
formular o conjunto de regras fuzzy, pode articular
associações de entrada-saída linguísticas. Assim
sistemas fuzzy podem produzir estimativas de um
sistema não linear complexo sem recorrer a modelos
matemáticos.
 Controlador Fuzzy - Interfaces

5. Defuzzificação
A partir das variáveis linguísticas de saída das diversas
regras e dos seus respectivos graus de pertinência,
deve-se calcular uma ação de controle real, ou seja,
converter os valores linguísticos associados a variável
de saída determinados pelas várias regras, em um
valor de saída para a ação de controle que possa ser
aplicada ao processo, para a correção do erro.
Existem vários métodos para realizar a defuzzificação,
mas o mais utilizado é o COA (Centre of Area). Que no
caso de um sistema discreto é dado pela seguinte
fórmula:

 ( B , B ,...)( y ) * y
y j Y
1 2 j j

y0 
  ( B , B ,...)( y
y j Y
1 2 j )
Lógica Fuzzy
 Controlador Fuzzy - Interfaces

6. Defuzzificação

Na figura a seguir podemos notar que as regras são

processadas de forma paralela o que acaba por
encontrar mais de um consequente para a saída pois
mais de uma regra é ativada pelas condições de
entrada.

Note que as regras que possuem a função de

pertinência da variável de saída preenchida de preto
são as que estão sendo ativadas pelos antecedentes.
Lógica Fuzzy
 Controlador Fuzzy - Interfaces

7. Estrutura do controlador Fuzzy em Controle

Automático

Na figura que se segue podemos observar a

representação da estrutura necessária para a
implementação de um controlador Fuzzy (ou qualquer
outro não convencional) para atuar em um sistema de
controle por computador.

Neste caso o controlador seria implementado via

software “rodando” no PC e interfaceando com o
sistema através de conversores A/D e D/A.
Lógica Fuzzy
 Controlador Fuzzy - Interfaces

7. Estrutura do controlador Fuzzy em Controle

Automático

No diagrama apresentado no próximo slide, a

representação já se assemelha a aplicada a diagramas
de blocos de sistemas de controle realimentados que
trabalham no domínio da frequência, similar aos
modelos vistos na disciplina de Controle de Processos.

Note que as variáveis de entrada do controlador fuzzy

são, o erro e a variação da saída do processo. Um
integrador é colocado em série com a saída do
controlador Fuzzy.
 Controlador Fuzzy - Interfaces

7. Estrutura do controlador Fuzzy em Controle

Automático

Em literatura é possível encontrar diversos comentários

sobre a má performance do controlador Fuzzy para
processo com características de integradores, todavia
verficaremos a arquitetura comentada no Matlab.
Lógica Fuzzy
 Controlador Fuzzy - Interfaces

8. Controlador Fuzzy funcionando como Supervisor do

controle PID

Nesta estrutura a função do controlador Fuzzy é

verificar as variáveis de saída controladas pelos PID’s e
caso a performance destes não estajam aceitáveis,
provavelmente ocorreu um mudança de carga no
processo, o que implica no Controlador Fuzzy entrar em
ação para ajuste destes novos set-point’s.
Lógica Fuzzy
 Controlador Fuzzy - Interfaces

9. Tabela de Regras Fuzzy

As regras cadastradas na base de conhecimento do

controlador Fuzzy podem ser formatadas como mostra
a figura a seguir.

Os termos das variáveis linguísticas de entrada na

vertical e horizontal e seus consequentes (variáveis de
saída) no encontro das duas primeiras, sendo disposta
na tabela.
Lógica Fuzzy
 Controlador Fuzzy - Interfaces

10. Estudo de caso (Double PID Control Bridge)

Neste estudo de caso podemos ver a plicação de um

controlador Fuzzy para o controle de um sistema que
só poderia ser implementado com dois PID’s, o que
evidencia a vantagem do controle multivariável e
baseado em regras do Fuzzy.

Fazer analogia com o Pêndulo.

Lógica Fuzzy