Logica Fuzzy Aplicada As Engenharias

LGICA FUZZY APLICADA S ENGENHARIAS
T-baixa
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
Jos Homero Feitosa Cavalcanti

Hiran de Melo
Ccero da Rocha Souto
Mnica Tejo Cavalcanti
Dezembro de 2012
Jos Homero Feitosa Cavalcanti
PREFCIO
Jos Homero Feitosa Cavalcanti tem interesses no uso de sistemas inteligentes em robtica. Ele usou sistemas baseados em Lgica Fuzzy desde o incio da dcada de 1990 quando
ele cursava o doutorado (defendido em 1995) na rea de controle do Departamento de Engenharia Eltrica na antiga UFPB em Campina Grande, PB. Durante a elaborao da sua tese de
doutorado e observando os pndulos, ele e os seus orientadores projetaram um controlador
hbrido, baseado na Lgica Fuzzy e nas Redes Neurais Artificiais, para o posicionamento invertido do pndulo simples. Devido a interao cientfica entre o Professor Jos Homero Feitosa Cavalcanti e os participantes do NEUROLAB, foi decidido que esses colegas participariam, cada um, na elaborao de um captulo sobre a aplicao prtica da Lgica Fuzzy baseados nas suas experincias no NEUROLAB. Esta uma verso provisria do livro Lgica
Fuzzy aplicada s engenharias
Este livro possui cinco captulos (captulos 1 a 5) escritos pelo Professor Jos Homero
Feitosa Cavalcanti que versam sobre a base computacional e matemtica de sistemas que usam a Lgica Fuzzy.
O Professor Jos Homero Feitosa Cavalcanti escreveu o captulo 6 que representa na
Lgica Fuzzy as notas musicais. Usa-se a altura das FPs.
Este livro possui um captulo (captulo 7) escrito em conjunto com o Professor Ccero
Rocha Souto usando a defuzzyficao contnua. Os Sistemas complexos, tais como os sistemas representados por pndulos ou o corpo humano, podem ser modelados matematicamente como sistemas de mais de um grau de liberdade. Podem ser citados como sistemas complexos os pndulos e os sistemas robticos que usam ligas com memria de forma. Ccero Rocha
Souto apresenta um sistema desenvolvido para a anlise e a implementao de sistemas usando materiais atuadores de ligas com memria de forma (LMF). O sistema utiliza as ferramentas da lgica Fuzzy e um simulador do comportamento de mudana de forma de uma viga, e
se prope um sistema Fuzzy para control-la. Usa-se a CG das FPs para identificar a LMF.
Este livro possui um captulo (captulo 8) escrito em conjunto com a Professora Mnica
Tejo Cavalcanti baseado na aplicao da defuzzyficao contnua. Durante a elaborao da
sua tese de doutorado (defendida em 2011) ela observou a possibilidade de usar a Lgica
Fuzzy na anlise sensorial. Aps estudos sobre o funcionamento de sistemas para a anlise
sensorial de amostras, ela desenvolveu um sistema Fuzzy para a definio e gradao das caractersticas das amostras, e para a anlise e deciso sobre os dados obtidos da anlise sensorial. Usa-se o valor final da CG das FPs para escolher a amostra.
Este livro possui um captulo (captulo 9) escrito em conjunto com o Professor Hiran de
Melo defuzzyficao lgica e agrupamento. O Professor defendeu a sua tese de doutorado
na rea de previso de sinais, especificamente sobre a previso da posio de um peso sobre
uma placa vibratria. Hiran de Melo responsvel por um captulo que aborda estados de sistemas e a previso de valores em sries temporais representadas como variveis da Lgica
Fuzzy. Usa-se a posio das FPs para representar elementos da srie temporal.
Este livro possui um captulo (captulo 10) escrito para representao e anlise de um
manipulador robtico. Usa-se a inclinao da FP para representar manipuladores de n elos.
O texto deste livro possui nove captulos, ordenados em uma seqncia lgica da estrutura da Lgica Fuzzy. No corpo de cada captulo h a fundamentao terica, exerccios tericos e prticos, proposies de cdigos em linguagem C, solues implementadas no ambiente
1
Jos Homero Feitosa Cavalcanti et ali
MATLAB e as obras de referncia utilizadas. No final apresentado um apndice com a relao das publicaes citadas e sugeridas neste livro.
Neste livro, aps alguns captulos sobre a base da Lgica Fuzzy, apresentam-se os resultados obtidos no desenvolvimento de sistemas Fuzzy, no laboratrio NEUROLAB, na rea
de sistemas no lineares. Apresentam-se as caractersticas de um sistema Fuzzy para anlise
de acordes musicais, um sistema Fuzzy para anlise sensorial, um sistema Fuzzy para previso de sries temporais, e um sistema Fuzzy para anlise e controle de sistemas com memria
de forma.
Este livro usa os recursos de multimdia disponveis nos microcomputadores e tabletes
atuais. O autor escolhe algumas figuras dos captulos para fazer a animao montando um
filme que apresenta dinamicamente o traado das curvas nas figuras. O livro armazenado em
*.pdf e os filmes em *.wmv. Durante a leitura do livro o leitor pode ativar um conjunto de
filmes preparados sobre o desenvolvimento e gerao de algumas figuras.
Dados de Catalogao na publicao (CIP) Internacional, (Cmara do Livro, Brasil)
Cavalcanti, Jos Homero Feitosa, 1950
Cavalcanti, Mnica Tejo, 1980
Ccero Rocha Souto, 1965
Hiran de Melo, 1955
Joo Pessoa PB, 2012
Bibliografia: Lgica Fuzzy; Controladores Fuzzy; Msica; Anlise sensorial; Memria
de forma; Posicionamento; Previso de sries temporais.
2
SUMRIO
1
1.1
1.2
1.3
1.4
2
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
3
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
4
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
5
5.1
5.2
5.3
5.4
5.5
INTRODUO
Introduo
A lgica de Ariststeles
A lgica Fuzzy de Zadeh
Descrio dos captulos
8
8
11
12
A LGICA FUZZY - DEFINIO

Introduo
Anlise de um Sistema usando a Lgica Fuzzy
Sensao trmica, variveis lgicas
Sensao trmica, variveis contnuas
Funes de pertinncias, retas
Funes de pertinncias, sigmides
Definio da Lgica Fuzzy
Concluso
14
14
15
17
20
22
23
27
AS FUNES DE PERTINNCIAS
Introduo
O traado das funes de pertinncias triangulares
O alvo nas funes de pertinncia
Operaes bsicas da Lgica Fuzzy
A defuzzyficao lgica
Uma reta intercepta as funes de pertinncias
A Lgica Fuzzy de Mamdani
Concluso
28
28
31
32
36
37
40
40
DEFUZZYFICAO LGICA NA REA DE CONTROLE

Introduo
Controle de temperatura
Identificao Fuzzy da planta
Controle fuzzy inverso da temperatura
O controlador inverso positivo e negativo
O controlador proporcional ao erro
O controlador Fuzzy de Furohashi
O controlador Fuzzy de Mandani
Concluso
41
41
43
51
55
57
61
64
69
A DEFUZZYFICAO CONTNUA E A ADAPTAO FUZZY

Introduo
A defuzzyficao contnua
Adaptao dos parmetros Fuzzy
Muda valores dos pesos das funes de pertinncia
Concluso
70
73
76
77
81
3
6
6.1
6.2
6.3
6.4
6.5
6.7
6.7
6.8
A ESCALA JUSTA MUSICAL

Introduo
A escala justa
A escala justa e a Lgica Fuzzy
Acorde duplo, operao OR
Acorde duas notas, operao AND
A fatorao duas notas, operao OR e MENOS
O Acorde triplo
Concluso
ANLISE DE SISTEMAS COM MEMRIA DE FORMA
7.1
7.2
7.3
7.4
7.5
7.6
7.7
7.8
7.9
8
8.1
8.2
8.3
8.4
8.5
83
83
85
87
89
90
94
98
Introduo
Aplicaes das LMFs
A histerese em LMFs, experimental
A histerese em LMFs e a Lgica Fuzzy
Controle das LMFs
Controle usando a Lgica Fuzzy
Controle direto do comprimento da LMF
Anlise experimental
Concluso
99
98
99
100
103
104
109
110
115
ANLISE SENSORIAL
Introduo
Caractersticas da lgica Fuzzy
A Anlise Sensorial e a Lgica Fuzzy
Anlise sensorial da faveleira usando a Lgica Fuzzy
Concluso
117
118
119
122
124
9
9.1
9.2
9.3
9.4
9.5
9.6
AGRUPAMENTOS E PREVISO
Introduo
Radiao solar
Varivel fuzzy da radiao solar
Varivel fuzzy da radiao solar, agrupamento
Varivel fuzzy da radiao solar, fuzzyficao
Concluso
125
125
125
126
130
133
10
10.1
10.2
10.3
10.4
10.6
POSICIONAMENTO DE UM MANIPULADOR ROBTICO

Introduo
Manipulador de nico elo
Manipulador de dois elo
Manipulador de trs elo
Concluso
134
134
136
138
144
4
APNDICE A - REFERNCIAS BIBLIOGRFICAS

A.1
Introduo
A.2
Descrio da bibliografia consultada
A.3
Bibliografia consultada e referenciada
145
147
148
5
FIGURAS
1
INTRODUO
A LGICA FUZZY
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
2.11
2.12
2.13
2.14
2.15
2.16
2.17
2.18
2.19
2.20
2.21
2.21
2.22
2.23
2.24
2.25
3
3.1
3.2
3.3
3.4
3.5
3.6
3.7
4
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
Aquecimento de um termmetro
Temperatura no termmetro
Temperatura na sala, gradao
Sensao trmica na sala
Sensao trmica na sala, gradao e lgica
Sensao trmica na sala, lgica
Sensao trmica na sala, T_alta
Sensao trmica na sala, T_baixa
Sensao trmica na sala, funes de pertinncias
Sensao trmica na sala, positiva e prxima de zero grau
Sensao trmica na sala, positiva e negativa
Sensao trmica na sala, retas
Sensao trmica na sala, retas e extenso
Sensao trmica na sala, trapzios
Sensao trmica na sala
Funes de pertinncias
Sensao trmica na sala, exerccio
Funo sigmide
Derivada da funo sigmide
Funo sigmide decrescente
Funo sino
Altura versus idade
Altura do homem, gradao e lgica
Varivel Fuzzy idade
Idade versus altura
Funo de pertinncia da idade
5
6
6
7
8
8
9
9
10
10
11
11
11
12
12
12
12
13
14
15
15
16
17
17
18
18
A DEFUZZYFICAO LGICA
Diagrama de entrada de um sistema Fuzzy
Funes de pertinncia
Funes de pertinncia, altura
Desenho das funes de pertinncias e do alvo
Fuzzyficao e defuzzyficao lgica
Desenho dos alvos
defuzzyficao contnua, o centro de gravidade
21
22
23
24
25
26
26
DEFUZZYFICAO LGICA NA REA DE CONTROLE

Uma planta no linear
Temperatura no termmetro
Modelos dos identificadores discretos e Fuzzy
Detalhes do identificador Fuzzy
Variao da temperatura
Entradas e sadas da planta, regime transitrio
Relao entre U(t), alvo e funes de pertinncias
Funes de pertinncia
35
35
36
37
38
38
39
40
6
4.9
4.10
4.11
4.12
4.13
4.14
4.15
4.16
4.17
4.18
4.19
4.20
4.21
4.22
4.23
4.24
5
Temperaturas referncias
Temperaturas referncias, exerccio
Indicao da temperatura
Identificao do sistema trmico
Temperaturas referncias
Projeto do controlador Fuzzy
Detalhes do controlador Fuzzy inverso
Dinmica direta e inversa da planta
Identificao do sistema trmico, exerccio
Controladores tradicionais
Controle inverso a nveis variveis
Controle da temperatura, positiva e negativa
Controladores tradicionais
Os controladores lineares
O controlador PID
Funes de pertinncias, proporcional ao erro
40
42
42
43
43
44
44
45
46
46
47
47
48
48
48
49
A DEFUZZYFICAO CONTNUA
7
CAPTULO 1
INTRODUO
1.1
INTRODUO
Devido avanada automatizao dos processos e o uso de robs no quotidiano humano
e nas fbricas, os cursos padres de engenharia decidiram formarem engenheiros com o conhecimento bsico de inteligncia artificial. Este livro versa sobre a Lgica Fuzzy, algumas
vezes denominada lgica nebulosa, e a sua aplicao em sistemas no lineares. Neste captulo
so analisados sucintamente o princpio da lgica, a representao de conhecimento e a soluo de problemas usando a heurstica e a Lgica Fuzzy.
1.2
A LGICA DE ARISTSTELES
O filsofo e matemtico grego Aristteles nasceu em Estagira prximo de Pela, a capital
da Macednia na Grcia, ele viveu de 384 a 322 a.C. e morreu em Eubeia. O matemtico Ariststeles considerado o fundador da cincia da lgica. Suas obras contm o primeiro estudo formal conhecido da lgica, que foi incorporado posteriormente lgica formal.
Uma das bases do pensamento de Aristteles a lgica, assim chamada posteriormente.

Aristteles preferia a designao analtica no lugar do nome lgica. Para Aristteles, a
lgica um instrumento, uma introduo para as cincias e para o conhecimento.
A lgica a arte de orientar o pensamento nas suas vrias direes para impedir o homem de cair no erro, disse o filsofo Aristteles.
8
Ariststeles criou um conjunto de regras rgidas para que concluses sobre questes
fossem aceitas como corretas ou logicamente vlidas.
O uso da lgica de Aristteles induz uma linha de raciocnio lgico baseado em premissas e concluses. Por exemplo, se estabelecido que um ser vivo mortal:
todo ser vivo mortal" ( considerado como premissa 1).
Ao mesmo tempo constatado que a mulher Sarah:
"Sarah um ser vivo" (considerado como premissa 2).
Usando-se a lgica de Aristteles conclui-se que "Sarah um ser vivo", isto :
"Sarah mortal".
Esse tipo de lgica conhecido como Lgica Binria ou Lgica Clssica, isto , uma
declarao falsa ou verdadeira, no podendo ser ao mesmo tempo parcialmente verdadeira e
parcialmente falsa.
A seguir, so apresentados algumas definies e alguns termos geralmente utilizados no
estudo da lgica (Copi, 1968).
A lgica, a cincia das leis do pensamento.
A lgica, a cincia do raciocnio.
Pensamento, qualquer processo mental que se produz na psique de uma pessoa.
Silogismo, um argumento que consiste em duas premissas e uma concluso. O silogismo dedutivo, parte do universal para o particular.
A lgica pode ser feita usando-se o modus ponens (latim), que o modo afirmativo,
ou o modus tollens (latim), que o modo negativo.
Modus ponens (em latim significa modo de afirmar) um dos modos dos silogismos
condicionais. Uma das formas formais de representar o modus ponens mostrada abaixo.
Se P ento Q.
P portanto Q.
O argumento tem duas premissas. A primeira premissa a condio "se - ento", significa que P implica Q. A segunda premissa que P verdadeiro seguido da concluso. A seguir apresenta-se um exemplo da lgica modus ponens.
Se chover (P), ento fico em casa (Q).
Chove (P).
Ento fico em casa (Q).
Uma das formas formais de representar o modus tollens (em latim significa modo que
nega) o nome formal para a prova indireta.
Se P ento Q.
Q falso portanto P falso.
O argumento tem duas premissas. A primeira premissa a condio se-ento, nomeadamente que P implica Q. A segunda premissa que Q falso. Destas duas premissas pode
ser logicamente concluido que P tem de ser falso. Explica-se com: se P fosse verdadeiro, ento Q seria verdadeiro, pela premissa 1, mas no , pela premissa 2.
A seguir apresenta-se um exemplo da lgica modus tollens.
Se existe fogo aqui (P), ento aqui tambm h oxignio (Q).
9
No h oxignio aqui (falso Q).

Ento aqui no h fogo (falso P).
As falcias (falsas causas) so mtodos incorretos de raciocnio. Diz-se que o argumento falaz. Uma falcia um modo de raciocnio que parece correto, mas que, quando examinado cuidadosamente, no o . Uma dos exemplos interessantes a falcia do equvoco:
O fim de uma coisa a sua perfeio (considerado como premissa 1)
a morte o fim da vida (considerado como premissa 2)
Usando-se a lgica de Aristteles conclui-se que
a morte a perfeio da vida (considerado como concluso)
Os engenheiros e advogados utilizam uma forma de raciocnio dirigido denominado inferncia. Define-se inferncia como um processo pelo qual se chega a uma proposio. Define-se proposio como o significado de uma sentena ou orao declarativa.
Regras bsicas de inferncia so apresentadas na seguinte equao lgica:
XA
AB
(premissa)
(argumento, A est contido em B)
ento X B (concluso)
A concluso de um argumento a proposio que se afirma com base nas outras proposies. As proposies que so enunciadas como prova (ou a razo para aceitar a concluso)
so as premissas desses argumentos.
As seguintes palavras so indicadores de premissas: porque, desde que, pois que, como,
dado que, tanto mais que, pela razo de que.
As palavras mostradas a seguir so indicadores de concluso: portanto, d, logo, assim,
conseqentemente, segue-se que, pode-se inferir, pode-se concluir.
Argumentos so dedutivos (termos vlidos e invlidos) e indutivos (melhor ou pior, usa
a probabilidade). A induo parte do particular para o universal. Dessa forma, se forem verdadeiras as premissas, a concluso, logicamente, tambm ser.
1.3
A LGICA FUZZY DE ZADEH

A teoria dos Conjuntos Tradicionais foi criada a partir da Lgica Clssica. Constata-se
que a classificao verdadeira ou falsa da Lgica Clssica no adequada em muitas situaes. Por exemplo, um copo tem ou no tem gua. Se ele tem gua, qual a quantidade? Esse tipo de problema muito difcil de ser solucionado usando a Lgica Clssica, pois meio
copo dgua no pode ser ao mesmo tempo parcialmente verdadeiro e parcialmente falso.
Considere um controlador de temperatura com as gradaes de temperatura bem definidas. Pode-se considerar 35C como quente, mas 34,9C como frio. Por outro lado, num conjunto Fuzzy, as transies entre as temperaturas so graduais, associa-se um grau ao elemento
entre '0' (frio) e '1' (quente). Sob o ponto de vista de conforto trmico, indiferente se a temperatura da sala estiver a 26C ou a 25C.
Zadeh (1965, 1973 e 1988) atualmente professor da Universidade de Berkeley na Califrnia, nascido na Tchecolosvquia (em1993, a Tchecoslovquia foi dividida em dois pases,
a Repblica Checa e a Repblica Eslovaca) e naturalizado ingls. O professor Zadeh props a
Lgica Fuzzy para resolver os problemas de lgica incompatveis com a Lgica Clssica.
10
LGICA
GICA FUZZY APLICADA S ENGENHARIAS
Em meados da dcada de 1960, o professor Zadeh observou que os recursos tecnolgitecnolg

cos disponveis eram incapazes de automatizar as atividades
atividades relacionadas a problemas de nan
tureza industrial, biolgica ou qumica, que compreendessem situaes ambguas, no passpass
veis de processamento atravs da lgica computacional fundamentada na lgica booleana.
Procurando solucionar esses problemas o professor Zadeh publicou em 1965 um artigo resures
mindo os conceitos dos conjuntos Fuzzy, revolucionando o assunto com a criao de sistemas
Fuzzy.
A Lgica Fuzzy baseada na teoria dos Conjuntos Fuzzy. Entretanto, na Lgica Fuzzy,
uma premissa varia em grau de verdade de 0 a 1, o que leva a ser parcialmente verdadeira
ou parcialmente falsa.
A Lgica Fuzzy (Lgica Difusa ou Lgica Nebulosa), tambm pode ser definida, como
a lgica que suporta os modos de raciocnio que so aproximados ao invs de exatos.
exatos O raciocnio exato o que estamos naturalmente acostumados a trabalhar.
A fora da Lgica Fuzzy deriva da sua habilidade em inferir concluses e gerar resposrespo
tas baseadas em informaes vagas, ambguas e qualitativamente incompletas e imprecisas.
Neste aspecto,
pecto, os sistemas de base Fuzzy tm habilidade de raciocinar de forma semelhante
dos humanos. Seu comportamento representado de maneira muito simples e natural, levando
construo de sistemas compreensveis e de fcil manuteno.
A Lgica Fuzzy umaa ferramenta capaz de capturar informaes vagas, em geral desde
critas em uma linguagem natural e convert-las
convert las para um formato numrico, de fcil manipulamanipul
o pelos computadores de hoje em dia. Considere a seguinte frase:
Se o sol forte e a circulao do ar
a pequena, ento a temperatura da sala muito
alta.
Os termos forte, pequena e muito alta trazem consigo informaes vagas. A represenreprese
tao dessas informaes vagas se d atravs do uso de conjuntos Fuzzy. Devido a esta propr
priedade e a capacidade de realizar
alizar inferncias, a Lgica Fuzzy tem encontrado grandes apliapl
caes nas seguintes reas: Sistemas Especialistas; Computao com Palavras; Raciocnio
Aproximado; Linguagem Natural; Identificao e Controle de Processos; Robtica; ModelaModel
mento de Sistemas Parcialmente
rcialmente Abertos; Reconhecimento de Padres e Processos de TomaTom
da de Deciso.
Usando a Lgica Fuzzy um aluno no teria dificuldade em assinalar um grau ao profesprofe
sor no conjunto dos "bons professores". Esse grau alcanado imediatamente sem nenhuma
anlise
se consciente sobre os fatores que influem nessa deciso.
O grau de associao no probabilidade, mas uma medida da compatibilidade do objeobj
to com o conceito representado pelo conjunto Fuzzy. Suponha-se
Suponha se que Jos tenha 48 anos, num
11
sistema Fuzzy pode-se definir o nmero 0.3 como a compatibilidade de Jos com a definio
do conjunto Fuzzy dos homens jovens. Esse nmero 0.3 no a probabilidade de Jos ser um
homem jovem, pois ele j tem sua idade definida de 48 anos.
Neste livro, inicialmente, sero estudados como representar sistemas fsicos usando a
Lgica Fuzzy. A seguir, sero estudadas as defuzzyficaes lgicas e contnuas. Sero apresentados exemplos da identificao da dinmica (direta e inversa) de plantas no lineares usando sistemas Fuzzy e sero estudados sucintamente controladores Fuzzy.
1.4
DESCRIO DOS CAPTULOS
Este livro foi escrito em nove captulos. Nos captulos sero descritos e analisados programas computacionais escritos na linguagem C do ambiente MATLAB.
No captulo 1, aps alguns comentrios sobre a Lgica de Ariststeles e a Lgica Fuzzy
de Zadeh, descrevem-se os contedos dos captulos deste livro.
No captulo 2, inicialmente faz-se a anlise Fuzzy de um sistema trmico desenvolvido
para simulao de uma planta de primeira ordem. Faz-se uma anlise sucinta das variveis
Fuzzy dos tipos lgicas e contnuas e definem-se as funes de pertinncias dos sistemas
Fuzzy. Por ltimo, aps a definio formal da Lgica Fuzzy conclui-se o captulo.
No captulo 3 apresentam-se as principais caractersticas intuitivas usadas no desenvolvimento da Lgica Fuzzy, ser mostrado o traado das funes de pertinncias triangulares
seguido das operaes bsicas e a defuzzyficao lgica no conjunto Fuzzy. Por ltimo,
ser comentado sucintamente a Lgica Fuzzy de Mandani.
No captulo 4 apresentada a defuzzyficao lgica na rea de controle. O controlador Fuzzy, o identificador e o controlador fuzzy inverso que usam funes de pertinncias nas
formas de retas e sigmides.
No captulo 5 apresentado o controlador de Furohashi, baseado num controlador fuzzy
tradicional e usando funes de pertinncias nas formas de retas e sigmides.
No captulo 6 apresenta-se a defuzzyficao contnua. Analisam-se as formas de adaptao dos parmetros Fuzzy, e se apresentam exemplos de treinamento dos parmetros do
sistema Fuzzy.
No captulo 7 estudam-se as caractersticas bsicas usadas no projeto e implementao
de um Sistema de Fuzzy desenvolvido para um sistema radiao solar. Estudam-se o Agrupamento e a fuzzyficao dos dados da radiao solar. Por ltimo feito um estudo sucinto
de previso de sries temporais com nfase em vibraes de vigas.
No captulo 8 prope-se e estuda-se o desenvolvimento de um sistema Fuzzy para a Anlise Sensorial de dados, e se faz a anlise sensorial de sementes da faveleira usando a Lgica Fuzzy.
No captulo 9 apresentam-se os conceitos bsicos e as caractersticas de ligas de memria de forma. Analisam-se as caractersticas das ligas de memria de forma e as representa e
controla usando a Lgica Fuzzy.
12
CAPTULO 2
A LGICA FUZZY - DEFINIO

2.1
INTRODUO
Inicialmente faz-se a anlise intuitiva de um sistema Fuzzy desenvolvido para a simulao de uma planta de primeira ordem representada por um sistema trmico. A seguir, aps
uma anlise sucinta das variveis Fuzzy lgicas e contnuas apresenta-se a definio formal da
Lgica Fuzzy. Aps a apresentao de dois outros sistemas Fuzzy, conclui-se este captulo
com a sua anlise e a descrio do captulo seguinte.
2.2
ANLISE DE UM SISTEMA USANDO A LGICA FUZZY

Nesta seo feita a anlise de uma planta de primeira ordem sob a tica de um sistema
Fuzzy.
Na Fig.2.1 apresenta-se a representao simplificada de um circuito utilizado para o aquecimento de um termmetro. Neste circuito R representa uma resistncia eltrica (acoplada
ao corpo do termmetro) que esquenta com a passagem da corrente eltrica i, aquecendo o
termmetro. A temperatura em R depende diretamente da corrente i.
O termmetro representado na cor verde com gradaes na cor vermelha. A chave liga/desliga representada por S1, mostrada esquerda da Fig.2.1. A chave S1 pode estar no
estado desligado (valor lgico 0) ou ligado (valor lgico 1). Na Fig.2.1 a chave S1 est
desligada, implicando uma corrente i nula no circuito, o que no esquenta a resistncia R.
100o
i
S1 desligada
S1 ligada
+
-
S1 i
R
0oC
Fig.2.1 Aquecimento de um termmetro

Na Fig.2.2 apresenta-se a curva da variao da temperatura no termmetro obtida a partir da simulao do circuito da Fig.2.1. Considere-se que a temperatura do ambiente est em
torno de zero graus, ou Ta=0oC. Na abscissa representa-se o tempo t com instantes indicados
por t0 e t1. Na ordenada apresentam-se o valor lgico do estado da chave S1 e a temperatura
sobre a resistncia R.
Na Fig.2.2 pode-se observar que a chave S1 permanece fechada no intervalo de tempo
entre t0 e t1, e aps t1, ela aberta.
Na Fig.2.2 a linha tracejada na cor azul representa o valor lgico do estado da chave S1
que pode ser S1=1 (intervalo para t0<t<t1) ou S1=0 (intervalo t>t1).
13
No instante t=t0, ao ser fechada a chave S1, a temperatura do termmetro aumenta at

um valor prximo de T=50oC numa forma semelhante apresentada na curva da Fig.2.2. No
instante t=t1, ao ser aberta a chave S1, a corrente ser i=0 e a temperatura do termmetro diminui na direo de Ta=0oC na forma apresentada na Fig.2.2.
60
50
S1="0"
T
e
m
pC
40
30
20
10
S1="1"
0
0
t0
20
40
60
80
100
t1
120
140
160
180
200
t(s)
Fig.2.2 Temperatura no termmetro (filmecap2fig2.wmv)

2.3
SENSAO TRMICA, VARIVEIS LGICAS

Supondo-se que o circuito de aquecimento e o termmetro estejam numa sala e que a
temperatura da sala seja igual do termmetro, pode-se perguntar o seguinte: qual a sensao
trmica de uma pessoa dentro da sala? bvio que se pode considerar que, para uma temperatura muito alta ou muito baixa, a sensao trmica na sala seja desagradvel. Pode-se considerar uma sensao trmica agradvel quando a sala estiver numa temperatura considerada mdia pelos seus ocupantes.
Na Fig.2.3 (repetio da Fig.2.2 com modificaes) apresenta-se a curva da variao da
temperatura da sala em que foram indicadas faixas de temperaturas. Uma faixa para a temperatura considerada baixa (BAIXA), uma outra faixa para a temperatura mdia (MDIA) e
uma terceira para indicar temperatura alta (ALTA).
Na anlise da Fig.2.3 considera-se que as temperaturas sero BAIXA para a faixa de
temperatura abaixo de 20oC (cor azul). As temperaturas sero consideradas ALTA para a faixa de temperatura acima de 40oC (cor vermelha). A faixa de temperatura entre 20o C e 40o C
considerada temperatura MDIA (cor amarela).
60
S1="0"
50
S1="0" ALTA
Tem
pC
40
MEDIA
30
20
BAIXA
10
S1="1"
0
0
t0
20
40
60
80
100
t1
120
140
160
180
200
t(s)
Fig.2.3 Temperatura na sala, gradao

14
Podem ser definidas trs variveis lgicas para indicar a sensao trmica de uma pessoa numa sala: BAIXA, MDIA e ALTA. Essas variveis podem representar variveis lingusticas na Lgica Fuzzy. Essas variveis lgicas tero valor lgico 1 quando a temperatura estiver nas faixas apresentadas na Fig.2.3.
Analisando-se o grfico da Fig.2.3, considerando que no incio da anlise as variveis
lgicas tem o valor zero (BAIXA=0, MEDIA=0 e ALTA=0), e havendo variao na
temperatura, o valor lgico das variveis sero BAIXA=1 quando Temp<17oC; MEDIA=1 quando 40oC>Temp>20oC e ALTA=1 quando Temp>40oC. Baseado nesta anlise
intuitiva podem ser traadas curvas para representarem a sensao trmica de uma pessoa na
sala.
Na Fig.2.4 apresentam-se as trs curvas das variveis lgicas (BAIXA, MDIA e ALTA) traadas para indicarem a sensao trmica das pessoas. Observe-se que a abscissa o
valor da temperatura e a ordenada o valor lgico da sensao trmica (ou o valor de BAIXA, MDIA e ALTA). Essas variveis lgicas so conhecidas como variveis liguisticas,
pois representam a nossa interpretao intuitiva da temperatura num ambiente.
O valor da varivel ser BAIXA=1 para Temp<20oC (representado na cor vermelha
na Fig.2.4). O valor da varivel ser MEDIA=1 para 20oC<Temp<40oC (representado na
cor azul na Fig.2.4). O valor da varivel ser ALTA=1 para Temp>40oC (representado na
cor verde na Fig.2.4).
BAIXA
MEDIA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
Fig.2.4 Sensao trmica na sala

2.3
EXERCCIOS Variveis lgicas
2.3.1)Desenhe na Fig.2.5 as curvas T_baixssima e T_altssima nos dois grficos mostrados
na Fig.2.5. Defina as faixas de variao das temperaturas.
80
70
60
S1="0"
40
T
em
pC
50
30
20
10
S1="1"
0
t0
t1
t(s)
-10
-20
20
40
60
80
100
120
140
160
180
200
15
Fig.2.5 Sensao trmica na sala, gradao e lgica

2.4
SENSAO TRMICA, VARIVEIS CONTNUAS

Associando-se o termo conforto sensao trmica (varivel Fuzzy conforto), podese considerar que o ocupante da sala ter maior conforto quando a temperatura da sala for
mdia e a varivel lgica MEDIA for associado o valor lgico 1, ou MEDIA=1.
Observa-se intuitivamente, na Fig.2.6, que as variveis lgicas BAIXA, MDIA e ALTA apresentam uma atribuio do conforto da sala muito brusca. Por exemplo, a temperatura
BAIXA at 20oC (BAIXA=1) variando de 1 a 0 em Temp=20oC, enquanto a varivel
MEDIA varia de 0 para 1. Geralmente, os ocupantes da sala no sentem uma mudana
brusca da sensao trmica.
Um outro exemplo, uma variao entre BAIXA=1 e MDIA=0 para BAIXA=0 e
MDIA=1, ou vice versa, no so sentidas bruscamente pelos ocupantes da sala em
Temp=20oC ou em Temp=40oC.
Analisando-se ainda a Fig.2.6 pode-se considerar que os ocupantes da sala sintam algum grau de conforto (MEDIA=1) para variaes de temperatura abaixo e prximo de 20oC
(Temp=19,5oC apresentando valores decrescentes), ou para variao de temperatura acima de
40oC (Temp=40,5oC apresentando valores crescentes).
Essa considerao sugere o uso de funes contnuas na descrio da variao de temperatura na sala. Essas funes contnuas possuem traados semelhantes curva da temperatura mostrada na Fig.2.2.
BAIXA
MEDIA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
Fig.2.6 Sensao trmica na sala, lgica

Analisando-se a nossa forma intuitiva de sentir a temperatura pode-se considerar que a
sensao de conforto trmico sentida numa sala pelos seus ocupantes gradativa e no brusca.
Na anlise da varivel contnua que define a temperatura de uma sala podem-se definir
funes de conforto para as variveis lingusticas, no caso T-baixa, T-media e T-alta. Algumas dessas novas funes tm traados semelhantes aos da curva da temperatura apresentadas
16
na Fig.2.2 na forma de funes exponenciais. Elas possuem um valor mximo igual a um e

um valor mnimo igual a zero. Na Lgica Fuzzy essas curvas so denominadas de funes de
pertinncia, uma funo de pertinncia para cada varivel Fuzzy.
A anlise do traado de T-alta(Temp) pode ser feita da seguinte maneira (ver a Fig.2.7):
para Temp>40oC a sensao de desconforto na sala pode ser considerada mxima tal que Talta(60)=1. Quando a temperatura vai diminuindo e se aproximando de Temp=40oC a sensao de desconforto vai diminuindo at um valor menor que um, tal que T-alta(40)0.5. Considerando-se que a temperatura continua a diminuir a varivel T-alta vai se tornar zero quando
Temp20oC. Observe-se que o traado de T-alta assemelha-se ao traado da curva da temperatura da Fig.2.2 para t>t0.
T-baixa
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
Fig.2.7 Sensao trmica na sala, T_alta

A anlise do traado de T-baixa(Temp) pode ser feita em etapas(ver a Fig.2.8). Primeiro, para Temp=0oC a sensao de desconforto pode ser considerada mxima tal que
T_baixa(0)=1. Segundo, quando a temperatura vai aumentando e se aproximando de
Temp=20oC a sensao de desconforto vai diminuindo at um valor menor que um, tal que
T_baixa(20)0.5. Terceiro, considerando-se que a temperatura continua a aumentar a varivel
T-baixa vai se tornar zero quando Temp40oC. Observe-se que o traado de T-baixa um
pouco diferente do traado da curva da temperatura da Fig.2.2 para t>t1.
T-baixa
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
Fig.2.8 Sensao trmica na sala, T_baixa

A anlise do traado de T-media(Temp) pode ser feita da seguinte maneira (ver a
Fig.2.9): para Temp<20oC e Temp>40o C a sensao de desconforto pode ser considerada
mxima tal que T-media(Temp)<0.5. Considerando-se Temp>40oC, e que a temperatura vai
diminuindo e se aproximando de Temp=40oC, a sensao de desconforto vai diminuindo at
um valor menor que um, tal que T-media(40)0.5. Considerando-se Temp<20oC, e que a
temperatura vai aumentando e se aproximando de Temp=20oC, a sensao de desconforto vai
diminuindo at um valor menor que um, tal que T-media(20)0.5. A varivel T-media=1
quando Temp30oC.
17
A funo T-media formada por duas outras funes. O traado de T-mdia de 10oC at
30 C semelhante ao traado da curva T-alta, e que o traado de T-mdia de 30oC at 50oC
semelhante ao traado da curva T-baixa.
o
T-baixa, T-media e T-alta so funes que so associadas ao conforto da temperatura da

sala (funes que pertencem ao conforto da sala). Elas so representadas por uma varivel denominada varivel do conforto da sala que foi denominada por Zadeh (1965) de varivel
Fuzzy. Elas tambm podem ser representadas como funes de pertinncia.
T-baix a
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
Fig.2.9 Sensao trmica na sala, funes de pertinncias (filmecap2fig9.wmv)

2.4
EXERCCIOS Sensao trmica, variveis contnuas
2.4.1)Indique as gradaes e desenhe na Fig.2.10 as curvas T-mnima, T-baixa, T-media, Talta e T-quente (exponencial).
MINIMA
BAIXA
MEDIA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-10
10
20
30
40
50
60
TempoC
70
Fig.2.10 Sensao trmica na sala, positiva e prxima de zero grau

2.4.2)Indique as gradaes e desenhe na Fig.2.10 as curvas T-neg-baixa, T-neg-media e Tneg-alta, T-mnima, T-baixa, T-media e T-alta (exponencial). A palavra neg significa temperatura abaixo de zero ou negativa.
NEG-ALTA
NEG-MEDIA
NEG-BAIXA
MINIMA
BAIXA
MDIA
ALTA
0
0oC
Temp
Fig.2.11 Sensao trmica na sala, positiva e negativa
18
2.5
FUNES DE PERTINNCIAS, RETAS

Na Fig.2.12 apresentam-se os desenhos das funes de pertinncia da varivel Fuzzy
conforto trmico na forma de exponenciais. Geralmente, os projetistas usam funes de pertinncia na forma triangular como pode ser visto na Fig.2.12. As retas substituem as curvas exponenciais. Observe-se que so necessrias duas retas para a funo de pertinncia T-mdia.
T-baixa
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
Fig.2.12 Sensao trmica na sala, retas

A funo de pertinncia T-alta, devido ao intervalo de operao, algumas vezes necessita de mais uma reta na sua definio, como pode ser visto na Fig.2.13, T-alta=1 para
Temp>60oC.
T-baixa
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
70
Fig.2.13 Sensao trmica na sala, retas e extenso

Os projetistas tambm usam funes de pertinncia na forma de trapzio como pode ser
visto na Fig.2.14. Nesta figura T-media=1 para 25oC<Temp>35oC e T-alta=1 para
Temp>60oC
T-baixa
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
70
Fig.2.14 Sensao trmica na sala, trapzios (filmecap2fig14.wmv)

19
2.5
EXERCCIOS Funes de pertinncias, retas
2.5.1)Desenhe na Fig.2.15 as curvas T-baixa, T-media e T-alta usando uma reta para T-baixa,
duas retas para T-media (Funo de pertinncia triangular) e uma reta para T-alta. Respeite os
pontos de transio de 20oC e 40oC.
BAIXA
MEDIA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC

2.5.2)Desenhe na Fig.2.16 as curvas T-baixa, T-media e T-alta usando duas retas para Tbaixa, duas retas para T-media e duas retas para T-alta. Respeite os pontos de transio de
20oC e 40oC.
BAIXA
MEDIA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
Fig.2.16 Funes de pertinncias

2.5.3)Desenhe na Fig.2.17 as curvas T-minima, T-baixa, T-media e T-alta usando duas retas
para T_baixa, duas retas para T_media e duas retas para T_alta. Respeite os pontos de
transio.
MINIMA
BAIXA
MEDIA
ALTA
1
0. 9
0. 8
0. 7
0. 6
0. 5
0. 4
0. 3
0. 2
0. 1
0
-10
10
20
30
40
50
60
TempoC
Fig.2.17 Sensao trmica na sala, exerccio
20
70
2.6
FUNES DE PERTINNCIAS, SIGMIDES

As representaes usando retas no so indicadas quando se necessita de uma nica
funo para representar a FP. A funo Sigmide, representada como SIG(.), possui a funo
de ativao de sada do tipo sigmide (ver na cor vermelha esquerda da Fig.2.18 com
Zi(t)=1/(1+e-5.Yi(t))). A funo sigmide crescente, para -<Yi(t)< e o valor da sua sada
varia entre 0 e 1.
1.
(2.1)
1. + e Yi ( t )
A funo sigmide representada pela eq.2.1 e a sua derivada (ver na cor vermelha
direita da Fig.2.18) mostrada na eq.2.2.
SIG(.) = Zi(t) =
Zi(t)=SIG'(.) =
dZ i (t)
= SIG(.).(1.-SIG(.))
dYi (t)
(2.2)
1
0.25
0.9
Zi(t)
0.8
0.2
0.7
0.6
0.15
Zi(t)
0.5
0.4
0.1
0.3
0.2
0.05
0.1
Yi(t)
0
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
SIGMOIDE
0.4
0.6
0.8
0
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
Derivada da SIGMOIDE
0.6
0.8
Yi(t)
Fig.2.18 Funo sigmide Derivada da funo sigmide

A funo sigmide decrescente representada pela eq.2.3 e mostrada esquerda da
Fig.2.19. A sigmide decrescente mostrada direita da Fig.2.19.
e Yi (t )
SIGD(.) = 1-SIG(.)=
1. + e Yi (t )
(2.3)
1
1
0.9
0.8
0.8
0.6
0.7
0.4
0.6
Zi(t)
0.2
Zi(t)
0.5
0
0.4
-0.2
0.3
-0.4
0.2
-0.6
0.1
-0.8
1-Yi(t)
0
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
SIGMOIDE DECRESCENTE
0.6
0.8
Yi(t)
-1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
INVERSA da SIGMOIDE
0.8
0.9
Fig.2.19 Sigmide decrescente Funo inversa da sigmide

Numa representao das funes de pertinncias (FP) de variveis Fuzzy usando as funes sigmides, para representar a funo T-alta usa-se a funo Sigmide (SIG(.)). Para representar a funo T-mdia usa-se a derivada da funo sigmide multiplicada por quatro
(4*Zi(t)). Para representar a funo T-baixa usa-se a eq.2.3.
21
A funo de pertinncia da funo Sino possui a funo de ativao de sada do tipo sino (ver o seu traado na cor vermelha na Fig.2.20 e eq.2.4). Na eq.2.4 o parmetro indica a
largura e o deslocamento da funo sino. Os parmetros da funo sino usados no traado da
curva mostrada na Fig.2.20 foram definidos com os seguintes valores: =0 e =1.
2
Zi(t) = e (Yi (t)+)
(2.4)
1
0.9
0.8
Zi(t)
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-1
-0.8
-0.6
-0.4
-0.2
0
SINO
0.2
0.4
0.6
0.8 Yi(t) 1
Fig.2.20 A funo sino
2.6
EXERCCIOS FUNES DE PERTINNCIA, SIGMIDES
2.5.1)Desenhe na Fig.2.21 as curvas T-mnima, T-baixa, T-media e T-alta usando a funo
sigmide, a sigmide decrescente e a derivada da sigmide para T-baixa, trs retas para Tmedia e T-alta. Repita o exerccicio usando a funo sino.
MINIMA
BAIXA
MEDIA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-10
10
20
30
40
50
60
TempoC
70
2.7
DEFINIO DA LGICA FUZZY

O cientista tcheco naturalizado ingls Lofti A. Zadeh (1965, 1988) introduziu e desenvolveu a teoria da Lgica Fuzzy e do raciocnio aproximado. A Lgica Fuzzy pode ser vista
como uma extenso da lgica de multivalores. Ela modela o modo impreciso do raciocnio
humano que capaz de tomar decises racionais num ambiente com incerteza e impreciso. O
seu poder mais expressivo que no limite, ela contm a lgica de dois valores, ou Lgica Booleana.
Os Conjuntos Fuzzy so ferramentas que podem ser usadas na manipulao de conceitos vagos e particularmente, Sistemas Fuzzy ou Sistemas Inteligente, representam os esforos
na direo da emulao da capacidade humana.
Na teoria clssica dos conjuntos, os conjuntos so ditos "crisp", de tal forma que um dado elemento do universo em discurso (domnio) pertence ou no pertence ao referido conjunto. Na teoria dos conjuntos Fuzzy existe um grau de pertinncia de cada elemento a um de-
22
terminado conjunto. Este conceito parece ser bastante natural e facilmente percebido ao examinarmos a lista de conjuntos abaixo:
conjunto dos nmeros naturais ( c )
conjunto dos caracteres ASCII ( c )
conjuntos dos nmeros naturais muito maiores do que dez ( f )
conjunto dos clientes com alta renda ( f )
Existe claramente uma diferena fundamental entre os conjuntos marcados com "c" e os
conjuntos marcados com "f". Por exemplo, considere-se um caractere, pode-se afirmar sem
dvida se esse caractere pertence ou no pertence ao conjunto dos caracteres ASCII. Essa
questo no to simples quando se lida, por exemplo, com o conjunto dos homens altos.
Uma pessoa que tenha 1,74m de altura seria considerada como pertencente a esse conjunto? E
uma outra com 1,75m? V-se claramente que no existe uma fronteira bem definida separando os elementos do conjunto dos homens altos dos elementos do conjunto dos homens no
altos.
A seguir apresenta-se a definio formal da Lgica Fuzzy (Zadeh, 1965).
Se Y uma varivel que toma valores num universo U, ento a distribuio de possibilidade associada com Y pode ser vista como uma condio elstica nos valores que
podem ser atribudos a Y. Por exemplo, se F um subconjunto Fuzzy de U caracterizado pela funo de pertinncia f: U
[0,1], ento a declarao Y F traduzido numa
distribuio de possibilidade para Y sendo igual a F. Pode-se escrever:
Possibilidade (Y=u)=
f(u)
O conjunto Fuzzy A definido como o par ordenado A={x,
A(x)}
Onde x X e 0
A(x) 1. A funo de pertinncia (x)
descreve o grau a que o
objeto x pertence ao conjunto A. A(x)=0 representa nenhuma pertinncia e A(x)=1,
representa pertinncia total.
Observe-se que a teoria da possibilidade independente da teoria da probabilidade e dos
conjuntos Fuzzy. A teoria da possibilidade uma teoria matemtica para tratar de determinados tipos de incerteza e uma alternativa a teoria de probabilidade. O professor Lotfi Zadeh
props a teoria da possibilidade em 1978 como uma extenso de sua teoria de jogos.
Uma distribuio de possibilidade um conjunto Fuzzy com pelo menos uma funo de
pertinncia. Todos os nmeros Fuzzy so distribuio de possibilidade.
2.7
EXERCCIO DEFINIO DA LGICA FUZZY
2.7.1)Um copo dgua pode estar cheio, vazio ou meio. Explique usando a Lgica Fuzzy.
2.7.2)Qual a diferena entre possibilidade e probabilidade?
2.7.3) Na Fig.2.22 desenhada a curva da altura de um homem versus a sua idade. Observe-se
que no grfico o homem cresce at aproximadamente 2.0m at a idade de 20 anos. Verifique
se correta a gradao da altura do homem em relao altura, BAIXA, MDIA e ALTA.
Desenhe as as funes de pertinncia triangulares para esta varivel fuzzy na Fig.2.23.
23
2
ALTA
1.8
1.6
MEDIA
1.4
BAIXA
Altura
1.2
1
0.8
0.6
0.4
0.2
0
10
20
30
40
50
Idade
60
70
80
90
100
Fig.2.22 Altura versus idade

MEDIA
BAIXA
ALTA
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
Fig.2.23 Altura do homem, gradao e lgica

2.7.4) Refaa o exerccio 2.7.3 para a representao da idade de um homem (MENINO,
RAPAZ e HOMEM).
2.7.5) Quais so as variveis lingusticas, variveis lgicas e as funes de pertinncias dos
sistemas Fuzzy dos exerccios 2.7.3 e 2.7.4?
2.7.6)Deduza e apresente as equaes das retas das funes de pertinncia mostradas na
Fig.2.24.
24

T-baixa
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
Fig.2.24 Sensao trmica na sala, retas

2.7.7)Deduza e apresente os valores dos parmetros da sigmide (1-SIG(x,,)), da sigmide
decrescente (1-SIG(x,,)) das funes de pertinncias mostradas na Fig.2.25.
T-baix a
T-mdia
T-alta
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
TempoC
Fig.2.25 Sensao trmica na sala, contnua

2.2.8)Quais os valores das ordenadas na interseo da reta em negrito (denominada alvo) com
as curvas das funes de pertinncia Z(X), P(X), M(X) e G(X) mostradas nas Fig.2.26
esquerda? Qual das funes de pertinncia possui o maior (e o menor) valor na interseo
com essa reta?
Z(X)
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Fig.2.26 Funes de pertinncias triangulares e o alvo

2.2.9)Quais os valores das ordenadas na interseo da reta em negrito (denominada alvo) com
as curvas das funes de pertinncia Z(X), P(X), M(X) e G(X) mostradas nas Fig.2.27? Qual
das funes de pertinncia possui o maior (e o menor) valor na interseo com essa reta?
25

BAIXA(X)
MEDIA(X)
ALTA(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
60
Fig.2.27 Funes de pertinncias exponencias e o alvo

2.2.10)Projete a funo de pertinncia mM(x) da Fig.2.27 usando a funo sino com
M(x)=exp(-(x-)2)). Qual o valor de ?. O que acontece com M(x) com a variao de e ?
2.8
CONCLUSO
Neste captulo, aps a anlise de um sistema trmico usando a Lgica Fuzzy com variveis lgicas e contnuas. A seguir apresentaram-se sucintamente as caractersticas de algumas
funes de ativao que podem ser usadas como funes de pertinncia. Analisaram-se os tipos de funes de pertinncias baseadas em retas e em sigmides. Finalmente apresentou-se
uma definio formal da Lgica Fuzzy.
26
CAPTULO 3
A LGICA FUZZY E AS FUNES DE PERTINNCIA

3.1
INTRODUO
Neste captulo apresentam-se detalhes da programao de um sistema Fuzzy usando
funes de pertinncia triangular. Inicia-se o captulo analisando as variveis Fuzzy e a
fuzzyficao, faz-se a simulao e o traado de funes de pertinncias triangulares. A seguir, analisa-se a defuzzyficao lgica e contnua. Descrevem-se as operaes bsicas da
Lgica Fuzzy e se conclui o captulo com comentrios sobre este e o prximo captulo.
3.2
O TRAADO DAS FUNES DE PERTINNCIAS TRIANGULARES

Nesta seo considera-se que cada varivel Fuzzy possui um conjunto de funes de
pertinncia (i(X)), representadas num universo X, que geralmente exprimem o conjunto de
variveis lingsticas do sistema, onde cada funo de pertinncia possui uma varivel lgica
associada (ver a seo 2.7 deste livro).
Na Fig.3.1, esquerda, apresenta-se a entrada X de um sistema genrico Fuzzy. A entrada X aplicada individualmente sobre quatro funes de pertinncia Z(X), P(X), M(X) e
G(X). A seguir, essas aplicaes so agrupadas como pode ser visto no centro da Fig.3.1. Essas funes de pertinncia representam variveis lingsticas Fuzzy (Zero, Pequeno, Mdio e
Grande).
FUNES DE
PERTINNCIA
AGRUPAMENTO
CG
DE FUZZYFI CAO
CENTRO DE
GRAVIDADE
Z(X)
P(X)
Z
G
CG
X
FUZZYFI CAO
OPERAES
LGICAS
M(X)
DEFUZZYFI CAO
REGRAS FUZZY
G(X)
SADAS
LOGICAS
Fig.3.1 Diagrama simplificado de um sistema Fuzzy

Os resultados obtidos das aplicaes de X nas quatro funes de pertinncias (denominado Y, centro da Fig.3.1) so aplicados (operaes matemticas) a variveis lgicas e discretas associadas a cada funo de pertinncia (lado direito da Fig.3.1).
Na Fig.3.2 apresentam-se as curvas das funes de pertinncia (i(X)) obtidas usando
um programa escrito no ambiente MATLAB (MATLAB, 2007). A abscissa das curvas da
Fig.3.2 representa o universo de discurso da varivel X a ser fuzzyficada (0<=X<=330).
As retas das funes de pertinncia esto desenhadas em diferentes cores na Fig.3.2.
27
A funo de pertinncia Z(x) desenhada na cor azul escuro e representa a varivel lingustica Z (zero), traada para valores de X prximo de zero.
A funo de pertinncia P(x) desenhada na cor vermelha, representa a varivel lingustica P (pequeno), traada para valores de X pequenos.
A funo de pertinncia M(x) desenhada na cor verde e representa a varivel lingustica M (mdio), traada para valores mdios de X.
A funo de pertinncia G(x) desenhada na cor azul claro e representa a varivel lingustica G (grande), traada para valores grandes de X.
Z(X)
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Fig.3.2 Funes de pertinncia

As funes de pertinncias da Fig.3.2 so representadas por duas retas, exceto Z(x) que
representada por uma reta. Os traados das retas das funes de pertinncia so feitas com
duas variveis auxiliares na forma da eq.3.1, onde R(x) a ordenada da reta, decliv a declividade e onde o deslocamento da reta. Na eq.3.1 0R(x)1.
R(x)=decliv.x+onde
(3.1)
O programa pesos.m (Prog.3.1) usado para definir os parmetros (onde, peso, decliv
e maximo) para o traado das retas das funes de pertinncia triangular.
Prog.3.1 Pesos dos parmetros das funes de pertinncias
%pesos.m
%Funes de pertinencias (FP) triangulares
pontox=330; %Pontos eixo X
numfp=4;
%numero FP
cth=100;
%constante_altura
%Posiao da FP
onde(1)=1;onde(2)=100;onde(3)=200;onde(4)=300;
%Peso da FP
peso(1)=0.01;peso(2)=0.2;peso(3)=0.5;peso(4)=1.;
%declividade
decliv(1)=1.;decliv(2)=1.;decliv(3)=1.5;decliv(4)=1.;
%altura
maximo(1)=1.;maximo(2)=1.;maximo(3)=1.;maximo(4)=1.;
O programa triangsemcg.m (Prog.3.2) usado para desenhar as funes de pertinncias
triangulares.
Prog.3.2 Desenho das funes de pertinncias
28
%triangsemcg.m
%Obtem os parametros das funoes de pertinncias
pesos
%altura das FPs
vetor das FPs
altura(1:numfp)=cth*maximo(1:numfp);curva(1:numfp,1:pontox)=0.;
for i=1:numfp
for j=1:pontox
if(j<onde(i))curva(i,j)=altura(i)-decliv(i)*onde(i)+decliv(i)*j;end
if(j>=onde(i))curva(i,j)=altura(i)+decliv(i)*onde(i)-decliv(i)*j;end
if(i==numfp & j>onde(numfp))curva(i,j)=altura(i);end
if(curva(i,j)<0)curva(i,j)=0.;end
if(curva(i,j)>altura(i))curva(i,j)=altura(i);end
end
end
%normaliza o vetor das FPs
curva=curva/cth;
t=1:pontox;
tt=t/pontox;%Abscissa entre 0 e 1
plot(tt,curva(1,t),'b',tt,curva(2,t),'r',tt,curva(3,t),'g',tt,curva(numfp,t),'c','LineWidth',3)
text(20,0.96,'Z
P
M
G')
text(300,-0.07,'X')
3.2 EXERCCIOS - O traado das funes de pertinncias
3.2.1)Quantos parmetros definem uma reta da funo de pertinncia? Quantos parmetros
so associados a uma funo de pertinncia triangular?
3.2.2)Verifique se a associao de cada parmetro do Prog.3.1 nos desenhos das funes de
pertinncias mostrados na Fig.3.2 so corretas.
3.2.3) Na Fig.3.3 apresentam-se as funes de pertinncia padro obtidas com os pesos e a
abscissa modificados. Associe cada declarao do Prog.3.2 aos desenhos das funes de
pertinncias mostrados na Fig.3.3 usando o conjunto de valores mostrados no programa
pesosm.m (Prog.3.1 modificado).
Prog.3.1 Pesos dos parmetros das funes de pertinncias, modificados
%pesosm.m
pontox=330; numfp=4; cth=100;
%Posiao da FP
%Peso da FP
%declividade
decliv(1)=1.;decliv(2)=0.7;decliv(3)=1.5;decliv(4)=1.;
%altura
maximo(1)=1.;maximo(2)=0.7;maximo(3)=0.9;maximo(4)=1.;
29

Z
1
maximo(1)
maximo(3)
maximo(4)
0.9
0.8
maximo(2)
0.7
0.6
0.5
0.4
0.3
0.2
0.1
decliv(1)
0
0
onde(1)
decliv(2)
50
100
onde(2)
decliv(3)
150
decliv(4)
200
onde(3)
250
300
onde(4)
X
350
Fig.3.3 Funes de pertinncia, altura (cap3filmefig3.avi)

3.2.4)Sugira relaes entre aplicaes e os parmetros das funes de pertinncias.
3.2.5)Trace uma curva passando sobre a extremidade superior das funes de pertinncia da
Fig.3.5.
3.2.6)Prove que o Teorema de Kolmogorov tambm pode ser usado para Sistemas Fuzzy. O
matemtico A. N. Kolmogorov (Kurkova, 1995) no seu teorema de superposio provou que
uma funo contnua multi varivel pode ser decomposta numa superposio finita de funes
contnuas de menor nmero de variveis. A frmula de Kolmogorov apresentada na eq.3.2
com x1, ..., xn representando as variveis, q e pq representando funes contnuas de
nica varivel.
A frmula de Kolmogorov claramente se assemelha a uma rede neural de duas camadas.
q
pq( x p )
q =1
p =1
(3.2)
Hecht-Nielsen (1987), para provar a capacidade de uma RNMC aproximar arbitrariamente bem alguma funo contnua, sugeriu a utilizao do teorema da superposio de Kolmogorov. Outro pesquisador, Funahashi (1989), utilizando o teorema da superposio de
Kolmogorov, argumentando que as funes do tipo degrau, construdas utilizando alguma
funo sigmide crescente, so capazes de aproximar alguma funo contnua num intervalo
fechado com alguma preciso, derivou que uma RNMC com duas camadas pode aproximar
este tipo de funo.
2 n +1
f(x1 , x 2 ,..., x n ) =
3.3
O ALVO NAS FUNES DE PERTINNCIAS

Na Fig.3.2 pode-se observar que se podem associar uma ou mais ordenadas aos pontos
da abscissa. Nesta seo, define-se alvo como qualquer ponto escolhido na abscissa das curvas das funes de pertinncias. No centro da Fig.3.4, desenhada com o programa poealvo.m
(Prog.3.3), est desenhada uma reta na cor preta indicando a abscissa X da varivel alvo=0.5.
Prog.3.3 Programa poealvo.m
%poealvo.m
%Funes de pertinencias triangulares
%Desenha uma reta perpendicular abscissa em alvo
%Abscissa 0<=X<=1
alvo=0.5;ondealvo=alvo*pontox;
30
triangsemcg
l1=[alvo alvo];l2=[0. 1.];line(l1,l2,'Color','black','LineWidth',3)
if(ondealvo>0.)
corta(1:numfp)=curva(1:numfp,ondealvo);
end
corta
Na abscissa da Fig.3.4, indicada pelo alvo (alvo=0.5 e X=pontox*alvo=160), a reta perpendicular abscissa corta as curvas Z(X), P(X), M(X) e G(X) nas ordenadas 0., 0.4, 0.6 e 0.,
respectivamente. No alvo M(X) possui a maior ordenada, tal que M(alvo)> P(alvo)>Z(alvo) e
Z(alvo)=G(alvo). A funo de pertinncia M(X) definida como a varivel Fuzzy vencedora.
Z(X)
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Fig.3.4 Desenho das funes de pertinncias e do alvo

O clculo do valor da funo de pertinncia da varivel Fuzzy denominado fuzzyficao. A fuzzyficao avalia o grau de pertinncia da entrada numrica fornecida (X) gerando variveis Fuzzy. A seguir ocorre uma ativao das regras Fuzzy formando um conjunto
de sada, que ser defuzzyficado.
Na Fig.3.4 v-se que a reta alvo cruza a curva da funo de pertinncia M(X) numa ordenada maior que o cruzamento da reta alvo sobre a funo de pertinncia P(X). A defuzzyficao a transformao da varivel Fuzzy numa varivel lgica ou contnua. Na fase de
defuzzyficao considera-se que M(x) a funo de pertinncia vencedora.
3.3
EXERCCIOS - O traado dos alvos
3.3.1)O programa Prog.3.3 usado para indicar e calcular os valores das interseces de uma
reta perpendicular abscisse, cruzando as funes de pertinncia triangular. Teste o Prog.3.3
para alvo=0.3; 0.35; 0.4; 0.45; 0.5; 0.55; 0.6; 0.65 e 0.7. Quais os vales da varivel corta em
cada alvo? Qual a varivel Fuzzy vencedora em cada alvo?
3.4
OPERAES BSICAS DA LGICA FUZZY

Nesta seo sero analisadas as operaes bsicas da Lgica Fuzzy. Elas so operadas
diretamente sobre as funes de pertinncias que descrevem a varivel Fuzzy. As operaes
bsicas usam os parmetros (onde, peso, decliv e maximo) para o traado das retas das fun-
31
es de pertinncia triangular descritos na seo 3.2. As operaes bsicas da Lgica Fuzzy

so denominadas comparao, contido, unio, interseco e complemento.
3.4.1 Comparao
Comparao: A==B
A==B se A(x)=B(x) x X
L-se A varivel Fuzzy A igual a varivel Fuzzy se todos os pontos da curva A
(associado varivel Fuzzy A) igual a todos os pontos da curva B (associado varivel
Fuzzy B). Na Fig.3.5 apresentam-se as curvas das funes de pertinncia A(x)e B(x). A
curva pontilhada representa A(x) e a contnua representa B(x). Observe-se que as duas curvas so iguais.
A(x)
B(x)
x
Fig.3.5 Comparao.
3.4.2 Contido
Contido: BA
BA se A(x)>B(x) x X
L-se A varivel Fuzzy B est contida em A se todos os pontos da curva B (associado
varivel Fuzzy B) tem um valor menor que todos os pontos da curva (associado varivel Fuzzy A). A curva pontilhada representa A(x) e a contnua representa B(x). Na Fig.3.6
apresentam-se as curvas das funes de pertinncia A(x) e B(x). A curva em negrito representa BA.
B(x)
A(x)
x
Fig.3.6 Contido
3.4.3 Unio
Unio: AB
32
A(x)B(x) = max(A(x), B(x)) x X

L-se A unio da varivel Fuzzy A com a varivel Fuzzy B ser a varivel A se naquele ponto A(x)>B(x), ela ser a varivel B se naquele ponto A(x)<B(x). Na Fig.3.7 apresentam-se as curvas das funes de pertinncia A(x) e B(x). A curva em negrito representa
AB.
A(x)
B(x)
x
Fig.3.7 Unio
3.4.4 Interseo
Interseo: AB
A(x)B(x) = min(A(x), B(x)) x X
L-se A interseco da varivel Fuzzy A com varivel Fuzzy B ser a varivel A se
naquele ponto A(x)<B(x), ela ser a varivel B se naquele ponto A(x)>B(x).
Na Fig.3.8 apresentam-se as curvas das funes de pertinncia A(x)e B(x). A curva
em negrito representa AB.
A(x)
B(x)
x
Fig.3.8 Interseo
3.4.5 Complemento
Complemento: A-1
A-1(x) = 1- A(x) x X
L-se O complemento da varivel Fuzzy A, representada por A(x), ser uma nova
funo de pertinncia A-1(x)=1-A(x). Na Fig.3.9 apresentam-se as curvas das funes de
pertinncia A(x) e -1(x). A curva em negrito representa A-1(x).
33
A-1(x)
A(x)
x
Fig.3.9 Complemento
3.4.6 Subtrao
Subtrao: A-B. Seja A(x)-B(x) = (A(x) - B(x)) x X
L-se A subtrao da varivel Fuzzy A da varivel Fuzzy B ser A(x)-B(x), se naquele ponto A(x)>B(x), seno ser zero.
EXERCCIOS 3.4 Operaes bsicas
3.4.1) Sugira um sistema que use a Lgica Fuzzy e necessite da funo comparao.
Sugesto: Comparar impresses digitais.
3.4.2) Sugira um sistema que use a Lgica Fuzzy e necessite da funo contido. Sugesto:
projete um sistema em que as funes de pertinncia possam se mover na abscissa. Havendo a
ocorrncia da funo contido, uma das funes de pertinncia deve ser retirada.
3.4.3) Sugira um sistema que use a Lgica Fuzzy e necessite da funo unio. Sugesto:
projete o sistema do conforto da temperatura.
3.4.4) Sugira um sistema que use a Lgica Fuzzy e necessite da funo interseco. Sugesto:
projete um sistema em que as funes de pertinncia possam se mover na abscissa e que
represente o mnimo de ndices de desempenhos.
3.4.5) Sugira um sistema que use a Lgica Fuzzy e necessite da funo complemento.
Sugesto: lembre-se dos sistemas que possuem perguntas do tipo de quem Maria no
gosta?.
3.4.6)Qual a diferena entre as operaes dos conjuntos Fuzzy CONTIDO e UNIO? Mostre
graficamente.
3.4.7) Usando a Fig.3.10 mostre graficamente as operaes de unio, interseco e
complemento de A(x) e B(x).
34
A(x)
B(x)
Fig.3.10 Operaes grficas nas funes de pertinncia

3.5
A DEFUZZYFICAO LGICA
Na seo anterior viu-se que o clculo do valor da funo de pertinncia da varivel
Fuzzy denominado fuzzyficao.
A fuzzyficao avalia o grau de pertinncia da entrada numrica fornecida (X), onde
ocorre uma ativao das regras Fuzzy formando um conjunto de sada, que ser defuzzyficado para gerar um resultado numrico de sada (Y).
O clculo da funo de pertinncia vencedora da varivel Fuzzy denominado fuzzyficao, que pode ser definido como o processo de se calcular o valor lgico das funes de
pertinncia das variveis Fuzzy.
A defuzzyficao a transformao de uma varivel do conjunto Fuzzy numa varivel do conjunto discreto.
Na Fig.3.11, desenvolvida a partir da Fig.3.1, ilustra-se a fuzzyficao e a defuzzyficao lgica usando a UNIO como operao da Lgica Fuzzy.
As operaes inicialmente so feitas entre as funes de pertinncia da varivel Fuzzy
(ver o centro da Figura 2). Os resultados obtidos (Y) so aplicados a variveis lgicas e discretas associadas a cada funo de pertinncia. Observe-se que so atribudas variveis lgicas (ZL, PL, ML e GL) s funes de pertinncias(Z(X), P(X), M(X) e G(X)).
A atribuio final de valores lgicos s variveis lgicas denominado defuzzyficao lgica.
FUNES DE
PERTINNCIA
AGRUPAMENTO
Z(X)
P(X)
Z
X
X
FUZZYFI CAO
OPERAES LGICAS
INFERNCIA
M(X)
DEFUZZYFI CAO
REGRAS FUZZY
G(X)
SADAS
LOGICAS
ZL
PL
ML
GL
Fig.3.11 Fuzzyficao e defuzzyficao lgica

35
Na Fig.3.12 apresentam-se quatro funes de pertinncias triangulares com dois alvos.

Os dois alvos possuem duas retas (cores preta e azul) perpendiculares abscissa que cruzam
as funes de pertinncia. Os clculos dos valores das ordenadas nestes pontos determinam a
fuzzyficao. Lembrar que as funes de pertinncias apresentadas na Fig.3.12 foram traadas usando os parmetros onde, peso, decliv e Maximo descritos no programa Prog.3.1.
A reta (cor preta) traada sobre o alvo1=0.5 atinge as funes de pertinncia P(X) e
M(X) nas ordenadas P(0.5)=0.4 e M(0.5)=0.5. A reta (cor preta) no atinge Z(X) e G(X), considera-se que Z(0.5)=0. E G(0.5)=0.
A reta (cor azul) traada sobre o alvo2=0.85 atinge as funes de pertinncia P(X) e
M(X) nas ordenadas M(0.85)=0.28 e G(0.85)=0.72. A reta (cor azul) no atinge Z(X) e P(X),
considera-se que Z(0.85)=0. E P(0.85)=0.
Definem-se ZL, PL, ML e GL como variveis lgicas. No incio da defuzzyficao
lgica atribuem-se os seguintes valores lgicos s variveis lgicas: ZL=0, PL=0,
ML=0 e GL=0.
Usando-se a operao Fuzzy Unio, PM tal que P(x)M(x) = max(P(x), (x)) x
X tal que:
A unio da varivel Fuzzy P com a varivel Fuzzy M ser a varivel P se naquele ponto P(x)>M(x), ela ser a varivel M se naquele ponto P(x)<M(x).
No alvo=0.5 calcula-se M(0.5)>P(0.5). Ento M(X) a funo de pertinncia vencedora, tornando ML=1 (ZL=0, PL=0, e GL=0).
Usando-se a operao Fuzzy Unio, MG tal que M(x)G(x) = max(M(x), G(x)) x
X tal que:
A unio da varivel Fuzzy M com a varivel Fuzzy G ser a varivel M se naquele
ponto M(x)>G(x), ela ser a varivel G se naquele ponto M(x)<G(x).
No alvo=0.85 calcula-se G(0.85)>M(0.85). Ento G(X) a funo de pertinncia vencedora, tornando GL=1 (ZL(X)=0, PL=0, ML=0).
Z(X)
P(X)
M(X)
G(X)
0.8
0.6
0.4
0.2
0.1
0.2
0.3
0.4
0.5
alvo1
0.6
0.7
0.8
0.9
alvo2
Fig.3.12 Desenho dos alvos

3.6
UMA RETA INTERCEPTA AS FUNES DE PERTINNCIAS

Supor uma funo crescente definida como y=f(X)=X, traada com o programa poereta.m (Prog.3.4) na cor amarela na Fig.3.13.
Prog.3.4 Pe uma reta nas FPs, poereta.m
36
%poereta
triangsemcg
hold
%normaliza o vetor das FPs
for j=1:pontox
reta(j)=j/pontox;end
curva=curva/cth;
t=1:pontox;tt=t/pontox;
plot(tt,reta(t),'y',tt,curva(1,t),'b',tt,curva(2,t),'r',tt,curva(3,t),'g',tt,curva(numfp,t),'c','LineWidth',
3)
text(0.1,1.06,'Z
P
M
G','Color','r')
text(0.95,-0.07,'X')
text(0.8,0.9,'y=X')
%Desenha uma reta perpendicular abscissa em alvo
alvo1=0.1578;alvoy=0.505;
l1=[alvo1 alvo1];l2=[0. alvoy];line(l1,l2,'Color','black','LineWidth',2)
l1=[0. alvo1];l2=[1. 1.];line(l1,l2,'Color','blue','LineWidth',8)
alvo2=0.4688;
l1=[alvo1 alvo2];l2=[1. 1.];line(l1,l2,'Color','red','LineWidth',8)
alvo3=0.78125;
l1=[alvo2 alvo3];l2=[1. 1.];line(l1,l2,'Color','green','LineWidth',8)
alvo4=1.;
l1=[alvo3 alvo4];l2=[1. 1.];line(l1,l2,'Color','cyan','LineWidth',8)
hold
Na Fig.3.13 apresentam-se retas perpendiculares abscissa (cor preta) traadas nos pontos de interseco entre as funes de pertinncia.
As retas nas interseces entre Z(X) e P(X), P(X) e M(X) e M(X) e G(X) foram traadas nas abscissas alvoZP=0.1578, alvoPM=0.4688; e alvoMG=0.78125), com ordenada variando de 0. a 0.505.
Nos pontos alvoZP, alvoPM e alvoMG no existe funo de pertinncia vencedora. Usando a defuzzyficao lgica, observam-se: para X<alvoZP a funo vencedora a Z(X);
para alvoZP<X<alvoPM a funo vencedora a P(X); para alvoPM<X<alvoMG a funo
vencedora a M(X); para X>alvoMG a funo vencedora a G(X).
As variveis lgicas associadas a cada funo de pertinncia esto indicadas (valores
lgicos 1) nas cores das funes de pertinncias (Zl(azul), Pl(vermelho), Ml(verde) e
Gl(azul claro)).
Na Fig.3.13 a reta amarela corta as funes de pertinncias coincidentemente nos pontos
(0.24;0.24), (0.45;0.4), (0.47;0.47), (0.72:0.72) e (0.91;0.91). Esses pontos podem ser usados
no vetor dos pesos das funes de pertinncias.
37

Z(X)
P(X)
M(X)
G(X)
1
0.9
y=X
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Fig.3.13 Desenho dos alvos e sadas lgicas

3.5
EXERCCIOS A defuzzyficao lgica
3.5.1)Na Fig.3.15 faa a defuzzyficao lgica para as seguintes abscissas: alvo=0.3; 0.35;
0.4; 0.45; 0.5; 0.55; 0.6; 0.65 e 0.7.
3.5.2)Explique a razo da reta na cor amarela cortar as funes de pertinncias nos pontos em
que a abscissa igual ordenada na Fig.3.13.
3.5.3)Sugerir um controlador usando a defuzzyficao lgica.
3.5.4)Na Fig.3.14 apresentam-se as curvas de defuzzyficao usando a funo de unio, na
cor magenta. Explique a relao dos patamares com os pesos. Quais so os valores dos pesos?
Z(X)
P(X)
M(X)
G(X)
1
GL
0.9
0.8
ML
0.7
0.6
PL
0.5
0.4
0.3
0.2
ZL
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Fig.3.14 defuzzyficao Lgica (cap3filmefig14.avi)
38
3.7
A LGICA FUZZY DE MAMDANI

Nesta Seo ser feita uma sucinta descrio da Lgica Fuzzy desenvolvida por Mandami (Mamdani, 1981), e no captulo 5 deste livro ser analisado o controlador Fuzzy de
Mandani.
Na teoria clssica, os conjuntos so denominados "crisp" e um dado elemento do universo em discurso (domnio) pertence ou no pertence ao referido conjunto.
O sistema de Mamdami espera que cada entrada crisp (um nmero real, ou par de nmeros reais) faa corresponder uma sada crisp.
Os mdulos que seguem indicam a metodologia para a construo desta funo:
1) O mdulo de fuzzificao modela matematicamente a informao das variveis de
entrada por meio de conjuntos Fuzzy. A cada varivel de entrada devem ser atribudos termos
lingsticos que representam os estados desta varivel e, a cada termo lingstico, deve ser
associado um conjunto Fuzzy por uma funo de pertinncia;
2) O mdulo da base de regras constitui o ncleo do sistema. neste mdulo onde se
guardam as variveis e suas classificaes lingsticas;
3) O mdulo de inferncia onde se definem quais so os conectivos lgicos usados para estabelecer a relao Fuzzy que modela a base de regras. deste mdulo que depende o
sucesso do sistema Fuzzy j que ele fornecer a sada (controle) Fuzzy a ser adotado pelo controlador a partir de cada entrada Fuzzy; e
4) O mdulo de defuzzificao traduz o estado da varivel de sada Fuzzy para um
valor numrico.
importante ressaltar que existem diferentes mtodos de inferncia Fuzzy com diferentes propriedades. O Fuzzy Logic toolbox do MATLAB oferece duas opes: O Mtodo de
Mamdami e o Mtodo de Sugeno (Sugeno, 1985). Analogamente, existem diversos mtodos
de defuzzificao.
Para um melhor entendimento destes e de outros mtodos de inferncia e de defuzzyficao, sugere-se a leitura do livro de Pedrycz & Gomide (1998).
3.8
CONCLUSO
Neste captulo apresentaram-se exemplos de variveis Fuzzy que usam funes de pertinncia do tipo triangular e exponencial seguido de alguns exerccios que ajudam no entendimento das caractersticas dessas funes.
39
CAPTULO IV
A DEFUZZYFICAO LGICA NA REA DE CONTROLE
4.1
INTRODUO
Neste captulo, aps algumas consideraes sobre a fuzzyficao e a defuzzyficao, analisa-se a aplicao da Lgica Fuzzy na identificao e controle de plantas no lineares representadas por um sistema trmico. Usa-se a forma da defuzzyficao lgica no desenvolvimento do identificador e do controlador inverso. Por ltimo, apresentam-se resultados
experimentais e de simulaes obtidos com o controlador Fuzzy de Furuhashi e de Mandami.
4.2
CONTROLE DE TEMPERATURA
Nesta seo rever-se o sistema de controle de temperatura, descrito nos captulos 2 e 3
deste livro, e o define como uma planta no linear.
O esquema de uma planta no linear (Narenda & Parthasarathy, 1990) (Narenda & Mukhopadhyay, 1992) apresentada esquerda da Fig.4.1. O esquema da planta apresenta o
controlador e a planta representada por um termmetro e o seu ambiente, representado por um
paraleleppedo.
O controlador se compe de um circuito desenvolvido para abrir e fechar uma chave digital na qual passa uma corrente (i) usada no aquecimento de uma resistncia (R). A resistncia est acoplada a um paraleleppedo que representa o ambiente a ter a temperatura controlada. No ambiente (dentro do paraleleppedo hipottico) coloca-se um termmetro que usado
para medir a temperatura.
Geralmente deseja-se que a temperatura de um corpo (representada pelo paraleleppedo
esquerda da Fig.4.1) permanea num valor (graus centgrados) estipulado pelo operador.
O CONTROLADOR responsvel pela gerao da corrente i no circuito da resistncia
R usando algum algoritmo de ativao ou desativao da chave S1. O algoritmo baseado na
temperatura do termmetro e da temperatura referncia.
Na Fig.4.1, direita, apresenta-se um diagrama do controlador de temperatura. No diagrama f(U,Y,t) representa uma funo no linear e o bloco com -1 representa a realimentao de Y(t).
Considera-se que a entrada U(E,t)E da planta dependente do tempo e da tenso E, e
pode variar linearmente entre dois valores, por exemplo E=0V e E=12V, tal que 0.U(t)1.
Os valores de U(t) so conseguidos usando modulao PWM (Pulse Width Modulation) ou
uma fonte de tenso de nvel controlado. O valor de sada Y=f(U,Y) funo da entrada U(t)
e de valores anteriores de Y(t).
40
100oC
i
S1
U(t)
+
-
Y(t)
U(t)
U(t)
0oC
CONTROLADOR
PLANTA NO
LINEAR
Y(t)=f(U,Y,t)
Y(t)
U(t)
Fig.4.1 Uma planta no linear

Na Fig.4.2 apresenta-se a curva da variao da temperatura no termmetro obtida a partir da simulao do circuito da Fig.4.1 (ver o captulo2 deste livro). Acompanha este livro o
filme filmecap4fig2.wmv que ilustra a varia~]ao da temperatura no termmetro.
60
50
S1="0"
Temp oC
40
30
20
10
S1="1"
0
0
t0
20
40
60
80
100
t1
120
140
160
180
200
t(s)
Fig.4.2 Temperatura no termmetro (filmecap4fig2.wmv)

A funo representativa da planta (Y(t)) pode ser descrita pela equao discreta no tempo (eq.4.1), em que Y(t) depende do valor atual da entrada e dos valores anteriores da entrada
e da sada. A funo f(U,Y,t) conhecida como a dinmica direta da planta, e possui uma nica entrada U(t) e uma nica sada Y(t).
Se a planta inversvel (admite uma inversa), deve existir uma funo g(U,Y,t), tal que
U(t) pode ser calculado utilizando a eq.4.2. A funo g (U,Y,t) conhecida como a funo da
dinmica inversa da planta.
Y(t+1) = f(Y(t),...Y(t-n+1);U(t),...,U(t-n+1))
(4.1)
U(t) = g(Y(t),...Y(t-n+1);U(t-1),...,U(t-n+1))
(4.2)
No sistema trmico da Fig.4.1 os parmetros so considerados concentrados, o que equivale a dizer que o corpo do termmetro est na mesma temperatura. O ambiente em que se
encontra o termmetro est com temperatura homognea, significa que as temperaturas so
funes do tempo e no da posio no corpo do termmetro.
O sistema trmico (Kuo, B.C., 1985) pode ser representado pela equao diferencial
eq.4.3. Nesta equao Y representa a temperatura de um objeto e U representa a fonte de calor
ou frio colocado no objeto.
Y=-.Y+.U
(4.3)
41
Define-se =
1
, parmetro que representa a condutividade trmica do objeto.
RiC
A capacitncia trmica C do ambiente do termmetro dada pela eq.4.4. Supe-se que

existe somente uma fonte de fluxo de calor do objeto para o termmetro.
dT
(4.4)
dt
Na simulao do sistema trmico na forma de equaes diferenciais usou-se Euler na
forma discreta. (ver a eq.4.5). A equao diferena da planta foi desenvolvida usando-se yk=Y
e uk=u tal que f(uk,yk)=(-yk+uk) e =. A equao diferena obtida e usada na simulao
mostrada na eq.4.6.
q=C
yk+1=yk+.f(uk,yk)
yk+1=yk+.(uk-yk)
A equao diferena (a eq.4.6) pode ser representada na forma da eq.4.7.
(4.5)
(4.6)
yk+1=a.yk+.uk
(4.7)
EXERCCIO 4.2 Equao diferena

4.2.1)Deduza a eq.4.6 usando a equao de Euler.
4.2.2)Prove que a eq.4.6 pode ser representada na forma da eq.4.7.
4.2.3)Prove que uma funo na forma 1-e-t representa a curva da Fig.4.2 na subida da
temperatura.
4.2.4)Prove que uma funo na forma e-t representa a curva da Fig.4.2 na descida da
temperatura.
4.3
IDENTIFICAO FUZZY DA PLANTA

O projeto de identificadores Fuzzy, baseado no modelo da planta, pode ser descrito na
forma mostrada esquerda da Fig.4.3. Nesta figura o bloco superior representa a planta ou o
termmetro a ser aquecido ou resfriado. O bloco inferior representa a aplicao da Lgica
Fuzzy na identificao da dinmica direta da planta, denominado identificador Fuzzy.
Atribui-se uma varivel Fuzzy, denominada TEMPf, planta. A identificao da planta
no ambiente Fuzzy mostrada direita da Fig.4.3.
U(t)
AQUECEDOR
Y(t)=f(U,Y,t)
Uf
TEMPf
Yf
IDENTIFICADOR
FUZZY
IDENTIFICADOR
FUZZY
Yf(t)
Yif
Fig.4.3 Modelos dos identificadores discreto e Fuzzy

Na Fig.4.4 apresentam-se detalhes do IDENTIFICADOR FUZZY. Observe-se que o
IDENTIFICADOR FUZZY recebe na sua entrada o valor discreto U(t). Internamente, o valor
de U(t) fuzzyficado, a seguir analisado na forma Fuzzy.
42
O valor defuzzyficado na forma de variveis lgicas apresentado na sada do IDENTIFICADOR FUZZY. O valor de Yf(t) obtido de tabelas com entradas acionadas pelos
valores lgicos das funes de pertinncias.
FUNES DE
PERTINNCIA
AGRUPAMENTO
Z(X)
FUZZYFI CAO
P(X)
Z
U(t)
G
CG
X
Uf
DEFUZZYFI CAO
REGRAS FUZZY
M(X)
ZL
PL
G(X)
ML
GL
TABELAS
Yf(t)
Fig.4.4 Detalhes do identificador Fuzzy

O projeto de identificadores Fuzzy, baseado no modelo da planta, pode ser formulado
em quatro etapas descritas a seguir.
Etapa 1, nesta etapa calcula-se por simulao os valores de entrada e sada da planta.
Na Fig.4.2, vista anteriormente, apresenta-se a variao na sada da planta, conseguida
excitando a planta (Y(t)) com valores discretos U(t)=1. (0<t<100) seguido de U(t)=0.
(100<t<200). Esta curva denominada representao direta da dinmica da planta.
Etapa 2, nesta etapa faz-se a anlise e se definem os nveis para a fuzzyficao da varivel Fuzzy Tempf (ver a Fig.4.3).
Na Fig.4.5, esquerda, apresenta-se a curva da sada da planta (Y(t)) com valores discretos U(t)=1. (0<t<200) obtida da simulao do sistema trmico. Definiu-se U4=U(t)=1 como valor fixo na entrada da planta. Considera-se o valor final de Y(t) como Y4=10. (valores
normalizados).
No centro da Fig.4.5 apresenta-se um grfico com os valores das entradas U(t) usadas
na simulao do sistema trmico. Na Fig.4.5, na parte central, so mostrados retas traadas na
cor azul representando U1, U2, U3 e U4. A cada Ui (U1, U2, U3 e U4) associado uma curva
Y(t).
Na Fig.4.4, direita, apresenta-se as curvas Y(t) (em funo de U1, U2, U3 e U4) obtidas a partir das entradas apresentadas no centro da Fig.4.5. Na figura so mostrados retas na
cor vermelha representando Y1, Y2, Y3 e Y4. As curvas das funes Y1(t), Y2(t), Y3(t) e
Y4(t) so traadas na cor preta.
43
20
20
Y4
U4
18
Y3
16
18
U3
0.8
0.7
14
12
0.6
12
U2
0.5
Y2
10
0.4
Y1
8
U1
0.3
0.1
100
t(s),U
200
Y1
0.2
Y2
10
Y3
16
14
Y4
0.9
100
t(s)
200
100
t(s),U
200
Fig.4.5 Variao da temperatura (filmecap4fig5.wmv)

Etapa 3, nesta etapa definem-se as funes de pertinncias da varivel Fuzzy temperatura. Na Fig.4.6 apresentam-se as curvas de Y(t) com (Y1=3., Y2=0., Y3=0. e Y4=0.) e entradas U(t) dadas por (U4=1, U3=0.6, U2=0.3 e U1=0.), obtidas para 0<t<=200s. No intervalo
de tempo de 200s<t<400, as entradas foram mudadas para U(t) (U4=0, U3=0., U2=0. e
U1=0.). As curvas Y1(t), Y2(t), Y3(t) e Y4(t) so representadas nas cores azul, vermelha,
verde e azul claro, respectivamente.
Definem-se quatro funes de pertinncias para a varivel Fuzzy TEMPf associadas as
curvas Y(t) e suas entradas U(t) que podem ser vistas na Fig.4.6 direita. Os mximos das
funes de pertinncias ocorrem aproximadamente nas abscissas dos valores Yi.
20
Y4
18
16
14
12
Y
Y3
10
8
Y2
6
4
Y1
2
0
50
100
150
200
t(s),U
250
300
350
400
Fig.4.6 Entradas e sadas da planta, regime transitrio(filmecap4fig6.wmv)

44
Na Fig.4.7 as quatro funes de pertinncias so denominadas Z(X), P(X), M(X) e

G(X). Associaram-se Z(X) a Y1(t), P(X) a Y2(t), M(X) a Y3(t) e G(X) a Y4(t). Os pontos
mximos das funes de pertinncia (Y1, Y2, Y3 e Y4) foram escolhidos para igualarem os
valores finais de Y(t) nas abscissas U1=0.15, U2=0.3 e U1=0.6, e U4=1. Na Fig.4.7 as interseces entre as funes de pertinncias foram denominadas alvo1, alvo2 e alvo3 (apontados
com retas nas cores rosa choques).
Z(X)
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
alvo1
0.3
0.4
0.5
alvo2
0.6
0.7
0.8
alvo
0.9
1
X
Fig.4.7 Relao entre U(t), alvo e funes de pertinncias

Observe-se que nos pontos alvo1, alvo2 e alvo3 no existe funo de pertinncia vencedora (ver captulo 3 deste livro). Os pontos denominados alvo so usados na defuzzyficao
lgica como pontos de mudana dos valores lgicos das funes de pertinncias.
Associam-se varveis lgicas s funes de pertinncia: ZL para Z(X), PL para P(X),
ML para M(X) e GL para G(X). Antes da anlise lgica ZL=PL=ML=GL=0 (valor lgico
0). Aps a anlise lgica uma das variveis lgicas ter o valor lgico 1.
Na Fig.4.8, usando a defuzzyficao lgica baseada na operao Fuzzy UNIO (ver
captulo 3 deste livro), tal que Z(x) P(x) M(x)G(x)= max(Z(X),P(X),M(x), G(x)) x
X, na forma mostrada na Tabela 4.1.
Tabela 4.1 Defuzzyficao lgica
ZL=0; PL=0; ML=0; GL=0;
if(X<alvo1)ZL=1; %A funo vencedora a Z(X);end
if(alvo1<=X<alvo2)PL=1; %A funo vencedora a P(X);end
if(alvo2<=X<alvo3)ML=1; %A funo vencedora a M(X);end
if(X>=alvo3)GL=1; %A funo vencedora a G(X);end
Na construo da Fig.5.1, a cada ponto da abscissa calculada a ordenada usando a operao Fuzzy UNIO usando a Tabela 4.1. Na Fig.4.8 as variveis lgicas associadas a cada
funo de pertinncia esto indicadas (valores lgicos 1) nas cores azul, vermelho, verde e
azul claro (ver a seo 3.6 e a Fig.3.14 deste livro).
Na Fig.4.8 desenharam-se degraus crescentes (na cor rosa choque) em cada intervalo
entre os alvos. No projeto do identificador Fuzzy algumas vezes associam-se valores aos pesos das funes de pertinncias dos degraus. Associou-se a Z(X) o peso W(1)=0.15 (ver a ordenada de Z(X)); a P(X) o peso W(2)=0.3 (ver a ordenada de P(X)); a M(X) o peso W(3)=0.6
45
(ver a ordenada de M(X)) e a G(X) o peso W(4)=1 (ver a ordenada de G(X)). Usou-se uma
nova varivel contnua denominada R(X) e a Tabela 4.2 para calcular o seu valor.
Tabela 4.2 Clculo de R(X)
for X=0:1
if(ZL==1) R(X)=0.15; %A funo vencedora a Z(X);end
if(ZL==1) R(X)=0.30; %A funo vencedora a P(X);end
if(ZL==1) R(X)=0.60; %A funo vencedora a M(X);end
if(ZL==1) R(X)=1.00; %A funo vencedora a G(X);end
end
Z(X)
P(X)
ZL
PL
M(X)
G(X)
1
ML
GL
R(X)
0.9
0.8
0.7
0.6
R(X)
0.5
0.4
0.3
R(X)
0.2
0.1
0
R(X)
0.1
0.2
alvo1
0.3
0.4
alvo2
0.5
0.6
0.7
alvo
0.8
0.9
Fig.4.8 Funes de pertinncia (cap3filmefig14.avi)

Na Fig.4.9, esquerda, apresenta-se o esquema do identificador Fuzzy. No identificador
Fuzzy da planta os pesos W(1), W(2), W(3) e W(4) das funes de pertinncias podem ser
considerados os valores U1, U2, U3 e U4 da entrada da planta. Algumas vezes o valor desejado na sada da planta, denominado Yr (referncia), no coincide com os valores Y1, Y2, Y3 e
Y4. Na Fig.4.9, direita, apresentam-se as curvas Y1, Y2, Y3 e Y4 comparadas com Yr1,
Yr2, Yr3 e Yr4. A diferena entre Yr e Y definida como o erro E.
46
20
Yr4
18
E4=Yr4-Y4
16
AQUECEDOR
Yr3
14
Y(t)=f(U,Y,t)
E3=Yr3-Y3
12
Y
U(t)
10
Yr2
E2=Yr2-Y2
6
IDENTIFICADOR
FUZZY
Yf
Yr1
2
0
20
40
60
80
100
t(s),U
120
140
E1=Yr1-Y1
160
180
200
Fig.4.9 Temperaturas referncias (cap4filmefig9.avi)

Os valores de Y(t) e U(t) podem ser representados na forma da tabela 4.2, na forma de
funes de pertinncias (Z(X), P(X), M(X) e G(X)) e variveis Fuzzy (Uf e Yf).
Tabela 4.2 Tabela Fuzzy da planta
VARIVEIS FUZZY
Z(X)
P(X)
M(X)
G(X)
Uf
ZL
PL
ML
GL
Yf
ZL
PL
ML
GL
Usando-se a Tabela 4.2 podem-se definir regras Fuzzy para a identificao da dinmica
da planta, mostradas na Tabela 4.3. Na Tabela 4.2 Yf representa um dos valores lgicos das
funes de pertinncias de Y(t).
Tabela 4.3 Regras Fuzzy da identificao da planta
if (Uf==ZL)Yf=ZL;end
if (Uf==PL)Yf=PL;end
if (Uf==ML)Yf=ML;end
if (Uf==GL) Yf=GL;end
A partir da Tabela 4.3 pode-se fazer a Tabela 4.4 da defuzzyficao na forma numrica.
Tabela 4.4 Defuzzyficao na forma numrica
ZL
PL
ML
GL
U(t)
U1=0.15
U2=0.3
U3=0.6
U4=1.
Y(t)
Y1=3.
Y2=6.
Y3=12.
Y4=20.
A partir da Tabela 4.4 podem ser definidas as regras da defuzzyficaomostradas na

Tabela 4.5.
Tabela 4.5 Regras Fuzzy da defuzzyficao
if (Uf==ZL)U1=0.15; end
if (Uf==PL)U2=0.3; end
if (Uf==ML)U3=0.6; end
47
if (Uf==GL)U4=1.0; end
if (Yf==ZL)Y1=3.; end
if (Yf==PL)Y1=6.;end
if (Yf==ML)Y1=12.;end
if (Yf==GL)Y4=20.;end
EXERCCIO 4.3
4.3.1)Refaa as Fig.4.7 e Fig.4.8 para U1=0.2; U2=0.45; U3=0.9 e U4=1.
4.3.2)Coloque na Fig.4.10 as temperaturas referncias Yr1=5; Yr2=11; Yr3=13; Yr4=19.
Apresente os erros finais.
20
E4=Yr4-Y4
18
16
14
E3=Yr3-Y3
12
10
8
E2=Yr2-Y2
6
4
E1=Yr1-Y1
2
0
20
40
60
80
100
t(s),U
120
140
160
180
200
Fig.4.10 Temperaturas referncias, exerccio

4.3.3)Supor que inicialmente U(t)=0. e Y(t)=0., e Yr=14 (valores constantes). Analise o
seguinte algoritmo. Desenhe na Fig.4.10 as curvas de Yr e Y(t) desenvolvidas com este
algoritmo.
FUZZYFICAO
DEFUZZYFICAO
if (Y(t)<Yr)Uf=GL; end
if (Uf==GL)U(t)=1.; end
if (Y(t)>=Yr)Uf=ZL; end
if (Uf==ZL)U(t)=0.; end
20
Y4
18
16
14
Y3
12
10
8
Y2
6
4
Y1
2
0
20
40
60
80
100
t(s),U
120
140
160
180
200
Fig.4.11 Indicao da temperatura

48
4.3.4)Quantos nveis (e funes de pertinncias) so necessrios para representar a dinmica

direta de uma planta com um erro menor que 10%?
4.3.5)Projete um sistema Fuzzy com nveis escolhidos logicamente quando o erro for maior
ou menor que zero. Use Yr=15.
4.3.6)Usando a Fig.4.12 preencha a Tabela 4.6 mostrada abaixo com os valores do
identificador Fuzzy.
Tabela 4.6
Uf
ZE
PP
PM
PG
U(t)
Y(t)
Z(X)
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
50
alvo1
100
150
alvo2
200
250
alvo3
300
350
X
Fig.4.12 Identificao do sistema trmico

4.3.7) Usando a Fig.4.12 apresente as regras usadas para a identificao do sistema trmico.
4.3.8)Na Tabela 4.7 a linha Y(t) foi denominada linha da referncia (Yr(t). Preencha a linha
U(t) para que os valores de Y(t) final iguale com os valores de Yr(t).
Tabela 4.7
Uf e Yf
ZE
PP
PM
PG
U(t)
Yr(t)
2.
10.
4.3.9) Suponha que a Tabela 4.8 represente um sistema Fuzzy com Yr(t) representando a
referncia da temperatura. Desenhe na Fig.4.13 as temperaturas de referncia e calcule os
erros finais das aproximaes de Yr(t) e Y(t).
Tabela 4.8
Uf e Yf
ZE
PP
PM
PG
U(t)
0.2
0.5
0.8
1.
Yr(t)
3.
10.
49
10
Y4=10 e U4=1.
9
Y3=8 e U3=0.8
8
7
6
Y2=5 e U2=0.5
5
4
Y1=2 e U1=0.2
3
2
1
0
20
40
60
80
100
t(s)
120
140
160
180
200
Fig.4.13 Temperaturas referncias
4.4
CONTROLE FUZZY INVERSO DA TEMPERATURA

O projeto de controladores Fuzzy, baseado no modelo inverso da planta, pode ser descrito na forma da Fig.4.14, direita (DAzzo & Houpis, 1988)(Kuo, 1985) (Ogata, 1998).
Na Fig.4.14 o bloco esquerda representa a identificao Fuzzy da dinmica da planta

ou o termmetro a ser aquecido. O bloco direita representa a aplicao da Lgica Fuzzy no
controle da temperatura da planta.
U(t)
AQUECEDOR
Y(t)=f(U,Y,t)
U(t)
Uf(t)
Yf
TEMPf
CONTROLADOR
FUZZY INVERSO
Yr
CONTROLADOR
FUZZY
Uf(t)
U(t)
CONTROLADOR
FUZZY INVERSO
AQUECEDOR
Y(t)=f(U,Y,t)
Fig.4.14 Projeto do controlador Fuzzy
50

FUNES DE
PERTINNCIA
AGRUPAMENTO
Z(X)
FUZZYFI CAO
P(X)
Z
Yr(t)
G
CG
Yrf
DEFUZZYFI CAO
REGRAS FUZZY
M(X)
ZL
G(X)
PL
ML
GL
TABELAS
Uf(t)
Fig.4.15 Detalhes do controlador Fuzzy inverso
10
200
180
160
140
120
100
Temperatura, Y
A curva da temperatura no termmetro mostrada na Fig.4.16, esquerda. Y(t) representa a ordenada, e representada por U o tempo na abscissa. direita da Fig.4.16 apresentase a curva da inversa de Y(t), o grfico foi traado usando a entrada U da planta em funo da
sua sada Y. Esta curva denominada a representao inversa da planta.
80
60
40
20
50
100
t(s),U
150
200
5
Y
10
Fig.4.16 Dinmica direta e inversa da planta

Usando-se os resultados obtidos na identificao direta da planta projeta-se o controlador Fuzzy inverso. Usando-se a Tabela 4.2 podem-se definir regras Fuzzy para a identificao
da dinmica inversa da planta. Na Tabela 4.8 apresenta-se a Tabela 4.2 usando Yr(t) no lugar
de Y(t). A identificao inversa mostrada na Tabela 4.9, e os valores obtidos so apresentados na Tabela 4.10.
Tabela 4.8 Tabela dinmica inversa da planta
VARIVEIS FUZZY
Z(X)
P(X)
M(X)
G(X)
Uf
ZL
PL
ML
GL
Yrf
ZL
PL
ML
GL
51

if (Yfr==ZL)Uf=ZL;end
if (Yrf==PL)Uf=PL;end
if (Yrf==ML)Uf=ML;end
if (Yrf==GL)Uf=GL; end
if (Uf==ZL)U1=0.15; end
EXERCCIO 4.4
4.4.1)Usando a Fig.4.17 preencha a Tabela 4.11 com os valores do controlador Fuzzy inverso.
Tabela 4.11
ZE
PP
PM
PG
Uf
U(t)
Y(t)
Z(X)
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
50
alvo1
100
150
alvo2
200
250
alvo3
300
350
X
Fig.4.17 Identificao do sistema trmico, exerccio (cap4fig12.m)

4.4.2) Usando a Fig.4.17 apresente as regras usadas para a identificao do controlador
inverso do sistema trmico.
4.4.3)Apresenta-se na Fig.4.18 os resultados obtidos usando o controlador Fuzzy inverso para
diferentes Yr. Apresente as tabelas de fuzzyficao e defuzzyficaousada no controle da
temperatura. Rode no ambiente MATLAB o programa abaixo. No programa indique as
variveis que representam a entrada do controlador, a temperatura e a temperatura referncia.
Explique o porqu deste controlador usar o erro definido como a diferena entre a
temperatura referncia e a temperatura.
PROG.4.4
%controle de temperatura
clear all;clf;subplot(111)
pu=0.;t=1:200;
ref(1:60)=15;ref(61:120)=5.;ref(121:160)=19;ref(161:200)=12;
nivel=4;
uc=1.;puu(1:200)=0.; ucc(1:200)=0.;
52

'Acione a figura'
pause
%U=0.3 0.5 0.8 1. Y=6 10 16 20
for m=1:200
if(ref(m)==0.)uc=0.;end
if(ref(m)>0. & ref(m)<6)uc=0.3;end
if(6<=ref(m) & ref(m)<10)uc=0.5;end
if(16<=ref(m))uc=1.;end
ucc(m)=uc;pu=pu+0.1*(20*uc-pu);
puu(m)=pu;
subplot(111),plot(t,puu,'r',t,ref,'b',t,ucc,'g','LineWidth',3)
xlabel('t(s),U(verde) Y(verm) Yr(azul)'),ylabel('Y,U')
text(100,1.5,'U');
pause(0.01)
end
20
18
16
14
Y,U
12
10
8
6
4
2
0
U
0
20
40
60
80
100
120
140
t(s),U(verde) Y(verm) Yr(azul)
160
180
200
Fig.4.18 Controle da temperatura, Yr varivel(cap4fig18filme)

4.4.4)Apresenta-se na Fig.4.19 os resultados obtidos usando o controlador Fuzzy inverso para
diferentes Yr para nveis variveis. Quantos so os nveis da temperatura referncia?
Apresente as tabelas de fuzzyficao e defuzzyficao usadas no controle da temperatura.
Rode no ambiente MATLAB o programa abaixo. No programa indique as variveis que
representam a entrada do controlador, a temperatura e a temperatura referncia. Verifique e
explique se este controlador usa o erro definido como a diferena entre a temperatura
referncia e a temperatura.
PROG.4.5
%cap4fig19.m
%controle de temperatura, niveis e erros
pu=0.;t=1:200;
ref(1:60)=15;ref(61:120)=5.;ref(121:160)=19;ref(161:200)=12;
nivel=4;
uc=1.;puu(1:200)=0.; ucc(1:200)=0.;
'Acione a figura'
pause
for m=1:200
if(pu>ref(m))nivel=nivel-1;
if(nivel<1)nivel=1;end
end
if(pu<ref(m))nivel=nivel+1;
if(nivel>4)nivel=4;end
end
uc=nivel/4;ucc(m)=uc;
pu=pu+0.1*(20*uc-pu);
puu(m)=pu;
53

text(100,1.5,'U');
pause(0.01)
end
20
18
16
14
Y,U
12
10
8
6
4
2
0
U
0
20
40
60
80
100
120
140
160
180
200
Fig.4.19 Controle inverso a nveis variveis(cap4fig19filme)

4.5
O CONTROLADOR INVERSO POSITIVO E NEGATIVO

Pode-se usar o controlador Fuzzy inverso para plantas definidas em valores positivos e
negativos. Na Fig.4.20 apresentam-se detalhes da planta para valores de entrada positivos e
negativos.
Na Fig.4.20, na parte superior esquerda, inicia-se com Y=0 e colocado um pulso de
tenso no controlador representado por U=1 (Y=f(U)). Na parte superior, direita, apresentase a inversa da funo da temperatura obtida (U=f(Y)).
Na Fig.4.20, na parte inferior esquerda, inicia-se com Y=0 e colocado um pulso de
tenso no controlador representado por U=-1 (Y=f(U)). Na parte superior, direita, apresentase a inversa da funo da temperatura obtida (U=f(Y)).
200
150
5
Temperatura, Y
10
50
0
50
100
t(s),U
150
200
5
Y
10
-5
Y
200
-2
150
-4
U
Temperatura, Y
100
100
-6
50
-8
-10
50
100
t(s),U
150
0
-10
200
Fig.4.20 Temperaturas positivas e negativas

Na Fig.4.21 apresenta-se a montagem das curvas positivas e negativas da temperatura e
da sua inversa. As temperaturas foram calculadas a partir de Y=0 usando U=1 e a seguir, Y=0
e usando-se U=-1.
54
10
8
6
Temperatura, Y
4
2
0
-2
-4
-6
-8
-10
50
100
150
200
t(s),U
250
300
350
400
Fig.4.21 Dinmica direta e inversa da planta

Na Fig.4.22 apresenta-se o grfico das funes de pertinncias associadas varivel
Fuzzy do controlador Fuzzy inverso positivo e negativo. Observe-se que as funes de pertinncias P(X), M(X) e G(X) so copiadas no lado negativo como NP(X), NM(X) e NG(X).
Observe-se que s existe um nico Z(X).
NG(X)
NM(X)
NP(X)
Z(X)
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-1
-0.8
-0.6
-0.4
-0.2
0.2
0.4
0.6
0.8
1
X

Usando-se a Tabela 4.12 podem-se definir regras Fuzzy para a identificao da dinmica inversa da planta. Na Tabela 4.12 apresenta-se a Tabela 4.2 usando Yr(t) no lugar de Y(t).
A identificao inversa mostrada na Tabela 4.9, e os valores obtidos so apresentados na
Tabela 4.10.
VARIAVEIS
FUZZY
Uf
Yrf
Tabela 4.12 Tabela dinmica inversa da planta

NG(X)
NM(X)
NP(X)
Z(X)
P(X)
NGL
NGL
NML
NML
NPL
NPL
ZL
ZL
PL
PL
M(X)
G(X)
ML
ML
GL
GL
55

if (Yrf==NGL)Uf=NGL; end
if (Yrf==NML)Uf=NML;end
if (Yrf==NPL)Uf=NPL;end
if (Yfr==ZL)Uf=ZL;end
if (Yrf==PL)Uf=PL;end
if (Yrf==ML)Uf=ML;end
if (Yrf==GL)Uf=GL; end
if (Uf==NGL)U=-1.; end
if (Uf==NML)U=-0.6; end
if (Uf==NPL)U=-0.3;
end if (Uf==ZL)U1=0.; end
Usando-se os resultados obtidos na identificao direta da planta projeta-se o controlador
Fuzzy inverso BASEADO NO CONTROLADOR INVERSO APRESENTADO NA Fig.4.18.
Apresenta-se na Fig.4.23 os resultados obtidos usando o controlador Fuzzy inverso positivo e
negativo para diferentes Yr.
%controle de temperatura
pu=0.;t=1:500;
ref(1:60)=15;ref(61:120)=5.;ref(121:160)=21;ref(161:200)=12;
ref(201:260)=-13;ref(261:320)=-7.;ref(321:360)=-19;ref(361:400)=14;
ref(401:430)=-2;ref(421:440)=-14;ref(441:470)=4;ref(471:500)=20;
uc=1.;puu(t)=0.;
ucc(t)=0.;
'Acione a figura'
pause
%U=0.3 0.5 0.8 1. Y=6 10 16 20
for m=1:500
if(ref(m)<0.3 & ref(m)>-3)uc=0.;end
if(-3>=ref(m) & ref(m)>-10)uc=-0.5;end
if(-10>=ref(m) & ref(m)>-16)uc=-0.8;end
if(-16>=ref(m))uc=-1.;end
if(16<=ref(m))uc=1.;end
ucc(m)=uc;pu=pu+0.1*(20*uc-pu);
puu(m)=pu;
text(100,1.5,'U');
pause(0.01)
end
56
25
20
15
10
Y,U
5
U
0
-5
-10
-15
-20
50
100
150
200
250
300
350
400
450
500
Fig.4.23 Controle da temperatura, positiva e negativa(cap4fig23filme)

EXERCCIOS 4.5
4.5.1)Modificar o programa mostrado PROG4.4 para o controlador Fuzzy inverso positivo e
negativo para diferentes Yr. Rode o programa e obtenha uma curva semelhante curva da
Fig.4.23.
4.5.2)Modificar o programa mostrado PROG4.5 para o controlador Fuzzy inverso positivo e
negativo para diferentes Yr e diferentes nveis. Rode o programa e obtenha uma curva
semelhante curva da Fig.4.19.
4.6
O CONTROLADOR PROPORCIONAL AO ERRO

Nesta seo ser estudado um controlador proporcional ao erro definido como a diferena entre um valor de referncia e a sada da planta.
Os controladores tradicionais usam uma arquitetura em malha fechada na forma mostrada na Fig.4.24. Define-se a sada da planta como Y, e um valor de referncia para a sada
da planta como Yr. Define-se um erro observado na sada da planta e definido como E=Yr-Y.
O controlador denominado C e a planta P (representados em Laplace).
Devido a realimentao no sistema, define-se a funo de transferncia em malha fechada como H=PC/(1+PC). Define-se o controlador como C=(1/P)(H/(1-H)).
Observe-se que o erro E calculado na entrada do bloco C, portanto o sinal de controle
calculado diretamente sobre o erro E=Yr-Y.
Yr
CONTROLADOR
C
U(t)
PLANTA
P
H=PC/(1+PC) e C=(1/P)(H/(1-H))
Fig.4.24 Controladores tradicionais
57
O projeto de controladores lineares Fuzzy, baseado no modelo linear da planta, foi desenvolvido a partir dos controladores tradicionais como pode ser visto na Fig.4.25. Observese que se necessita do erro definido como E=Yr-Y.
Yr
E
Y(t)=f(U,Y,t)
CONTROLADOR
P, PD, PI ou PID
U(t)
AQUECEDOR
Fig.4.25 Os controladores lineares

Na Fig.4.26 apresenta-se o diagrama de controladores dos tipos P, PI, PD e PID e uma
planta, todos representados na forma de transformada de Laplace. Calculou-se Kp KD e Ki seguindo o projeto de cancelamento e alocao de plos de Guillemin-Truxall que gera um
Gc(s) (funo de transferncia do controlador) que conduz a uma funo de transferncia total
do sistema dentro das especificaes desejadas [D'Azzo, 1988].
O sistema de controle de temperatura pode ser feito com um controlador do tipo P e PI.
A equao usada no controlador P mostrada na eq.4.8. Usando-se a transformada Z pode-se
mostrar que o controlador PI na forma discreta (cancelamento de zeros e plos) pode ser descrito pela funo transferncia da eq.4.9.
Yr(s)
+
E(s)
Kp+s.Kd+Ki/s
U(s)
Y(s)
(s +1)
_
BLOCO DO
CONTROLE
BLOCO DA
PLANTA
Fig.4.26 Controlador PID

(4.8)
Uk = KpEk
U(t+1) = (Kp+Kd/T)E(t) - (Kd/T)E(t-1)
(4.9)
Gc(z)=Kp+KiT/(z-1)=[Kpz+(KiTs-Kp)]/(z-1)
(4.10)
U(t+1) = U(t) + KpE(t) + (KiTs-Kp)E(t-1)
(4.11)
Uk = Uk + KpEk + (KiTs-Kp)Ek-1
(4.12)
O controlador inverso pode ser adaptado para uso em controladores do tipo P, proporcional ao erro (Uk = KpEk), usam-se os mesmos valores de controle da Fig.4.23. Neste caso,
como o erro pode ser positivo ou negativo, usa-se a funo de pertinncia mostrada na
Fig.4.27. O resultado obtido no controle com nveis positivos e negativos mostrado na
Fig.4.28, semelhante ao apresentado na Fig.4.23.
58

NG(X)
NM(X)
NP(X)
Z(X)
P(X)
M(X)
G(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-1
-0.8
-0.6
-0.4
-0.2
0.2
0.4
0.6
0.8
1
X
Fig.4.27 Funes de pertinncias, proporcional ao erro

20
15
10
Y,U
5
U
0
-5
-10
-15
-20
50
100
150
200
250
300
350
400
Fig.4.28 Controle da temperatura, proporcional ao erro

NG(X)
-1.
Tabela 4.12 Tabela Fuzzy do erro da planta

NP(X)
Z(X)
P(X)
M(X)
NM(X)
-0.8
-0.5
0.3
0.5
0.8
G(X)
1.
O controlador inverso pode ser adaptado para uso em controladores do tipo PI, proporcional e integral ao erro (U(t+1) = U(t) + KpE(t) + (KiTs-Kp)E(t-1)), usam-se os mesmos valores de controle da Fig.4.23 e uma aproximao para o sistema PI dada por U(t+1) = U(t) +
KpE(t). Neste caso, como o erro pode ser positivo ou negativo, usa-se a funo de pertinncia
mostrada na Fig.4.27. O resultado obtido no controle com nveis positivos e negativos mostrado na Fig.4.29, semelhante ao apresentado na Fig.4.23. O grfico apresentado esquerda
refere-se a Tabela 4.9, o grfico direita refere-se a Tabela 4.10.
NG(X)

NM(X)
NP(X)
Z(X)
P(X)
M(X)
G(X)
59
-1.
-0.8
NG(X)
-0.5
0.3
0.5
0.8

NP(X)
Z(X)
P(X)
M(X)
NM(X)
-0.2
-0.16
-0.1
0.06
0.1
40
40
30
30
20
0.16
1.
G(X)
0.2
20
10
Y,U
Y,U
10
U
0
-10
-10
-20
-20
-30
-40
50
100
150
200
250
300
t(s),U(verde) Y(verm) Yr(azul) erro(amar)
350
-30
400
50
100
150
200
250
300
t(s),U(verde) Y(verm) Yr(azul) erro(amar)
350
400
Fig.4.29 Controle proporcional e integral ao erro (cap4fig29filme)

EXERCCIO 4.6
4.6.1)Sugerir como usar a tabela 4.13 no controle Fuzzy de posio de um pndulo.
4.6.2)Usando as Tabelas 4.13 e 4.14 teste o seguinte programa para o controle da temperatura.
PROG4.6
%cap4fig29.m controle de temperatura
pu=0.;t=1:400;
ref(1:60)=15;ref(61:120)=5.;ref(121:160)=19;ref(161:200)=12;
ref(201:260)=-15;ref(261:320)=-5.;ref(321:360)=-19;ref(361:400)=12;
nivel=4;
uc=0.;duc=0.;puu(t)=0.; ucc(t)=0.; erros(t)=0.;
'Acione a figura'
pause
%U=0.3 0.5 0.8 1. Y=6 10 16 20
for m=1:400
erro=ref(m)-pu;erros(m)=erro;
if(erro==0.)duc=0.;end
if(erro<0. & erro>-6)duc=-0.03;end
if(-6>=erro & erro>-10)duc=-0.05;end
if(-10>=erro & erro>-16)duc=-0.08;end
if(-16>=erro)duc=-0.1;end
if(erro>0. & erro<6)duc=0.03;end
if(6<=erro & erro<10)duc=0.05;end
if(10<=erro & erro<16)duc=0.08;end
if(16<=erro)duc=0.1;end
uc=uc+2*duc;ucc(m)=uc;pu=pu+0.1*(20*uc-pu);puu(m)=pu;
subplot(111),plot(t,puu,'r',t,ref,'b',t,ucc,'g',t,erros,'y','LineWidth',3)
xlabel('t(s),U(verde) Y(verm) Yr(azul) erro(amar)'),ylabel('Y,U')
text(100,1.5,'U');
pause(0.01)
end
4.6.3)Uma figura tridimensional obtida de uma matriz de duas dimenses. Por exemplo,
acoplando-se duas tabelas do tipo da Tabela 4.13 obtem-se uma curva tridimensional como se
60
pode ver na Fig.4.30. Calcular e apresentar a curva tridimensional da superfcie de controle

para as tabelas 4.13 e 4.14. Usar o programa abaixo, a Tabela 4.15 e a Fig.4.30.
Tabela 4.15
^ Yr
Y
<
%cap4fig30.m
clear all;clf
trid2=[-0.9 -0.7 -0.4 -0.4 0.0 0.4 0.7 0.7 0.9
-0.9 -0.7 -0.4 -0.4 0.0 0.4 0.7 0.7 0.9
-0.9 -0.7 -0.4 -0.4 0.0 0.4 0.7 0.7 0.9
-0.9 -0.7 -0.4 -0.4 0.0 0.4 0.7 0.7 0.9
-0.9 -0.7 -0.4 -0.4 0.0 0.4 0.7 0.7 0.9
-0.9 -0.7 -0.4 -0.4 0.0 0.4 0.7 0.7 0.9];
mesh(trid2)
box off;grid off
0.5
-0.5
-1
6
10
8
6
4
0
2
0
Fig.4.30 Superfcie de controle

61
4.7
O CONTROLADOR FUZZY DE FURUHASHI

Nesta seo apresenta-se um modelo clssico de um controlador Fuzzy. O modelo
Fuzzy da inversa da dinmica da planta foi proposto por Furuhashi et alii (1992) e estudado
por Kosko (1996). Na Fig.4.31 apresenta-se o esquema simplificado do controlador de Furuhashi.
No controlador de Furuhashi Yr(t) representa o valor da referncia que a varivel Y(t)

deve seguir. U(t) representa o valor que deve ser imposto entrada da planta para que ela
mude o valor Y(t) da sua sada. Yrf, Yf e Uf representam os valores Fuzzy das variveis
Yr(t), Y(t) e U(t), respectivamente.
Yrf
Yr(t)
FUZZYFICAO
Uf
DEFUZZYFICAO
REGRAS
IF - THEN
U(t)
Y(t)
PLANTA
Fig.4.31 Controlador de Furuhashi

Na Fig.4.32 apresenta-se a descrio dos blocos do controlador de Furuhasi usando os
blocos Fuzzy estudados no captulo 4 deste livro para o controle da temperatura do sistema
trmico. Na Fig.4.32, esquerda na cor azul, apresenta-se a curva da temperatura referncia
(Yr) que deve seguir a temperatura no ambiente (Y). Na Fig.4.32, ao centro, apresenta-se uma
representao simplificada do controlador de Furuhashi. Na Fig.4.32, direita, apresenta-se a
curva da temperatura referncia (Yr, na cor azul) que deve seguir a temperatura no ambiente
(Y, na cor vermelha) usando o controle representado por U (na cor verde).
20
20
Yr(t)
15
15
FUZZYFICAO
10
10
Yrf
Yr
Uf
REGRAS
IF - THEN
0
-5
Y,U
0
-5
DEFUZZYFICAO
Uf(t)
-10
-15
-20
-10
50
100
150
200
250
300
350
400
-15
-20
50
100
150
200
t(s)
250
300
350
400
Fig.4.32 Controlador Fuzzy Inverso de Furuhashi

Na Fig.4.33 apresentam-se as funes de pertinncias do sistema trmico.
NG(X)
NM(X)
NP(X)
Z(X)
P(X)
M(X)
G(X)
0.8
0.6
0.4
0.2
0
-1
alvo4
-0.8
-0.6
alvo3
-0.4
-0.2
alvo2 alvo1
0.2
alvo1
0.4
alvo2
0.6
alvo3
0.8
1
X alvo4
Fig.4.33 Funes de pertinncia de Furuhashi

A cada valor de U(t) foi associado uma varivel lingstica (fuzzyficao) representada pela varivel Uf, a cada valor de Y(t) foi associado uma varivel lingstica (fuzzyficao) representada pela varivel Yf.
62
A fuzzyficao foi feita usando variveis lingsticas Fuzzy do tipo PG (positivo

grande), PM (positivo mdio), PP (positivo pequeno), ZE (zero), NG (negativo grande), NM
(negativo mdio), NP (negativo pequeno).
Tabela 4.15 Tabela Fuzzy da planta
NG(X) NM(X) NP(X) NZ(X) PP(X) PM(X) PG(X)
VARIVEIS
FUZZY
Uf
Yf
NGL
NML
NPL
ZL
PPL
PML
PGL
NGL
NML
NPL
ZL
PPL
PML
PGL
Na Tabela 4.16 apresentam-se os valores discretos de U(t) e Y(t) bem como os valores
lingsticos de Uf. Os valores numricos de U(t) e Y(t) so representados como pesos e podem ser modificados durante a adaptao do sistema Fuzzy.
NGL
NML
NPL
ZL
PPL
PML
PGL
U(t)
-0.9
-0.6
-0.3
0.0
0.3
0.6
0.9
Y(t)
-18
-12
-6
0.0
12
18
As curvas das funes de pertinncia de Yrf so as mesmas das de Yf. Na Fig.4.29 apresentam-se as funes de pertinncia da varivel Fuzzy traadas para valores positivos de
Y(t). Aps a fuzzyficao dos valores de referncia (Yr(t)) da planta no mdulo FUZZYFICAO deve ser escolhida a funo de pertinncia que melhor represente o valor Yr(t).
Isso significa escolher uma das variveis linguistica (Z(t), P(t), M(t) e G(t)) que melhor represente o ponto Yr(t). Isso feito atribuindo uma varivel lgica a cada uma das variveis linguistica (Z(t), P(t), M(t) e G(t)). Essa escolha feita utilizando o operador unio, descrito na
seo xxx, na forma mostrada na eq.4.1.
Yrf = NG(t)NM(t)NP(t)ZE(t)PP(t)PM(t)PG(t)
(4.1)
Por exemplo, supondo-se que foram atribuidos valores lgicos 0 s variveis lgicas
Z, P, M e G que so associadas funes de pertinncia (Z(t), P(t), M(t) e G(t)).
Na Fig.4.34 apresentam-se as funes de pertinncia de Yrf. Na mesma figura apresenta-se uma reta perpendicular abscissa e que passa por Yr1. Observe-se que a funo de pertinncia M(t) tem o maior valor no ponto Yr1. Portanto, aps a operao de unio no conjunto
Fuzzy, as variveis lgicas tero os seguintes valores: Z=0; P=0; M=1 e G=0.
NG(X)
NM(X)
NP(X)
Z(X)
P(X)
M(X)
G(X)
0.8
0.6
0.4
0.2
0
-1
alvo4
-0.8
-0.6
alvo3
-0.4
-0.2
alvo2 alvo1
0.2
alvo1
0.4
alvo2
0.6
alvo3
0.8
1
X alvo4
Fig.4.34 Defuzzyficao
63
Na quarta etapa, o valor Uf defuzzyficado no mdulo DEFUZZYFICAO que gera

valores discretos (U(t)) de controle. No controle Fuzzy Inverso utiliza-se a Tabela 4.3 para o
clculo de Uf. Para qualquer valor Fuzzy Yrf a Uf ser associado o mesmo valor Fuzzy.
Yrf
NG
NM
Tabela 4.17
NP
ZE
Uf
NG
NM
NP
ZE
PP
PM
PG
PP
PM
PG
A partir da Tabela 2 montam-se as regras mostradas abaixo. O valor de U(t) defuzzyficado equivale ao valor numrico da Tabela 1 na linha de U(t). Por exemplo, para Uf=P o valor escolhido para U(t) ser U(t)=0.3.
Regra 1)if Yrf is NG then Uf is NG;
Regra 2)if Yrf is NM then Uf is NM;
Regra 3)if Yrf is NP then Uf is NP;
Regra 4)if Yrf is ZE then Uf is ZE;
Regra 5)if Yrf is PP then Uf is PP;
Regra 6)if Yrf is PM then Uf is PM;
Regra 7)if Yrf is PG then Uf is PG;
EXERCCIOS 4.7
4.7.1)Utilize as funes de pertinncia representar Yr e U na forma tridimensional, ver a
Fig.4.30.
0.5
-0.5
-1
6
10
8
6
4
0
2
0
Figura 4.30 Superfcie de controle - regras

4.8
O CONTROLADOR FUZZY DE MANDANI

Diversos controladores Fuzzy j foram implementados e exaustivamente testados
(Mamdani & Gaines, 1981). O controlador Fuzzy de Mamdani uma ferramenta capaz de
processar uma forma Fuzzy de informao. Ele construdo a partir de um conjunto de regras
ou de implicaes if - then Fuzzy do tipo {if premissa1 and premissa2 ... and premissan
then conseqnciai}.
64
premissai representa uma condio no conjunto Fuzzy definido para uma quantidade
relativa planta,
conseqnciai representa a ao de controle expressada como um conjunto Fuzzy e definida no intervalo de variao da entrada da planta.
No projeto do controlador Fuzzy requerido a fixao das variveis da premissa e a definio das funes de pertinncia ao conjunto Fuzzy usado no controlador.
Usualmente uma planta requer um controle na forma de quantidade real e no na forma
Fuzzy (DAzzo & Houpis, 1988)(Ogata, 1988). O controlador Fuzzy de Mamdani utiliza dois
dispositivos para transformar uma varivel da forma real para a forma Fuzzy e vice versa. Esses dispositivos so o fuzzyficador ("fuzzyfier") que precede o controlador Fuzzy para associar um valor lingstico a uma quantidade real, e o defuzzyficador ("defuzzyfier") que segue
o controlador Fuzzy e associa um nmero real a um conjunto Fuzzy.
Na Fig.5.1 mostrada a arquitetura tpica de um controlador baseado nas regras Fuzzy
de Mamdani & Gaines (1991). Na Fig.5.1, define-se r(t) como o sinal de referncia, definese o erro na sada da planta como E(t)=r(t)-(t), e a variao do erro como CE(t) = E(t)-E(t1) (Kosko, 1996) (Gomide & Gudwin, 1995).
As entradas do controlador Fuzzy so duas variveis Fuzzy. Uma delas definida como o
erro entre o valor desejado e o atual da sada da planta (Ef), e a outra como a diferena entre
os dois ltimos erros (CEf). Essas variveis so obtidas pela transformao das variveis discretas E(t) e CE(t) em variveis Fuzzy, que em seguida so escaladas para valores exigidos
pelo bloco de regras de controle. A sada Uf do controlador Fuzzy novamente escalado para
a representao de nmeros determinsticos U(t) a ser usado no controle da planta.
REGRAS
DE
CONTROLE
r(t)
E(t)
-1
CE(t)
FUZZYFICA
E(t) e CE(t)
Ef
INFERNCIA
CEf
Uf
DEFUZZYFICA Uf
U(t)
(t)
PLANTA
Fig.4.31 Controlador Fuzzy de Mamdani

O conjunto das regras usado por um controlador lgico Fuzzy geralmente armazenado
como uma tabela usando variveis lingsticas Fuzzy do tipo PG (positivo grande), PM (positivo mdio), PP (positivo pequeno), ZE (zero), NG (negativo grande), NM (negativo mdio),
NP (negativo pequeno). Quando a varivel discreta somente positiva usam-se as seguintes
variveis lingsticas Z, P, M e G em lugar de PZ, PP, PM e PG.
O projeto de controladores Fuzzy, baseado no esquema convencional de controladores
do tipo PD (proporcional e derivativo), pode ser formulado em trs etapas:
1)Definio do conjunto Fuzzy para representar o domnio discreto do erro (E(t)), variao dos erros (CE(t)), e entrada da planta (U(t)). Na Fig.4.32 so mostradas as curvas tpicas,
numa forma triangular, da funo de pertinncia Ef (em p.u.) em toda a faixa de variao de
E(t) (-1E(t)1).
65

NG(X)
NM(X)
NP(X)
Z(X)
P(X)
M(X)
G(X)
0.8
0.6
0.4
0.2
0
-1
alvo4
-0.8
-0.6
alvo3
-0.4
-0.2
alvo2 alvo1
0.2
alvo1
0.4
alvo2
0.6
alvo3
0.8
1
X alvo4
Fig.4.32 Funes de pertinncia, Ef

2)Converso do conjunto Fuzzy escolhido e do algoritmo de controle lingstico numa
tabela com as sadas discretas do controlador.
A construo do controlador Fuzzy feito em etapas a partir das regras heursticas observadas no controlador padro PD.
As Tabelas 1 e 2 representam tabelas tpicas encontradas em controladores Fuzzy.
Na Tabela 4.20 apresentam-se as variveis lingsticas de Yrf e Uf . Observe-se que as
variveis lingsticas so iguais.
Yrf
NG
NM
Tabela 4.20
NP
ZE
Uf
NG
NM
NP
ZE
PP
PM
PG
PP
PM
PG
Na Tabela 2 a primeira linha representa a varivel Fuzzy variao do erro ou CEf, que
pode ser NG, NM, NP, ZE, PP, PM e PG. As colunas representam a varivel Fuzzy erro ou
Ef, que pode ser NG, NM, NP, ZE, PP, PM e PG.
A construo da Tabela 2 pode ser feita em etapas.
Na primeira etapa, na Tabela 4.22 abaixo s so apresentados os valores de Uf para
CEf=ZE equivalente aos valores do controlador fuzzy inverso da TABELA 1 considerando o
valor da varivel de sada igual a zero (Y(t)=0) tal que E(t) = Yr(t)-Y(t) = Yr(t). A regra fuzzy
1 explica esta etapa.
if CEf = ZE then Uf = Ef
Uf
Ef
NG
NM
Tabela 4.22
Cef
NP
ZE
NG
NM
NP
ZE
PP
PM
PG
PP
PM
PG
NG
NM
NP
ZE
PP
PM
PG
66
Na TABELA 3 apresenta-se o segundo passo no desenvolvimento da TABELA do controlador fuzzy. Considera-se E=0 e que CE diferente de zero. Considera-se que se E=0 ento
se a variao dos erros PP, ZE ou NP a ao de controle deve ser Uf=ZE. Isto significa uma
espcie de filtro. No caso de CEf=PM, PG, NM ou NG o valor da variao do erro deve ser
considerado. Heuristicamente assumiu-se que Uf para esses valores fuzzy deve ser equivalente a um nvel menor do que o nvel do CEf para valores positivos, e equivalente a um nvel
maior do que o nvel do CEf para valores negativos.
if Ef = ZE and nvelCef>PP then Uf = nivelCEf+1
if Ef = ZE and nvelCef<NP then Uf = nivelCEf-1
Uf
Ef
NG
NM
NP
ZE
PP
PM
PG
NG
NM
NM
NP
Tabela 4.23
Cef
NP
ZE
NG
NM
NP
ZE
PP
PM
PG
ZE
PP
PM
PG
ZE
PP
PM
No terceiro caso so construdas as outras clulas da Tabela usando as relaes apresentadas abaixo. Na TABELA 4 apresenta-se a Tabela de controle desenvolvida.
if CEf != ZE and Ef != ZE then
if Ef = P and CEf=P then Uf = nivelEf+1
if Ef = P and CEf=N then Uf = nivelEf
if Ef = N and CEf=N then Uf = nivelEf-1
if Ef = N and CEf=P then Uf = nivelEf
Ef
Uf
NG
NM
Tabela 4.24
CEf
NP
ZE
NG
NM
NP
ZE
PP
PM
PG
NG
NG
NM
NM
PP
PM
PG
NG
NG
NM
NP
PP
PM
PG
NG
NG
NM
ZE
PP
PM
PG
NG
NM
NP
ZE
PP
PM
PG
PP
PM
PG
NG
NM
NP
ZE
PM
PG
PG
NG
NM
NP
PP
PM
PG
PG
NG
NM
NP
PM
PM
PG
PG
Analisando-se a Tabela 4.24 v-se que se pode desenvolver regras Fuzzy a partir dela. A
seguir apresentam-se as regras obtidas da Tabela 4.24.
67
Regra 1)if Ef is PG and CEf is algum, then Uf is PG;

Regra 2)if Ef is PM and CEf is negativo ou ZE, then Uf is PM;
Regra 3)if Ef is PP and CEf is ZE, then Uf is PP;
Regra 4)if Ef is ZE and CEf is ZE, then Uf is ZE;
Regra)if Ef is NP and CEf is ZE, then Uf is NP;
Regra 6)if Ef is NM and CEf is positivo ou ZE, then Uf is NM;
Regra 7)if Ef is NG and CEf is algum, then Uf is NG;
Na Tabela 5 so mostrados os valores discretos atribudos s variveis lingsticas de
Uf.
Uf
U(t)
NG
-0.9
NM
-0.6
Tabela 4.25
NP
ZE
-0.4
0.
PP
0.4
PM
0.6
PG
0.9
Na Fig.5.3 apresenta-se o diagrama em trs dimenses da superfcie de controle gerada

pelo controlador Fuzzy baseado nas REGRAS da Tabela 6 e com os valores discretos apresentados na TABELA Na figura, o eixo x representa a variao no erro, o eixo y representa o
erro, e o eixo z representa U(t). Observe-se a variao nos valores de U(t) devido s regras
Fuzzy se apresentam na forma de nveis.
x
y
Fig.4.33 Superfcie de controle - regras

EXERCCIOS 4.8
4.8.1)Utilize as funes de pertinncia do tipo sigmide para representar o erro (E) e a
variao do erro (CE). Na Fig.5.4 so apresentados as curvas das funes de pertinncia E e
CE ( -3E3 e -3CE3) e os valores de cada nvel de U(t) obtidos da Tabela 7.
68
^ CE
NB
NB
NB
NB
NB
NB
NB
NB
NB
NB
NM
NM
NM
NM
NB
NM
NM
NS
NS
NS
NS
NM
NS
ZO
ZO
ZO
PS
PM
PB
PB
PB
PB
PB
PB
PB
PM
PM
PS
PS
E
<
PM
PS
PM
PS
PB
PM
PB
PB
PM
PM
Figura 5.4 Funes de pertinncia

4.8.2)Apresente o diagrama em trs dimenses da superfcie de controle gerada pelo
controlador Fuzzy. Os valores de E e CE foram representados como mostrado na Fig.5.
Foram utilizados 20 valores de E variando entre 3 e 3, e 20 valores de CE variando ente 0.4
e 0.4, para cada um desses valores, a unio das funes de pertinncia de E e CE indicaram o
vencedor como mostrado na TABELA 3. Observe-se que a definio dos nveis em U(t)
diferente do diagrama tridimensional mostrado na Fig.5.3, as diferenas entre as duas curvas
devem-se as funes de pertinncia do tipo sigmide e ao nmero de pontos desenhados.
x
Y
Fig.4.34 Superfcie de controle - Sigmide

4.9
Concluso
Apresentaram-se sucintamente alguns conceitos da Lgica Fuzzy e a sua aplicao na
rea de identificao e controle. Foram mostrados resultados experimentais e de simulaes
obtidos com o controlador Fuzzy inverso. Foram mostrados resultados experimentais e de simulaes obtidos com o controlador Fuzzy de Furuhashi e de Mandami.
69
CAPTULO 5
A DEFUZZYFICAO CONTNUA E A ADAPTAO FUZZY
5.1
INTRODUO
Neste captulo estuda-se a aplicao da lgica Fuzzy na representao de funes contnuas seguida do estudo e adaptao de parmetros de sistemas Fuzzy. Inicia-se com a apresentao sucintamente algumas caractersticas matemticas dos sistemas Fuzzy com nfase no
modelo do centro de gravidade (CG). Aps a apresentao de algumas funes simuladas com
o modelo CG, apresenta-se a adaptao de alguns parmetros de sistemas FUZZY.
5.2
A DEFUZZYFICAO CONTNUA
A DEFUZZYFICAO a transformao de uma varivel do conjunto Fuzzy numa
varivel do conjunto lgico ou discreto. Nos sistemas de controles mostrados no captulo 4
deste livro que usa a defuzzyficao lgica, a ao de controle feita com o valor determinstico U(t), obtido a partir de Uf lido de uma tabela.
Na Fig.5.1, reapresentao da Fig.4.1, apresentam-se detalhes do IDENTIFICADOR
FUZZY que recebe na sua entrada o valor discreto U(t). Internamente, o valor de U(t)
fuzzyficado, a seguir analisado na forma Fuzzy, o valor defuzzyficado na forma de variveis lgicas apresentado na sada do IDENTIFICADOR FUZZY. O valor de Yf(t) obtido de tabelas com entradas acionadas pelos valores lgicos das funes de pertinncias.
FUNES DE
PERTINNCIA
AGRUPAMENTO
Z(X)
FUZZYFI CAO
P(X)
Z
Y(t)
G
CG
X
Yrf
DEFUZZYFI CAO
REGRAS FUZZY
M(X)
Z
WZ
G(X)
P
WP
M
WM
G
WG
CENTRO DE GRAVIDADE
Yf(t)
Fig.5.1 Detalhes do controlador Fuzzy inverso

Revendo a seo 4.3 deste livro, onde na Fig.4.8 mostrado o grfico obtido da defuzzyficao lgica baseada na operao Fuzzy UNIO, tal que Z(x) P(x) M(x)G(x)=
max(Z(X),P(X),M(x), G(x)) x X, na forma mostrada na Tabela 5.1 (cpia da Tabela 4.1).
Na construo da Fig.5.1, a cada ponto da abscissa calculada a ordenada usando a operao
Fuzzy UNIO usando a Tabela 5.1.
Tabela 5.1 Defuzzyficao lgica
70
ZL=0; PL=0; ML=0; GL=0;

if(X<alvo1)ZL=1;
%A funo vencedora a Z(X); end
if(alvo1<=X<alvo2)PL=1; %A funo vencedora a P(X);end
if(alvo2<=X<alvo3)ML=1; %A funo vencedora a M(X);end
if(X>=alvo3)GL=1;
%A funo vencedora a G(X);end
Na Fig.5.2 apresenta-se o grfico obtido da defuzzyficao na forma digital de y=f(t)
onde se calcula R(X) para 0<X<1. Na figura desenharam-se degraus crescentes (na cor rosa
choque) em cada intervalo entre os alvos. No projeto do identificador Fuzzy algumas vezes
associam-se valores aos pesos das funes de pertinncias dos degraus. Associou-se a Z(X) o
peso W(1)=0.15 (ver a ordenada de Z(X)); a P(X) o peso W(2)=0.3 (ver a ordenada de P(X));
a M(X) o peso W(3)=0.6 (ver a ordenada de M(X)) e a G(X) o peso W(4)=1 (ver a ordenada
de G(X)). Usou-se uma nova varivel contnua denominada R(X) e a Tabela 5.2 para calcular
o seu valor. R(X) uma funo descontnua. Na Tabela 5.3 apresenta-se a tabela de entrada e
sada da planta obtida a partir da Tabela 5.2.
Tabela 5.2 Clculo de R(X)
for X=0:1
if(ZL==1) R(X)=0.15; %A funo vencedora a Z(X);end
if(PL==1) R(X)=0.30; %A funo vencedora a P(X);end
if(ML==1) R(X)=0.60; %A funo vencedora a M(X);end
if(GL==1) R(X)=1.00; %A funo vencedora a G(X);end
end

ZL
PL
ML
GL
X<alvo1
alvo1<X
alvo2<X
Alvo3<X
e X<alvo2
e X<alvo3
U(t)
U1=0.15
U2=0.3
U3=0.6
U4=1.
R(X)
U1
U2
U3
U4
Z(X)
P(X)
M(X)
G(X)
1
ZL
PL
ML
GL
R(X)
0.9
0.8
0.7
0.6
R(X)
0.5
0.4
0.3
R(X)
0.2
0.1
0
R(X)
0.1
0.2
alvo1
0.3
0.4
0.5
alvo2
0.6
0.7
0.8
alvo3
0.9
Fig.5.2 Defuzzyficao lgica

71
Neste captulo ser apresentada uma forma de defuzzyficao contnua, isto , R(X)
uma funo contnua. Na prxima seo sero apresentados alguns teoremas sobre modelos
desenvolvidos para a defuzzyficao contnua.
5.3
O MODELO ADITIVO PADRO

Antes da anlise da defuzzyficao contnua sero apresentadas algumas definies e
alguns teoremas descritos por Kosko (Kosko 1996).
Kosko (Kosko 1996) define o modelo aditivo padro (SAM, Standard Adaptive Model)
para o sistema Fuzzy aditivo:
F:RnRp
Se for calculado F(x) Rp como a centride de B e de x Rn. Como a centride de B e
x Rn aciona cada regra da inferncia atravs de escalonamento ou produto:
F(x)=centride(B)
Kosko tambm apresenta o teorema SAM (standard adaptive model): Suponha que o
sistema Fuzzy F:RnRp um modelo aditivo padro, ento F(x) uma soma convexa das m
partes do conjunto das centrides:
F(x)=

Kosko (Kosko, 1966) segue com o teorema da aproximao Fuzzy:

Um sistema Fuzzy aditivo F:xY aproxima uniformemente f:xY se x compacto e f
contnua.
Existem diferentes mtodos para a defuzzyficao de variveis Fuzzy: Centride,
primeiro dos mximos (first-of-maxima), meio dos mximos (middle-of-maxima) e critrio mximo.
5.4
O MTODO DO CENTRO DE GRAVIDADE

A estratgia de defuzzyficao de sistemas fuzzy aditivos mais utilizado a estratgia
do centro de gravidade (CG).
No mtodo CG o valor determinstico calculado para R(x) dado pela eq.5.1, onde U(t)
o valor defuzzyficado, i(x) o valor da funo de pertinncia no ponto t, e wi o valor discreto (peso) atribudo varivel lingistica associada a i(x).
k
(t ) * w
i
U (t ) =
i =1
(5.1)
(t )
i
i =1
O traado das funes de pertinncia de forma triangular foi feito usando as informaes das suas declividades e a posio dos seus valores mximos. Alm disso, a cada funo
de pertinncia foi associado um peso para ser usado durante a defuzzyficao (usando a
eq.5.1). A seguir no Programa 1, apresenta-se o pseudo cdigo do MATLAB que define os
valores padres dessas variveis.
O traado das funes de pertinncia foi feito com o cdigo escrito para o MATLAB
apresentado no Prog.5.2. A abscissa representada por 330 pontos. Foram calculados os valo-
72
res para as quatro curvas das funes de pertinncia (curva(1:4,1:330)) e para a curva da defuzzyficao(curva(5,1:330)).
A varivel curva() inicialmente zerada. A varivel altura() indica o valor 100 para a altura da funo de pertinncia que depois ser normalizada para valores entre zero e um. As
variveis acima e abaixo referem-se eq.5.1. No ambiente MATLAB o smbolo ~= significa
valores diferentes, o smbolo == significa valores iguais, etc.
Na Fig.5.3 so escolhidos trs pontos denominados alvo1, alvo2 e alvo3. Esses pontos
so usados para o clculo de CG(X). Na Tabela 5.4 apresentam-se os valores de Z(X), P(X),
M(X) e G(X) em cada um dos alvos. Usando-se a eq.5.1 para calcular CG(x), obtem-se a ltima coluna da Tabela 5. Na Fig.5.3 apresentam-se os resultados obtidos para os trs alvos..
ALVOS
Z(X)
P(X)
M(X)
G(X)
w1=0.15
w2=0.3
w3=0.6
w4=1.
alvo1=0.2
0.37
0.64
0.
0.
0.245
alvo2=0.4
0.
0.72
0.28
0.
0.384
alvo3=0.7
0.
0.
0.76
0.24
0.7515
Z(X)
P(X)
M(X)
CG(X)
G(X)
1
ZL
PL
ML
GL
R(X)
0.9
0.8
O
0.7
0.6
R(X)
0.5
0.4
0.3
O
R(X)
0.2
0.1
0
R(X)
0.1
0.2
alvo1
0.3
0.4
alvo2
0.5
0.6
0.7
alvo3
0.8
0.9
Fig.5.3 Defuzzyficao contnua

Na Fig.5.4, naparte superior, apresenta-se a curva de defuzzyficao contnua usando
o mtodo de centro da gravidade, para 0<X<1 usando peso(1)=uc1=0.15; peso(2)=uc2=0.3;
peso(3)=uc3=0.6; peso(4)=uc4=1.
Na Fig.5.4, na parte inferior, usou-e peso(1)=0.01;peso(2)=0.2;peso(3)=0.5;peso(4)=1..
Os valores da abscissa utilizados para calcular o valor CG(X) variam entre 0. e 1.1.
73

Z(X)
P(X)
M(X)
G(X)
1
ZL
PL
ML
GL
R(X)
0.9
0.8
O
0.7
0.6
R(X)
0.5
0.4
0.3
R(X)
O
0.2
0.1
0
R(X)
0.1
0.2
alvo1
Z(X)
0.3
0.4
alvo2
P(X)
0.5
0.6
M(X)
0.7
alvo3
0.8
0.9
G(X)
1
ZL
PL
ML
GL
R(X)
0.9
0.8
O
0.7
0.6
R(X)
0.5
0.4
0.3
O
R(X)
0.2
0.1
0
R(X)
0.1
0.2
alvo1
0.3
0.4
alvo2
0.5
0.6
0.7
alvo3
0.8
0.9
Figura 5.4 Defuzzyficao contnua

EXERCCIOS 5.4
5.4.1)Calcule as funes vencedoras e os valores de defuzzyficao usando o centro de
gravidade para os seguintes alvos: 0.1, 0.3 e 0.5.
5.3
TIPOS DE FUNES IDENTIFICADAS

As funes de pertinncias identificadas so ligadas diretamente com as funes que se
deseja simular. Na Fig.5.5 apresentam-se algumas funes contnuas que se pode obter com
quatro funes de pertinncias.
74
Z(X)
ZL
P(X)
M(X)
PL
G(X)
ML
GL
0.5
R(X)
0
0.1
0.2
Z(X)
ZL
0.3
0.4
0.5
0.6
0.7
P(X)
M(X)
G(X)
PL
ML
0.8
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
0.9
0.9
GL
0.5
R(X)
0
0.1
0.2
Z(X)
ZL
P(X)
M(X)
PL
G(X)
ML
GL
0.5
R(X)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Z(X)
ZL
P(X)
M(X)
PL
G(X)
ML
0.8
GL
0.5
R(X)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
Fig.5.5 Formas das curvas CG(X)

5.3.1 Exerccios
5.3.1)Calcule as funes vencedoras e os valores de defuzzyficao usando o centro de
gravidade para os seguintes alvos: 0.1, 0.3 e 0.5 e pesos (peso(1)=0.01; peso(2)=0.2;
peso(3)=0.5; peso(4)=1.;).
5.3.2)Observado-se a Fig.5.5 e utilizando o programa fuzzy (existente no disquete que
acompanha este livro) sugira novos valores da Tabela 2 tal que CG(X) se aproxime da funo
tangente hiperblica. Faa o mesmo modificando a declividade e a posio das funes de
pertinncia.
5.3.3)Trace funo exponencial crescente, decrescente, sigmide e tangente hiperblica. Veja
a figura abaixo, Fig.5.6.
Z
GG
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
50
100
150
200
250
300
350
400
peso(1)=0.01;peso(2)=0.65;peso(3)=0.93;peso(4)=0.65;peso(5)=0.01;
X
450
alvo
75
1
Z
1
Z
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
0
0
50
100
150
200
250
300
X
350
50
100
150
200
250
300
X
350
Fig.5.6 Funo contnua Fuzzy

5.4
ADAPTAO DOS PARMETROS DO SISTEMA FUZZY

O problema da adaptao mudar as funes de pertinncia (os seus parmetros, o peso, a inclinao e o centro da funo) para mudar a funo de pertinncia vencedora (defuzyficao lgica) ou a forma de CG(X).
No livro (Cavalcanti 2012) foram apresentados diversos exemplos iterativos para se achar a raiz de uma funo usando os Mtodos da Iterao Linear e o Mtodo de Newton.
Tambm foi mostrada a regra delta que utiliza o erro observado entre a sada desejada da
planta e a saida atual da planta.
A planta pode ser representada por uma varivel fuzzy e a sua adaptao pode ser feita
na forma apresentada na Fig.5.7 com Erro=Y(.)-Yf(.).O smbolo indica o fator de adaptao
(0< <1).
U(.)
Y(.)
PLANTA
+
IDENTIFICADOR
FUZZY
Erro=Y(.)-Yf(.)
Yf(.)
Fig.5.7 Adaptao de uma funo fuzzy

Usando-se a regra delta e definindo os pesos como W, na eq.5.1 apresenta-se a equao
para a adaptao do peso da funo de pertinncia.
Por exemplo, na defuzzyficao Fuzzy discutida no captulo 4 deste livro, a eq.5.1 s
deve ser usada na funo de pertinncia vencedora aps a operao de unio no conjunto
fuzzy.
Wk+1 = Wk + .Erro
(5.1)
Sabe-se que aumentando o valor do peso aumenta-se o valor da funo obtida na defuzzyficao com o centro de gravidade.
76
Na Fig.5.8 apresentam-se duas curvas obtidas da defuzzyficao usando o centro de

gravidade para diferentes valores dos pesos. Os pesos das curvas 2 e 3 (P(t) e M(t)) foram
mudados de peso(2)=0.2 e peso(3)=0.5 para peso(2)=0.3 e peso(3)=0.7. Observe-se que a
curva da defuzzyficao (curva 2) mudou. Ela aumentou o seu valor em relao curva 1
nas regies das funes de pertinncia P(t) e M(t).
Figura 5.8 Modificao dos pesos

Na Fig.5.9 apresentam-se dois traados da funo de pertinncia triangular M(.). A declividade da funo M(.) maior na curva2 do que na curva 1.
Observa-se na Fig.5.9 que diminuindo-se a declividade das retas da funo de pertinncia aumenta-se o valor da funa de pertinncia num alvo fixo. Isto , o valor da funo de
pertinncia inversamente proporcional declividade das retas.
Usando-se a regra delta e definindo decliv como a varivel das declividades das funes
de pertinncia, na eq.5.2 apresenta-se a equao para a adaptao do declividade da funo de
pertinncia. A eq.5.2 s deve ser usada na funo de pertinncia vencedora aps a operao
de unio no conjunto fuzzy.
declivk+1 = declivk - .Erro
(5.2)
Figura 5.9 Adaptao da declividade

77
Na Fig.5.10 apresentam-se dois traados da funo de pertinncia triangular M(.). O

deslocamento da funo M(.) maior na curva 2 do que na curva 1 (em relao abscissa zero).
Observa-se que o valor da funo de pertinncia inversamente proporcional posio
das retas do lado esquerdo do tringulo. Observa-se tambm que o valor da funo de pertinncia diretamente proporcional posio das retas do lado direito do tringulo. Usando-se
a regra delta e definindo ondek como a varivel das posies das funes de pertinncia obtm-se duas equaes para a adaptao da funo de pertinncia na forma de tringulo.
Na eq.5.3 apresenta-se a equao para a adaptao da posio no caso diretamente proporcional, e na q.5.4 apresenta-se a equao para a adaptao da posio no caso inversamente proporcional. As eq.5.3 e eq.5.4 s devem ser usadas na funo de pertinncia vencedora
aps a operao de unio no conjunto fuzzy.
Fig.5.11 Adaptao da posio

bk+1 = bk + .Erro
bk+1 = bk - .Erro
(5.3)
(5.4)
EXERCCIOS
5.3.1) Os valores da funo pertinncia so limitados entre zero e um enquanto que o valor da
varivel discreta ilimitado e podendo ser positivo ou negativo (0F(x) 1 e -<x<). Na
Fig.5.11 apresentam-se as curvas das funes de pertinncia triangulares em funo da
varivel x que pode ser positiva ou negativa. Utilizando o programa Fuzzy (ver Apndice B)
que acompanha este livro faa o seguinte:
5.3.2)A partir da posio inicial, aumente a declividade de G para que a reta alvo no corte a
curva da funo de pertinncia G.
5.3.3)A partir da posio inicial, diminua o valor mximo de M para que a funo vencedora
seja a G.
5.3.4)A partir da posio inicial, decremente o alvo para que a funo vencedora seja a P.
5.3.5)Utilizando o programa Fuzzy apresentar a seqncia de pesos, declividades e posies
de tal forma que a curva de defuzzyficao, calculada usando o centro de gravidade (curva na
cor preta), coincida com a curva tracejada que quase igual a defuzificao da inversa dos
pontos apresentados na curva de defuzzyficao na cor preta.
78
Fig.5.11 Adaptao de funes de pertinncia
5.4
MUDA VALORES DOS PESOS DAS FUNES DE PERTINNCIA

Na Fig.5.2 apresenta-se a tela principal do programa FUZZY_BASE obtidas usando os
pesos das curvas das funes de pertinncias 2 e 3 (P(t) e M(t)) iguais a peso(2)=0.2 e peso(3)=0.5. Para esses pesos, obteve-se a curva de defuzzyficao na cor preta e indicada
pelo nmero 1 na Fig.5.2. A seguir, os pesos dessas curvas foram mudados para peso(2)=0.3 e peso(3)=0.7, para esses valores obteve-se a curva de defuzzyficao na cor preta e indicada pelo nmero 2 na Fig.5.2. Observe-se que a curva da defuzzyficao (curva
2) mudou em relao a curva 2. Ela aumentou o seu valor em relao curva 1 nas regies
das funes de pertinncia P(t) e M(t).
Figura 5.2 Mudana nos pesos

Na Fig.5.3 apresenta-se a tela principal do programa FUZZY escrito no ambiente MATLAB com as posies das curvas das funes de pertinncia 2 e 3 mudadas de onde(2)=100
e onde(3)=200 para onde(2)=120 e onde(3)=240. Para os deslocamentos iniciais, obteve-se a
curva de defuzzyficao na cor preta e indicada pelo nmero 1 na Fig.5.3. A seguir, usando-se os novos valores de deslocamento, obteve-se a curva de defuzzyficao na cor
preta e indicada pelo nmero 2 na Fig.5.3. Observe-se que a curva da defuzzyficao
(curva 2) mudou em relao a curva 1.
79
Figura 5.3 Mudana nas posies

Na Fig.5.2 apresenta-se a tela principal do programa FUZZY escrito no ambiente MATLAB com o seguinte programa mudapeso. As inclinaes das curvas 2 e 3 foram mudados
DE decliv(2)=1. e decliv(3)=1. para decliv(2)=1.3 e decliv(3)=0.7 (ver as mudanas nas inclinaes de P(t) e M(t)). Observe-se que a curva da defuzzyficao (curva 2) mudou nas regies das funes de pertinncia P(t) e M(t) (curva 2).
Figura 5.4 Mudana na declividade

A frmula para o clculo do CG de sistemas Fuzzy com duas variveis (E e CE) apresentada nas eq.5.1 e eq.5.2. Inicialmente, na eq.5.1, calcula-se o CG da varivel Fuzzy CE
com wij representando os valores de U(t) mostrados na TABELA 3. Na eq.5.2, utilizando os
valores calculados na eq.5.5, calculado o valor o CG da varivel Fuzzy E, que o valor de
U(t).
k
(t )w
j
Wj =
ij
j=1
(5.1)
(t )
j
j=1
80

k
(t )W
i
U( t ) =
i =1
(5.2)
(t )
i
i =1
5.5
Concluso
Neste captulo apresentaram-se programas, escritos para o MATLAB, desenvolvidos
para anlise das funes da Lgica Fuzzy. Por ltimo, apresentaram-se dois exemplos de agrupamentos usando a Lgica Fuzzy.
81
CAPTULO 6
A ESCALA JUSTA MUSICAL
6.1
INTRODUO
Neste captulo estuda-se a aplicao da lgica Fuzzy na anlise e representao de acordes musicais da escala justa.
6.2
A ESCALA JUSTA
Este captulo uma verso didtica do captulo 18 (A ESCALA JUSTA E A LGICA
FUZZY) do livro Msica e Vibrao de Jos Homero Feitosa Cavalcanti, publicado no blog
neurolab.eng.br.
Neste captulo pretende-se representar numericamente e simbolicamente as notas musicais e os acordes usando-se as notas musicais da escala justa. Baseado nas propostas das notas
musicais de Pitgoras, apresentam-se na Fig.6.1 vm-se os tamanhos das cordas de uma viola
para as notas musicais DO, RE, MI, FA, SOL, LA e SI.
Esta diviso das cordas permitiu a gerao de notas musicais com frequncias proporcionais aos comprimentos das cordas.
DO
RE
8/9
MI FA
4/5 3/4
SOL LA SI DO
2/3 3/5 8/15 1/2
DO
RE
MI
FA
SOL
LA
SI
DO
Fig.6.1 Comprimento das cordas na escala justa

Na literatura musical (Henrique, L. L., Acstica Musical, Fundao Calouste Gulbenkian, Lisboa Portugal, 2002) encontra-se que a escala natural ou justa foi proposta por Gioseffo Zarlino no sculo XVI. A escala de Zarlino foi bastante usada na renascena.
Na determinao da frequncia das notas musicais usa-se a equao de Mersenne,
eq.6.1. Mersenne foi um grande cientista francs do sculo XVII que usou uma equao que
considera a frequncia de vibrao de uma corda inversamente proporcional ao comprimento
(a) e ao raio (r) da corda.
82
f=
n
T
2.a .r .
6.1
Na Tab.6.1 apresenta-se a Tabela das Justas obtida a partir da definio das notas musicais usando a escala justa. Na primeira linha da tabela apresentam-se as notas musicais. Na
segunda linha apresentam-se as frequncias em Hertz das notas musicais. Na terceira linha
apresenta-se DIV, uma frao das freqncias das notas musicais (DIV) obtidas usando a escala justa e o nmero de ouro da msica (CM=11), definido como MDC=CM=11. Nas quarta e
quinta linhas vm-se os divisores de DIV=FREQ/CM apresentados de formas diferente. Define-se o EXPOENTE MUSICAL da nota como sendo esses expoentes, mostrado na sexta linha
da tabela.
Observe-se que no se colocou o nmero primo 11 como divisor da frequncia da nota
musical, que so divisveis por 2; 3; 5 e 11. Nesta relao falta o nmero sete que ser estudada a sua incluso na escala justa no livro Msica e Vibrao de Jos Homero Feitosa Cavalcanti.
Tabela 6.1 TABELA DAS JUSTAS (CM=11)
NOTAS
DO
RE
MI
FA
SOL
LA
SI
FREQ=DIV*CM
264
297
330
352
396
440
495
DIV
24
27
30
32
36
40
45
DIV
2.2.2.3
3
DIV
2 .3 .5
EXP. MUS
310
3.3.3
0
2 .3 .5
030
2.3.5
0
2 .3 .5
2.2.2.2
1
111
2 . 3 .5
500
2.2.3.3
2
2 .3 . 5
220
2.2.2.5
3
2 . 3 .5
301
3.3.5
20.32.51
021
A representao dos nmeros musicais assemelha-se aos nmeros da base decimal. Por
exemplo, analisando-se a nota musical DO, obtem-se para o DIV:
na base decimal, DIV=24=2*101+4*100;
na base dos expoentes, DIV=24=50*31*23...
Observa-se que h uma troca de somas por multiplicaes, veja aqui neste clculos:
2*101+4*100 = 22*5+22=22(1+5) = 22(6) = 22(21*31)=23*31=50*31*23...
Na representao exponencial observe-se a forma do desaparecimento do cinco e o aparecimento do trs, sugerindo a ocorrncia de uma transformada. Conjectura-se que o nosso
crebro associa automaticamente o expoente musical nota musical, consequncia do nosso
crebro associar o comprimento de uma corda s notas musicais, como estudou Pitgoras.
Pode-se representar as notas musicais numa estrela de sete pontas na forma mostrada na
Fig.6.2. Nesta figura usam-se os expoentes das notas musicais descritos na Tab.6.1. Lembrando-se que DO=1(310), RE=2(030), MI=3(111), FA=4(500), SOL=5(220), LA=6(301) e
SI=7(021) na representao dos expoentes musicais (ver captulo 16 (16 AS ESTRELAS E O
SINCRONISMO) do livro Msica e Vibrao de Jos Homero Feitosa Cavalcanti). A estrela de sete pontas representa os acordes das notas musicais.
83
MI 111
FA 500
RE 030
SOL 220
DO 310
LA 301
SI 021
Fig.6.2 A estrela das setes notas musicais
6.2
EXERCCIOS A escala justa
6.2.1)Faa uma descrio sucinta das contribuies musicais de Pitgoras, Mersenne e Zarlino.
6.2.2)Quais so as notas musicais na escala justa? Quais so as frequncias das notas musicais
na escala justa? O que significa uma oitava acima nas notas musicais?
6.2.3)Por que foi inventada a escala temperada? Na escala temperada quais so as notas musicais? Qual a equao usada no clculo das frequncias das notas musicais da escala temperada?
6.2.4)O que so teras e quintas na msica? Use a estrela de sete pontas para explicar as teras
e as quintas.
6.2.5)Usando as frequncias das notas musicais calcule os valores dos expoentes musicais.
6.2.6)A frequncia de uma nota musical pode ser representada em quantas formas diferentes?
Use a Tab.6.1.
6.2.7)Apresente as notas musicais na forma de senides. Analise e implemente no MATLAB
o seguinte programa. Explique a forma de se calcular a frequncia das notas musicais.
%
do re mi fa sol la si do
%FREQ2/CM 24 27 30 32 36 40 45 48 X 11
clear all;figure(1);clf;subplot(111);amostra=11025;
freqdo=11*24;freqre=11*27;freqmi=11*30;
freqfa=11*32;freqsol=11*36;freqla=11*40;freqsi=11*45;
divre=amostra/freqre;divmi=amostra/freqmi;
divfa=amostra/freqfa;divsol=amostra/freqsol;divla=amostra/freqla;
divsi=amostra/freqsi;divdo=amostra/freqdo;
for im=1:amostra
nota1(im,1)=sin(2*pi*im/divdo);
nota2(im,1)=sin(2*pi*im/divre);
nota3(im,1)=sin(2*pi*im/divmi);
nota4(im,1)=sin(2*pi*im/divfa);
nota5(im,1)=sin(2*pi*im/divsol);
nota6(im,1)=sin(2*pi*im/divla);
nota7(im,1)=sin(2*pi*im/divsi);
nota8(im,1)=sin(2*2*pi*im/divdo);
nota9(im,1)=nota1(im,1)+nota2(im,1)+nota3(im,1)+nota4(im,1)+nota5(im,1)+nota6(im,1)+nota7(im,1)+nota8(im,1);
end
t=1:300;
subplot(221),plot(t,nota1(t),'b',t,nota2(t),'r','LineWidth',2)
xlabel('DO (cor azul) RE (cor vermelha)')
title('NOTAS MUSICAIS')
xlabel('MI (cor azul) FA (cor vermelha)')
title('NOTAS MUSICAIS')
xlabel('SOL (cor azul) LA (cor vermelha)')
xlabel('SI (cor azul) DO (oitava acima, cor vermelha)')
84

%
pause
F1=abs(fft(nota9));F1(1:600)=F1(2:601);t=1:600;
subplot(111),plot(t,F1(t),'b','LineWidth',2)
xlabel('Harmonicas DO3+RE+MI+FA+SOL+LA+SI+DO4')
6.2.8)Usando o programa do Ex.6.2.7 explique as formas de ondas da Fig.6.3. Usando a

Fig.6.4 explique o grfico das frequncias das notas musicais.
NOTAS MUSICAIS
NOTAS MUSICAIS
0.5
0.5
-0.5
-0.5
-1
50
100
150
200
DO (cor azul) RE (cor vermelha)
250
-1
300
0.5
0.5
-0.5
-0.5
-1
50
100
150
200
SOL (cor azul) LA (cor vermelha)
250
-1
300
50
100
150
200
MI (cor azul) FA (cor vermelha)
250
300
50
100
150
200
SI (cor azul) DO (oitava acima, cor vermelha)
250
300
Fig.6.3 Formas de ondas das notas musicais

6000
5000
4000
3000
2000
1000
100
200
300
Harmonicas DO3+RE+MI+FA+SOL+LA+SI+DO4
400
500
600
Fig.6.4 Frequncias das notas musicais
6.3
A ESCALA JUSTA E A LGICA FUZZY

Nesta seo estuda-se a aplicao da Lgica Fuzzy na msica, e se associa os componentes da Lgica Fuzzy s notas musicais da escala justa. Observa-se que os expoentes da notas musicais podem representar as notas musicais. Esses expoentes podem ser representados
como funes de pertinncias associando ao expoente da nota musical uma funo de pertinncia.
Na Fig.6.5 apresentam-se as funes de pertinncias usadas nas notas musicais. Aps
anlises nos termos das funes de pertinncias, decidiu-se, na representao das funes de
pertinncias, trocar-se Z(x) por 2(x), P(x) por 3(x) e M(x) por 5(x) nas funes de pertinn85
cias. Usou-se a amplitude da onda triangular na representao dos expoentes (mltiplos de

0.2). Isto foi feito no intuito de representar visualmente as funes de pertinncias das notas
musicais. Nesta figura representa-se a nota musical NOTA=25*35*55, uma nota musical inexistente.
2(X)
3(X)
5(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
100
200
300
400
500
600
700
Fig.6.5 Funes de pertinncias dos expoentes

A partir da tabela das justas traaram-se as funes de pertinncias das notas musicais.
Na Fig.6.6 apresenta-se o conjunto de funes de pertinncias associadas s notas musicais da
escala justa (DO, RE, MI, FA, SOL, LA e SI). A amplitude da funo de pertinncia n*0.2,
onde n representa o expoente da nota musical.
2(X)
3(X)
5(X)
2(X)
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
100
200
300
400
500
NOTA DO 310 (2*2*2*3*11=24*11Hz)
2(X)
3(X)
600
700
100
3(X)
5(X)
200
300
400
500
NOTA RE 030 (3*3*3*11=27*11Hz)
600
700
5(X)
1
2(X)
0.9
3(X)
5(X)
0.8
0.9
0.7
0.8
0.6
0.7
0.5
0.6
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
100
200
300
400
500
NOTA MI 111 (2*3*5*11=30*11Hz)
600
700
100
200
300
400
500
NOTA FA 005 (2*2*2*2*2*11=32*11Hz)
600
700
86

2(X)
3(X)
2(X)
5(X)
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
100
200
300
400
500
NOTA SOL 022 (2*2*3*3*2*11=36*11Hz)
600
700
2(X)
100
3(X)
3(X)
5(X)
200
300
400
500
NOTA LA 301 (2*2*2*5*11=40*11Hz)
600
700
5(X)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
100
200
300
400
500
NOTA SI 021 (3*3*5*11=45*11Hz)
600
700
Fig.6.6 As funes de pertinncias das notas musicais

Prope-se que esta representao Fuzzy das notas musicais possa ser usada por deficientes auditivos, em que cada nota musical representada pela sua funo de pertinncia. Na
Fig.6.7 apresentam-se as notas musicais representadas pelas funes de pertinncias (FP).
NOTA
DO
RE
MI
FA
SOL
LA
SI
FREQ(Hz)
264
297
330
352
396
440
495
EXP.MUS.
(310)
(030)
(111)
(500)
(220)
(301)
(021)
FP
Fig.6.7 As notas musicais e suas FPs
6.3
EXERCCIOS A escala justa e a Lgica Fuzzy
6.3.1)Faa um programa para traar as funes de pertinncias (FPs) da Fig.6.4.
6.3.2)Qual a relao entre a altura do tringulo da FP e o EXPMUS?
6.3.3)Refaaa a tabela da Fig.6.5 no ambiente MATLAB.
6.3.4)A FP padro Z(x), P(x) e M(x) foram associadas a que FPs na anlise musical?
6.3.5)Apresente as FPs das oitavas superiores do DO e do SI.
6.4
ACORDE DUPLO, OPERAO OR

Nesta seo discute-se a anlise aritmtica dos acordes duplos das notas musicais usando a Lgica Fuzzy. Observe-se que o nmero de acordes duplos possveis dado por
NA=A72=21, obtido com o arranjo (probabilidade e estatsitica) das notas em dois acordes.
87
Na anlise dos acordes usam-se os expoentes musicais da tabela das justas e a repetio
das senides, que pode ser vista na Tab.6.2.
Na Tab.6.2, na linha da nota DO, o valor DIV das notas feita em relao ao DIV=24
da nota DO. Na coluna da nota RE tem-se DIVRE=(9/8)DIVDO=27, e assim para as demais
colunas e linhas. Esses nmeros so obtidos a partir das fraes das cordas de Pitgoras. Deve-se associar ao ciclo da nota musical o maior ciclo a nota musical com menor frequncia.
Tab.6.2 - TABELA DAS REPETIES
REFs
DO24
RE27
MI30
FA32
SOL36
LA40
SI45
DO
9/8
5/4
4/3
3/2
5/3
15/8
RE
8/9
10/9
32/27
4/3
40/27
5/3
MI
4/5
9/10
16/15
6/5
4/3
3/2
FA
27/32
15/16
9/8
5/4
45/32
SOL
2/3
5/6
8/9
10/9
5/4
LA
3/5
27/40
4/5
9/10
9/8
SI
8/15
3/5
2/3
32/45
4/5
8/9
O acorde DOMI bem conhecido (na Tab.6.2 DIVMI=(5/4)DIVDO=(5/4)24=30). Consiste em se executar num instrumento musical, ao mesmo tempo, as notas DO e MI. Na
Fig.6.6 podem-se ver as formas de ondas obtidas aps serem teclados D e MI simultaneamente (curvas obtidas do livro Msica e Vibrao).
No grfico superior da Fig.6.8 pode-se ver, na cor azul a nota musicaal DO, na cor vermelha a nota musical MI, e o acorde DOMI na cor preta. Na figura inferior vm-se as harmnicas das notas DO (264Hz) e MI(330Hz). Observe-se (veja a seta) que aps 4 ciclos da nota
DO e 5 ciclos da nota MI as curvas das duas notas passam por zero.
ACORDE DOMI
2
-1
-2
50
100
150
200
250
300
DO (cor azul) MI (cor vermelha) DO+MI(preto)
350
400
450
500
6000
5000
4000
3000
2000
1000
0
50
100
150
200
Harmonicas DO+MI
250
300
350
400
Fig.6.8 Acorde DO e MI
A anlise da gerao do acorde DOMI por etapas, at a sua representao usando a Lgica Fuzzy, feita a seguir.
Na tabela das justas retiram-se os expoentes musicais das notas DO e MI (DO(310) e
MI(111)), a seguir denota-se o acorde das notas DO e MI como DOMI, reescreve-se o acorde
DO e MI na forma:
88
DOMIop=DO(310) op MI(111)
A palavra op representa uma operao lgica Fuzzy sobre os expoentes musicais das
notas DO e MI, obtido da observao dos expoentes musicais da Tab.6.1. Uma anlise sucinta
dos expoentes verifica-se que:
A nota MI(111) possui os trs algarismos do seu nmero exponencial com valores diferentes de zero, pois 30=21*31*51. O expoente musical da nota musical RE(030) referente ao
expoente trs o nico diferente de zero, pois 27=20*33*50 . O expoente musical da nota musical FA(500) referente ao nmero dois o nico diferente de zero, pois 32=25*30*50. Isto
sugere um certo padro que pode ser usado na anlise dos acordes.
Inicialmente decidiu-se usar o operador op para encontrar o maior expoente entre as duas notas musicais, por exemplo:
DOMIop=DO(310) op MI (111)= 311
A atribuio ao acorde DOMIop os maiores expoentes pode ser feito usando a operao
lgica Fuzzy OU (op=OU). Isto significa a grosso modo que os termos do expoente musical
do acorde DOMIOU foram obtidos retirando o maior algarismo dos expoente musicais das duas notas.
Na Fig.6.9 apresenta-se a tabela dos acordes duplos, obtidos com operao OU, junto
com um grfico das funes de pertinncias dos acordes.
TABELA DOS ACORDES DUPLOS operao OU
NOTAS
DO(310)
RE(030)
MI(111)
FA(500)
SOL(220)
LA(301)
SI(021)
DO(310)
330
311
510
320
311
321
DORE 330
DOMI 331
DOFA 510
DOLA 311
DOSI 321
131
530
230
331
031
REMI 131
REFA 530
RESOL 230
RELA 331
RESI 031
511
221
311
121
MIFA 511
MISOL 221
MILA 331
MISI 121
520
501
521
FASOL 520
FALA 501
FASI 521
321
221
SOLLA 321
SOLSI 221
321
RE(030)
MI(111)
FA(500)
SOL(220)
LA(301)
DOSOL 320
LASI 321
Fig.6.9 Acordes duplos OR e funes de pertinncias

A cada acorde duplo associado um novo expoente musical. Este novo expoente musical representa uma operao lgica Fuzzy entre duas notas musicais.
89
O resultado obtido (expoente musical e funes de pertinncias) mostrado na Fig.6.9

pode ser usado numa melodia no lugar do acorde das duas notas. Por exemplo, o acorde DOMIOU da Fig.6.9 foi obtido com a soma das formas de ondas das notas musicais
DO(FREQ=24*11) e MI(FREQ=30*11).
A partir dos resultados obtidos sugere-se uma outra forma de se executar o acorde DOMI usando uma nica nota musical, DOMIOU=120*11.
6.4
EXERCCIOS Acorde duplo, operao OU
6.4.1)Reveja a definio da operao lgica Fuzzy OU.
6.4.2)Usando-se a Tab.6.2 calcule as demais frequncias das notas musicais usando um trecho
da Tab.6.2 mostrada na Fig.6.10.
REFs
DO24
RE27
MI30
FA32
SOL36
LA40
SI45
DO
9/8
5/4
4/3
3/2
5/3
15/8
FREQ
264
DIV
24
Fig.6.10 Relao de frequncias

6.4.3)Faa um programa no MATLAB para traar as funes de pertinncias da Fig.6.9. Use
o seguinte trecho de programa para calcular DIV da nota musical conhecendo-se o EXPMUS.
Qual a dimenso da varivel pauta? O que as variveis nota e pauta representam? O que armazenado em qexp?
pauta=[3 1 0
030
111
500
220
301
0 2 1];
d2=pauta(nota,1);d3=pauta(nota,2);d5=pauta(nota,3);
qexp=2^d2*3^d3*5^d5;
6.4.4)Explique o seguinte trecho de programa usado para calcular o acorde OU de duas notas
(as notas so indicadas nas variveis hoje e antes).
pauta=[3 1 0
030
111
500
220
301
0 2 1];
d2=pauta(hoje,1);d3=pauta(hoje,2);d5=pauta(hoje,3);
if(d2<pauta(antes,1))d2=pauta(antes,1);end
qexp=2^d2*3^d3*5^d5;
6.5
ACORDE DUPLO - OPERAO AND

A seguir decidiu-se usar o operador op para encontrar o menor expoente entre as duas
notas musicais, por exemplo:
DOMIAND=DO(310) op MI (111)= 110
A atribuio ao acorde DOMI os menores expoentes pode ser feito usando a operao
lgica Fuzzy AND (op=AND). Isto significa a grosso modo que os termos do expoente musical do acorde DOMIAND foram obtidos retirando o menor algarismo dos expoente musicais
das duas notas.
90
Na operao LGICA FUZZY interseco (AND) comparam-se dois nmeros musicais, o menor o vencedor. Obtem-se um nmero que representa a intensidade do acorde. Na
Fig.6.11 apresenta-s a tabela dos acordes duplos obtida com operao Lgica Fuzzy AND.
TABELA DOS ACORDES DUPLOS - AND
NOTAS
DO(310)
RE(030)
MI(111)
FA(500)
SOL(220)
LA(301)
SI(021)
DO(310)
010
110
300
210
300
010
DORE 010
DOMI 110
DOFA 300
DOLA 300
DOSI 010
010
000
020
000
020
REMI 010
REFA 000
RESOL 020
RELA 000
RESI 020
100
110
100
011
MIFA 100
MISOL 110
MILA 100
MISI 011
200
300
000
FASOL 200
FALA 300
FASI 000
200
020
SOLLA 200
SOLSI 020
001
RE(030)
MI(111)
FA(500)
SOL(220)
LA(301)
DOSOL 210
LASI 001
Fig.6.11 Acordes duplos AND e funes de pertinncias

O resultado obtido (expoente musical e funes de pertinncias) mostrado na Fig.6.8
pode ser usado numa melodia no lugar do acorde das duas notas. Por exemplo, o acorde DOMI da Fig.6.8 foi obtido com a soma das formas de ondas das notas musicais
DO(FREQ=24*11) e MI(FREQ=30*11). Sugere-se uma outra forma de se executar o acorde
DOMI usando uma nica nota musical, DOMIAND=6*11.
6.5
EXERCCIOS Acorde duplo, operao AND
6.5.1)Reveja a definio da operao lgica Fuzzy AND.
6.5.2)Explique o seguinte trecho de programa usado para calcular o acorde AN de duas notas
(as notas so indicadas nas variveis hoje e antes).
pauta=[3 1 0
030
111
500
220
301
0 2 1];
if(d2>pauta(antes,1))d2=pauta(antes,1);end
qexp=2^d2*3^d3*5^d5;
91
6.6
A FATORAO, OR e MENOS
Uma outra aplicao da anlise do acorde duplo usando a Lgica Fuzzy a anlise da
repetio das senides. A partir da Fig.6.7, e analisando o acorde DOMI, obtem-se:
DOMIOU=DO(310)OUMI(111)=120=311=23*31 *51 =(23*31 *50 *51 e 21*31 *51 *22).
DOMIOU=DO(310)OUMI(111)=120=311=23*31 *51 =( 24 *51
30 *22).
Analisando-se a Tab.6.2 (valor 5/4, indicado na linha DO e coluna MI) e comparando

com o acorde DOMIOU, v-se que os valores encontrados (os nmeros 51 e 22 na cor vermelha) indicam os nmeros de ciclos em que as senides das notas musicais DO e MI se repetem. Esta anlise pode ser feita para os demais acordes musicais.
A partir dessas anlises conclui-se que se pode usar a operao subtrao da LGICA
FUZZY para encontrar o nmero de repeties de cada senoide no acorde, veja a Tab.6.2.
Observou-se, aps alguns testes, que a operao lgica MENOS se mostrou adequada
ao clculo dos ciclos de repetio das notas musicais.
MENOS: A-B. Seja A(x)-B(x) = (A(x) - B(x)) x X

L-se A subtrao da varivel Fuzzy A da varivel Fuzzy B ser A(x)-B(x), se naquele ponto A(x)>B(x), seno ser zero.
Na operao LGICA FUZZY deseja-se encontrar o numero de ciclos de cada nota no
acorde para se repetirem. Usando-se a operao lgica MENOS entre os expoentes musicais
do acorde e da nota encontra-se a repetio das curvas.
A anlise do acorde DOREOU=330 feita em etapas. Obtem-se da Tab.6.2 o valor 8/9.
Define-se para o acorde DORE ciclosDO=8 e ciclosRE=9. Usando-se a Lgica Fuzzy e a operao Lgica Fuzzy MENOS, obtem-se:
ciclosDO=330 MENOS 310=020 (020=32, nove ciclos)
ciclosRE=330 MENOS 030=300 (300=23, oito ciclos)
Na Fig.6.9 ilustram-se as operaes lgicas.
DORE 330
MENOS
DO 310
ciclosDO=020
DORE 330
MENOS
RE 030
ciclosRE=300
Fig.6.9 Ciclos do acorde DORE

O mesmo ocorre para os acordes DOMI, DOFA, etc. O mesmo pode ser feito no clculo das repeties baseadas em RE, MI, FA, SOL e SI. Na Fig.6.10 apresenta-see a tabela dos
ciclos dos acordes duplos e das repeties (intervalos harmnicos) junto com as funes de
pertinncias.
92
TABELA DOS CICLOS DOS ACORDES DUPLOS

DO
DO(310)
RE(030)
MI(111)
FA(500)
SOL(220)
LA(301)
SI(021)
330(8/9)
311(4/5)
510(3/4)
320(2/3)
311(3/5)
321(8/15)
ciclosDO=020
ciclosDO 001
ciclosMI 200
ciclosDO 200
ciclosDO 010
ciclosFA 010
ciclosSOL 100
ciclosDO 001
ciclosDO 011
ciclosLA 010
ciclosSI 300
331(27/40
)
031(3/5)
ciclosRE=300
RE
131(9/10) 530(27/32
)
ciclosRE 020
230(3/4)
ciclosRE
010
ciclosRE 030
ciclosMI 101
ciclosSOL 200
ciclosMI 500
MI
ciclosRE
511(15/16
)
010
ciclosRE 030
ciclosSI 001
ciclosLA 301
221(5/6)
ciclosMI 110
311(3/4)
ciclosMI 200
121(2/3)
ciclosMI 010
ciclosMI 400
ciclosSOL 001
ciclosLA 010
ciclosSI 100
ciclosFA 110
FA
520(8/9)
ciclosFA 020
501(4/5)
521(32/45
)
ciclosFA 200
ciclosFA 021
ciclosSOL 300
ciclosLA 001
ciclosSI 500
SOL
321(9/10)
ciclosSOL 101
LA
221(4/5)
ciclosSOL 001
ciclosLA 020
ciclosSI 200
321(8/9)
ciclosLA 300
ciclosSI 020
Fig.6.10 Ciclos dos acordes duplos
6.6
EXERCCIOS A fatorao OR e MENOS
6.6.1)Reveja a definio da operao lgica Fuzzy MENOS.
6.6.2)
93
6.7
O ACORDE DUPLO E A UNIO DOS ACORDES

Nesta seo ser mostrada a tabela da unio dos ciclos dos acordes duplos. Definindo
cDORE=ciclosDO OU ciclosRE, na forma mostrada na Fig.6.11 obtem-se a tabela da unio
dos ciclos dos acordes duplos mostrada na Fig.6.12.
ciclosDO=020
ciclosRE=300
OR
cDORE 320
Fig.6.11 Operao cDORE

TABELA DA UNIO DOS CICLOS DOS ACORDES DUPLOS
DO
DO(310)
RE(030)
MI(111)
FA(500)
SOL(220)
LA(301)
SI(021)
330(8/9)320
311(4/5)201
510(3/4)210
320(2/3)110
311(3/5)011
321(8/15)311
210
201
110
311
011
320
RE
131(9/10)121
530(27/32)530
511(15/16)410
221(5/6)111
111
520(8/9)320
320
SOL
011
311(3/4)210
210
501(4/5)201
121(2/3)110
110
521(32/45)521
521
201
321(9/10)121
121
LA
031(3/5)011
331
210
410
FA
331(27/40)331
530
121
MI
230(3/4)210
221(4/5)201
201
321(8/9)320
320
Fig.6.12 Unio dos ciclos dos acordes duplos
6.7
EXERCCIOS Acorde duplo, unio dos acordes
6.7.1)Explique a construo tabela da unio dos ciclos dos acordes duplos da Fig.6.12.
6.8
O ACORDE TRIPLO
O nmero de acordes possveis usando duas notas diferentes dado por A72=21, obtido
com arranjo. O acorde de trs notas com 7 notas tem-se A73=35 possibilidades com notas diferentes. No clculo dos intervalos harmnicos segue-se o mesmo padro do acorde de duas notas, calcula-se o OR dos expoentes das trs notas.
Na figura superior da Fig.6.13 pode-se ver, na cor azul a nota musicaal DO, na cor vermelha a nota musical MI, na cor amarela a nota musical SOL, e o acorde DOMISOL na cor
preta. Na figura inferior vm-se as harmnicas das notas DO (264Hz), MI(330Hz) e
SOL(396Hz). Observe-se (veja a seta) que aps 8 ciclos da nota DO, 9 ciclos da nota MI e 10
ciclos da nota SOL as curvas das duas notas passam por zero.
94
ACORDE DOMI
3
2
1
0
-1
-2
-3
50
100
150
50
100
150
200
250
300
DO (azul) MI (vermelha) SOL(amarelo) DO+MI+SOL(preto)
350
400
450
500
350
400
450
500
6000
5000
4000
3000
2000
1000
0
200
250
Harmonicas DO+MI+SOL
300
Fig.6.13 Acorde DO, MI e SOL

-A partir da tabela da unio dos acordes duplos (mostrada na Fig.6.7) foi feita a tabela
da unio dos acordes triplos mostrada na Tab.6.3.
Tab.6.3 TABELA DA UNIO DOS ACORDES TRIPLOS
DO310
RE
MI
FA
RE030
DO RE
MI FA SOL LA SI
331 530 330 331 331
X
MI111
DO MI
FA SOL LA SI
510 320 311 321
RE MI
FA SOL LA SI
531 231 331 131
X
FA500
DO FA
SOL LA SI
520 511 521
RE FA
SOL LA SI
530 531 531
MI FA
SOL LA SI
521 511 521
X
SOL
SOL220
DO SOL
LA SI
321 321
RE SOL
LA SI
331 231
MI SOL
LA SI
321 221
FA SOL
LA SI
521 521
X
LA301
DO LA
SI
321
RE LA
SI
331
MI LA
SI
321
FA LA
SI
521
SOL LA
SI
321
SI(021)
Fig.6.14 Unio dos ciclos dos acordes triplos

Baseado na Fig.6.12 foi feita a Tab.6.5. Um dos elementos da Tab.6.5 mostrado na
Fig.6.15.
95
DO RE
MI FA SOL LA SI
8 24 6 24 8
9 27 8 27 9
10 32 9 40 15
CICLO 1
CICLO2
ciclosDO=020
ciclosDO=310
ciclosRE=300
ciclosRE=030
ciclosMI=101
ciclosFA=500
cDOREMI=321
DOREFA=530
CICLO3
ciclosDO=110
ciclosDO=310
ciclosDO=300
ciclosRE=030
ciclosRE=020
ciclosLA=301
ciclosSI=011
ciclosRE=300
ciclosSOL=020
UNIO
cDORESOL=32
cDORELA=301
cDORESI=321
Fig.6.14 Elemento DORE da Tab.6.4

Tab.6.4 - TABELA DOS CICLOS DOS ACORDES TRIPLOS
DO
RE
MI
RE
DO RE
MI FA SOL LA SI
8 24 6 24 8
9 27 8 27 9
10 32 9 40 15
X
MI
DO MI
FA SOL LA SI
12 4 12 8
15 5 15 10
16 6 20 15
RE MI
FA SOL LA SI
27 9 27 9
30 10 30 10
32 12 40 15
X
FA
DO FA
SOL LA SI
6 3 24
8 4 32
9 5 45
RE FA
SOL LA SI
27 27 27
32 32 32
36 40 45
MI FA
SOL LA SI
15 15 30
16 16 32
18 20 45
X
FA
SOL
SOL
DO SOL
LA SI
68
9 12
10 15
RE SOL
LA SI
27 3
36 4
40 5
MI SOL
LA SI
8 32
9 36
10 45
FA SOL
LA SI
8 32
9 36
10 45
X
LA
DO LA
SI
24
40
45
RE LA
SI
27
40
45
MI LA
SI
6
8
9
FA LA
SI
32
40
45
SOL LA
SI
36
40
45
6.8
EXERCCIOS Acorde triplo
6.8.1)Explique o seguinte trecho de programa usado para calcular o acorde de tres notas (as
notas so indicadas nas variveis hoje, antes e anterior). Explique as declaraes exx=exp(in/amost4) e notaacorde(in,1)=exx*sin(2.*pi*in/divnota);
Amostra=11025;amost4=3000;
pauta=[3 1 0
030
111
500
220
301
0 2 1];
if(d2<pauta(anterior,1))d2=pauta(anterior,1);end
qexp=2^d2*3^d3*5^d5;
96

[tr qexp]
tabnotas(cnt,7)=qexp;
freqnota=qexp*11;divnota=amostra/freqnota;
for in=1:amostra
exx=exp(-in/amost4);
notaacorde(in,1)=exx*sin(2.*pi*in/divnota); %nota musical
end
6.8.2)
6.9
Montagem
A vantagem de se usar o expoente musical que quanto menor for o expoente musical
Montou-se um tema de uma fuga usando acordes duplos e triplos. Na Fig.6.15 apresentam-se os resultados obtidos na execuo do tema usando diferentes representaes para os
acordes duplos e triplos. Na parte superior da Fig.6.15 apresenta-se um desenho do teclado de
um piano. Na parte central e inferior apresentam-se as formas de ondas dos dois canais stereos
do som do tema acompanhado da nota musical (crculos).
O mesmo tema executado quatro vezes. A primeira usando acordes duplos e triplos
definidos como a adio das notas musicais (ver as Fig.6.7 e Fig.6.13). A segunda usa acordes
duplos e triplos representados pela operao OU da Lgica Fuzzy (ver as Fig.6.7 e Fig.6.14).
A terceira usa acordes duplos e triplos representados pela operao AND da Lgica Fuzzy
(ver as Fig.6.7 e Fig.6.14).
Na Fig.6.16 apresenta-se a execuo num piano das notas musicais da primeira parte do
tema.
A MUSICA DOS PLANETAS
0.8
0.6
0.4
0.2
0
-1.5
-1
-0.5
0.5
1.5
4
10
o
5
0
O
o
o O
o
O
o
O
o
O
o
o
o O
O
o
O
o
o
o
O
o
O
o
o O
o
O
o
O
o
o
o O
O
o
O
o
O
o
o
o
O
o
O
o
o O
o
O
o
O
o
o
o O
O
o
O
o
O
o
o
o
O
o
O
o
o O
o
O
o
O
o
o
o O
O
o
O
o
RE4
SI3
SOL3
MI3
DO3
LA2
FA2
RE2
SI1
O
o
O
o
-5
-10
6
8
Acordes 12 e 123 - OR 2 - AND 2 - OR 2 e 3
10
12
14
x 10
20
10
o
0o
o
o o
o
o
o
o
o
o o
o
o
o
o
o o
o
o
o
o o
o
o
o
o
o
o
o o
o
o
o
o o
o
o
o
o
o
o
o o
o
o
o
o o
o
RE4
SI3
SOL3
MI3
DO3
LA2
FA2
RE2
SI1
o
o
-10
-20
10
12
14
x 10
Fig.6.15 Tema musical usando acordes duplos e triplos (4 tipos)

Tema dos acordes
Tema dos acordes
Tema dos acordes
Tema dos acordes
97

Tema dos acordes
Tema dos acordes
Tema dos acordes
Tema dos acordes
Tema dos acordes
Fig.6.16 Tema musical usando acordes duplos e triplos, primeiro tema
6.10
Concluso
A vantagem de se usar o expoente musical que quanto menor for o expoente musical
obtido da operao lgica Fuzzy MENOS, mais cedo ocorre a coincidncia entre as duas notas. Conjectura-se que o nosso crebro associa o acorde com as operaes lgicas Fuzzy OU e
Fuzzy MENOS, quanto menor o valor obtido maior a afinidade entre as notas. Considera-se
esta uma forma de se quantificar o belo da msica, e uma tcnica geral que pode ser usada
por msicos e engenheiros.
98
CAPTULO VII
ANLISE DE SISTEMAS COM MEMRIA DE FORMA
CCERO DA ROCHA SOUTO
7.1
INTRODUO
Atuadores desenvolvidos com ligas com memria de forma (LMF) esto sendo utilizados cada vez mais devido ao grande nmero de aplicaes na engenharia, principalmente na
rea da bio-engenharia. Isso porque essas ligas possuem a capacidade de recuperar sua forma,
mudar sua rigidez ou ainda gerar fora quando submetidas determinada variao de temperatura (Duerig et alii, 1990) (Furuya & Shimada, 1990) (Nascimento et alii, 2004) (Kreith,
1977). Essas caractersticas possibilitam o uso de LMFs em robtica, na msica (afinao automtica de instrumentos musicais), em prteses humanas do tipo dedos, braos, etc.
As ligas mais comuns no mercado so o NiTi, o CuAlNi e o CuAlZn. Estas ligas tm
efeito de memria de forma (EMF) ou comportamento superelstico e devem essas propriedades a uma transformao reversvel austenite-martensite-austenite.
Neste captulo apresenta-se a anlise e a implementao de sistemas usando materiais
atuadores de ligas com LMF usando a Lgica Fuzzy. Inicialmente, faz-se uma anlise sucinta
da forma das LMFs, a seguir, analisa-se a mudana da forma obtida com a variao de parmetros fsicos. No meio deste captulo se apresenta um modelo, utilizando a Lgica Fuzzy,
para estimar e controlar o comportamento de recuperao de um fio com memria de forma,
Por ltimo, usando resultados experimentais obtidos de um fio com memria de forma de NiTi, faz-se um identificador Fuzzy da variao do comprimento de uma LMF em funo da
temperatura.
7.2
FORMAS DAS LMFS
Na Fig.7.1 esquerda podem-se ver duas ligas usando materiais atuadores de ligas com
memria de forma sendo que a liga superior est numa temperatura t0>t1. Observe-se que a
liga superior apresenta um maior comprimento.
T0 > T1
T0
T1
Fig.7.1 Ligas LMF

Diversas aplicaes podem utilizar vigas LMF, que possibilita diversas montagens. Na
Fig.7.2 apresenta-se o desenho tridimensional de uma viga com comprimento varivel. Aplicando-se adequadamente uma corrente LMF ela muda a sua temperatura e muda o seu comprimento. A liga LMF pode ser treinada para variar o seu comprimento (Duerig et alii, 1990)
(Furuya & Shimada, 1990) (Nascimento et alii, 2004) (Kreith, 1977).
99
A liga LMF apresenta um ciclo de histerese, causada pelo atraso entre a corrente de aquecimento e a deflexo.
A histerese a tendncia de um material ou sistema de conservar suas propriedades na
ausncia de um estmulo que as gerou. Podem-se encontrar diferentes manifestaes desse
fenmeno. A palavra "histerese" deriva do grego antigo , que significa 'retardo'.
Fig.7.2 Liga LMF com comprimento varivel

Na Fig.3 apresenta-se uma viga com forma varivel (forma de arco). Aplicando-se uma
corrente LMF ela muda a sua temperatura e muda sua forma. A forma da viga LMF pode
ser mudada at se tornar uma arroela como pode ser vista na Fig.7.4.
2
1.5
1.5
0.5
0.5
-0.5
-0.5
-1
0.2
0.4
0.6
0.8
1.2
-1
1.4
0.2
0.4
0.6
0.8
1.2
1.4
Fig.7.3 Mudana da forma da viga LMF

1.25
1.35
1.25
1.2
1.1
1.2
1.3
1.25
1.15
1.15
1.2
1.1
1.1
1.15
0.9
1.05
0.8
0.7
0.95
0.6
0.9
0.5
0.85
1.1
1.05
1.05
1
0.95
0.95
0.4
0.8
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
0.85
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.9
-0.05
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Fig.7.4 Arroela e suas fases
EXERCCIOS 7.2
Formas das LMFs
7.2.1)Atribua uma varivel Fuzzy ao comprimento duma viga LMF. Use a defuzzyficao
contnua e as funes de pertinncias da Fig.7.5.
Z
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9

100
7.2.2)O efeito histerese entre a tenso e temperatura versus deslocamento pode ser visto na
Fig.7.6 esquerda (corrente na cor azul, por unidade) (deflexo na cor vermelha, por unidade). Explique o que significa histerese (curva na cor vermelha) mostrada direita da Fig.7.6.
1
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
500
1000
Corrente e deflexo
1500
0.2
0.4
0.6
histerese
0.8
Fig.7.6 Histerese, Comprimento versus Tenso da seo da viga

7.2.3) Na Fig.7.7 direita apresenta-se uma viga linear com liga de forma de cinco sees
numeradas de L1 a L5. Cada seo mede 0.2m. As sees esto posicionadas com ngulos de
0o da base a L1, de L1 a L2, at de L4 a L5. O que ocorre quando a LMF aquecida?
0
-0.1
L1
-0.2
-0.3
L2
LMF
-0.4
-0.5
L3
-0.6
-0.7
L4
-0.8
-0.9
L5
-1
-0.01
0.01
Fig.7.7 Sees de uma viga

7.2.4) Uma viga pode ser considerada um paraleleppedo que necessita de um tempo para ser
aquecido ou ser resfriado (ver a parte Fig.7.9). Na Fig.7.8 apresenta-se um circuito usado no
controle da temperatura de uma LMF. Observando-se diversos trabalhos verificou-se que os
autores usam como forma de controle da temperatura da liga (aquecimento pelo efeito joule) a
corrente eltrica.
6.5
6
50 C
S1
5
deformao (mm)
5.5
20 C
+
-
4.5
4
3.5
3
2.5
2
LIGA
0.1
0.2
0.3
0.4
0.5
corrente (A)
0.6
0.7
0.8
0.9
Fig.7.8 Aquecimento da LMF
7.3
ANLISE DE UM SISTEMA DE PRIMEIRA ORDEM
Nos captulos anteriores deste livro foi visto como se controlar um sistema de primeira
ordem mostrado na eq.7.1. Considere-se o sistema trmico da Fig.7.9 controlando o comprimento de uma LMF usando temperatura. Suponha-se que uma liga LMF na temperatura T esteja num ambiente de temperatura TL. Sabendo-se que a resistncia trmica do fluxo de calor
para a liga LMF Ri, utilizando a equao do calor obtm-se a Eq.1.
101

.
y' =
1
1
y+
x
RiC
RiC
(7.1)
Na Fig.7.9, parte superior, mostram-se dois circuitos que geram corrente em funo da
tenso (E=12V) numa viga hipottica. Os circuitos geram corrente na forma de degrau e na
forma linear.
Na Fig.7.9, na parte inferior, podem-se ver duas curvas da variao da temperatura da
liga devido aos fluxos de calor gerados pelo circuito aquecedor. A primeira curva ( esquerda)
foi obtida usando a tenso E na forma de um degrau. A segunda curva ( direita) foi obtida
usando a tenso E na forma linear.
I
+
-
S1
I
+
-
R
I
S1
R
I
t
LIGA
LIGA
0.9
0.8
0.8
0.7
0.7
0.6
0.6
Temp
Temp
Es
0.9
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
Es
Ed
0.1
0.1
Ed
0
100
200
300
Es=1 Ed=0
400
500
600
100
200
300
Es=1 Ed=0
400
500
600
Fig.7.9 Variao da temperatura da LMF
EXERCCIOS 7.3
Anlise de um sistema de primeira ordem
7.3.1)Use o seguinte programa para gerar as curvas da Fig.7.9 com entrada degrau. Explique
os vetores temper(), linear() e degrau. Considere o sistema simtrico, conhecendo-se as entradas e sadas de um dos deois degraus, como claculado o outro degrau? Qual dos vetores foram plotados? Este sistema est em por unidade, qual a tenso referncia? possivel traar
a curva da histerese deste sistema?
%fig79e.m Entradaa degrau
clear all;figure(1);subplot(111)
temp=0.;
for j=1:300
onde=1;
temp=temp+0.02*(onde-temp);
temper(j)=temp;
linear(j)=j/300;
end
for j=1:300
onde=0;
temp=temp+0.02*(onde-temp);
temper(300+j)=temp;
102

linear(300+j)=1-j/300;
end
t=1:600;
degrau(1:300)=1.;degrau(301:600)=0.;
plot(t,temper(t),'k',t,degrau(t),'g','LineWidth',3);
text(100,0.95,'Es');text(400,0.05,'Ed');
xlabel('Es=1 Ed=0');ylabel('Temp')
7.3.2)Use o seguinte programa para gerar as curvas da Fig.7.9 com entrada linear. Explique os
vetores temper() e linear().
%fig79d.m
Entrada linear
clear all;figure(1);subplot(111)
temp=0.;
for j=1:300
linear(j)=j/300;
onde=j/300;
temp=temp+0.02*(1.1*onde-temp);if(temp>1.)temp=1.;end
temper(j)=temp;
end
for j=1:300
onde=1.-j/300;
temp=temp+0.02*(1.1*onde-temp); if(temp>1.)temp=1.;end
temper(300+j)=temp;
linear(300+j)=1-j/300;
end
t=1:600;
degrau(1:300)=1.;degrau(301:600)=0.;
plot(t,temper(t),'k',t,linear(t),'g','LineWidth',3);
text(100,0.5,'Es');text(400,0.5,'Ed');
xlabel('Es=1 Ed=0');ylabel('Temp')
pause
plot(linear,temper,'r','LineWidth',3),title('Histerese - entrada linear')
xlabel('Corrente Linear');ylabel('Temperatura')
7.3.3)Na parte superior da Fig.7.10 apresentam-se as curvas (parte superior) das funes de
pertinncias e das CG(X) para uma LMF com temperatura linear. Considere o sistema simtrico, conhecendo-se as entradas e sadas de um dos deois degraus, como claculado o outro
degrau? A histerese da Fig.7.10 (inferior) plotada com qual declarao do programa
fig9d.m? Qual a relao da Fig.7.10 com a forma da LMF? Modifique no programa fig79d.m
as seguintes declaraes temp=temp+0.02*(1.1*onde-temp); para estreitar e enlarguecer a
curva de histerese. O que ocorre com as dimenses da LMF quando elas possuem histerese
estreita e larga?
1
1
Z
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0.9
0.9
0
0
50
100
150
200
250
300
X
350
50
100
150
200
250
300
X
350
103

Histerese - entrada linear
1
0.9
0.8
Temperatura
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Corrente Linear
0.7
0.8
0.9
Fig.7.10 Histerese, temperatura versus corrente linear

7.3.4)Trace as curvas de histerese para as seguintes curvas da variao da temperatura em
funo de corrente linear(Fig.7.11).
1
0.9
0.9
0.9
0.8
0.8
0.8
0.7
0.7
0.7
0.6
0.5
Es
Ed
0.5
Es
Temp
0.6
Temp
Temp
0.6
Ed
0.5
0.4
0.3
0.3
0.2
0.2
0.2
0.1
0.1
0.1
100
200
300
Es=1 Ed=0
400
500
600
Es
Ed
0.4
0.4
0.3
0
0
100
200
300
Es=1 Ed=0
400
500
600
100
200
300
Es=1 Ed=0
400
500
600
Fig.7.11 Variao linear da temperatura da LMF

7.3.5)Explique o uso da abscissa da FP no traado da histerese usando degrau de corrente.
7.3.6)Faa um programa no ambiente MATLAB para traar os grficos da Fig.7.12. Trace as
curvas de histerese para as curvas da variao da temperatura em funo de um degrau de corrente (Fig.7.12).
1
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
50
100
150
200
250
300
X
350
50
100
150
200
250
300
X
350
Fig.7.12 Variao em degrau da temperatura da LMF

7.3.7)O seguinte trecho de programa traa a CG e as FPs da Fig.7.10. %peso(1)=0.01; peso(2)=0.2; peso(3)=0.5;peso(4)=1.;%peso(4)=0.01; peso(3)=0.5; peso(2)=0.8; peso(1)=1.;.
Mostre que no necessrio calcular a CG da dirita, usar 1-Cgesquerda.
7.4
ANLISE FUZZY DA TEMPERATURA - LINEAR
A partir da anlise das curvas da variao da temperatura de uma LMF (ver a Fig.7.9)
foram desenvolvidos funes de pertinncias Fuzzy capazes de identificar as caractersticas da
variao de temperatura das LMF.
104
Nesta seo ser feita a identificao da CG com entrada de corrente na forma linear na
forma mostrada na Fig.7.9 (acima e abaixo direita).
No captulo 5.4 deste livro, ADAPTAO DOS PARMETROS DO SISTEMA
FUZZY, discute-se adaptao de sistemas Fuzzy a funes no lineares. O problema da adaptao modificar as funes de pertinncia (os seus parmetros, o peso, a inclinao e o centro da funo de pertinncia), calcular a funo de pertinncia vencedora (na defuzyficao
lgica) e a forma de CG(X), e comparar com a funo no linear. Essas etapas so feitas iterativamente at que CG(X) se aproxime da funo no linear.
A Fig.7.12 (esquerda) uma cpia da Fig.5.5, onde se apresentam quatro formas de ondas de CG(X). As formas de ondas das primeira e da terceira figuras so parecidas com as
formas de ondas da direita da Fig.7.12.
Z(X)
ZL
P(X)
M(X)
PL
G(X)
ML
GL
0.5
R(X)
0
0.1
0.2
Z(X)
ZL
0.3
P(X)
0.4
0.5
0.6
0.7
M(X)
G(X)
PL
ML
0.8
0.9
0.9
GL
0.5
R(X)
0
0.1
0.2
Z(X)
ZL
0.3
0.4
0.5
0.6
0.7
P(X)
M(X)
PL
0.8
G(X)
ML
GL
0.9
0.5
0.8
0.7
R(X)
0
0.1
0.2
Z(X)
ZL
0.3
0.4
0.5
0.6
0.7
P(X)
M(X)
PL
0.8
G(X)
ML
0.9
0.6
0.5
Es
Ed
GL
0.4
0.5
0.3
0.2
R(X)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.1
100
200
300
400
Es=X/300 Ed=1-(X-300)/300
500
600
Fig.7.13 Formas das curvas CG(X) e curva da corrente linear

Na Fig.7.14 apresentam-se as representaes Fuzzy das variaes de temperatura na
LMF. esquerda apresenta-se a representao Fuzzy (forma de CG(x)) da temperatura crescente (Tcresce), no centro apresenta-se a representao Fuzzy da temperatura decrescente
(Tdecresce=1-Tcresce), e a direita a histerese. Nas tabelas apresentam-se os valores dos parmetros das funes de pertinncias usadas no traado da Fig.7.14.
1
Z
1
Z
0.9
Linear versus saida

1
0.9
0.8
0.8
0.8
0.7
0.7
0.7
0.6
0.6
0.6
0.5
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0.9
50
100
150
200
250
300
X
350
0.4
0.3
0.2
0.1
50
100
150
200
250
300
X
350
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Fig.7.14 Funo contnua Fuzzy da temperatura da viga

Tab.7.1 Funes de pertinncias da temperatura crescente
105
TIPO PARMT
FP1
FP2
FP3
FP4
PESO
0.01
0.2
0.5
1.
DECLIVIDADE 1.
1.
1.
1.
POSIO
100
200
300
COR CG
PRETA
Tab.7.2 Funes de pertinncias da temperatura decrescente

TIPO PARMT
FP1
FP2
FP3
FP4
PESO
1.
0.9
0.6
0.01
DECLIVIDADE 1.
1.
1.
1.
POSIO
100
200
300
7.6
COR CG
PRETA
IDENTIFICAO DA LMF - anlise
Na Fig.7.15 esquerda, apresenta-se o diagrama usado na identificao Fuzzy e controle da dinmica da planta. direita, apresenta-se a superposio da CG com a dinmica da
planta (usa-se 1-CG).
1
Z
0.9
0.8
0.7
0.6
0.5
0.4
U(t)
TEMPf
Yf
0.3
0.2
Uf(t)
0.1
CONTROLADOR
FUZZY
50
100
150
200
250
300
X
350
Fig.7.15 Identificao
Observe-se que existem erros entre CG e a sada da planta que pode ser visto na
Fig7.15. Na construo das funes de pertinncias da Fig.7.15 usaram-se os conjuntos de
pesos, declividades e posies das FPs apresentados na Tab.7.3. Esses pesos so diretamente
proporcionais ao valor de CG em cada intervalo
Tab.7.3 FPs das CGs da Fig.7.15
TIPO PARMT
FP1
FP2
FP3
FP4
COR CG
PESO
0.01
0.1
0.4
0.9
MAGENTA
PESO
0.01
0.2
0.5
1.
PRETA
PESO
0.01
0.3
0.6
1.
AZUL
CLARO
1.
1.
1.
DECLIVIDADE 1.
106
POSIO
100
200
300
ALTURA
7.7
IDENTIFICAO DA LMF - algoritmo

O problema da adaptao mudar as funes de pertinncia (os seus parmetros, o peso, a inclinao e o centro da funo) para mudar a funo de pertinncia vencedora (defuzyficao lgica) ou a forma de CG(X).
No treinamento das funes de pertinncias, neste trabalho, s foram treinados os pesos
(Wi na Eq. (1)). Desenvolveu-se o seguinte algoritmo para o treinamento dos pesos (peso e
pesod na Tabela 1) (Kuo, 1985) (Lima et alii, 1994).
Na Fig.7.16 define-se o erro como a diferena entre a referncia e o valor de sada da
planta (Eq.7.1). Define-se o ndice de desempenho na Eq. 7.2. A reduo do erro quadrtico
feita usando o mtodo descendente por etapas (steepest descent), ou a regra delta generalizada. O erro deve ser reduzido a partir da modificao dos pesos das funes de pertinncias
do sistema FUZZY. Neste mtodo, o usurio deve atribuir valores iniciais aleatrios aos pesos
W das funes de pertinncias do sistema FUZZY. Os pesos so iterativamente calculados
pela Eq. 7.3 (Cavalcanti, 2001) que representa a regra delta generalizada (Humelhart, 1986).
Definem-se como o parmetro que controla a estabilidade e a razo de convergncia do
treinamento e (I(Wk)) como o valor do gradiente do ndice de desempenho no ponto Wk.
Ef=Y(t)-Yf(t)
(7.1)
2
2
(7.2)
I=E =Ef
Wk+1=Wk+(-(I(Wk))= Wk+(-(I(Wk)/W)
(7.3)
Desenvolvendo a Eq. 7.3 utilizando as Eq. 7.1 e Eq. 7.2 obtm-se o valor utilizado no
treinamento da FUZZY que dado pela Eq.7.4. O termo /W pode ser considerado o algoritmo de treinamento das funes de pertinncias, o termo /Y o jacobiano da planta.
Supe-se que esses termos so conhecidos e positivos, pois a curva CG(X) sempre crescente, e a curva da deformao sempre crescente acompanhando a corrente, apresenta-se o algoritmo de treinamento dos pesos das funes de pertinncia do sistema FUZZY na Eq. 7.5.
(I(Wk)/W)=-E./W=-E./Y.Y/W
(7.4)
Wk+1=Wk+(-(I(Wk)/W)= Wk+(E. /Y.Y/W)= Wk+.E
(7.5)
A seguir, treinaram-se os pesos das funes de pertinncias para igualar a sada contnua
do sistema FUZZY ao comprimento (ou deflexo) da liga LMF (CG(X)=Yf(t)->Y(t)). Na
Fig.7.13 apresentam-se os resultados obtidos para uma entrada em degrau de tenso.
Na Fig.7.13, na cor preta a variao linear da temperatura, na cor azul a variao exponencial da temperatura, na cor vermelha a temperatura eficaz para alongamento da viga, e o
degrau da tenso aplicada na cor verde.
107
1
Z
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
50
100
150
200
250
300
X
350
Fig.7.16 Modificao dos pesos iter=5

Usou-se o seguinte programa. Foram modificados os pesos 2 a 4 a cada iterao.
%fig716.m
%Identifica a funao de temperatura
clear all;clf;figure(1);subplot(111)
%peso(1)=0.01;peso(2)=0.45;peso(3)=0.8;peso(4)=0.9;
decliv(1)=1.;decliv(2)=1.;decliv(3)=1.;decliv(4)=1.;
numfp=4;altura(1:4)=100;curva(1:4,1:330)=0.;
for i=1:4
for j=1:330
if(i==4 & j>onde(4))curva(i,j)=altura(i);end
end
end
%Temperatura exponencial e primeira CG
temp=0.;
for j=1:330
reta(j)=j/300;if(reta(j)>1)reta(j)=1;end
temp=temp+0.01*(1.35*reta(j)-temp);if(temp>1)temp=1;end
temper(j)=temp;
acima=peso(1)*curva(1,j)+peso(2)*curva(2,j)+peso(3)*curva(3,j)+peso(4)*curva(4,j);
abaixo=(curva(1,j)+curva(2,j)+curva(3,j)+curva(4,j));
curva(5,j)=1.;
if(abaixo~=0.)curva(5,j)=acima/abaixo;end
end
tt=1:330;t=tt;
plot(tt,curva(5,t),'k',tt,curva(1,t)/100,'b',tt,curva(2,t)/100,'b',tt,curva(3,t)/100,'b',tt,curva(4,t)/100,'b','LineWidth',1)
text(20,0.96,'Z
P
M
G')
text(300,-0.07,'X');
hold
plot(tt,curva(5,t),'k','LineWidth',2);
plot(tt,temper(tt),'r','LineWidth',3);
pause
%%%%%%%%%%%%IDENTIFICACAO %%%%%%
for ve=1:5
%5 iteraoes
for tv=1:330
lmf=temper(tv);
%
if(tv<onde(1)+100)
%
peso(1)=peso(1)-(curva(numfp+1,tv)-lmf)*0.005;
% end
if(tv>onde(1)+100 && tv<=onde(2)+100)
end
if(tv>onde(2)+100 && tv<onde(3)+100)
end
if(tv>=onde(3)+100)
end
end
fazcg;
plot(tt,curva(5,t),'b','LineWidth',1);pause
end
plot(tt,curva(5,t),'b','LineWidth',2);hold
EXERCCIOS 7.7
IDENTIFICAO DA LMF SIMULADA algoritmo
7.7.1)Testar o programa da fig16.m.

7.7.2)Apresentar o grfico obtido na identificaao Fuzzy da variao da temperatura decrescente (semelhante ao grfico da Fig.7.16). Comparar com a Fig.7.17. Considere o sistema simtrico, conhecendo-se as entradas e sadas de um dos dois degraus, como claculado o outro
degrau?
108

%fig7162.m
%Identifica a funao de temperatura
clear all;clf;figure(1);subplot(111)
peso(1)=0.01;peso(2)=0.3;peso(3)=0.6;peso(4)=0.9;
%peso(1)=0.01;peso(2)=0.2;peso(3)=0.5;peso(4)=1.;
decliv(1)=1.;decliv(2)=1.;decliv(3)=1.;decliv(4)=1.;
numfp=4;altura(1:4)=100;curva(1:4,1:330)=0.;
for i=1:4
for j=1:330
if(i==4 & j>onde(4))curva(i,j)=altura(i);end
end
end
%Temperatura exponencial e primeira CG
temp=0.;
for j=1:330
reta(j)=j/300;if(reta(j)>1)reta(j)=1;end
temp=temp+0.01*(1.35*reta(j)-temp);if(temp>1)temp=1;end
temper(j)=temp;
acima=peso(1)*curva(1,j)+peso(2)*curva(2,j)+peso(3)*curva(3,j)+peso(4)*curva(4,j);
abaixo=(curva(1,j)+curva(2,j)+curva(3,j)+curva(4,j));
curva(5,j)=1.;
if(abaixo~=0.)curva(5,j)=acima/abaixo;end
end
tt=1:330;t=tt;
plot(tt,curva(5,t),'k',tt,curva(1,t)/100,'b',tt,curva(2,t)/100,'b',tt,curva(3,t)/100,'b',tt,curva(4,t)/100,'b','LineWidth',1)
text(20,0.96,'Z
P
M
G')
text(300,-0.07,'X');
hold
plot(tt,curva(5,t),'k','LineWidth',3);
plot(tt,temper(tt),'r','LineWidth',3);
plot(tt,1-curva(5,t),'k','LineWidth',3);
plot(tt,1-temper(tt),'r','LineWidth',3);
pause
%%%%%%%%%%%%IDENTIFICACAO %%%%%%
for ve=1:5
%5 iteraoes
for tv=1:330
lmf=temper(tv);
%
if(tv<onde(1)+100)
%
% end
if(tv>onde(1)+100 && tv<=onde(2)+100)
end
if(tv>onde(2)+100 && tv<onde(3)+100)
end
if(tv>=onde(3)+100)
end
end
fazcg;
plot(tt,curva(5,t),'b','LineWidth',1);pause
plot(tt,1-curva(5,t),'b','LineWidth',1);pause
end
hold
1
Z
0.9
0.8
0.7
40
S1=1
0.6
38
36
0.5
34
0.4
TempoC
32
0.3
30
28
0.2
26
0.1
24
22
50
100
150
200
250
300
X
350
S1=0
20
10
20
30
40
50
60
70
Temp(azul) tensao(verde)
80
90
100
109
0.8
0.6
0.4
38
0.2
36
0
50
100
150
200
250
300
X
350
34
32
30
0.8
28
0.6
26
0.4
24
0.2
22
0
50
100
150
200
250
300
X
350
20
20
22
24
26
28
30
32
34
36
38
40
Fig.7.17 Treinamento das FPs, inicio na cor vermelha
7.8
ANLISE DA DEFLEXO EXPERIMENTAL DA LMF
Aps a montagem de um sistema de anlise de LMFs foram obtidas informaes sobre

a variao do comprimento das LMFs devido a variao da sua temperatura. Nesta seo considera-se que a histerese, observada traando-se a variao no comprimento das barras em
funo da tenso, deve-se ao atraso no aquecimento do material. O aquecimento ocorre com a
passagem da corrente eltrica. Considera-se que existe um limite mximo e mnimo da temperatura, valores acima e abaixo desses limites no mudam o comprimento da viga.
Os testes e resultados experimentais obtidos na elaborao da liga LMF foram realizados no Laboratrio Multidisciplinar de Materiais e Estruturas Ativas LaMMEA), da UFCG
em Campina Grande. A partir de testes experimentais observou-se que o comprimento da viga
podia variar entre 80mm<=comp<=83.5mm e a deflexo: 0.5<def<3.5mm.
Um sinal de entrada triangular com amplitude 0,8A e frequncia de 1 Hz foi criado com
o objetivo de aquecer e resfriar a LMF a um determinado nmero de ciclos desejado. Esse sinal determina o comportamento da LMF com relao ao seu encurtamento e alongamento. A
carga utilizada foi de 0,50 Kg o que corresponde a uma trao de 144,4 MPa.
Obteve-se um conjunto de dados de uma viga LMF. Na Fig.7.8 apresentam-se os dados
obtidos experimentalmente. A partir de testes experimentais observou-se que o comprimento
da viga podia variar entre 80mm<=comp<=83.5mm e a deflexo: 0.5<def<3.5mm.
Analisando-se a Fig.7.18 de cima para baixo e da esquerda para a direita.
Na primeira figura, apresenta-se o trem de pulsos da tenso aplicada sobre a LMF, representada em p.u. com E=12V.
Na segunda figura, apresenta-se o trem de pulsos da corrente induzida na LMF, representada em ampere. A relao entre a corrente e a tenso V=Ri.
Na terceira figura, apresenta-se o trem de pulsos da deflexo da LMF. Usou-se uma viga
LMF de 80mm. A deflexo em mm.
Na quarta figura, apresentam-se os trens de pulsos da tenso aplicada sobre a LMF e a
deflexo ocorrida.
110
Na quinta figura, apresentam-se os trens de pulsos da corrente aplicada sobre a LMF e a

deflexo ocorrida.
Na sexta figura, apresenta-se a curva da histerese de um pulso obtido da tenso aplicada
sobre a LMF.
1
0.5
0.5
2000
4000
Tensao
6000
2000
4000
Deflexao
2000
4000
Corrente e deflexao
6000
6000
deformao (mm)
2000
4000
Corrente
6000
2000
4000
Tensao e deflexao
6000
0.2
0.4
0.6
corrente eltrica (A)
0.8
Fig.7.18 Ativao experimental de uma LMF

Na Fig.7.19 ( esquerda) apresentam quatro ciclos do sinal de corrente de aquecimento
gerado (grfico de cor preta) e o sinal correspondente ao deslocamento sofrido pela LMF devido o aquecimento e resfriamento (grfico de cor vermelha). Na Fig.7.19, direita, apresenta-se a normalizao (prximo a um) do grfico esquerda.
1
0.9
3.5
corrente(A), deformao(mm)
0.8
3
0.7
2.5
0.6
0.5
0.4
1.5
0.3
1
0.2
0.5
0
0.1
0
1000
2000
3000
cor(preta) def(verm) Tempo(S)
4000
5000
1000
2000
3000
cor(preta) def(verm)
4000
5000
Fig.7.19 Comportamento da LMF depois de quatro ciclos automticos.

A seguir, no intuito de observar a ocorrncia de histerese, foi traada a reposta em forma de deslocamento da amostra testada. Na Fig.7.20 apresenta-se a curva que relaciona a corrente eltrica que proporciona aquecimento e resfriamento com a deformao sofrida pela
LMF (def versus cor). Este grfico comprova o comportamento histertico tpico das ligas de
memria de forma.
111
6.5
6
5.5
deformao (mm)
5
4.5
4
3.5
3
2.5
2
0.1
0.2
0.3
0.4
0.5
corrente (A)
0.6
0.7
0.8
0.9
Fig.7.20 Histerese
Na parte superior da Fig.7.21 apresentam-se os resultados experimentais obtidos (pontos de 501 a 1500) para uma entrada linear de tenso (correntes crescente e decrescente na cor
azul), e uma deflexo (cor vermelha) na LMF. direita apresenta-se a curva de histerese obtida traando-se a curva deflexo versus corrente.
Na parte inferior da Fig.7.21 apresentam-se os resultados obtidos considerando o sistema simtrico, a parte da corrente decrescente foi traado a partir das entradas e sadas da corrente crescente. Observe-se a descontinuidade na gerao dos pontos da corrente descrescente.
Portanto, a LMF no simtrica.
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
500
600
700
800
900
1000 1100
Corrente e deflexo
1200
1300
1400
1500
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
500
600
700
800
900
1000 1100
Corrente e deflexo
1200
1300
1400
1500
0.1
0.2
0.3
0.4
0.5
0.6
histerese
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
histerese
0.7
0.8
0.9
Fig.7.21 Variao da corrente e da deflexo na LMF
7.10
IDENTIFICAO DA LMF EXPERIMENTAL

Devido a assimetria da LMF decidiu-se usar dois sistemas fuzzy para identificar a LMF.
Na Fig.7.22 esquerda, podem-se definir dois intervalos, um na subida, (pontos
112
501<=X<1000), e outro na descida (pontos 1001<=x<1500). Esses valores podem ser usados
na adaptao das funes de pertinncias dos dois sistemas FUZZY.
1
0.9
0.8
0.7
1
0.6
0.9
0.8
0.5
0.7
0.4
0.6
0.5
0.3
0.4
0.2
0.3
0.1
0
0.2
0.1
1000
2000
3000
4000
5000
0
500
1000
1500
Fig.7.22 Comportamento da LMF depois de alguns ciclos (normalizado)

Usou-se o conjunto de dados da Fig.7.22 esquerda para identificar a LMF na forma
mostrada na Fig.7.23. Aps alguns testes de simulaes, resultados no apresentados neste
trabalho, decidiu-se usar o sistema FUZZY com dois conjuntos de funes de pertinncias,
cada um com dez funes de pertinncias, numeradas de 1 a 10 (ver a Tabela 7.3).
Tab.7.3 Identificao da LMF
Peso
Pesod
Onde
inclin
altura
FP1
0.1
1.
30
2
1
FP2
0.1
1.
80
2
1
FP3
0.1
1.
130
2
1
FP4
0.15
0.93
180
2
1
FP5
0.15
0.93
230
2
1
FP6
0.15
0.93
280
2
1
FP7
0.15
0.93
330
2
1
FP8
0.53
0.65
380
2
1
FP9
0.53
0.65
430
2
1
FP10
1.
0.1
480
2
1
Usando-se a Tabela 1 e o conjunto de dados mostrados direita da Figura (5), foram

montados dois sistemas FUZZY, um para representar a variao de def com o crescimento da
corrente, e o outro, para a diminuio da corrente. Inicialmente foram usados os pesos dados
na Tabela 1 para gerar a curva CG(X).
Na parte superior da Fig.7.23 apresentam-se as funes de pertinncias obtidas com os
pesos usados em temperatura crescente (peso()) e decrescente (pesod()) mostrados na Tab.7.3.
Os lugares dos mximos das funes de pertinncia so mostrados na varivel onde(). Todas
as FPs possuem a mesma altura e mesma inclinao.
O resultado obtido na primeira iterao (considera-se uma iterao a apresentao dos
500 pontos de entrada do sistema FUZZY). Os resultados obtidos so mostrados na Fig.7.23.
Observe-se que os dois sistemas FUZZY no representam corretamente o sistema da liga
LMF (CG(X), ou Yf(t) diferente de Y(t)).
113

FP2
FP3
FP4
FP5
FP6
FP7
FP8
FP9
FP1
1
FP10
0.9
0.9
0.8
0.8
0.7
0.7
X=cor def(X) e CG(X)
FP1
1
0.6
0.5
0.4
0.3
200
300
400
X
FP6
FP7
FP8
FP9
FP10
0.3
0.1
X=cor
FP5
0.4
0.2
100
FP4
0.5
0.1
0
FP3
0.6
0.2
FP2
500
100
200
300
400
X
X=cor
500
Fig.7.23 Os dois conjuntos das funes de pertinncias

Usando-se os pesos da Tab.7.3 e o algoritmo de treinamento dos pesos das funes de
pertinncias apresentado na Eq. (6), foram treinadas as funes de pertinncias para simular o
sistema da liga LMF.
No treinamento das funes de pertinncias, neste trabalho, s foram treinados os pesos
(Wi na Eq. (1)), ver a seo 7.4. A seguir, treinaram-se os pesos das funes de pertinncias
para igualar a sada contnua do sistema FUZZY ao comprimento (ou deflexo) da liga LMF
(CG(X)=Yf(t)->Y(t)).
Na Fig.7.24, parte superior apresentam-se as identificaes da LMF na subida e descida.
Na parte inferior apresenta-se a variao do erro mdio quadrtico a cada iterao. Resultados
obtidos com o treinamento dos sinais da LMF mostrado na Fig.7.
FP1
1
FP2
FP3
FP4
FP5
FP6
FP7
FP8
FP9
FP10
FP1
1
0.8
0.9
0.7
0.8
0.6
0.7
0.9
0.5
0.4
0.3
0.2
FP3
FP4
FP5
FP6
FP7
FP8
FP9
FP10
0.6
0.5
0.4
0.3
0.2
0.1
0
FP2
0.1
100
200
300
X=cor
400
X
500
100
200
300
X=cor
400
X
500
1
0.8
0.6
0.4
0.2
0
0.2
20
0.4
0.6
Experimental(verm) Simulado(azul)
0.8
80
100
0.9
15
0.8
0.7
10
0.6
0.5
0.4
0.3
0.2
0.1
0
500
1000
40
60
erros
1500
Fig.7.24 Os dois conjuntos das funes de pertinncias, conjunto 1

114
Por ltimo, usando-se todas as entradas e sadas obtidas experimentalmente, mostradas

esquerda da Fig.7.22 (conjuntos numerados de 1 a 4), o sistema Fuzzy foi treinado durante
cem iteraes. Na Fig.7.25 apresentam-se os resultados obtidos para cada conjunto de treinamento, seguido do ndice de desempenho observado no treinamento. Observe-se as variaes
na curva dos erros e nas histereses, indicando que o sistema no aprendeu completamente a
dinmica dos quatro perodos das ligas LMF.
1
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0
0.1
0.2
0.4
0.6
temp desl e tempcg cg
0.8
0.2
0.4
0.6
0.8
1
1
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0
0.1
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
14
1
0.9
12
0.8
10
0.7
0.6
0.5
0.4
0.3
0.2
2
0.1
0
1000
2000
3000
4000
5000
20
40
60
80
100
erros
Fig.7.25. Erro quadrtico
7.9
CONCLUSO
Neste captulo fez-se uma anlise Fuzzy da dinmica e aplicaes das LMFs. Nele foram apresentados resultados obtidos de simulao e implementao de dois sistemas FUZZY
usados na simulao do comportamento de ligas LMF durante a sua variao de tamanho em
funo da temperatura.
Na identificao da LMF usando dados experimentais usou-se um sistema FUZZY com
dois conjuntos de funes de pertinncias, um deles para simular a dinmica do sistema com
temperatura crescente, e o outro para temperatura decrescente. Durante a simulao foram
treinados os parmetros das funes de pertinncias com uma nica entrada (conjunto de entrada e sada da Figura (5) direita), e com mais de uma entrada (conjunto de quatro entradas
e sadas da Figura (5) esquerda). O sistema FUZZY aprendeu com menos erros o sistema de
nica entrada.
115
CAPTULO VIII
APLICAO DA LGICA FUZZY NA ANLISE SENSORIAL

MNICA TEJO CAVALCANTI
8.1
INTRODUO
Neste captulo prope-se uma extenso ao mtodo de defuzzyficao Fuzzy do centro
de gravidade, usando o histograma das opinies dos provadores, na anlise dos dados sensoriais.
8.2
A ANLISE SENSORIAL
A anlise sensorial uma cincia interdisciplinar na qual se convidam avaliadores, que
se utilizam da complexa interao dos rgos dos sentidos (viso, gosto, tato e audio) para
medir ou avaliar as caractersticas sensoriais e a aceitabilidade dos produtos alimentcios e
muitos outros materiais (WATTS et al., 1992).
Os mtodos sensoriais so baseados nas respostas aos estmulos, que produzem sensaes cujas dimenses so: intensidade, extenso, durao, qualidade e prazer ou desprazer.
Enquanto os estmulos podem ser medidos por mtodos fsicos e qumicos, as sensaes so
medidas por processos psicolgicos. A anlise sensorial vem sendo aplicada no desenvolvimento e melhoramento de produtos, controle de qualidade, estudos sobre armazenamento e
desenvolvimento de processos. Uma das exigncias da avaliao sensorial a deciso sobre a
qualidade do produto, que nos testes de escala hednica (WATTS et al., 1992) traduzida pela aceitao dos alimentos. Existem alguns mtodos estatsticos desenvolvidos para a anlise
sensorial, como a analise de varincia (ANOVA), anlise de superfcie de resposta, redes neurais artificiais, etc.
Neste trabalho deseja-se conhecer a mistura entre a farinha da faveleira e a protena
mais aceita (o melhor gosto representado por um adjetivo) na composio do po, e descobrir
o que teve mais influencia no gosto: a farinha da faveleira, a protena ou a concentrao deles.
Basicamente, deseja-se conhecer as opinies dos provadores sobre a mistura, isto , descobrir
se a farinha da faveleira e/ou a protena influenciaram na aceitao do po com diferentes
concentraes na mistura. Para isso foi feita uma anlise para descobrir o que o conjunto de
provadores achou do produto, isto , se eles gostaram ou no do produto.
Os organizadores da anlise prepararam um conjunto de oito pes (pequenos pedaos de
po), sendo um deles um po padro sem a faveleira, e sete pes com a faveleira em diferentes
concentraes seguindo um planejamento experimental 22 mais trs pontos centrais, como
mostra a Tabela 1.
Tabela 1 - Matriz do planejamento fatorial 22 + 3 ponto central.
Experimentos
(amostra 1) Padro
Variveis
Farinha da faveleira (%)
-
Isolado protico (%)

-
116
(amostra 2) 1
(amostra 3) 2
(amostra 4) 3
(amostra 5) 4
(amostra 6) 5
(amostra 7) 6
(amostra 8) 7
(-1) 2,5
(+1) 7,5
(-1) 2,5
(+1) 7,5
(0) 5,0
(0) 5,0
(0) 5,0
(-1) 0,01
(-1) 0,01
(+1) 0,02
(+1) 0,02
(0) 0,015
(0) 0,015
(0) 0,015
Escolheram-se cinqenta provadores para fazerem a primeira anlise sensorial, chamada

de teste de aceitao global (s a quantidade de faveleira, farinha e protena, adicionada ao
po). Os provadores foram codificados para no influenciarem a anlise das amostras. Os autores decidiram heuristicamente usar uma gradao com nove notas (progresso por graus sucessivos) que representam a escala do gosto dos provadores.
Durante a aferio (fase da anlise das amostras pelos provadores), cada provador codificado provou o conjunto de pes (oito pes ou oito amostras) e atribuiu uma nota variando
entre 1 e 9 ao gosto do po (notas representadas por variveis lingsticas).
Na Tabela 2 apresenta-se a escala do gosto dos provadores (adjetivos atribudos s misturas) inicialmente sugerida pelos autores deste trabalho. Analisando-se a Tabela 2, v-se que
se pode fazer uma associao entre o gosto dos provadores e as variveis lingsticas utilizadas na Lgica Fuzzy (ver apndice A).
A cada gradao foi associado uma funo da Lgica Fuzzy (funo de pertinncia, FP)
que variam de gostei muitssimo (armazenado numa tabela e atribudo o valor 9), a desgostei
muitssimo (armazenado numa tabela e atribudo o valor 1).
Tabela 2- Adjetivos atribudos s misturas
9 Gostei muitssimo
8 Gostei muito
7 Gostei moderadamente
6 Gostei ligeiramente
5 Nem gostei/nem desgostei
4 Desgostei ligeiramente
3 Desgostei moderadamente
2 Desgostei muito
1 Desgostei muitssimo
Apndice B -Tabela 3 Opinio dos provadores

Aceitao Global
Amostras
Provadores
Cdigos dos provadores
1
P
Notas
1
201
202
203
204
205
117
206
207
208
209
10
210
11
211
12
212
13
213
14
214
15
215
16
216
17
217
18
218
19
219
20
220
21
221
22
222
23
223
24
224
25
225
26
226
27
227
28
228
29
229
30
230
31
231
32
232
33
233
34
234
35
235
36
236
37
237
38
238
39
239
40
240
41
241
42
242
43
243
44
244
45
245
46
246
47
247
48
248
49
249
50
250
Mdia
7,08
7,26
6,5
6,94
6,58
6,7
6,78
7,3
118
Na Tabela 3 apresenta-se o resultado obtido dos provadores. Usando-se uma analise das
mdias das notas atribudas a cada po, observou-se que o po de nmero sete teve a maior
mdia das notas, o que pode ser visto na ltima linha da Tabela 3.
Analisando-se a Tabela 3 v-se que a distribuio das anlises dos provadores sobre o
conjunto das oito amostras pode ser analisada usando um histograma das amostras em relao
a sua anlise sensorial.
No clculo do histograma das amostras define-se um vetor varivel de comprimento
nove. Contam-se as ocorrncias de cada gradao da avaliao (1 a 9) e armazenam-se os resultados no vetor hist. O trecho do programa a seguir apresenta o clculo da varivel hist(1:9).
O vetor ya(1:50,1:9) o vetor do gosto dos provadores, uma das colunas da Tabela 3 do apndice B.
hist(1:9)=0.;
for ii=1:50
k=ya(ii,amostra);
hist(k)=hist(k)+1;
end
Na Fig.5 apresentam-se os histogramas do conjunto das oito amostras. O conjunto das
amostras 1, 2, 3 e 4 so mostradas na primeira linha, o conjunto das amostras 5, 6, 7 e 8 so
mostradas na segunda linha.
Histograma
16
Histograma
Histograma
Histograma
15
25
16
14
14
12
20
12
10
15
10
10
Ocorrencias
Ocorrencias
Ocorrencias
Ocorrencias
10
8
6
4
5
2
0
5
escala
5
escala
5
escala
Histograma
5
escala
Histograma
15
16
Histograma
Histograma
14
15
14
12
12
10
10
10
Ocorrencias
Ocorrencias
Ocorrencias
Ocorrencias
10
5
escala
0
1
5
escala
2
0
1
5
escala
5
escala
Fig.5 Histograma das anlises

Analisando-se o histograma 1 da Fig.1, hist =[ 0 0 0 3 4 6 16 15 6],
verificam-se zero ocorrncias de avaliaes dos pontos 1, 2 e 3 (variveis lingsticas Desgostei moderadamente, Desgostei muito e Desgostei muitssimo). Trs ocorrncias de avaliaes
do ponto 4 (Desgostei ligeiramente). Quatro ocorrncias de avaliaes do ponto 5 (Nem gostei/nem desgostei), seis do ponto 6 (Gostei ligeiramente), dezesseis do ponto 7 (Gostei moderadamente), quinze do ponto 8 (Gostei muito) e seis do ponto 9 (Gostei muitssimo). A mesma anlise pode ser feito para os demais histogramas das amostras apresentados na Fig.5.
O procedimento para verificar a aplicabilidade da lgica Fuzzy para tomada de deciso
na aceitabilidade de um produto em provas hednicas na anlise sensorial foi conduzido a
partir das hipteses de que a Lgica Fuzzy pode ser aplicada na tomada de deciso na aceitabilidade de um produto submetido a provas hednicas na anlise sensorial. As composies
119
caracterstica do consumidor e sensaes hednicas provocadas pelo produto, compostas

por fatores intervenientes so os entes necessrios convergncia ao conjunto decisrio. Existe uma hierarquizao dos componentes intra composio. O nvel de acuidade avaliativa da
composio caracterstica do consumidor na aceitabilidade do produto diferenciado pelo
atributo sexo e idade.
Tradicionalmente, na lgica Fuzzy, uma das tcnicas usadas na anlise de dados o
cluster (agrupamento) que pode ser empregado na anlise sensorial.
O sistema sensorial Fuzzy proposto neste trabalho foi baseado em controladores em que
usualmente uma planta requer um controle na forma de quantidade real e no na forma Fuzzy,
o controlador Fuzzy de Mamdani utiliza dois dispositivos para transformar uma varivel da
forma real para a forma Fuzzy e vice versa. Esses dispositivos so o fuzzyficador ("fuzzyfier") que precede o controlador Fuzzy para associar um valor lingstico a uma quantidade real, e o defuzzyficador ("defuzzyfier") que segue o controlador Fuzzy e associa um nmero
real a um conjunto (Fuzzy Mamdani & Gaines, 1991).
Na Fig.8.1 apresenta-se a verso do sistema sensorial usando a Lgica Fuzzy na anlise
dos resultados sensoriais de provadores das caractersticas da mistura do po com a faveleira.
Prepara-se um grupo de provadores que recebem um conjunto de amostras. Cada provador
relata o seu gosto sobre a amostra. Pode-se chegar concluso que o produto com faveleira
fica mais doce ou mais salgado que o po puro, melhora a aparncia, etc. O usurio definir a
forma melhor das amostras sensorias.
AMOSTRA
SAL
AUCAR
APARNCIA
CONSISTNCIA
LGICA
FUZZY
RESULTADO
Fig.8.1 Diagrama geral do sistema Fuzzy.

Na anlise inicial do projeto do sistema sensorial usando a Lgica Fuzzy foram seguidos alguns passos comuns s pesquisas. No caso da anlise sensorial de uma nica
caracterstica da mistura pode-se considerar que um grupo de provadores analisam um conjunto de amostras com diferentes caractersticas. As caractersticas sensoriais das amostras
podem ser descritas por adjetivos do tipo bom, ruim, etc. Portanto, uma nica caracterstica da
mistura pode ser definida por um conjunto de adjetivos, o que leva a utilizao de histogramas
centrados nos adjetivos, e com intensidade igual ao nmero de escolhas dos adjetivos pelos
provadores.
Sabendo-se que a anlise sensorial feita a partir de opinies de um certo nmero de
avaliadores (aval) para um determinado nmero de amostras (am).
Sabendo-se que as opinies dos avaliadores podem ser descritas por adjetivos, e que esses adjetivos podem ser representados numericamente. Por exemplo, um sistema Fuzzy com
quatro funes de pertinncia RUIM=0.1, FRACO=0.3, MDIO=0.5, BOM=0.7 e TIMO=1
podem representar as opinies dos avaliadores.
Sabendo-se que existem diferentes amostras a serem testadas pelos avaliadores e que essas amostras podem ser representadas na forma de histograma.
120
Decidiu-se modificar os pesos das funes de pertinncia baseado no histograma das

amostras. As decises a serem tomadas usando a Lgica Fuzzy sobre a caracterstica da mistura ser feita usando um histograma das opinies dos provadores, acoplado a curva do centro
de gravidade das funes de pertinncia do sistema usando a Lgica Fuzzy.
8.3
PROJETO DO SISTEMA SENSORIAL FUZZY

No sistema sensorial Fuzzy atribui-se uma varivel Fuzzy (Sf) para representar a escolha
sensorial da amostra e associam-se diferentes valores lingsticos para Sf seguindo as variveis lingsticas (Gostei ligeiramente (L), Gostei (G), Gostei muito (M) e Gostei muitssimo
(A)).
Na Fig.8.3 apresentam-se as curvas obtidas na anlise Fuzzy do conjunto de dados de
uma amostra hipottica.
Na Fig.8.3, esquerda, apresenta-se um histograma obtido da anlise dos provadores de

uma amostra de uma mistura hipottica provada por cinqenta (elem=50) avaliadores. Nesta
figura a abscissa representa os adjetivos escolhidos para classificarem as misturas, e a altura
das barras do histograma indicam o nmero de provadores que escolheram aquele adjetivo.
A abordagem foi acoplar o histograma curva CG gerada com a eq.1. Por exemplo, um
histograma com elem=50 provadores, calculou-se um peso auxiliar para as i pesoh=hist/elem que deve ser adicionado a cada peso das funes de pertinncia
(i= i+pesohi).
direita da Fig.8.3 apresenta-se uma figura com as funes de pertinncia e a curva
CG(X). No ttulo da figura relaciona-se um conjunto de adjetivos que representam a opinio
da amostra dos avaliadores. Observe-se que CG(X) tem uma forma aproximada de uma envoltria da curva dos histogramas. Na mesma figura foi desenhada a derivada de CG(X)
(dCG(X)/dX). A curva da derivada apresenta descontinuidades nos pontos entre as funes de
pertinncia e o seu valor proporcional ao nmero do histograma da amostra. Essas caractersticas observadas vo ser usadas na anlise sensorial das amostras usando a Lgica Fuzzy.
A partir das notas atribudas pelos 50 provadores para as amostras de po de forma se
montou um histograma das amostras onde um vetor varivel de comprimento nove conta as
ocorrncias em cada gradao da avaliao (de 1 a 9) e armazena-se os resultados no vetor
histograma (vetor hist) que uma matriz montada no programa. A cada gradao foi associado uma funo da Lgica Fuzzy (funo de pertinncia, FP) que variam de gostei muitssimo
(armazenado numa tabela e atribudo o valor 9), a desgostei muitssimo (armazenado numa
tabela e atribudo o valor 1).
Exerc.O trecho do programa a seguir (Quadro 2) apresenta o clculo da varivel
hist(1:9). O vetor ya(1:50,1:9) o vetor das notas dos provadores.
Quadro 2 Trecho do programa para o calculo das variveis.
hist(1:9)=0.;
for ii=1:50
k=ya(ii,amostra);
hist(k)=hist(k)+1;
end
Deseja-se conhecer a melhor interao na composio do po entre a farinha e a protena da faveleira (o melhor gosto representado por um adjetivo) e descobrir se acontece alguma
influncia na aceitao do po utilizando a Lgica Fuzzy. Pode-se fazer uma associao entre
121
o gosto dos provadores atravs da escala hednica verbal e as variveis lingsticas utilizadas
na Lgica Fuzzy, onde a cada gradao foi associado uma funo da Lgica Fuzzy (funo de
pertinncia - FP) que variam de gostei muitssimo (armazenado numa tabela e atribudo o valor 9), a desgostei muitssimo (armazenado numa tabela e atribudo o valor 1).
As curvas das funes de pertinncia da varivel Fuzzy Sf esto representadas na cor
azul e as escolhas sensoriais das amostras na cor amarelo. Na mesma figura apresentam-se a
curva CG obtida usando a Equao 1 (cor vermelha), e a derivada da curva CG na cor verde.
Na Equao 1, a FPi representa o valor das FPs (0<=FPi<=1) e wi representam os pesos das
FPs. Por exemplo, a FP1 tem o seu mximo em x=10 (abscissa), possui uma inclinao de 6.6,
e um peso igual a w1=0.1. Observe-se que a curva CG no depende do histograma, mas depende dos vetores onde, peso e decliv.
Analisando-se o histograma da amostra 1, da Figura 4, temos hist =[ 0 0 0 3 4
6 16 15 6], conforme a Tabela 1, verificam-se zero ocorrncias de avaliaes dos pontos 1, 2 e 3 (variveis lingsticas Desgostei muitssimo, Desgostei muito e Desgostei moderadamente), trs ocorrncias de avaliaes do ponto 4 (Desgostei ligeiramente), quatro ocorrncias de avaliaes do ponto 5 (Nem gostei/nem desgostei), seis do ponto 6 (Gostei ligeiramente), dezesseis do ponto 7 (Gostei moderadamente), quinze do ponto 8 (Gostei muito) e
seis do ponto 9 (Gostei muitssimo). A mesma anlise foi feita para os demais histogramas
das amostras.
No traado das funes de pertinncia (FPs) foram usados localizaes, pesos e declividades das retas descritas pelo trecho de programa descrito no Quadro 3. A abscissa das FPs
foi projetada para 100 pontos (variando de 1 a 100). Os mximos das FPs foram projetados
para ocorrerem nos pontos 10, 20, 30, 40, 50, 60, 70 80 e 90 da abscissa, para as escolhas (i)
de 1 a 9, respectivamente. O Quadro 3 apresenta um trecho do programa com os pesos das
FPs de 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8 e 0.9, para as escolhas de 1 a 9, respectivamente. A
declividade (decliv) das retas das FPs foi fixa e igual a 6.6.
Quadro 3 Trecho do programa para o peso e a declividade.
for i=1:9
onde(i)=10*i;
peso(i)=i/10;
decliv(i)=6.6;
end
Os resultados obtidos nos traados dos histogramas das amostras na gerao das curvas
CG e da sua derivada sero utilizados num novo mtodo para anlise sensorial das amostras.
A abordagem inicial no projeto do analisador sensorial Fuzzy foi associar o histograma
curva CG. Para cada valor representado no histograma calculou-se um novo peso, denominado pesoh=hist/elem. Onde elem o nmero de provadores (elem=50) como mostra a
Equao 1.
O programa usado para gerar os pesos foi modificado para o trecho de programa mostrado no Quadro 4 abaixo.
Quadro 4 Trecho do programa modificado de acordo com a Equao 2.
for i=1:9
onde(i)=10*i;
peso(i)=i/10;
pesot(i)=peso(i) + hist(i)/elem;
decliv(i)=6.6;
122
end
Na Fig.8.5 apresentam-se as curvas CG das amostras considerando o clculo do CG
com histograma. Observe-se que as curvas das diferentes CGs terminam em pontos diferentes,
porem em uma mesma rea.
Histograma
Histograma
1.4
14
1.2
1.4
0.035
0.035
0.03
1.2
0.03
20
0.025
0.025
12
0.02
0.02
0.8
0.015
0.6
0.01
Ocorrencias
10
Ocorrencias
Amostra
25
Amostra
16
15
0.8
0.015
0.01
0.6
10
0.005
0.005
0.4
0.4
0.2
123456789
Amostra
0.2
-0.005
-0.005
Histograma
15
50
CGs
100
-0.01
0
50
100
Derivadas de CGs
123456789
Amostra
1.2
0.035
16
1.4
0.03
14
1.2
0.025
0.035
0.03
Ocorrencias
10
0.015
0.01
0.6
0
50
100
Derivadas de CGs
0.02
0.02
0.8
-0.01
0.025
12
1
10
100
Amostra
Histograma
Amostra
1.4
Ocorrencias
50
CGs
0.8
0.015
0.6
0.01
8
6
0.005
0.005
0.4
0
0.2
123456789
Amostra
50
CGs
100
-0.01
0
0.2
-0.005
0.4
0
50
100
Derivadas de CGs
123456789
Amostra
15
50
CGs
100
1.4
1.4
0.035
0.035
0.03
1.2
0.03
0.025
1
0.025
10
0.8
0.015
0.6
0.01
0.02
Ocorrencias
0.02
Ocorrencias
10
0.8
0.015
0.6
0.01
5
5
0.005
0.005
0.4
0.4
0.2
0.2
123456789
Amostra
0
50
100
Derivadas de CGs
Amostra
1.2
-0.01
Amostra
Histograma
15
Histograma
-0.005
-0.005
-0.005
50
CGs
100
-0.01
0
0
50
100
Derivadas de CGs
123456789
Amostra
50
CGs
100
-0.01
0
50
100
Derivadas de CGs
123

Histograma
14
Amostra
1.4
12
0.035
Histograma
Amostra
16
1.4
14
1.2
0.035
0.03
1.2
0.03
0.025
10
0.025
12
0.8
0.02
10
0.015
Ocorrencias
Ocorrencias
0.02
0.01
0.6
0.005
4
0.2
123456789
Amostra
50
CGs
100
0.01
0.6
6
0.005
-0.005
-0.01
0.015
0.4
0.8
0
50
100
Derivadas de CGs
0.4
0
0.2
123456789
Amostra
-0.005
50
CGs
100
-0.01
0
50
100
Derivadas de CGs
Fig.8.5 Resultados relativos das curvas CG das amostras (1- 8) considerando o clculo
do CG com histograma.
Na tabela 2 observa-se que o valor final de CG(X) da amostra 8 maior do que o valor
final das demais amostras, que aps estudos comparativos com os mtodos estatsticos, podese confirmar que a amostra indicada (a melhor avaliada pelos provadores) aquela com a
maior CG(X).
Tabela 2 Valores finais de CG(X) das amostras
AMOSTRA
CG(X) FINAL
AMOSTRA
CG(X) FINAL
1.0083
0.9739
0.9719
0.9907
0.9897
0.9727
1.0433
1.0616
A amostra 8, experimento 7, equivalente ao ponto central do planejamento experimental

utilizado na elaborao do po em questo, obteve maior aceitao global pelos provadores
segundo o sistema Fuzzy, pois apresentou maior centro de gravidade (CG) em relao as outras concentraes analisadas. A amostra 8 obteve aproximadamente 90% de aceitao pelos
provadores que atriburam notas superiores a 5 (nem gostei/nem desgostei) na escala hednica.
Na Fig.8.6, parte superior, apresenta-se a superfcie gerada pelas CG(X) dos oito experimentos. Observe-se que a amostra oito apresenta maior valor final de CG(X). Na Fig.8.6, na
parte inferior, apresenta-se a superfcie de dCG(X)/dX.
124
0.035
0.03
1.4
0.025
1.2
0.02
1
0.015
0.8
0.01
0.6
0.005
0
0.4
-0.005
0.2
-0.01
8
0
8
7
7
20
1
40
40
60
60
80
80
100
100
20
1
Superficie das oito CG(X)
Superficie das oito dCG(X)/dX
Fig.8.6 Superficies geradas de CG(X) e dCG(X)/dX
8.6
CONCLUSO
Apresentou-se um novo sistema de anlise sensorial baseado na Lgica Fuzzy. O ASLF
ainda est em estudo, mas pode-se observar que: os valores de onde, peso e decliv podem ser
mudados para dar maior realce a alguma regio da curva CG; pode-se desenvolver a anlise
sensorial central que pode ser usada para encontrar um ponto neutro. Por exemplo, nem est
insosso nem salgado. Est doce, no dulcssimo nem aguado.
Pode-se considerar que a ASLF uma ferramenta de auxlio aos mtodos estatsticos,
pois apresenta grficos de fcil entendimento pelo usurio. Pode-se usar um dos valores da
CG como referncia no estudo da preferncia do usurio.
125
CAPTULO IX
AGRUPAMENTOS E PREVISO
9.1
INTRODUO
Neste captulo apresenta-se a aplicao da Lgica Fuzzy em sistemas que usam agrupamentos. Neste captulo, inicialmente apresenta-se como traar as funes de pertinncia e a
defuzzyficao das funes de pertinncia. Estuda-se agrupamento (cluster) e classes usando
como exemplo dados obtidos da radiao solar. Posicionamento das FPs.
9.2
RADIAO SOLAR
Agrupamento, ou cluster, um mtodo utilizado para agrupar em conjuntos elementos
de caractersticas comuns. Aps o agrupamentos dos dados, a cada agrupamento associado
uma classe. No ambiente MATLAB existe um programa demonstrao, denominado fcmdemo.m, que deve ser estudado pelo aluno para entender agrupamentos ou clusters. Alm disso,
diversos autores tem estudado agrupamentos (clusters) e classes (Widrow, 1976;1985).
Nesta seo ser analisado, no sentido de agrupamento ou cluster, um conjunto de dados

relativos a radiao solar (kWh/m2) medida entre os anos 1700 e 1987 (288 anos). Na Fig.9.1
apresenta-se a curva obtida a partir dos dados da radiao solar com a abscissa representando
o ano, a ordenada representando a radiao solar.
200
180
160
Intensidade
140
120
100
80
60
40
20
0
1700
1750
1800
1850
Ano
1900
1950
2000
Fig. 9.1 Radiao solar em funo do ano

Na Fig.9.2 apresenta-se a curva obtida a partir dos dados da radiao solar com a abscissa representando o nmero da amostra, a ordenada representando a radiao solar normalizada entre zero e um.
126
1
0.9
Intensidade normalizada
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
50
100
150
Amostra
200
250
300
Fig. 9.2 Radiao solar normalizada e em funo do nmero da amostra

Na Fig.9.3, parte superior, a primeira figura de cima para baixo, apresentam-se as amostras da radiao solar normalizadas entre zero e um (man(1:288)).
Na segunda figura da Fig.9.3 apresenta-se o grfico da transformada de Fourier da radiao solar (tfm=fft(man)).
Na terceira figura da Fig.9.3 apresentam-se as harmnicas obtidas na anlise de Fourier
das amostras (harm=abs(tfm)). A abscissa representa o nmero da harmnica, a ordenada representa a intensidade da harmnica. A harmnica nmero 26 a que apresenta a maior intensidade (harm(26)=21.3636). A inversa do nmero da harmnica representa o perodo de repetio dos mximos da intensidade solar. Obteve-se T 11.0769 anos.
1
0.5
0
50
100
150
Manchas
200
250
300
20
0
-20
-20
-10
10
20
30
40
Transformada de Fourier
50
60
70
30
20
10
0
50
100
150
Harmnicas
Fig.9.3 Anlise harmnica
9.3
VARIVEL FUZZY DA RADIAO SOLAR

Na Fig.9.4, esquerda, apresentam-se os traados dos valores das radiaes solares para
os anos 1700 a 1749, a abscissa representando o ano da ocorrncia. Na Fig.9.4, direita, apre127
sentam-se os traados dos valores das radiaes solares com a abscissa representando o nmero da amostra.
Na abscissa da Fig.9.4 a radiao solar varia entre 0 e 190.2. Na Fig.9.1 observa-se que
o valor mximo da radiao solar ocorre no ano 1957 e tem valor em torno de 190 (RSmax=190.2). Nesta seo considera-se que o mximo da radiao solar tem a intensidade 200.
Pode-se dividir o intervalo de variao da intensidade solar em quatro partes, cada parte representando uma varivel lingstica Fuzzy na forma da Fig.9.4.
Na Fig.9.4 as amostras da radiao solar foram agrupadas em quatro nveis. O primeiro
nvel representa valores prximos de zero da radiao solar (varivel lingustica Z e funo de
pertinncia Z(t)). O segundo nvel representa os valores pequenos da radiao solar (varivel
lingustica P e funo de pertinncia P(t)). O terceiro nvel representa os valores mdios da
radiao solar (varivel lingustica M e funo de pertinncia M(t)). O nvel superior representa os valores grandes (varivel lingustica G e funo de pertinncia G(t)).
200
200
180
180
G
160
I n t e n s id a d e s o la r n o rm a liz a d a
Intensidade normalizada, inicio
160
140
M
120
100
80
60
140
120
100
P
80
60
40
40
20
20
0
1700
1710
1720
1730
1740
Ano da Amostra
1750
1760
10
15
20
25
Amostra
30
35
40
45
50
Fig.9.4 Amostras iniciais

Na Fig.9.5 apresentam-se as funes de pertinncia atribudas varivel fuzzy radiao
solar com quatro funes de pertinncia e com a abscissa variando de 0 a 200.
Na Fig.9.5 apresentada uma amostra da radiao solar, denominada ALVO, a reta traada perpendicular abscissa, na cor preta, e localizada na abscissa 170. Observe-se que na
abscissa 170 (ano 1869) a reta ALVO corta os tringulos P(t) e M(t) nas ordenadas 0.125 e
0.875, respectivamente.
Usando-se a operao de unio dos conjuntos fuzzy, pode-se encontrar a funo de pertinncia vencedora da amostra usando as equaes eq.9.1 e eq.9.2.
Observe-se que para a abscissa ALVO a funo de pertinncia com maior valor foi
M(t), obtida com VENCE=max(Z(170), P(170), M(170), G(170))= max(0., 0., 0.7,0.3), e a
varivel lingustica associada a funo de pertinncia vencedora foi M.
VENCE = Z P M G
VENCE = max(Z(x), P(x), M(x), G(x)) x Intensidade Solar
(9.1)
(9.2)
128
1
Z
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
50
100
150
200
250
300
X
350
Fig.9.5 A varivel fuzzy radiao solar, uma amostra

Na Fig.9.6 apresentam-se as funes de pertinncia da varivel fuzzy radiao solar
com todas as 288 amostras da radiao solar (retas na cor preta).
1
Z
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
50
100
150
200
250
300
X
350
Fig.9.6 A varivel fuzzy radiao solar, as 288 amostras
9.4
VARIVEL FUZZY DA RADIAO SOLAR, AGRUPAMENTO

Conhecendo-se a funo de pertinncia vencedora de cada elemento do vetor da radiao solar, podem-se modificar os pesos dessa funo de pertinncia vencedora considerando a
amostra vencedora.
129
O movimento das funes de pertinncia pode ser feito da direita para a esquerda e da
esquerda para a direita. Supondo-se que as funes de pertinncia Z(t) e G(t) no influem sobre as funes de pertinncia P(t) e M(t), pode-se seguir o algoritmo 1 para posicionar P(t) e
M(t).
Algoritmo 1
1 faa n vezes
2 acha VENCE = Z P M G
3 if VENCE==P ento
if declividade>0 then move P(t) para a esquerda
if declividade<0 3 e se P M < M ento move P(t) para a direita
4 if VENCE==M ento
if declividade<0 then move P(t) para a direita
if declividade>0 e se M P > P ento move M(t) para a esquerda
O pseudo-cdigo do algoritmo 1 escrito para o ambiente MATLAB mostrado no Programa 8. Inicialmente foram definidas as posies dos mximos de P(t) e M(t) como sendo
onde(2)=80 e onde(3)=140 como pode ser visto na Fig.9.10. A cada um dos 127 valores da
radiao solar (ver Programa 4) foi calculado o vencedor e o resultado armazenado na varivel vence() (vence=1 para Z, vence=2 para P, vence=3 para M, vence=4 para G). A seguir, a
cada amostra vencedora de P(t) e de M(t), as suas posies foram deslocadas para a direita
(adio de 0.1 a onde(2) ou a onde(3)) ou para a esquerda (subtrao de 0.1 a onde(2) ou a
onde(3)).
Devido a caracterstica triangular das funes de pertinncia, a verificao da interseco das duas funes de pertinncia pode ser feita usando a posio dos seus mximos (onde(2) e onde(3)). Na Fig.9.11 apresenta-se o resultado obtido durante o agrupamento das amostras nas funes de pertinncia P(t) e M(t) durante 100 iteraes.
Programa 5
if(vence(i)==2 & i>onde(2) & onde(2)<onde(3))onde(2)=onde(2)+0.1;end
if(vence(i)==2 & i<=onde(2))onde(2)=onde(2)-0.1;end
if(vence(i)==3 & i>onde(3))onde(3)=onde(3)+0.1;end
if(vence(i)==3 & i<=onde(3) & onde(3)>onde(2))onde(3)=onde(3)-0.1;end
Fig.9.11 Agrupamento em P(t) e M(t)
130
No Prog.9.1 apresentam-se os pesos das funes de pertinncias.

Prog.9.1 Pesos das funes de pertinncias
%pesos.m
pontox=330; numfp=4; cth=100;
%Posiao da FP
%Peso da FP
%declividade
decliv(1)=1.25;decliv(2)=1.25;decliv(3)=1.25;decliv(4)=1.25;
%altura
maximo(1)=1.;maximo(2)=1.;maximo(3)=1.;maximo(4)=1.;
Por exemplo, na Fig.9.7 apresentam-se as funes de pertinncia e um conjunto de amostras geradas propositalmente a partir das amostras da radiao solar da Fig.9.8. Observese que os mximos de P(t) e de M(t) no esto exatamente no centro dos dois principais agrupamentos das amostras. A idia mover as duas funes de pertinncia para que os seus mximos fiquem aproximadamente no centro dos agrupamentos. Esses dois agrupamentos formaro duas classes, classe P e classe M.
1
Z
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
50
100
150
200
250
300
X
350
50
100
150
200
250
300
X
350
Fig.9.7 Amostras com dois agrupamentos

Na Fig.9.12 apresenta-se o agrupamento de duas classes com dados bidimensionais. Foram feitos dois agrupamentos, um para as amostras no eixo X (Fig.9.12c), e o outro para as
amostras do eixo Y (Fig.9.12d). O agrupamento do eixo X foi feito de uma forma semelhante
ao apresentado na Fig.9.11 usando a coordenada X do dado bidimensional como amostras. O
agrupamento do eixo Y foi feito de uma forma semelhante ao apresentado na Fig.9.11 usando
a coordenada Y do dado bidimensional como amostras. Aps o agrupamento, as duas classes
(classes I e II) foram indicadas usando retas traadas na cor vermelha.
II
a
131
c
Fig.9.12 Agrupamento em duas classes com dados bidimensionais
9.5
VARIVEL FUZZY DA RADIAO SOLAR, FUZZYFICAO

O trecho de programa, escrito no pseudocdigo do MATLAB, desenvolvido para encontrar a varivel lingustica vencedora de todas as amostras apresentado no Programa 4
apresentado a seguir. O vetor curva() foi definido no Programa 2. A cada um dos 127 valores
da radiao solar foi calculado o vencedor e o resultado armazenado na varivel vence() (vence=1 para Z, vence=2 para P, vence=3 para M, vence=4 para G).
Programa 4
Vence(1:190)=0.;
for j=1:127
i=int16(y(j));
vence(i)=0;
if(curva(1,i)>curva(2,i))vence(i)=1;end
if(curva(2,i)>=curva(1,i) & curva(2,i)>curva(3,i))vence(i)=2;end
if(curva(3,i)>=curva(2,i) & curva(3,i)>curva(4,i))vence(i)=3;end
if(curva(4,i)>curva(3,i))vence(i)=4;end
end
Sabendo-se a funo de pertinncia vencedora de cada elemento do vetor da radiao
solar, e atribuindo-se pesos s funes de pertinncia, pode-se traar uma curva com os valores fuzzyficados da radiao solar (peso(1)=0.1, peso(2)=0.3, peso(3)=0.7, peso(4)=1,). Na
Fig.9.9 apresenta-se a curva obtida da defuzzyficao da varivel fuzzy radiao solar.
Fig.9.9 Radiao solar fuzzyficada
132
9.6
A PREVISO NO CONJUNTO FUZZY
9.7
CONCLUSO
Neste captulo apresentaram-se as principais caractersticas de agrupamentos juntamente
com os conceitos de fuzzyficao e defuzzyficao. Mostrou-se como se adaptar as funes de pertinncia das variveis Fuzzy no intuito de identificar o agrupamento. Por ltimo
apresentou-se a previso de sries temporais no conju8nto Fuzzy.
133
CAPTULO X
POSICIONAMENTO DE UM MANIPULADOR ROBTICO
10.1
INTRODUO
Neste captulo apresenta-se a aplicao da lgica fuzzy em sistemas no lineares que representam o movimento de estruturas mecnicas.
Inicia-se com uma anlise sucinta da esttica e dinmica de manipuladores robticos de

um, dois e trs elos. A seguir, sugere-se a representao FUZZY dos elos do atuador usando
funes de pertinncias.
Na primeira representao, o atuador representado diretamente pela FP na forma de
tringulos. Na segunda representao, usa-se a curva CG(X) para representar o atuador.
10.2
O MANIPULADOR ROBTICO
Um manipulador de nico elo (L1) apresentado na Fig.10.1. Ele pode ser considerado
como composto de um peso na sua extremidade adicionado ou no ao peso do brao definido
no centro do elo.
L1
T0
y1
0
x1
P0
Fig.10.1 Manipulador de um elo
Usando-se a letra Z para representar o comprimento do elo, considerando-se o peso do
elo dado pela eq.10.1, onde g representa a constante gravitacional, m0 massa por comprimento..
P0=z.m0.g
(10.1)
A partir da Fig.10.1definem-se o ngulo do elo (eq,10.2), o comprimento do elo
(eq.10.3), e as coordenada do centro do elo(eq.10.4).
0 = tg-1(y/x)
(10.2)
Z= x 2 + y 2
x1=z.cos0/2 e y1=z.seno0/2
(10.3)
(10.4)
134
Usando-se essas definies obtm-se a eq.10.5 que descreve a energia potencial V0 do

elo L1.
V0=P0.y1=(P0.z.seno0)/2
(10.5)
Na eq.10.6 apresenta-se o torque T0 representado por T0=-V0/0 (Spong, 1986).
T0=P0.x1=(P0.z.cos0)/2
(10.6)
Nas eq.10.7 (ver a Fig.10.2 com um peso P1 atuando na extremidade do elo L1) apresentam-se os valores do vetor do peso P1 em relao ao elo L1. O vetor P1x paralelo ao elo
L1 e equivale a fora exercida sobre a base do elo. O vetor P1y perpendicular ao elo L1.
P1x=P1.seno0 e P1y=P1.cos0
(10.7)
O torque gerado pelo peso P1 no elo L1 definido como T1=P1y.z. O torque total gerado no elo L1 definido como Tt=T0+T1 (ver a eq.10.8).
Tt=(P0.z.cos0)/2+(P1.z.cos0)=(P0/2+P1). cos0
(10.8)
L1
y
z
y1
Tt
P1
P1y
0
x1
P1x
P0
Fig.10.2 Torques do manipulador de um elo
A partir das eq(10.8) pode-se encontrar a equao diferencial que represente o movimento do elo de um pndulo simples mostrado na Fig.10.3. Usando-se P0=z.m0.g , e sabendose que um brao de comprimento z, o seu deslocamento dado por Comp= .z, a sua velocidade por vel= '.z e a sua acelerao por a= ".z.
135
F0=P0y
0 z
P0y=P0.cos0
T0=P0x.z
P0x=P0.sin0
P0
Fig.10.3 Torques do manipulador de um elo
O torque do pndulo simples mostrado na eq.10.10. Define-se F=ma e P0 =z.m0.g. A
equao diferencial que descreve o deslocamento angular do pndulo dado na eq.10.11.
T0 =P0.z.seno(0)/2 ou P.z= m0 .a.z2=m0 .z.g.seno(0)/2
=(g/(2.z))seno(0)
(10.10)
(10.11)
10.2 Exerccios
10.2.1) Quais so as variveis vetoriais e escalares apresentadas na Fig.10.1?
10.2.2) Na Fig.10.1: Quando V0 mximo? Quando V0 mnimo? Quando T0 mximo?
Quando T0 mnimo?
10.2.3) Na Fig.10.2: Quando Tt mximo? Quando Tt mnimo?
10.2.4) Qual a diferena entre P1y e T1 na Fig.10.2?
10.2.5)Fazer um programa no ambiente MATLAB para calcular T1, F1, P1x e P1y, em funo
de 1, usando a montagem apresentada na Fig.10.3. Sugesto: Usar P1x=P1.seno1,
P1y=P1.cos1 e T1=P1y.z. Onde, F1 a fora usada para sustentar o elo L1 sob a ao do peso
P 1.
F1=P1x
T1
P1
L1
P1y
P1x
x
Fig.10.4 Manipulador de um elo com peso na sua extremidade

136
10.2.6) Supor o elo representado na forma tradicional de um pndulo como mostrado na

Fig.10.3, faa um programa no MATLAB, sendo dado 0, que calcule T0, F0, P0x e P0y. Onde
F0 a fora necessria para sustentar o elo L0.
10.2.6)Sugira a representao de um rob de nico elo usando FP na forma de tringulos. Use
uma FP triangular, veja a Fig.10.5.
10.2.7)Sugira a representao de um rob de nico elo usando a curva CG(X) definida a partir
de FP na forma de tringulos. Use uma FP triangular, veja a Fig.10.6.
Neste captulo sugere-se que os braos robticos sejam representados diretamente nas
funes de pertinncia. Na Fig.10.5 v-se um manipulador robtico de nico acoplado a funes de pertinncia. Na Fig.105 esquerda, o elo representado por uma nica funo de pertinncia. Na Fig.105 direita, a extremidade do elo indicada pela interseco de duas funes de pertinncias.
Fig.10.5 Um brao de nico elo

Na Fig.10.6 apresenta-se o posicionamento de um nico elo ( esquerda), o seu conjunto de funes de pertinncias, e uma CG(X) representando o elo.
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Fig.10.6 Um elo representado por FPs e CG
10.3
Manipulador de dois elos

Na Fig.10.67apresenta-se o desenho de um manipulador com dois elos. Nesta seo no
ser considerado peso externo ao elo, s ser considerado o peso total do elo. Os componentes
do primeiro elo so representados na cor vermelha. Os componentes do segundo elo so representados na cor azul. O elo entre a base e a extremidade do manipulador tem o comprimento z.
137
y
y3
y1
2 z2
y2
z1
1
x1
x2
x3
P1
P2
Fig.10.7 Manipulador de dois elos

Considerando-se m1 e m2 as massas por unidade de comprimento dos elos L1 e L2, os
pesos dos elos podem ser considerados aplicados no centro do elo e dados por P1=m1.g.z1 e
P2=m2.g.z2. As energias potenciais dos elos L1 e L2 so apresentadas na eq.10.12.
V1=P1.y1 e V2=P2.y3
(10.12)
Tal que T2=-V2/2 e T1=-V1/1. Os torques gerados nas juntas 2 e 1 so os apresentados na eq.10.13.
T2=P2(x3-x2) e T1=P1.x1+P2.x3
(10.13)
As relaes apresentadas nas eq.10.14, eq.10.15 representam as abscissas e ordenadas
dos elos.
x1=z1.cos1/2 e x2= z1.cos1
x3=x2+ z3.cos(1-2)/2= z1.cos1+ z2.cos(1-2)/2
(10.14)
y1=z1.seno1/2 e y2= z1.seno1
y3=y2+ z2.seno(1-2)/2= z1.seno1+ z2.seno(1-2)/2
(10.15)
As eq.10.16 que representam as energias potenciais nas juntas 2 e 3, respectivamente.
V2=P2.y3 = P2.[z1.seno1+ z2.seno(1-2)/2] e V1=P1.y1=P1. z1.seno1/2
Sabe-se que x=z1.cos1+z2.cos(1-2) e y=z1.seno1+z2.seno(1-2),
z=sqrt(x2+y2).
(10.16)
tal que
As eq.10.17 e eq.10.18 representam os torques nas juntas 2 e 1, respectivamente.

T2=P2.(x3-x2) = P2. z2.cos(1-2)/2
(10.17)
T1=P1.x1+P2.x3=P1. z1.cos1/2+P2.[ z1.cos1+ z2.cos(1-2)/2]

T1=cos1(P1.z1/2+P2.z1)+T2 = cos1(P1/2+P2)+T2
(10.18)
Os clculos das equaes diferenciais para um conjunto de pndulos mostrados na sero
mostrados a seguir. Definindo-se T2=F2.z onde F2=m2.g.z2, obtem-se as eq. 10.19 e eq.
10.20 que representam as equaes diferenciais para os braos 2 e 1 do pndulo duplo.
T2=P2.z2.seno(1+2)/2
F2.z2=m2.a.z2 ou m2..z.z2=m2.z2.g.seno(1+2)/2
2={seno(1+2)[P3/2]}/(m2.z)
T1= z1.seno1(P1/2+P2)+T2
(10.19)
138
ou F1.z1= m1..z12=z1.seno1(P1/2+P2)+T2
ou 1= {seno1[P1/2+P2]+T2}/(m1.z1)
(10.20)
A seguir apresentam-se as equaes diferenciais para o pndulo duplo mostrados na
eq.10.21.
1= {seno1[P1/2+P2]+T2}/(m1.z1)
2={seno(1+2)[P3/2]}/(m2.z)
(10.21)
10.3 Exerccios
10.3.1) Supondo-se P1=P2=1kg e q1=q2=45o, calcule V1,V2, T1 e T3.
10.3.2) Supondo-se que os pesos P1 e P2 esto localizados nas extremidades dos elos L1 e L2
na forma mostrada na Fig.10.8, calcule T1 e T3. Sugesto:
Defina:
T2=P2(x2-x1) e T1=P1.x1+P2.x2
x1=z1.cos1 e x2=x1+ z2.cos(1-2)= z1.cos1+ z2.cos(1-2)
y1=z1.seno1 e y2=y1+ z2.seno(1-2)= z1.seno1+ z2.seno(1-2)
T2= P2. z2.cos(1-2) e T1= P1. z1.cos1+P2.[ z1.cos1+ z2.cos(1-2)]=z1.cos1.(P1+P2)+T2
y2
y1
2 z2
T1
z1
1
P1
T2
P2
x1
x2
Figura 10.8 Pesos nas extremidades dos elos

3.3.3) Supondo-se que os elos L1 e L2 esto na forma mostrada na Fig.10.9, calcule T1 e T2.
Resposta: T2= P2. z2.cos(1-2) e T1= z1.cos1.(P1+P2)+T2.
139
y2
z2
P2 T2
2
y1
T1
z1
1
P1
x1
x2
Fig.10.9 Dois elos para 2>1

10.3.4) Supondo-se dois elos concorrentes, sendo um deles com dois elos, como mostrados na
Fig.10.10.
a)Calcule o seguinte: Os torques T1, T2 e T3.
b)Calcule T3 conhecendo-se 1 e 2.
c)Prove que se T3=T1 ento z1.cos1+ z2.cos(1+2)=z3.cos3
d)Qual o valor da fora F3 capaz de segurar o peso P0? Sugesto: Use P0/ F3=seno3.
e) Que peso a fora F3 pode sustentar? P0= F3.seno3
F3
T2
23
z3
z2 2
T3
z1
P0
3
1=P0.z1.cos1+T2
1+2
T1
2=P0.z2.cos(1+2) 3=P0.z3.cos3
Fig.10.10 Elos concorrentes

Na Fig.10.11 esquerda, o elo representado por uma nica funo de pertinncia. Na
Fig.10.11 direita, a extremidade do elo indicada pela interseco de duas funes de pertinncias.
140
Fig.10.11 Um brao de dois elo

Na Fig.10.12 apresenta-se o posicionamento de um nico elo ( esquerda), dois elos (
direita) e o seu conjunto de funes de pertinncias.
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Fig.10.12 Dois elos (cor azul) representados por FPs e CG
10.4
Manipulador de trs elos

Nesta seo sero estudados os torques de manipuladores de trs elos. S sero considerados os pesos dos elos. Na Fig.10.13 apresenta-se o manipulador robtico de trs elos. As
ordenadas yi no esto indicadas na Fig.10.13.
141
3 z3
q2
y
2
Z2
z1
Z3
1
x1 x2
P1
x3
x4
x5
P2
P3
Fig.10.13 Manipulador robtico de trs elos

Usaram-se os seguintes pesos para os elos: P1=m1.g.z1, P2=m3.g.z2 e P3=m3.g.z3. A energia potencial de cada junta est apresentada na eq.10.18. Os torques de cada junta esto
apresentados nas eq.10.19.
V1=P1.z1.seno1/2
V2= P2.[ z1.seno1+ z2.seno(1-2)/2]
V3= P3.[ z1.seno1+ z3.seno(1-2) + z3.seno(1-2-3)/2]
T3=P3.(x5-x4)
T2=P2(x3-x2)+P3(x5-x2)=P2(x3-x2)+P3(x5-x4+x4-x2) = P2(x3-x2)+P3(x4-x2)+ P3(x5-x4)
T1=P1.x1+P2.x3+P3.x5
As eq.10.20 descrevem as posies das juntas dos elos.
(10.18)
(10.19)
x1=z1.cos1/2 e x2= z1.cos1

x3=x2+ z3.cos(1-2)/2= z1.cos1+ z2.cos(1-2)/2
x4=x2+ z3.cos(1-2)= z1.cos1+ z2.cos(1-2)
x5=x4+z3.cos(1-2-3)/2= z1.cos1+ z2.cos(1-2)+ z3.cos(1-2-3)/2
(10.20)
Durante o clculo dos torques necessitam-se das distncias das extremidades dos elos
base do pndulo (z1,Z2 e Z3). Calculam-se Z3=sqrt(x2+y2) e Z2=sqrt(x42+y42) com
x4=z1cos1+ z2.cos(1-2) e x=z1cos1+ z2.cos(1-2) + z3.cos(1-2-3).
Usando-se as eq.10.19 e eq.10.20 obtm-se as eq.10.21 que descrevem os torques nas
juntas dos elos L1, L2 e L3. As eq.21 tambm podem ser obtidas a partir das eq.18 usando
V=V1+V2+V3 e T1=-V/1, T2=-V/2 e T3=-V/3.
T3= P3. z3.cos(1-2-3)/2
T2=P2.z2.cos(1-2)/2+P3.[z2.cos(1-2)+z3.cos(1-2-3)/2]=z2.cos(1-2)[P3+P2/2]+T3
T1=P1.z1.cos1/2+P2.[z1.cos1+z2.cos(1-2)/2]+P3.[z1.cos1+z2.cos(1-2)+ z3.cos(1-2-3)/2]
T1=z1.cos1[P3+P2+P1/2] + T2
(10.21)
A partir das eq(21) pode-se encontrar a equao diferencial que represente o movimento dos elos. Considera-se r como a distncia entre a extremidade do elo e a base do pndulo.
Usa-se comprimento igua a Comp=.r, vel= '.r e a= ".r.
142
Os clculos das equaes diferenciais para um conjunto de pndulos sero mostrados a

seguir.
O terceiro elo tem um torque dado por T3=F3.z3=m3.a.z3, a acelerao da sua extremidade dada por a= 3".Z3. O peso do elo 3 P3=m3.g.z3. A equao diferencial do elo 3
dada na eq.10.22.
T3=P3.z3.seno(1+2+3)/2
F3.z3= m3.a.z3=m3.z3.g.seno(1+2+3)/2
a=m3.g.seno(1+2+3)/2
ou 3=(g/(2.Z3)) .seno(1+2+3)
(10.22)
O segundo elo tem um torque dado por T2=F2.z2=m2.a.z2, a acelerao da sua extremidade dada por a= 2".Z2. O peso do elo 2 P2=m2.g.z2. A equao diferencial do elo 2
dada na eq.10.23.
T2= z2.seno(1+2) [P3+P2/2]+T3
F2.z2= m2.a.z2= z2.seno(1+2) [P3+P2/2]+T3
a= {seno(1+2) [P3+P2/2]+T3}/m2
(10.23)
ou 2={seno(1+2) [P3+P2/2]+T3}/(Z2.m2)
O primeiro elo tem um torque dado por T1=F1.z1=m1.a.z1, a acelerao da sua extremidade dada por a= 1".z1. O peso do elo 2 P1=m1.g.z1. A equao diferencial do elo 1
dada na eq.10.24.
T1=z1.seno1[P3+P2+P1/2] + T2
F1.z1= m1.a.z1= z1.seno(1) [P3+P2+P1/2]+T2
a= {seno(1) [P3+P2+P1/2]+T2}/m1
ou 1={seno(1) [P3+P2+P1/2]+T2}/(z1.m1)
Um pndulo de trs elos tem as seguintes equaes diferenciais:
(10.24)
1={seno(1) [P3+P2+P1/2]+T2}/(z1.m1)
2={seno(1+2) [P3+P2/2]+T3}/(Z2.m2)
3=g.seno(1+2+3)/(2.Z3)={seno(1+2+3)[P3/2]}/(Z3.m3)
EXERCCIOS 10.4
10.4.1) Calcule o torque e a energia potencial do manipulador planar com acionamento remoto apresentado na Fig.10.14. [T2=m2lc2g.cosq2 e T1=(m1lc1+m2l1)g.cosq1]
L2
M1 L1
M2
M2
q2
q1
Fig.10.14 Manipulador com dois elos, um elo controlado remotamente

10.4.2) Calcule a energia potencial e o torque nas juntas do manipulador de cinco braos apresentado na Fig.10.15. [T1=(m1lc1+m3lc3+m4l1)g.cos1 e T2=(m2lc2+m3l2-m4lc4)g.cos2]
143
L3
L2
z5 q5
L4
L2
q4 z4
M1 L1
q3
M2
z3
z1
q2
q1
Fig.10.15 Manipulador de quatro braos

10.4.3)Na Fig.10.16 apresenta-se um brao de trs elos obtido com: onde(1)=100; onde(2)=200; onde(3)=300; onde(4)=400; peso(1)=0.; peso(2)=0.3; peso(3)=0.4; peso(4)=0.5;
decliv(1:4)=1.;. Trace a CG(X) para um manipulador robtico de trs elos.
10.4.4)Os resultados da Fig.3 devem ser modificados para fazer a coincidncia das duas curvas (a curva preta de trs elos com a curva vermelha e azul de dois elos).
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Fig.10.16 Posicionamento de dois braos

A curva do manipulador de dois elos da Fig.3 usou o conjunto de dados mostrado a seguir: [a1 a2 px pw py pz] = [0.5000 0.5000 0.4018 0.9000 0.4575 0.5000]. Definiuse a1 comp elo1, a2 comp elo2, px absc do elo1, pw absc do elo2, py ordenada do elo 1, pz
ordenada do elo2. A curva do CG define a1=sqrt(0.2^2+0.3^2) para o comp do elo1,
a2=sqrt(0.4^2+0.2^2) para o comp do elo2. Define px=0.4; pw=0.8; py=0.3 e pz=0.5. O elo 3
no deve ser considerado.
10.4.5)O problema fazer coincidir as duas curvas tendo-se a informao das coordenadas
dos elos (ver a Fig.10.17).
144
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Fig.10.17 Identifica CG(X) para os dois elos
10.5
Concluso
Neste captulo apresentou-se uma nova forma da representao de elos de manipuladores robticos usando a LGICA FUZZY. Usou-se a FP na forma de tringulos e a CG(X).
145
APNDICE A
REFERNCIAS BIBLIOGRFICAS
Albrecht, P. Anlise Numrica um Curso Moderno, Livros Tcnicos e Cientficos Editora
S/A e Editora da Universidade de So Paulo, 1973.
strm, K.J. & Wittenmark, B. Adaptive Control, Addison-Wesley Publishing Company,
USA, 1989.
BELLMAN, R.E., ZADETH, L.A. Decision-Making in a Fuzzy environment. Management
Science, v.17, n.4, p.B141-B164, 1970.
Cavalcanti, M. T.; Bora, P. S. Anlise das protenas e estudo reolgico dos isolados proticos
das amndoas da faveleira (Cnidoscolus phyllacanthus (Mart.) Pax et K. Hoffm.) com e
sem espinhos. Revista do Instituto Adolfo Lutz. v.69, p.243-251. 2010.
Cavalcanti, M. T.; Bora, P. S.; Carvajal, J. C. L. Propriedades funcionais das protenas de amndoas da faveleira (Cnidoscolus phyllacanthus (Mart.) Pax et K. Hoffm.) com e sem espinhos. Cincia e Tecnologia de Alimentos, v.29, p.597-602, 2009.
Cavalcanti, J.H.F, Controladores Neurais Adaptativos, Tese de Doutorado em Cincias no
Domnio da Engenharia Eltrica, Departamento de Engenharia Eltrica do CCT/UFPB
Campina Grande PB, outubro de 1994, orientadores: Gurdip Singh Deep e Antnio Marcus Nogueira Lima.
Cavalcanti, J.H.F & Lima, A.M.N., & Deep, G.S., "Controlador Fuzzy de Plantas No Lineares", publicado nos Anais do I Simpsio Brasileiro de Automao Inteligente", UNESP,
Rio Claro, So Paulo, Brasil, setembro de 1993.
Cavalcanti, J. H. F.; SALES, E. F. Jr.; Ferneda, E. "Intelligent Control of an Inverted Pendulum, II SBRN95, So Carlos, So Paulo, outubro 1995.
Cavalcanti, J.H.F & Lima, A.M.N., & Deep, G.S., Controlador Fuzzy de Plantas No Lineares, Anais do I Simpsio Brasileiro de Automao Inteligente", UNESP, Rio Claro, So
Paulo, Brasil, setembro de 1993, pp.534-542.
Cavalcanti, J.H.F & Lima, A.M.N., & Deep, G.S., Controlador Fuzzy/Neural de Plantas No
Lineares, 10o Congresso Brasileiro de Automtica, CBA'94 / 6oCLACA, Rio de Janeiro,
19-23 de setembro de 1995.
Chen, F.C. Back-Propagation Neural Networks for Nonlinear Self-Tuning Adaptive
Control, IEEE Control System Magazine, April 1990, pp.44-48.
Ccero da Rocha Souto, Antnio Almeida Silva, Jos Homero Feitosa Cavalcanti, ANLISE
E IDENTIFICAO DE SISTEMAS COMPLEXOS DE VIBRAO, Encontro Regional de Instrumentao e Mtodos Computacionais, Primeiro Encontro Regional de Instrumentao e Metrologia Cientficas, ERIMC2003, dezembro de 2003 Campina
Grande PB.
Ccero da Rocha Souto, Jos Homero Feitosa Cavalcanti, TCNICA DIGITAL DE AQUISIO DE DADOS PARA SINAIS DE VIBRAO MECNICA, IV Congresso Nacional de Engenharia Mecnica CONEM2006, Recife, PE, 2006.
146
Ccero da Rocha Souto, Jos Homero Feitosa Cavalcanti, SISTEMA INTELIGENTE DE

MEDIO DE PEAS UTILIZANDO VISO DIGITAL, IV Congresso Nacional de
Engenharia Mecnica CONEM2006, Recife, PE, 2006.
Conte, S. D., Elementos de Anlise Numrica, Ed. Globo, 1971.
Copi, I. M., Introduo lgica, Editora Mestre Jou, So Paulo, Brasil, 1968.
Craig, John J., 1986, Introduction to Robotic Mechanics & Control, Addison-Wesley
Publishing Company.
DAzzo, J.J. e Houpis, C.H. Anlise e projeto de sistemas de controle lineares, Ed. Guanabara, Rio de Janeiro, Brasil, 1988.
DUERIG, T. W.; STOCKEL, D.; KEELEY, A. Actuator and Work Production Devices. In
Engineering Aspects of Shape Memory Alloys. Butterworth -Heinemann, London. p.
181-193, 1990.
FURUYA, Y.; SHIMADA, H. Shape Memory Actuators for Robotic Applications . In
Engineering Aspects of Shape Memory Alloys. Butterworth-Heinemann, London. p .
338-354, 1990.
Furuhashi, T. & Horikawa, S.I. & Uchikawa, Y. "On Stability of Fuzzy Control Systems
Using a Fuzzy Modeling Method", IECON'92, Proceedings, 1992, pp.982-985.
Fuzzy Toolbox for Use with MATLAB Users guide, 2001.
Gomide. F. A. C.; Gudwin, R. R. Modelagem, Controle, Sistemas e Lgica Fuzzy. SBA
Controle & Automao. Vol.4 No3. Setembro-outubro 1995. Florianpolis - Santa Catarina, 1995.
Funahashi, K. On the approximate realization of continuous mappings by neural
networks, Neural Networks, v.2 n.3, p.183-192, 1989.
Hecht-Nielsen, R. 1987. Kolmogorov's mapping neural network existence theorem. In
Proceedings of the International Conference on Neural Networks, pp. III, 11-14. IEEE,
New York.
Haykin, S. Redes neurais: princpios e prtica, 2a. edio, Bookman, Porto Alegre, 2001.
Hebbs, D. O. The Organization of Behavior, 1950, pp.45-56.
Melo, H. de, Tese de Doutorado, Curso de Ps-Graduao em Engenharia Mecnica, na rea
Dinmica e Controle de Sistemas, Sistema de Previso Inteligente Aplicado Identificao de Parmetros em Estruturas Flexveis, Orientadores: Jos Homero Feitosa Cavalcanti e Jos Felcio da Silva, 14/10/2002.
Melo, H. de & Freire, R. C. S. & Silva, J. F. da & Cavalcanti, J. H. F. & Barros, A. T.,
CAPES/PROCAD Intelligent Forecast System Applied to the Identification of
Parameters in Flexible Structures, Journal of Vibration and Control 2005, pp. 201-214.
February 1, 2005, Volume 11, No 2.
Melo, Hiran de & Cavalcanti, Jos Homero Feitosa, 1998, Filtro Previsor Neural, XII
Brazilian Automatic Control Conference-XII CBA98, Uberlndia MG, pp.319-324.
Henrique, L. L., Acstica Musical, Fundao Calouste Gulbenkian, Lisboa Portugal, 2002
Hiran de Melo, Jos Homero Feitosa Cavalcanti, Jos Felcio da Silva, Vicente de Paulo Rodrigues da Silva, "Sistema de Previso Inteligente", CBRN - IV Congresso Brasileiro
de Redes Neurais, So Jos dos Campos - SP, 1999, pp.303-307.
147
Hiran de Melo, Jos Homero Feitosa Cavalcanti, Jos Felcio da Silva e Everaldo Fernandes
Monteiro, An Intelligent System for Vibration Analysis, INDUSCON'2000, Porto
Alegre, RS, nov. 2000.
Hiran de Melo, Jos Homero Feitosa Cavalcanti, Jos Felcio da Silva, Roberto Pimentel,
Reduo do Tempo de Aquisio de Dados, anlise temporal, CONEM (Congresso
Nacional de Engenharia Mecnica), Joo Pessoa, PB, 2002.
Hiran de Melo, Jos Homero Feitosa Cavalcanti, Jos Felcio da Silva, Anlise de falhas em
vigas engastadas, CONEM (Congresso Nacional de Engenharia Mecnica), Joo Pessoa, PB, 2002.
Hiran De Melo, Raimundo C. S. Freire, Jos F. Da Silva, Jos H. F. Cavalcanti, and Alessio
T. Barros, CAPES/PROCAD Intelligent Forecast System Applied to the Identification
of Parameters in Flexible Structures, Journal of Vibration and Control 2005, pp. 201214. February 1, 2005, Volume 11, No 2.
Holland, J.H. Adaptation in Natural and Artificial Systems, The MIT Press, 1992.
Hopfield, J. J. Neural Networks and Physical Systems with Emergent Collective
Computational Abilities, 1982 Republicado por E. Sanchez-Sinencio & C. Lau,
Artificial Neural Networks, IEEE Press, New York, 1992, pp.25-29.
Humelhart, D. E. & Hinton, G. E. & Williams, R. J. Learning Representations by backPropagating Errors, Nature, No. 323, 1986, pp.533-536.
Khalid, M. & Omatu, S., A Neural Network Controller for a Temperature Control
System, IEEE Control System, june 1992, pp.58-64.
Kingdon, J. (1993). Neural net for time serie forecasting: criteria for performance with
na application in gilt futures pricing. Neural Netwok in Capital Markets,. Anais,
Londres, London Business School.
Kosko, Bart, Additive Fuzzy Systems: from function approximation to learning, Cap.9,
Fuzzy Logic and Neural Network Handbook, publicado por C. H. Chen na McGraw-Hill,
Inc., 1996.
Kurkova, V., Kolmogorovs Theorem, publicado em Brain Theory and Neural Networks,
Editado por Arbib, M. A., The MIT Press, London, England, 1995.
Kuo, B.C., Sistemas de Controle Automtico, Prentice/Hall do Brasil, 1985.
Kreith, F.,1977, Princpios da Transmisso de Calor, Edgard Blucher LTDA.
Mamdani, E.H. & Gaines, B.R., Fuzzy Reasoning and its Applications, Academic Press
Inc., London, England, 1981.
Mamdani, E.H. & S. Assilian, S., An experiment in Linguistic Synthesis with a Fuzzy
Logic Controller, International Journal of Man-Machine Studies, vol.7, 1-13, 1977.
MATLAB Users guide, 2001.
Levin, A.U. & Narendra, K.S. Control of Nonlinear Dynamical Systems Using Neural
Networks: Controllability and Stabilization, IEEE Transactions On Neural Networks,
Vol.4 No.2, march 1993, pp.192-206.
MATLAB Application Manual, MathWorks, Inc., 2007.
PC-MATLAB for MS-DOS Personal Computers, Users Guide, Control Toolbox, MathWorks,
Inc., 1987.
148
Minsky, M. & Papert, S., Perceptron, 1969. Republicado por J.A. Anderson & E. Rosenfeld,
Neurocomputing Foundations of Researchs, MIT Press, Cambridge, Massachusets,
USA, 1988. pp.161-169.
McCulloch, W. S. and Pitts, W. Logical Calculus of the Ideas Immanent in nervous
activity, publicado inicialmente em 1943. Republicado por J.A. Anderson & E.
Rosenfeld, Neurocomputing Foundations of Researchs, MIT Press, Cambridge,
Massachusets, USA, 1988. Pp.18-27.
Narenda, K.S. & Mukhopadhyay, S., Intelligent Control Using Neural Networks, IEEE
Control Systems Magazine, April 1992, pp.11-18.
Narenda, K. S. & Parthasarathy, K., Identification and Control of Dynamical Systems
Using Neural Networks, IEEE Transactions on Neural Networks, Vol.1 No.1, march
1990, pp.4-26.
Park, D. C. & El-Sharkavi, M. A. & Marks II, R. J. & Atlas, L. E. & Damborg, M. J.,
Electrical load forecasting using an Artificial Neural Network, publicado por E.
Sanchez-Sinencio & C. Lau, Artificial Neural Networks, IEEE Press, New York, 1992,
pp.516-522.
Rangwala, S.S. & Dornfeld, D.A., Learning and Optimization of Machining Operations
using Computing Abilities of Neural Networks, IEEE Trans. on Systems, Man, and
Cybernetics, Vol.19, N.2, March/April 1989, pp.299-314.
Rosenblatt, F. The Perceptron: a Probabilistic Model for Information Storage and
Organization in the Brain, Cornell Aeronautical Laboratory, Psychological Review,
v65, No. 6, pp. 386-408 1958.
Rosenfeld, E., Neurocomputing Foundations of Researchs, ed. J. Anderson e E. Rosenfeld,
MIT Press, Cambridge, Massachusets, USA, 1988.
Rumelhart, D.E. and Hinton, G.H. and Williams, R.J. Learning Internal Representations by
Error Propagation, Parallel Distributed Processing Explorations in the Microstructures
of Cognition, Vol.1, MIT Press, 1986, pp.318-362.
Ogata, K., Engenharia de Controle Moderno, traduo de Bernardo Severo, Prentice-Hall
do Brasil, 1998.
Peter Albrecht, Anlise Numrica um Curso Moderno, Livros Tcnicos e Cientficos
Editora S/A e Editora da Universidade de So Paulo, 1973.
Saunder, E. Dimensionality-Reduction Using Connectionist Networks, IEEE Transactions
on Pattern Analysis and Machine Intelligence, Vol.11, No.3, march 1989, pp.304-314.
S. D. Conte, Elementos de Anlise Numrica, Ed. Globo, 1971
Strefezza, M. & Dote, Y., Fuzzy and Neural Networks Controller, IECON'91,
Proceedings, October 1991, Kobe - Japan, pp.1437-1442.
Spong, M. W. and Vidyasagar, M. Robot Dynamics and Control, John Wiley and Sons,
New York, 1989.
Sugeno, M., An Introductory Survey of Fuzzy Control, Information Science, vol.36, 5983, 1985.
WATTS, B.M., YLIMAKI, G.L., JEFFERY, L.E., ELIAS, L.G. Mtodos sensoriais bsicos
para la evaluacin de alimentos. Traducin: Oficina de Traducciones, Secretaria de Estado.Ottawa : Centro Internacional de Investigaciones para el Desarrollo, 1992. 170p.
149
Widrow, B. &McCool, J. M. & Larimore, M. G. & Johnson Jr, C. R. Stationary and

Nonstationary Characteristics of the LMS Adaptive Filter, Proceedings of the IEEE,
Vol.64, No.8, August 1976, pp.1151-1162.
Widrow, B. & Stearns, S. D. Adaptive Signal Processing, Prentice Hall, Inc., New Jersey,
EUA, 1985.
Zadeh, L., Outline of a new approach to the analysis of complex systems and decision
processes. IEEE Trans. On Systems Man and Cybernetics, vol SMC-3, pp 28-44, 1973.
Zadeh, Lotfi A., Fuzzy Logic, IEEE Computer Mag. April 1988, pp83-93. Republicado por
J.A. Anderson & E. Rosenfeld, Neurocomputing Foundations of Researchs, MIT Press,
Cambridge, Massachusets, USA, 1988. Pp.177-195.
Zadeh, L.A. Fuzzy Sets, Information and Control, 1965, 8, pp.28-45.
Zadeh, Lotfi, A., "Fuzzy Sets as the Basis for a Theory of Possibility", Fuzzy Sets and
Systems 1:3-28, 1978.
Zimmerman, H.J. "Fuzzy Set Theory - and its Application", Kluwer Academic Publisher,
USA, 1991.
150

Logica Fuzzy Aplicada As Engenharias

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Logica Fuzzy Aplicada As Engenharias

Enviado por

Direitos autorais:

Formatos disponíveis

LGICA FUZZY APLICADA S ENGENHARIAS

Jos Homero Feitosa Cavalcanti

LGICA FUZZY APLICADA S ENGENHARIAS

LGICA FUZZY APLICADA S ENGENHARIAS

LGICA FUZZY APLICADA S ENGENHARIAS

A LGICA FUZZY - DEFINIO

DEFUZZYFICAO LGICA NA REA DE CONTROLE

A DEFUZZYFICAO CONTNUA E A ADAPTAO FUZZY

LGICA FUZZY APLICADA S ENGENHARIAS

A ESCALA JUSTA MUSICAL

ANLISE DE SISTEMAS COM MEMRIA DE FORMA

POSICIONAMENTO DE UM MANIPULADOR ROBTICO

LGICA FUZZY APLICADA S ENGENHARIAS

APNDICE A - REFERNCIAS BIBLIOGRFICAS

LGICA FUZZY APLICADA S ENGENHARIAS

DEFUZZYFICAO LGICA NA REA DE CONTROLE

LGICA FUZZY APLICADA S ENGENHARIAS

LGICA FUZZY APLICADA S ENGENHARIAS

Uma das bases do pensamento de Aristteles a lgica, assim chamada posteriormente.

LGICA FUZZY APLICADA S ENGENHARIAS

LGICA FUZZY APLICADA S ENGENHARIAS

No h oxignio aqui (falso Q).

A LGICA FUZZY DE ZADEH

Em meados da dcada de 1960, o professor Zadeh observou que os recursos tecnolgitecnolg

LGICA FUZZY APLICADA S ENGENHARIAS

DESCRIO DOS CAPTULOS

LGICA FUZZY APLICADA S ENGENHARIAS

A LGICA FUZZY - DEFINIO

ANLISE DE UM SISTEMA USANDO A LGICA FUZZY

Fig.2.1 Aquecimento de um termmetro

LGICA FUZZY APLICADA S ENGENHARIAS

No instante t=t0, ao ser fechada a chave S1, a temperatura do termmetro aumenta at

Fig.2.2 Temperatura no termmetro (filmecap2fig2.wmv)

SENSAO TRMICA, VARIVEIS LGICAS

Fig.2.3 Temperatura na sala, gradao

LGICA FUZZY APLICADA S ENGENHARIAS

Fig.2.4 Sensao trmica na sala

LGICA FUZZY APLICADA S ENGENHARIAS

Fig.2.5 Sensao trmica na sala, gradao e lgica

SENSAO TRMICA, VARIVEIS CONTNUAS

Fig.2.6 Sensao trmica na sala, lgica

LGICA FUZZY APLICADA S ENGENHARIAS

na Fig.2.2 na forma de funes exponenciais. Elas possuem um valor mximo igual a um e

Fig.2.7 Sensao trmica na sala, T_alta

Fig.2.8 Sensao trmica na sala, T_baixa

LGICA FUZZY APLICADA S ENGENHARIAS

T-baixa, T-media e T-alta so funes que so associadas ao conforto da temperatura da

Fig.2.9 Sensao trmica na sala, funes de pertinncias (filmecap2fig9.wmv)

Fig.2.10 Sensao trmica na sala, positiva e prxima de zero grau

Fig.2.11 Sensao trmica na sala, positiva e negativa

LGICA FUZZY APLICADA S ENGENHARIAS

FUNES DE PERTINNCIAS, RETAS

Fig.2.12 Sensao trmica na sala, retas

Fig.2.13 Sensao trmica na sala, retas e extenso

Fig.2.14 Sensao trmica na sala, trapzios (filmecap2fig14.wmv)

LGICA FUZZY APLICADA S ENGENHARIAS

Fig.2.15 Sensao trmica na sala

Fig.2.16 Funes de pertinncias

Fig.2.17 Sensao trmica na sala, exerccio

LGICA FUZZY APLICADA S ENGENHARIAS

FUNES DE PERTINNCIAS, SIGMIDES

Fig.2.18 Funo sigmide Derivada da funo sigmide

Fig.2.19 Sigmide decrescente Funo inversa da sigmide