Escolar Documentos
Profissional Documentos
Cultura Documentos
Artigo Fuzzy
Artigo Fuzzy
1 - INTRODUO
A lgica fuzzy a lgica baseada na teoria dos conjuntos
fuzzy. Ela difere dos sistemas lgicos tradicionais em suas
caractersticas e seus detalhes. Nesta lgica, o raciocnio exato
corresponde a um caso limite do raciocnio aproximado, sendo
interpretado como um processo de composio de relaes
nebulosas.
Na lgica fuzzy, o valor verdade de uma proposio pode ser
um subconjunto fuzzy de qualquer conjunto parcialmente
ordenado, ao contrrio dos sistemas lgicos binrios, onde o
valor verdade s pode assumir dois valores: verdadeiro (1) ou
falso (0). Nos sistemas lgicos multi-valores, o valor verdade
de uma proposio pode ser ou um elemento de um conjunto
finito, num intervalo, ou uma lgebra booleana. Na lgica
97
(a)
(b)
0
U
(c)
0
x
25
2 - CONJUNTOS
FUNDAMENTOS
LGICA
FUZZY
1 se x A
A ( x) =
0 se x A
A funo A(x) : U {0,1} chamada de funo
caracterstica na teoria clssica de conjuntos. Frequentemente,
uma generalizao desta idia utilizada, por exemplo, para
manipulao de dados com erros limitados. Todos os nmeros
dentro de um erro percentual tero um fator de pertinncia 1,
tendo todos os demais um fator de pertinncia 0. (veja figura
1a). Para o caso preciso, o fator de pertinncia 1 somente no
nmero exato, sendo 0 para todos os demais (veja figura 1b).
98
AB(u) = A(u)
B(u)
AB(u) = A(u)
B(u)
A(u) = 1 - A(u)
onde uma norma triangular (norma-t) e uma co-norma
triangular (norma-s). Uma norma triangular uma funo :
[0,1] [0,1] [0,1] tal que, x, y, z, w [0,1]:
(i)
(ii)
(iii)
(iv)
x
x
(x
x
w y z, se x y, w z
y = y x
y) z = x (y z)
0 = 0; x 1 = x
temp
BAIXA
MDIA
ALTA
(iv)
x 0 = x; x 1 = 1
0
25
50
75
temperatura ( C )
R i = (A i
and Bi C i ) ( u , v, w ) = [ A i
( u) and Bi ( v )] C i ( w )
x A'
se (x A) ento (y B)
__________________
y B'
99
B ( v) = max{min( A ( u), R AB ( u, v) )}
u
R AB
B
onde
exemplo)
A figura 4 ilustra o processo de inferncia max-min quando
existem 2 regras, AiBi e Aj Bj. A' o fato de entrada,
representado como um conjunto fuzzy.
f ( x) = ( x 3)
U
f(x)
30.0
B ( v) = sup{ A ( u) 7 R A B ( u, v)}
u
15.0
B= U Bi
i
0.0
-2.00 0.00 2.00
4.00
6.00
8.00
x
Ai
Bi
B
i
U
Aj
Bj
Bj
U
100
i = 1,..., N
15.0
0.0
-2.00 0.00 2.00 4.00 6.00 8.00
Regra 1
Regra 2
Regra 3
Regra 4
Regra 5
Regra 6
Regra 7
Regra 8
Regra 9
Regra 10
Regra 11
Se x -2
Se x -1
Se x 0
Se x 1
Se x 2
Se x 3
Se x 4
Se x 5
Se x 6
Se x 7
Se x 8
Ento
Ento
Ento
Ento
Ento
Ento
Ento
Ento
Ento
Ento
Ento
f(x) 25
f(x) 16
f(x) 9
f(x) 4
f(x) 1
f(x) 0
f(x) 1
f(x) 4
f(x) 9
f(x) 16
f(x) 25
101
f(x)
30.0
q j = h w ij . p i j
i
h( x ) = [1 + exp( x )]
15.0
0.0
-2.00
0.00
2.00
4.00
6.00
8.00
x
102
f(x)
30.0
15.0
0.0
-2.00
0.00
2.00
4.00
6.00
8.00
x
Interface de
Fuzzyficao
Sensores
Procedimento de
Inferncia
Processo
Interface de
Defuzzyficao
Atuadores
103
0
V
MAX
CDA
MDM
B( vk ). vk
CDA =
k =1
n
MOM =
B ( v k )
v k
k =1 l
l
k =1
onde
v k V V , V = v k | B ( vk ) = max B( v j ) , v j V ,
j
5PARMETROS,
SINTONIZAO
E
MONITORAO
DE
CONTROLADORES
FUZZY
Durante o projeto de controladores fuzzy, necessria a
definio de alguns parmetros. Estes parmetros so
definidos a partir da experincia do projetista ou atravs de
experimentos. Dado um processo, alguns dos parmetros so
fixos, dentro das condies normais de operao, sendo que
outros precisam ser alterados de tempos em tempos. Os
104
Parmetros estruturais
-Nmero de variveis de sada
-Nmero de variveis de entrada
-Recursos de operao sobre os dados de entrada
(somas, multiplicaes, etc)
-Variveis lingusticas
-Funes de pertinncia parametrizadas
-Intervalos de discretizao e normalizao
-Estrutura da base de regras
-Conjunto bsico de regras
Parmetros de Sintonizao
-Universo de discurso das variveis
-Parmetros das funes de pertinncia, tais como
altura, largura ou conjunto suporte
-ganhos e offset das entradas e sadas
6 - HARDWARE E SOFTWARE
O primeiro chip a implementar a lgica fuzzy foi desenvolvido
por Togai e Watanabe nos laboratrios da AT&T em 1985.
Este chip implementava uma mquina de inferncia fuzzy
capaz de processar 16 regras em paralelo. Alm de uma
memria para armazenar o conjunto de regras, implementava
uma unidade de processamento de inferncia, um controlador,
e interfaces de entrada e sada. Em uma verso mais recente, a
memria foi implementada por uma memria RAM esttica,
de modo que fosse possvel efetuar mudanas dinmicas no
conjunto de regras. A unidade de processamento de inferncia
foi baseada na regra composicional de inferncia "max-min".
Em testes de desempenho mostrou-se que o chip realizava
250.000 FLIPS (inferncias de lgica fuzzy por segundo) com
um relgio de 16 MHz. Posteriormente um acelerador para
operaes em lgica fuzzy foi desenvolvido baseado no chip
anterior. Em maro de 1989, o Centro de Microeletrnica da
Carolina do Norte completou com sucesso a fabricao de
outra verso do chip, projetada por Watanabe, com 608.000
transistores, capaz de realizar 580.000 FLIPS.
Um controlador fuzzy de alto desempenho foi proposto por
Yamakawa (1986). Composto por uma plataforma de 15
regras de controle e uma interface de sada implementando um
defuzzyficador pelo mtodo do centro de rea, ele manipula
regras fuzzy utilizando os termos lingusticos NL (alto e
negativo), NM (mdio e negativo), NS (baixo e negativo), ZR
(zero), PS (baixo e positivo), PM (mdio e positivo) e PL (alto
e positivo). Sua velocidade operacional de 10 MFLIPS (mega
FLIPS). O sistema foi testado em uma aplicao cujo objetivo
o de estabilizar um pndulo invertido montado sobre um
veculo. Pndulos duplos com diferentes parmetros foram
tambm controlados. O controlador foi integrado em um chip
com 40 pinos.
Yamakawa e Miki tambm implementaram 9 funes de uso
geral em lgica fuzzy, utilizando-se o processo CMOS
convencional, com um circuito em modo corrente.
Posteriormente uma verso preliminar de um computador
fuzzy foi proposta por Yamakawa, tendo sido implementada
pela Omron. Este computador constitua-se de uma memria,
um conjunto de mquinas de inferncia, um bloco de
operadores de mximo, um defuzzyficador e uma unidade de
controle. A memria fuzzy armazena a informao fuzzy,
contida nas funes de pertinncia.. Inclui uma RAM binria,
um registrador e um gerador de funes de pertinncia (GFP).
Este, por sua vez, consiste de uma PROM, um array de
transistores e um decodificador. Cada termo lingustico
representado por um cdigo binrio, armazenado na RAM
105
106
MCI
Ambiente de
Desenvolvimento
Usurio
Controlador
Fuzzy
Processo
Ambiente de Desenvolvimento - PC
Controlador Fuzzy - Microcontrolador Industrial
7.1 - Mdulo
do
Desenvolvimento:
Ambiente
de
Gerador de Cdigo para o Controlador Fuzzy;
107
108
VAR
ANALOGICA Erro[0,100] = { Negativo, Zero, Positivo } ;
ANALOGICA Valvula[0,200]={Diminui, Mantem,
Aumenta } ;
ENTRADA Erro;
SAIDA Valvula;
REGRAS
GRUPO Principal
{
SE Erro==Negativo ENTAO Valvula=Aumenta;
SE Erro == Zero ENTAO Valvula = Mantem;
SE Erro == Positivo ENTAO Valvula = Diminui;
}
FimGrupo
FimRegras
Listagem 1 : Exemplo de Programa na Linguagem LEARN
de
Poluio
em
Tneis
P
Pequeno
M
Mdio
- VARIAO DO
ERRO
P
M
G
P
N
N
Z
M
N
Z
P
G
Z
P
P
d - ERRO
G
Grande
P
Pequena
M
Mdia
G
Grande
1.0
0.67
0.33
-5
-1.0
-100
1.0
ERRO NA PORCENTAGEM DE CO
2
N
Negativo
-0.6
Z
Zero
P
Positivo
100
109
Unio
Contribuio
de
R
4
Contribuio
de
R
7
u
u0
1.0
0.67
0.67
R
4
x4
1.0
R
7
0.33
0.33
-0.6
110
w i i
i=1
m
wi
i =1
onde wi o resultado da combinao dos antecedentes da isima regra, dados os valores das variveis de entrada. As
funes de pertinncia dos conjuntos fuzzy correspondentes s
parties das variveis lingusticas so mostradas na figura 18
para as variveis x1 e x3 .
Pequena
Mdia
Grande
30
60
90
120
150
(cm)
x3
Esquerda
Frente
Direita
-60
-40
-20
20
40
60
(graus)
NG
NM
NP
ZR
PP
PM
PG
0
U
111
erro\derro
NG
NM
NG
NP
ZR
PG
PG
NM
PP
PM
PG
NOVA
ANTERIOR
POPULAO
SELEO
MUTAO
PM
NP
PM
ZR
PG
PP
PM
PP
ZR
PP
NP
PM
NM
PG
NG
NP
NM
NG
NM
CROSSOVER
NG
Nvel do Tanque 1
eeX
Regra 1:
X1 A1 e
e XM A M
1
Se X1 A1 e
e X M A1M Ento y g1
Regra M:
Se X1 A1N
N
AN
M Ento y g
y g
M
Concluso (a o):
Nvel do Tanque 2
a 111
g1
min
x11
a 1p
max
x1
.
.
.
a N1p
x 1p
.
.
.
a 11
div
a M1
1
N
a Mh
M1
max
1
1
.
.
.
xMh
aN
Mh
min
a M1
max
80000
CtM
70000
60000
50000
BEST
40000
AVG
30000
20000
10000
0
0
10
11
Gerao
fi
genes reais e
i =1
fi genes inteiros.
i =1
Triangular
(Trapezoidal)
ci
i+1
c i+1
Trapezoidal
(Triangular)
ci
c i+1
(c
-c )/3
i+1
i+1
113
9 - CONCLUSES E PERSPECTIVAS
A tecnologia decorrente da lgica fuzzy tem gerado aplicaes
e produtos em diversas reas. Em controle de processos
industriais, rea pioneira, as primeiras experincias datam de
1975 quando foi demonstrado no Queen College, Londres, que
um controlador fuzzy muito simples controlou eficientemente
uma mquina a vapor. Na mesma poca, a primeira aplicao
industrial significativa foi desenvolvida pela indstria de
cimento F.L.Smidth Corp. da Dinamarca. Presentemente, uma
variedade de aplicaes comerciais e industriais esto
disponveis, destacando-se neste cenrio o Japo e mais
recentemente, os EUA e a Alemanha. Exemplos tpicos
incluem produtos de consumo tais como geladeiras (Sharp), ar
condicionado (Mistsubishi), cmeras de vdeo (Canon,
Panasonic), mquinas de lavar roupa (Sanyo), fornos de
microondas (Sanyo), aspiradores de p, etc. Na indstria
automotiva destacam-se transmisses automticas (Nissam,
Lexus), injeo eletrnica, suspenso ativa, freios antibloqueantes. Sistemas industriais incluem controle de grupo de
elevadores (Hitachi, Toshiba), veculos auto-guiados e robs
mveis (Nasa, IBM), controle de motores (Hitachi), ventilao
de tneis urbanos (Toshiba), controle de trfego urbano,
controle de parada e partida de trens de metr (Sendai, Tokio).
Estas citaes so, evidentemente, ilustrativas pois
correntemente mais de 1000 patentes envolvendo lgica fuzzy
j foram anunciadas.
No Brasil, apesar do uso e da aplicao extensiva ainda ser
incipiente, vrias indstrias e empresas vm desenvolvendo
produtos e servios (Villares, IBM, Klockner & Moeller,
Robertshaw, Yokogawa, HI Tecnologia).
Nos ltimos dois anos o potencial de manuseio de incertezas e
de controle de sistemas complexos proporcionado pela lgica
fuzzy vem sendo combinado com com redes neurais artificiais
as quais, por sua vez, possuem caractersticas de
aprendizagem e adaptao. Esta simbiose vem gerando novas
classes de sistemas e de controladores neurofuzzy, combinando
assim os potenciais e as caractersticas individuais em sistemas
adaptativos e inteligentes (Gomide et.al. 1992-a). Estes
sistemas devero proporcionar uma importante contribuio
para os sistemas de automao e controle do futuro,
principalmente em controle de processos.
AGRADECIMENTO: Os autores agradecem ao CNPq pelo
apoio financeiro, respectivamente, pelo contrato n. 300729/863 e por bolsa de doutorado. Os autores tambm agradecem ao
projeto ECLA-005 por seu suporte.
REFERNCIAS BIBLIOGRFICAS
Albertos, P. (1992). Fuzzy Controllers - AI Techniques in
Control - Pergamon Press.
Anderson, B.D.O e J. B. Moore (1979). Optimal Filtering Prentice-Hall, N.J.
Bertsekas, D.P. (1976). Dynamic Programming and Stochastic
Control. Mathematics in Science and Engineering.
Vol. 125, Academic Press, NY
114
Neurocomputing -
Addison
115