Professional Documents
Culture Documents
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
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
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:
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