Fuzzy Logica

UNIVERSIDADE FEDERAL DE ITAJUB
PROGRAMA DE PS-GRADUAO
EM ENGENHARIA ELTRICA
PROJETO DE SISTEMAS DE CONTROLE COM MODELAGEM

TAKAGI-SUGENO E IMPLEMENTAO DE CONTROLADORES
FUZZY COM RETROAO DE ESTADOS
TIAGO SOARES VTOR
ITAJUB, DEZEMBRO DE 2011
UNIVERSIDADE FEDERAL DE ITAJUB

PROGRAMA DE PS-GRADUAO EM
EM ENGENHARIA ELTRICA
TIAGO SOARES VTOR
PROJETO DE SISTEMAS DE CONTROLE COM MODELAGEM

TAKAGI-SUGENO E IMPLEMENTAO DE CONTROLADORES
FUZZY COM RETROAO DE ESTADOS
Dissertao submetida ao Programa de Ps-Graduao em

Engenharia Eltrica como parte dos requisitos para obteno
do Ttulo de Mestre em Cincias em Engenharia Eltrica.
rea de Concentrao: Automao e Sistemas Industriais.
Orientador: Prof. Dr. Carlos Alberto Murari Pinheiro.
DEZEMBRO 2011
ITAJUB - MG
Ficha catalogrfica elaborada pela Biblioteca Mau

Bibliotecria Margareth Ribeiro- CRB_6/1700
V845p
Vtor, Tiago Soares
Projeto de Sistemas de Controle com Modelagem Takagi-Su_
geno e Implementao de Controladores FUZZY com Retroao
de Estados / Tiago Soares Vtor. -- Itajub, (MG) : [s.n.], 2011.
86 p. : il.
Orientador: Prof. Dr. Carlos Alberto Murari Pinheiro.
Dissertao (Mestrado) _ Universidade Federal de Itajub.
1. Sistemas no-lineares. 2. Modelagem Fuzzy Takagi-Sugeno.
3. Controlador Fuzzy. 4. Desigualdades lineares matriciais(LMI).
I. Pinheiro, Carlos Alberto Murari, orient. II. Universidade Fede_
ral de Itajub. III. Ttulo.
Dedicatria
Dedico este trabalho aos meus pais, David e Elenice, pelo incentivo constante e
encorajador em todas etapas da minha vida.
Agradecimentos
Aos meus pais, pelo amor presente em todos os momentos.
A minha irm, Fernanda, pela amizade e simpatia.
A minha esposa, Daniela, por fazer parte da minha vida.
A todos os amigos, pelo incentivo e apoio demonstrados durante este tempo.
Ao meu orientador Prof. Carlos Alberto Murari Pinheiro por ter apresentado a diretriz
de como realizar o projeto e pela paciente ajuda no decorrer das atividades.
A todos os professores por terem contribudo para o meu desenvolvimento intelectual,
possibilitando que este trabalho fosse finalizado.
A CNPQ pela bolsa de mestrado.
A Deus, pois Ele mesmo quem a todos d vida, respirao e tudo mais.
ii
Boa e bela coisa comer e beber e gozar cada um do bem de todo o seu trabalho,
com que se afadigou debaixo do sol, durante os poucos dias da vida que Deus lhe deu;
porque esta a sua poro.
Eclesiastes 5:18
iii
Resumo
Este trabalho realiza uma implementao experimental de uma malha de controle
atravs de um sistema computadorizado, onde utilizada uma metodologia de projeto que
visa estabilizao e compensao de processos com caractersticas no-lineares. Ser
empregado o conceito de compensao paralela distribuda para projetar um controlador fuzzy
como compensador do sistema. O processo a ser controlado representado por um modelo
fuzzy Takagi-Sugeno. Este procedimento conceitualmente bem fundamentado, consistindo
na gerao de regras de controle a partir do modelo difuso correspondente do processo a ser
controlado. A anlise de estabilidade e a obteno da compensao adequada do sistema
podem ser reduzidas a problemas de desigualdades lineares matriciais (LMI), que so
resolvidos por ferramentas computacionais especficas. A implantao realizada ser ilustrada
atravs de simulaes e ensaios em um sistema de nvel real.
Palavras-chave: Sistemas no-lineares, modelagem fuzzy Takagi-Sugeno, controlador

fuzzy, anlise de estabilidade por Lyapunov, desigualdades lineares matriciais (LMI).
iv
Abstract
This work presents an experimental implementation of a control loop through a
computerized system. It is used a design methodology for stabilization and compensation of
processes with nonlinear characteristics. The concept of parallel distributed compensation for
designing a fuzzy controller is employed as a compensator of the plant. The process to be
controlled is represented by a Takagi-Sugeno fuzzy model. This procedure is conceptually
well-founded. The idea is to generate the control rules from the fuzzy model corresponding to
the process to be controlled. The stability analysis and appropriate compensation design can
be reduced to linear matrix inequality (LMI) problems, which are solved by specific
computational tools. The implementation performed will be illustrated through simulations
and tests on a real level system.
Keywords: Nonlinear plant, Takagi-Sugeno fuzzy model, fuzzy controller, stability

analysis by Lyapunov, linear matrix inequality (LMI).
Lista de Figuras
Figura 1 - Configurao bsica dos sistemas fuzzy puros. ......................................................... 6
Figura 2 - Configurao bsica dos sistemas fuzzy com fuzzificador e defuzzificador............. 6
Figura 3 Configurao bsica do sistema fuzzy Takagi-Sugeno. ............................................ 7
Figura 4 - Sistema fuzzy TS do Exemplo 1. ............................................................................. 11
Figura 5 - Funes de pertinncia da varivel de entrada do Exemplo 1. ................................ 12
Figura 6 - Mudana suave de Sada1 para Sada2 .................................................................... 12
Figura 7 - Systema fuzzy TS do Exemplo 2. ............................................................................ 13
Figura 8 - Funes de pertinncia do Exemplo 2. .................................................................... 14
Figura 9 - Operao do sistema fuzzy TS do Exemplo 2 (MathWorks, 2011). ....................... 15
Figura 10 - Superfcie de sada para Exemplo 2. ...................................................................... 16
Figura 11 Funes pertinncia de entrada do Exemplo 3. ..................................................... 18
Figura 12 Exemplo de funo ANFIS ................................................................................... 19
Figura 13 Funes de pertinncia do Exemplo 4. ................................................................. 23
Figura 14 - (a) Comportamento de x(k+1) = A1x(k). (b) Comportamento x(k+1) =
A2x(k). ............................................................................................................................ 24
Figura 15 Tcnica de projeto PDC Compensao Paralela Distribuda. ............................ 25
Figura 16 Estrutura de projeto para controle fuzzy. .............................................................. 28
Figura 17 - Resposta do Exemplo 5 realizado o controle PDC. ............................................... 30
Figura 18 Exemplo de um Sistema de Pndulo Invertido. .................................................... 36
Figura 19 - Funes de pertinncia do modelo do pndulo invertido. ..................................... 37
Figura 20 Respostas do sistema de pndulo invertido para diferentes condies iniciais. ... 40
Figura 21 Respostas do sistema de pndulo invertido para diferentes condies iniciais. ... 40
Figura 22 - Respostas do sistema de pndulo invertido para diferentes condies iniciais. .... 42
Figura 28 - Processo de Projeto ................................................................................................ 47
Figura 29 - Processo de projeto para projetos experimentais. .................................................. 48
Figura 30 - Bancada de ensaio. ................................................................................................. 49
vi
Figura 31 Estrutura tpica de um sistema de nvel. ............................................................... 50

Figura 32 - Obteno dos dados de entrada e sada para modelagem do sistema de nvel. ..... 51
Figura 34 Dados do ensaio para modelagem e os resultantes do modelo obtido. ................. 52
Figura 33 - Dados de treinamento para o ANFIS. .................................................................... 52
Figura 35 - Dados de ensaio para validao do modelo. .......................................................... 53
Figura 36 Dados de ensaio para validao do modelo. ......................................................... 54
Figura 37 - Modelo fuzzy correspondente a planta de nvel modelada. ................................... 54
Figura 38 Funes de pertinncia da varivel u(k). ............................................................... 55
Figura 39 de pertinncia da varivel x1(k) = y(k). ................................................................. 55
Figura 40 - Malha de controle convencional (Ogata, 2003). .................................................... 60
Figura 42 Componentes da malha de controle da planta de nvel. ........................................ 61
Figura 41 Malha de controle fuzzy para a planta de nvel..................................................... 61
Figura 43 As leis de controle do controlador fuzzy TS para a planta de nvel. ..................... 62
Figura 44 - Modelo fuzzy TS da planta de nvel. ..................................................................... 63
Figura 45 - Diagrama de classes do programa de simulao. .................................................. 66
Figura 46 - Resposta real da malha de controle fuzzy para dois valores de referncia de
entrada. ............................................................................................................................ 67
Figura 47 - Resposta real do sistema do sistema de controle fuzzy com outros valores de
referncia. ........................................................................................................................ 68
Figura 48 Respostas reais do sistema de controle fuzzy para uma seqncia de valores
de entrada. ....................................................................................................................... 69
Figura 49 Ensaios para o controlador fuzzy e uma malha de controle convencional. .......... 70
Figura 50 - Resposta do sistema para dois valores baixos de referncia de entrada. ............... 71
Figura 51 - Resposta do sistema para dois valores de referncia de entrada mais altos. ......... 71
Figura 52 - Respostas do sistema de controle para uma seqncia de valores de referncia
de entrada. ....................................................................................................................... 72
Figura 53 - Ensaios para o controlador fuzzy e para uma malha de controle convencional. ... 73
Figura 54 - Sistema de controle fuzzy (programa principal) .................................................... 84
Figura 55 - Sub-rotina das regras de controle fuzzy (equivalente ao Anexo 4 em
MATLAB) ...................................................................................................................... 84
Figura 56 - Sub-rotina para leitura de dados em arquivo (ganhos e parmetros das funes
de pertinncia) ................................................................................................................. 85
Figura 57 - Sub-rotina das funes de pertinncia de entrada .................................................. 85
vii
Figura 58 - Subrotina das funes consequentes do controlador ............................................. 86

Figura 59 - Interface grfica do sistema de controle ................................................................ 86
viii
Lista de Abreviaturas
PDC
Parallel Distributed Compensation
LMI
Linear Matrix Inequality
I/O
Input/Output
PID
Controlador Proporcional+Integral+Derivativo
TS
Takagi-Sugeno
ANFIS
Adaptive Neuro-Fuzzy Inference Systems
USB
Universal Serial Bus
BMI
Bilinear Matrix Inequality
DAQ
Data Acquisition
ix
Sumrio
Dedicatria ....................................................................................................................... i
Agradecimentos ..............................................................................................................ii
Resumo .......................................................................................................................... iv
Abstract ........................................................................................................................... v
Lista de Figuras .............................................................................................................. vi
Lista de Abreviaturas ..................................................................................................... ix
Sumrio ........................................................................................................................... x
1.
Introduo ............................................................................................................. 1
2.
Reviso Bibliogrfica ........................................................................................... 3
3.
Fundamentao Terica ........................................................................................ 5

3.1
Sistemas fuzzy e modelos fuzzy Takagi-Sugeno .............................................. 5
3.1.1 Modelos fuzzy Takagi-Sugeno ................................................................... 7

3.1.2 Representao dos sistemas fuzzy Takagi-Sugeno ..................................... 8
3.1.3 Interpretao dos sistemas fuzzy Takagi-Sugeno ..................................... 10
3.1.4 Exemplos de modelos fuzzy Takagi-Sugeno ............................................ 11
3.2
Identificao de sistemas e modelagem fuzzy TS .......................................... 16
3.2.1 Aprendizado neuro-adaptativo para modelagem fuzzy TS ....................... 17

3.2.2 Exemplo de modelo TS obtido pela ferramenta ANFIS ........................... 17
3.3
Anlise de Estabilidade ................................................................................... 19
3.3.1 Anlise de estabilidade por Lyapunov ...................................................... 20

3.3.2 Exemplo de Anlise de Estabilidade ......................................................... 23
3.4
Compensao Paralela Distribuda ................................................................. 25
3.4.1 Sistemas de Controle Fuzzy usando PDC ................................................. 25

3.4.2 Exemplo de projeto PDC .......................................................................... 28
3.5
Controladores Convencionais ......................................................................... 30

x
3.5.1 Projeto de Controladores via Alocao de Plos ...................................... 30

3.5.2 Projeto de Controladores via Sistemas de Controle timo....................... 31
3.6
Projeto e Anlise de Estabilidade usando LMIs ............................................. 32
3.6.1 Desigualdade Linear Matricial .................................................................. 32

3.6.2 Projetos de Sistemas de Controle via LMI por Derivadas de Estado ....... 34
3.7
Exemplo de Aplicao da Metodologia em um Sistema de Pndulo
Invertido................................................................................................................................36
3.7.1 Modelagem fuzzy ...................................................................................... 36
3.7.2 Projeto do Controlador via Alocao de Plos ......................................... 38
3.7.3 Projeto do Controlador via Tcnica de Controle timo ........................... 41
3.7.4 Projeto do controlador via LMI ................................................................ 43
3.8
4.
Resumo da Metodologia de Projeto ................................................................ 47

Metodologia ........................................................................................................ 49
4.9
Modelagem do Sistema Nvel de um Lquido ................................................ 50
4.9.1 Modelagem Fsica ..................................................................................... 50

4.9.2 Construo do modelo Takagi-Sugeno a partir de Ensaios de um Sistema
de Nvel.............................................................................................................................51
4.10
Projeto do Controlador Fuzzy ..................................................................... 56
4.10.1 Erro nulo em Regime Permanente .......................................................... 57

4.10.2 Matriz de Ganhos via Alocao de Plos ............................................... 58
4.10.3 Matriz de Ganhos via Sistemas de Controle timo ................................ 59
4.10.4 Malhas de Controle Correspondentes ..................................................... 60
4.11
Anlise de Estabilidade ............................................................................... 64
4.11.1 Estabilidade para o Sistema de Controle via Alocao de Plos ............ 64

4.11.2 Estabilidade para Sistema de Controle via Sistema de Controle timo . 64
4.11.3 Questes sobre Instabilidade ................................................................... 65
4.12
Programas e Softwares ................................................................................ 66

xi
5.
Resultados........................................................................................................... 67
5.1
Controlador Fuzzy via Alocao de Plos ...................................................... 67
5.2
Controlador Fuzzy via Sistema de Controle timo ........................................ 70
6.
Concluso ........................................................................................................... 74
7.
Referencias Bibliogrficas .................................................................................. 75
ANEXO 1 Programa em MATLAB para simulao (programa principal) ............... 78

ANEXO 2 Sub-rotinas para clculo dos ganhos de retroao ................................... 79
ANEXO 3 Sub-rotina para anlise de estabilidade .................................................... 80
ANEXO 4 Sub-rotina do controlador fuzzy .............................................................. 81
ANEXO 5 Sub-rotina da planta fuzzy Takagi-Sugeno .............................................. 82
ANEXO 6 Sub-rotinas para as funes de pertinncia .............................................. 83
ANEXO 7 Programa em LABVIEW implementando lei de controle fuzzy ............. 84
xii
1. Introduo
Este trabalho realiza uma implementao experimental de uma malha de controle por
intermdio de um sistema computadorizado, onde ser utilizada uma metodologia de projeto
que visa estabilizao e a compensao de processos no-lineares. O trabalho considera
questes relacionadas estabilidade e projeto de malhas de controle fuzzy para sistemas com
caractersticas no-lineares.
A maioria dos sistema reais so no-lineares. Um sistema no-linear caracterizado
por no se aplicar o princpio da superposio, i.e., a resposta a duas entradas no pode ser
calculada tratando-se uma entrada de cada vez e adicionando-se os resultados (Ogata, 2003).
As abordagens tradicionais para sistemas no-lineares utilizam procedimentos de linearizao
dos modelos dos processos a se controlar em torno de determinados pontos nominais de
operao. Modelos linearizados so muito importantes na engenharia de controle por
permitirem a utilizao de ferramentas lineares para anlise e projeto. No entanto, estes tipos
de abordagens no garantem um bom desempenho das malhas de controle resultantes em
pontos de operao distintos dos nominais.
Existem modelagens apropriadas para representar sistemas com caractersticas nolineares (Aguirre, 2000); os modelos NARX e NARMAX so exemplos. Algumas tcnicas de
modelagem utilizam modelos fuzzy, onde uma representao bastante empregada aquela que
utiliza modelos funcionais fuzzy, tambm conhecidos como modelos Takagi-Sugeno. Neste
tipo de modelagem, as dinmicas locais em diferentes regies do espao de estado so
representadas por um conjunto de modelos lineares associados. O modelo completo do
sistema obtido pela combinao destes modelos locais, definindo um modelo global.
Obtido o modelo difuso de um processo no-linear, uma alternativa muito
interessante de malha de controle para compensar o processo, consiste no projeto de um
controlador fuzzy cujas regras so obtidas atravs do modelo correspondente. Esta abordagem
pode utilizar tcnicas convencionais de projeto por meio de mtodos de retroao de estados,
como aquelas utilizadas para malhas de controle de sistemas lineares com embasamento
terico muito bem fundamentado. Entre tais tcnicas pode-se citar: tcnicas de alocao de
plos; critrio de estabilidade de Lyapunov; mtodos de sistemas de controle timo; e outros
(Ogata, 2003).
Tcnicas de controle para sistemas lineares, no entanto, apresentam limitaes quando
aplicadas a processos no-lineares. O motivo que a utilizao de ganhos fixos nas leis de
controle resultantes, no contempla uma ampla faixa de operao de um sistema no-linear.

No entanto, ao se utilizar controladores representados por regras fuzzy, pode-se viabilizar a
utilizao de tcnicas de controle convencionais no projeto dos controladores em questo,
pois as regras mapeiam adequadamente os vrios pontos de operao do sistema a ser
controlado. A idia que para cada modelo linear local do processo, um controlador fuzzy por
realimentao de estados seja projetado, por exemplo. O controlador resultante no-linear
globalmente, sendo uma combinao fuzzy de cada controlador individual projetado. Esta
tcnica de controle fuzzy conhecida como compensao paralela distribuda (PDC
Parallel Distributed Compensation) (Wang, et al., 1996). Anlises de estabilidade podem ser
realizadas considerando o critrio de Lyapunov. As anlises de estabilidade e procedimentos
de projeto das malhas de controle podem ser reduzidas a problemas de desigualdades lineares
matriciais (LMI Linear Matrix Inequality) (Boyd, et al., 1994). Neste trabalho a soluo
numrica de uma LMI realizada com o auxilio do software MATLAB. Existem pacotes
especficos (toolboxes), conhecidos na literatura como solvers para se resolver LMIs, o
solver padro do MATLAB o LMI control toolbox.
Neste trabalho foi utilizado um sistema de controle de nvel real, que na prtica um
sistema no-linear, para ilustrar a aplicao da metodologia citada e implementar
experimentalmente uma malha de controle fuzzy com as caractersticas mencionadas. A
realizao de testes reais complementar os resultados obtidos por simulaes numricas.
A estrutura deste trabalho est organizada da forma descrita abaixo.
Captulo 2: Uma reviso bibliogrfica sobre temas relacionados com a dissertao
desenvolvida, citando os principais trabalhos referenciados na literatura.
Captulo
3:
Apresenta
toda
fundamentao
terica
necessria
para
desenvolvimento do trabalho. Conceitos, formulaes e exemplos so apresentados. O

captulo se concretiza atravs de uma aplicao terica e de uma compilao dos itens
abordados.
Captulo 4: Apresenta a metodologia de projeto e uma implementao experimental
em um sistema computadorizado, foco principal do trabalho.
Captulo 5: Cita os resultados obtidos no ensaio prtico.
Captulo 6: Encerra o trabalho citando as concluses obtidas e propostas de trabalhos
futuros.
2. Reviso Bibliogrfica
A representao de sistemas no-lineares usando modelos fuzzy Takagi-Sugeno foi
introduzida por Takagi e Sugeno (1985) e desde ento muitas pesquisas tem sido feitas para o
desenvolvimento de uma metodologia sistemtica de sistemas fuzzy para processos nolineares. A principal caracterstica desta modelagem est em representar eficientemente um
sistema no-linear atravs de um conjunto de subsistemas lineares (Taniguchi, et al., 2001).
Os conceitos mais importantes para os sistemas de controle fuzzy Takagi-Sugeno esto
relacionados anlise de estabilidade e ao projeto de controladores (Tanaka, K.; Sugeno, M.,
1990) (Tanaka, K.; Sugeno, M.;, 1992). Esses temas tm sido extensivamente estudados. No
projeto de controladores, o conceito de compensao paralela distribuda (PDC) permite que
tcnicas convencionais de controle sejam utilizadas (Wang, et al., 1996). Na anlise de
estabilidade, o foco dos estudos a aplicao do critrio de Lyapunov.
possvel reduzir um problema de estabilidade para os sistemas de controle fuzzy de
forma a encontrar uma funo comum de Lyapunov que satisfaa o conjunto das condies de
estabilidade, de modo a englobar todos os subsistemas da modelagem resultante (Tanaka, et
al., 1996) (Tanaka, K.; Wang, H.O., 2001). Se as condies de estabilidade so representadas
em termos de desigualdade linear de matrizes, o problema pode ser numericamente resolvido
por tcnicas de otimizao convexa implementadas em pacotes computacionais (Gahinet, et
al., 1995).
Portanto, uma ampla variedade de problemas da teoria de sistemas de controle pode
ser reduzida em problemas de otimizao convexa envolvendo LMI. Os resultados destes
problemas de otimizao podem ser obtidos numericamente com muita eficincia usando
mtodos de pontos interiores (Boyd, et al., 1994).
Modelos fuzzy Takagi-Sugeno para modelagem de sistemas no-lineares e na
correspondente compensao, possuem trs procedimentos principais (Taniguchi, et al., 2001)
(Lian, et al., 2006). O primeiro passo consiste em representar um sistema no-linear atravs
de vrios subsistemas lineares locais por meio de regras fuzzy e usar a compensao paralela
distribuda (Wang, et al., 1995) (Chen, et al., 1999) (Chen, et al., 2000) (Kim, E.; Lee, H.,
2000) (Joh, et al., 1998) no projeto do controlador. O segundo estgio consiste na anlise de
estabilidade do sistema em malha fechada usando o mtodo de Lyapunov atravs da
desigualdade linear de matrizes (Boyd, et al., 1994) (Tanaka, K.; Wang, H.O., 2001).
Finalmente, a ltima etapa consiste em encontrar os ganhos de um controlador
correspondente, solucionando as LMIs do problema em questo por meio de mtodos

numricos.
Muitas aplicaes bem sucedidas baseadas em modelos Takagi-Sugeno tm sido
apresentadas na literatura, revelando um nmero grande de resultados importantes
concernentes a anlise de estabilidade e ao projeto de controladores (Fang, et al., 2006).
3. Fundamentao Terica
Este
captulo
apresenta
todo
embasamento
terico
necessrio
para
desenvolvimento do trabalho. Cada item abordado ser conceituado e exemplificado

formando uma base de conhecimentos suficiente para que se compreenda a metodologia em
questo.
3.1
Sistemas fuzzy e modelos fuzzy Takagi-Sugeno

A principal caracterstica de um sistema fuzzy a representao de informaes
(conhecimento) condicionadas por regras fuzzy Se-Ento:
(1)
Onde x e y so as variveis de entrada e sada, respectivamente, e A e B so termos

lingusticos associados aos conjuntos fuzzy que descrevem linguisticamente essas variveis.
Para um dado valor de entrada, a sada correspondente calculada a partir do conjunto de
regras atravs de um mtodo de inferncia.
Em geral h trs tipos de sistemas fuzzy citados na literatura (Wang, 1997):
- sistemas fuzzy puros;
- sistemas fuzzy Mamdani;
- sistemas fuzzy Takagi-Sugeno (TS).
Estes sistemas sero rapidamente descritos a seguir.
Sistemas fuzzy puros

A Figura 1 ilustra a configurao bsica de um sistema fuzzy puro. As regras fuzzy
representam um conjunto de regras Se-Ento. A inferncia fuzzy combina estas regras fuzzy
em um mapeamento dos conjuntos fuzzy no espao de entrada
espao de sada
para conjuntos fuzzy no
. Se a linha tracejada na Figura 1 fizer parte do modelo, o sistema passa
a ser denominado sistema fuzzy dinmico. A principal caracterstica de um sistema fuzzy puro
que as variveis de entradas e sadas so conjuntos fuzzy (Machado, 2003).
Regras Fuzzy
Inferncia Fuzzy
Conjuntos Fuzzy
Conjuntos Fuzzy
em U
em V
Figura 1 - Configurao bsica dos sistemas fuzzy puros.
Sistemas fuzzy Mamdani

A Figura 2 ilustra a configurao bsica do sistema fuzzy com fuzzificador e
defuzzificador. Neste tipo de sistema, um fuzzificador (uma funo matemtica) na entrada do
mesmo transforma a informao de uma varivel no-fuzzy de valor real, em um grau de
pertinncia associado a um conjunto fuzzy correspondente. Na sada do sistema, um
defuzzificador (um procedimento numrico) transforma um (ou mais) conjunto fuzzy
devidamente processado, em uma varivel real no-fuzzy. A principal caracterstica do
sistema fuzzy com fuzzificador e defuzzificador permitir que o usurio entre com valores
reais e obtenha na sada valores reais, mas com as informaes internas do sistema
computadas em termos associados aos conjuntos nebulosos do modelo (Machado, 2003).
Regras Fuzzy
x em U
y em V
Fuzzificador
Defuzzificador
Inferncia Fuzzy
Conjuntos Fuzzy
Conjuntos Fuzzy
em U
em V
Figura 2 - Configurao bsica dos sistemas fuzzy com fuzzificador e defuzzificador.
Sistemas Fuzzy Takagi-Sugeno

Um sistema fuzzy alternativo foi proposto por Takagi e Sugeno (1985). Nestes
sistemas, as entradas e sadas so variveis como nos sistemas com fuzzificador e
defuzzificador. Entretanto, ao invs de considerar as regras fuzzy Se-Ento na forma de (1),
estes sistemas usam regras na seguinte forma:
(2)
Comparando (1) e (2), verifica-se que na segunda forma, a parte relativa aos
consequentes das regras expressa agora por uma funo polinomial. Esta mudana
possibilita representar modelos numricos e uma forma mais adequada a aplicaes
numricas. Assim, no sistema fuzzy Takagi-Sugeno obtido um peso mdio dos valores nos
conseqentes das regras.
A Figura 3 mostra a configurao bsica de um sistema fuzzy Takagi-Sugeno.
x em U
Regras Fuzzy
Fuzzificador
Peso Mdio
Conjuntos Fuzzy
y em V
em U
Figura 3 Configurao bsica do sistema fuzzy Takagi-Sugeno.
3.1.1 Modelos fuzzy Takagi-Sugeno

Os modelos fuzzy Takagi-Sugeno constituem uma abordagem alternativa para
modelagem fuzzy. Estes modelos tambm possuem uma estrutura baseada em regras.
Contudo, os consequentes das regras no so conjuntos fuzzy como nos modelos lingusticos.
Os conseqentes das regras fuzzy Takagi-Sugeno so formados por funes crisp (no-fuzzy)
que mapeiam as entradas do modelo em relao a sua sada. Essas funes, tambm
denominadas de modelos locais, possuem usualmente uma forma afim em seus argumentos.
Nesse caso o modelo Takagi-Sugeno linear nos parmetros das referidas funes.
Estes modelos podem ser considerados como uma verso fuzzy dos mtodos de
aproximao linear por partes, que proporcionam uma relao linear (ou afim) da entradasada para cada subespao pr-determinado do espao de entrada, possuindo uma habilidade
de interpolao considervel. A estrutura dos modelos Takagi-Sugeno intrinsecamente
adequada para a representao de sistemas dinmicos complexos (no-lineares, etc.) (Filev,
D., 1991).
3.1.2 Representao dos sistemas fuzzy Takagi-Sugeno

O modelo fuzzy Takagi-Sugeno (TS) pode representar uma classe genrica de sistemas
no-lineares (Wang, et al., 1996). Portanto, possvel representar uma dada planta no-linear
atravs de modelo fuzzy Takagi-Sugeno (Takagi, T.; Sugeno, M., 1985). As dinmicas do
sistema so capturadas por um conjunto de implicaes fuzzy que caracterizam relaes locais
no espao de estados. A principal caracterstica de um modelo fuzzy Takagi-Sugeno
expressar as dinmicas locais de cada implicao (regra) fuzzy por um modelo linear. O
modelo fuzzy completo do sistema alcanado pela combinao fuzzy dos modelos locais.
Especificamente, um sistema modelo Takagi-Sugeno descrito por regras fuzzy SEENTO, que localmente representam relaes lineares de entrada-sada de um determinado
sistema. O modelo fuzzy pode ser representado na forma:
(3)
Onde
(4)
Sendo:
- Regra i (
). Denota o nmero de regras Se-Ento. So relaes fuzzy que
descrevem implicaes que so calculadas atravs de uma funo de mapeamento;

-
so variveis de estado e entrada da regra;
so variveis de entrada dp modelo local;
a sada da implicao (regra) i, resultado das
funes que relacionam as entradas do modelo com a sada;

-
so as variveis fuzzy onde cada funo de pertinncia associada pode ser do tipo
trapezoidal, triangular, gaussiana, ou outras funes que representem um subespao fuzzy no

qual a implicao
Dado um par de (
pode ser aplicada.
), a sada final do modelo fuzzy calculada como a mdia
ponderada das sadas individuais de cada implicao, ou seja:
(5)
Onde o nvel de ativao da i-sima implicao dada por
(6)
Sendo
o grau de pertinncia de
em
A sada final para a representao do sistema em malha aberta expresso por (7):
(7)
Onde assumido que
10
(8)
para qualquer amostra k. Cada componente linear
chamado de subsistema local.
Sugeno e seus cooperadores (Takagi, T.; Sugeno, M., 1985) (Sugeno, M.; Kang, G. T.,
1986) (Sugeno, M.; Kang, G. T., 1988) (Sugeno, M.; Tanaka, K., 1991) propuseram a
utilizao de funes afins nas partes consequentes das implicaes. Esta escolha permite uma
interpretao matemtica simples do modelo com uma interpolao de diferentes modelos
afins, e implica que a sada linear em seus parmetros. Estes parmetros podem ser
estimados utilizando qualquer algoritmo de estimao convencional (Ogata, 2003).
Assim, o modelo fuzzy Takagi-Sugeno capaz de aproximar um sistema no-linear
com uma combinao de vrios sistemas lineares afins pela decomposio de todo o espao
de entrada em vrios espaos parciais e representar cada espao entrada/sada com uma
equao linear.
Geralmente o modelo fuzzy de um sistema fsico pode ser construdo por:
- converso direta da equao no-linear do modelo fsico;
- identificao usando um observador de dados de entrada/sada.
Um objetivo comum em modelagem de sistemas obter uma parametrizao mnima
dos sistemas dinmicos representados. Consideraes prticas geralmente necessitam manter
o nmero das variveis das premissas to pequeno quanto possvel para reduzir os efeitos do
dimensionamento das regras de modelagem resultantes.
3.1.3 Interpretao dos sistemas fuzzy Takagi-Sugeno
A principal caracterstica do modelo fuzzy Takagi-Sugeno em relao aos modelos
fuzzy lingusticos que as partes dos conseqentes constituem um modelo dinmico afim ou
linear (homogneo), no lugar de um conjunto fuzzy. Esta propriedade apresenta vrias
vantagens computacionais (Johansen, et al., 1998):
- Da perspectiva de engenharia de controle, o uso de modelos locais lineares preenche
a lacuna entre sistemas de controle fuzzy e a teoria de sistemas de controle lineares. Existem
11
muitas ferramentas na teoria de sistemas lineares que podem ser parcialmente aplicadas para
modelos Takagi-Sugeno fuzzy e os controladores baseados em regras resultantes;
- Os consequentes das regras fuzzy Takagi-Sugeno (modelos locais) possibilitam um
nmero reduzido de regras em muitas aplicaes. Nas regies onde as no-linearidades de um
modelo so mais acentuadas, os consequentes podem ter funes mais elaboradas para
representarem estas no-linearidades e, conforme a necessidade, mais regras podem ser
includas nestas regies. Por outro lado, nas regies onde as no-linearidades no so to
fortes, possvel utilizar funes de pertinncia mais simples e o nmero de regras pode ser
reduzido. Esta distribuio das regras leva a uma melhor representao do sistema com um
nmero mnimo de modelos locais;
- A estrutura do modelo (partio do espao de estados e estrutura da modelo local) e
propriedades do modelo local, permite em determinadas aplicaes, ser facilmente
relacionada com o modelo fsico. Isto simplifica o desenvolvimento do modelo e a sua
validao.
Destaques deste tipo de modelagem:
- Eficiente computacional;
- Permite trabalhar com tcnicas lineares de projeto;
- Permite trabalhar com mtodos adaptativos e de otimizao;
- Garante continuidade no espao de sada do modelo representado;
- Permite anlises matemticas conhecidas para garantia de estabilidade.
3.1.4 Exemplos de modelos fuzzy Takagi-Sugeno

Exemplo 1
Como ilustrao, seja um modelo de sistema de apenas uma entrada e uma nica sada
(Figura 4) (MathWorks, 2011):
Sistema Fuzzy
Takagi-Sugeno
Entrada
Figura 4 - Sistema fuzzy TS do Exemplo 1.
Sada
12
A varivel Entrada possui duas funes de pertinncia (Negativa e Positiva) do tipo

gaussianas (Figura 5). Negativa se refere a valores de entrada menores que zero, e Positiva
refere a valores maiores que zero.
Figura 5 - Funes de pertinncia da varivel de entrada do Exemplo 1.
A varivel Sada possui duas funes de pertinncia que so funes lineares em

relao varivel de entrada. De acordo com os valores de entrada e segundo as regras fuzzy
indicadas abaixo, cada funo de sada (implicao) ser ativada com uma determinada
ponderao.
A Figura 6 mostra como a sada deste modelo fuzzy muda continuamente entre faixas
de valores do domnio [-5, 5] da varivel de entrada.
Figura 6 - Mudana suave de Sada1 para Sada2
13
Como foi visto, modelos fuzzy Takagi-Sugeno permitem incorporar a modelagem de

informaes dentro de um sistema fuzzy. Por extenso, conclui-se que um sistema fuzzy pode
ser construdo a partir de vrios sistemas lineares representando um sistema altamente nolinear movendo no seu espao de operao.
Exemplo 2
Considere como exemplo de um modelo fuzzy para se decidir a quantidade de gorjeta a
ser dada em um determinado restaurante (MathWorks, 2011). A gorjeta ser de acordo com o
servio prestado e com a qualidade da comida. Portanto o sistema ter duas entradas (Servio
e Comida) e uma sada (Gorjeta) conforme ilustrado na Figura 7.
Servio
Sistema Fuzzy
Comida
Takagi-Sugeno
Gorjeta
Figura 7 - Systema fuzzy TS do Exemplo 2.
A qualidade do servio ser representada atravs de trs funes de pertinncia do tipo

gaussiana, podendo o servio se enquadrar nos conjuntos fuzzy Pobre, Mdio e Bom.
Enquanto a qualidade da comida poder se enquadrar nos conjuntos fuzzy Detestvel e
Saborosa, que so do tipo trapezoidal. As funes de pertinncia em questo esto
representadas na Figura 8.
14
Figura 8 - Funes de pertinncia do Exemplo 2.
Para a varivel de sada Gorjeta, denominaremos em: Econmica, Mdia e Generosa.

Cada informao da varivel de sada uma funo linear constante, sendo:
As regras so dadas por:
A Figura 9 mostra que para uma avaliao de Servio = 3 e Comida = 8, a Gorjeta ser
de 18.6%.
15
Figura 9 - Operao do sistema fuzzy TS do Exemplo 2 (MathWorks, 2011).
Para a Regra 1 da Figura 9 tem-se os seguintes resultados:

- grau de pertinncia da entrada Servio no conjunto Pobre 0,126;
- grau de pertinncia da entrada Comida no conjunto Detestvel 0;
- aplicando operao OR (valor mximo) resulta na ponderao 0,126.
- grau de pertinncia da entrada Servio no conjunto Mdio 0,398;
- resultando na ponderao 0,398.
- grau de pertinncia da entrada Servio no conjunto Bom 0;
- grau de pertinncia da entrada Comida no conjunto Saborosa 0,491;
- aplicando operao OR (valor mximo) resulta na ponderao 0,491.
Portanto aplicando (7), tem-se:
16
A Figura 10 mostra a superfcie de sada do sistema fuzzy, deixando claro o

comportamento da sada gorjeta de acordo com as entradas servio e comida. Se a qualidade
do servio e da comida aumentar, tambm a gorjeta aumentar. Se a qualidade do servio e da
comida diminuir, tambm a gorjeta diminuir.
Figura 10 - Superfcie de sada para Exemplo 2.
3.2
Identificao de sistemas e modelagem fuzzy TS

A identificao de sistemas pode ser definida como sendo a utilizao de
procedimentos numricos, cuja finalidade obter modelos de sistemas dinmicos a partir de

medidas das suas entradas e a sadas.
Modelos matemticos de sistemas dinmicos podem ser obtidos utilizando conceitos
fsicos da natureza dos mesmos. Esta modelagem chamada fenomenolgica ou caixa
branca, em que geralmente, necessrio conhecer certas caractersticas ou propriedades
fsicas do sistema a ser modelado.
17
Para sistemas complexos ou do tipo caixa preta, nos quais no se tem acesso fcil
das partes constituintes dos mesmos, pode ser oneroso obter a modelagem fenomenolgica.
Nestes casos, a utilizao de mtodos de identificao de sistemas facilita a obteno de
modelos de sistemas reais. No necessrio conhecimento prvio do sistema, bastando ter
dados de medidas das suas entradas e sadas. A partir do processamento adequado dos dados
medidos, obtm-se os coeficientes ou parmetros das equaes que modelam o sistema em
questo. Esta modelagem conhecida como modelagem emprica ou caixa preta. Mesmo
para sistemas dinmicos facilmente modelados fisicamente, o emprego de tcnicas de
identificao pode ser interessante em termos prticos, uma vez que modelos matemticos
poder ser obtidos de maneira relativamente rpida e precisa (Souza, A. C. Z.; Pinheiro, C. A.
M.;, 2008).
3.2.1 Aprendizado neuro-adaptativo para modelagem fuzzy TS

Uma das maneiras de construir um modelo fuzzy Takagi-Sugeno atravs de
procedimentos de identificao de sistemas. O software Matlab possui uma rotina de
treinamento chamada ANFIS para modelagem de tais sistemas. Este recurso usa um algoritmo
hbrido de aprendizado para identificar os parmetros do sistema fuzzy Takagi-Sugeno, que
combina o mtodo de mnimos quadrados e o mtodo de aprendizado por backpropagation.
Essas tcnicas de aprendizado neuro-adaptativa fornecem um mtodo para o processo
de modelagem fuzzy para mapear informaes sobre um conjunto de dados. O nome ANFIS
deriva de sistema de inferncia neuro-fuzzy adaptativa. Usando um conjunto de dados de
entrada/sada, a funo ANFIS constri um sistema de inferncia fuzzy dos quais os
parmetros das funes de pertinncia so ajustados usando os mtodos de backpropagation e
mnimos quadrados. Este ajuste permite que o sistema fuzzy aprenda com os dados de
modelagem (MathWorks, 2011).
3.2.2 Exemplo de modelo TS obtido pela ferramenta ANFIS

Exemplo 3
Suponha modelar a funo abaixo com dados de entrada no intervalo
18
Usando a funo ANFIS com as opes de 5 funes de pertinncia (memberships na

forma de sino) de entrada e 20 perodos de treinamento da rede neural de ajuste dos
parmetros, tm-se na Figura 11 os valores resultantes das funes associadas aos cinco
conjuntos nebulosos (
) correspondentes do modelo em questo.
Figura 11 Funes pertinncia de entrada do Exemplo 3.
As regras geradas pelo software so:
A varivel
modelada, e a varivel
do modelo fuzzy corresponde varivel
da funo a ser
equivale varivel . Os coeficientes resultantes das funes
lineares do modelo TS obtido so:
19
A Figura 12 mostra a simulao do modelo fuzzy obtido (grfico na cor verde) e os

dados de treinamento (em cor azul) utilizados no treinamento. Dos grficos da figura nota-se
que a modelagem fuzzy da funo no-linear apresentou uma aproximao razovel.
Figura 12 Exemplo de funo ANFIS
3.3
Anlise de Estabilidade
Muitos pesquisadores dedicaram-se busca de condies de anlise de estabilidade
para sistemas fuzzy TS em aplicaes relacionadas a sistemas de controle. Durante os anos 90

vrios trabalhos foram publicados destacando-se as pesquisas com a utilizao de LMIs em
sistemas fuzzy (Tanaka, K.; Sugeno, M., 1990), onde foi abordado o tratamento de condies
20
de estabilidade bsicas para sistemas de controle fuzzy utilizando o mtodo direto de

Lyapunov.
3.3.1 Anlise de estabilidade por Lyapunov

Um dos mais importantes conceitos concernente s propriedades dos sistemas de
controle diz respeito estabilidade. Teoremas foram derivados (Tanaka, K.; Sugeno, M.;,
1992) para a estabilidade de um sistema fuzzy em conformidade com a definio de
estabilidade na concepo de Lyapunov. Uma condio suficiente que garanta a estabilidade
de um sistema fuzzy dada em termos do mtodo direto de Lyapunov.
Considerando o seguinte sistema fuzzy livre:
(9)
Os subsistemas lineares correspondentes a i-sima implicao da regra podem ser

representados na forma matricial
, onde
. A sada do sistema
fuzzy representada por (7).

O Teorema 1 e o Lema 1 descritos a seguir so necessrios para o Teorema 2 que um
importante teorema a respeito da estabilidade de um sistema fuzzy. O Teorema 1 conhecido
como teorema de estabilidade de Lyapunov.
Teorema 1 (Kuo, B. C., 1980). Considere um sistema discreto descrito por:

, onde
seguinte propriedade:
um vetor de funes
para qualquer k.
Suponha que exista uma funo escalar

(a)
(b)
(c)
(d)
contnua em
tal que
;
p/
tende ao infinito quando
p/
Ento o estado de equilbrio
para todo k assintoticamente estvel e
uma funo de Lyapunov.

Lema 1. Se
com a
uma matriz definida positiva tal que

e
21
onde
, ento
.
Prova:
.
Uma vez que
uma matriz positiva definida,

.
Portanto, a concluso do lema confere.
Teorema 2 (Tanaka, K.; Sugeno, M.;, 1992). O equilbrio de um sistema fuzzy (7)
assintoticamente estvel globalmente se existir uma matriz definida positiva comum
para
todos os subsistemas do modelo tal que
p/
Prova. Considere a funo escalar

, onde
tal que
uma matiz positiva definida. Esta funo satisfaz
as seguintes propriedades:
(a)
(b)
(c)
p/
tende ao infinito quando
Seja a condio indicada a seguir:
(10)
22
onde
para
Do Lema 1 e (14), obtm-se:

(d)
Pelo Teorema 1,
uma funo de Lyapunov e o sistema (7)
assintoticamente estvel. Este teorema reduzido para o teorema de estabilidade de Lyapunov

para sistemas lineares discretos quanto
. A condio de estabilidade do Teorema 2
produzida, portanto, usando uma funo quadrtica

que
. Se existir um
tal
demonstre a estabilidade do sistema (7), o mesmo tambm dito ser quadraticamente
estvel e
chamada funo quadrtica de Lyapunov.
Este teorema pode ser aplicado para anlise de estabilidade de um sistema no-linear
aproximado por uma funo linear por partes (piecewise) quando a condio (10) for satisfeita
em
. Uma funo linear por partes pode ser descrita como um caso
especial de (3) se for utilizado conjuntos crisp em vez de conjuntos fuzzy nas partes das
premissas do sistema fuzzy. possvel dividir um sistema no-linear em alguns subsistemas
linearizados no espao de estado do sistema. Isso significa que o mesmo aproximado por
uma funo piecewise. Como muitos sistemas no-lineares podem ser aproximados por
funes lineares por partes, este teorema pode ser largamente aplicado no somente em
sistema fuzzy, mas tambm em sistemas no-lineares em geral.
O Teorema 2 apresenta uma condio suficiente para assegurar a estabilidade de um
modelo representado por (7). Pode parecer intuitivo achar que um sistema no-linear
aproximado seja estvel, caso todos os subsistemas locais lineares sejam estveis. No entanto,
no este o caso geral.
Todas as matrizes
s so estveis se existir uma matriz comum definida positiva
Nem sempre existir uma matriz comum definida positiva
mesmo que todas as matrizes
s sejam estveis. Vale ressaltar que um sistema fuzzy pode ser assintoticamente estvel
globalmente, mesmo que no se encontre uma matriz comum definida positiva
. Assim,
deve-se considerar que um sistema fuzzy nem sempre assintoticamente estvel globalmente,
mesmo que todas as matrizes
s sejam estveis.
23
A obteno da matriz
pode ser resolvida eficientemente via tcnicas convexas de
otimizao por LMI (Boyd, et al., 1994). Isso significa expressar a condio de estabilidade
do Teorema 2 em LMI. Para checar a estabilidade preciso encontrar uma matriz comum
ou determinar que tal matriz no exista.
3.3.2 Exemplo de Anlise de Estabilidade

Exemplo 4
Considere o seguinte sistema fuzzy:
onde
e
,
A Figura 13 mostra as funes de pertinncia de
-1
Figura 13 Funes de pertinncia do Exemplo 4.
Sejam as condies iniciais do modelo:
ilustra o comportamento dos seguintes sistemas lineares associados ao modelo:
. A Figura 14
24
Os sistemas lineares associados so estveis, pois
so matrizes estveis, e isto
pode est ilustrado na Figura 14(a) e na Figura 14(b), respectivamente. No entanto, o sistema
global fuzzy, que consiste na combinao fuzzy destes sistemas lineares, instvel como
indicado na Figura 14(c) para as variveis de estado
existe uma matriz comum
. Obviamente, neste exemplo, no
que garante a estabilidade global do sistema fuzzy.
Figura 14 - (a) Comportamento de x(k+1) = A1x(k). (b) Comportamento x(k+1) = A2x(k).

(c) Comportamento do Sistema Fuzzy global associado.
25
3.4
Compensao Paralela Distribuda

O conceito de compensao paralela distribuda (PDC) utilizado para projetar
controladores fuzzy a fim de estabilizar sistemas fuzzy (Wang, et al., 1996). A idia projetar
um compensador associado a cada regra do modelo fuzzy em questo. A Figura 15 ilustra o
conceito do PDC. Para cada regra pode-se usar tcnicas de projeto de controle de retroao de
estados. O resultado completo do controlador fuzzy, que em geral no-linear, uma
combinao fuzzy de cada controlador individual.
Sistema Fuzzy
Controlador Fuzzy
Regra r
Regra r
Regra 2
Regra 1
Regra 2
Regra 1
Projeto de Controlador Linear
Figura 15 Tcnica de projeto PDC Compensao Paralela Distribuda.
3.4.1 Sistemas de Controle Fuzzy usando PDC

O controlador fuzzy com o conceito PDC compartilha os mesmos conjuntos fuzzy do
modelo utilizado, e possui a estrutura indicada por (11).
(11)
A informao de comando do controlador dada por (12).
26
(12)
Substituindo (12) em (5) obtm-se (13).
(13)
Quando for aplicado o Teorema 2, tem-se a seguinte condio suficiente para a

estabilidade quadrtica do sistema de controle dado pelo Teorema 3 abaixo.
Teorema 3 (Wang, et al., 1996): O equilbrio de um sistema fuzzy (13)

assintoticamente estvel se existir uma matriz comum positiva definida
p/
tal que:
(14)
Note que o sistema (13) pode ser escrito como:
(15)
Onde
27
Assim, tem-se a seguinte condio suficiente:
Teorema 4 (Wang, et al., 1996): O equilbrio de um sistema de controle fuzzy (13)

assintoticamente estvel se existir uma matriz comum
definida positiva tal que as duas
seguintes condies sejam satisfeitas:
(16)
(17)
Observao: As condies do Teorema 3 so mais relaxadas do que o Teorema 2.
O objetivo do projeto de um sistema de controle fuzzy com a abordagem em questo

selecionar
tal que as condies de (16) e (17) do Teorema 4 sejam
satisfeitas. Usando a notao de estabilidade quadrtica, pode-se tambm pensar no problema

do projeto de controle como em achar
s tal que o sistema (13) em malha fechada seja
estvel quadraticamente. Se existe tais
s, o sistema (5) tambm dito ser estabilizvel
quadraticamente via projeto PDC.

Em geral, primeiramente projeta-se um controlador para cada regra e verifica-se se as
condies de estabilidade so satisfeitas. Como mencionado, pode-se utilizar tcnicas LMI
para resolver o problema de anlise de estabilidade.
Este procedimento de projeto representa uma forma sistemtica de modelagem e
controle fuzzy para uma vasta classe de sistemas no-lineares. A Figura 16 ilustra a
metodologia de projeto em questo.
28
Sistema No-linear
Identificao usando
Modelo Fsico
Dados de Entrada/Sada
Modelo Fuzzy Takagi-Sugeno
Compensao Paralela
Distribuda (PDC)
Controlador Fuzzy
Figura 16 Estrutura de projeto para controle fuzzy.
3.4.2 Exemplo de projeto PDC

Exemplo 5
Considere o sistema fuzzy abaixo onde as matrizes
Exemplo 4 e cujas funes de pertinncia encontram-se na Figura 13:
Onde:
so as mesmas do
29
Escolhendo os autovalores
para malha fechada, tem-se
,
,
O controlador PDC correspondente ser:
Encontrando a matriz definida positiva
abaixo, as condies de estabilidade de (16)
e (17) so satisfeitas. Em outras palavras, o sistema de controle fuzzy em malha fechada

assintoticamente estvel. A matriz
obtida utilizando um algoritmo de otimizao LMI.
A Figura 17 mostra o comportamento do sistema de controle fuzzy para as mesmas

condies iniciais do exemplo relacionado com a Figura 14. Observe que o sistema tende a se
acomodar em um determinado valor devido estabilidade obtida com a utilizao do
controlador fuzzy considerado.
30
Figura 17 - Resposta do Exemplo 5 realizado o controle PDC.
3.5
Controladores Convencionais
A principal vantagem do controle PDC possibilitar a utilizao de tcnicas de projeto
de controladores convencionais. Sero abordadas duas tcnicas por retroao de estados.
3.5.1 Projeto de Controladores via Alocao de Plos

Se o sistema considerado for completamente controlvel, ento os plos do sistema em
malha fechada podem ser localizados em quaisquer posies desejadas por meio de retroao
de estado atravs de uma matriz de ganho de retroao adequada.
Considere um sistema modelado em variveis de estado discretas (18).
(18)
Onde
= vetor de estado (n-dimensional);
constante
= matriz constante
= sinal de controle (escalar);
= matriz
31
A lei de controle definida por (19). Isso significa que o sinal de controle determinado pelo
estado instantneo das variveis de estado.
(19)
A partir da especificao desejada dos autovalores em malha fechada possvel

calcular os ganhos
de retroao de estados dados por (20) para modelos discretos, e de
forma similar para modelos contnuos.
(20)
As matrizes
so conhecidas do modelo do sistema, uma matriz identidade,
constitui os autovalores especificados ou alocados, e

Ento, equaciona-se o sistema de modo a calcular
so os ganhos de retroao de estados.
. Os plos ou autovalores alocados podem
ser representados na forma (21).
(21)
3.5.2 Projeto de Controladores via Sistemas de Controle timo

Um sistema de controle timo possibilita que o mesmo tenha um determinado
desempenho definido por uma funo de custo. As especificaes so dadas por parmetros
como a matriz de peso Q relacionada com a dinmica das variveis de estado x, e o peso R
relativo entrada u do sistema, que geralmente est associada energia gasta pelo processo.
O balanceamento entre energia e dinmica representado matematicamente pela
funo de custo (22).
(22)
O mnimo da funo de custo obtido por (23).

(23)
32
Com a equao de Riccatti (24) possvel encontrar a matriz P levando em

considerao o conceito de estabilidade de Lyapunov, e obter a matriz de ganhos timos (25)
garantindo a estabilidade do sistema de controle resultante (Ogata, 2003).
(24)
(25)
3.6
Projeto e Anlise de Estabilidade usando LMIs

Recentemente, problemas de otimizao de LMIs tem recebido muita ateno (Boyd,
et al., 1994). Estes problemas de otimizao podem ser resolvidos em tempo polinomial. O
desenvolvimento de mtodos de pontos interiores para estes problemas tem se evidenciado na
resoluo eficiente de problemas relacionados (Nesterov, Y.; Nemirosvsky, A.;, 1994). Para
sistemas e controle, a otimizao LMI tem uma importante vantagem de possibilitar a
remodelagem de uma vasta variedade destes problemas como problemas LMI (Boyd, et al.,
1994). Exceto para um pequeno nmero de casos especiais, a maioria dos problemas prticos
no tem soluo analtica. Entretanto, o ponto principal que atravs da estrutura LMI estes
problemas podem ser em geral eficientemente resolvidos de forma numrica. Assim,
remodelar um problema de controle como um problema LMI equivalente a encontrar uma
soluo para um problema de otimizao.
3.6.1 Desigualdade Linear Matricial

Definio (Boyd, et al., 1994): Uma desigualdade linear matricial (LMI Linear
Matrix Inequality) uma desigualdade da seguinte forma:
(26)
Onde
um vetor de variveis e as matrizes simtricas

so dadas. O smbolo de desigualdade
definida positiva.
significa que
33
A LMI representada por (26) uma restrio convexa em
, i.e., o conjunto
convexo. Uma LMI pode representar uma vasta variedade de restries

convexas em . Em particular, desigualdades lineares, desigualdades quadrticas convexas,
desigualdades na norma de matrizes, e restries que se originam na teoria de controle, tais
como estabilidade por Lyapunov e desigualdades de matrizes quadrticas convexas, podem
ser representadas na forma de LMIs. Mltiplas LMIs
expressadas como uma nica LMI
podem ser
.
muito comum em LMIs as variveis serem matrizes, por exemplo, na desigualdade

de Lyapunov
onde
dado e
na forma
varivel. Neste caso a LMI no ser escrita explicitamente
. Alm de economizar notao, isso pode conduzir a uma computao
mais eficiente. Entretanto, a desigualdade de Lyapunov pode ser representada facilmente na

forma (26) tomando
matrizes simtricas
, onde
.
Problemas LMIs (Boyd, et al., 1994): Dada uma LMI

encontrar
formam uma base para
tal que
, o problema LMI
. Este um problema de factibilidade convexa.
Como exemplo, a simultnea condio de estabilidade de Lyapunov no Teorema 2

exatamente um problema LMI: Dado
, preciso encontrar
que
satisfaa a LMI
ou determinar que no existe
. As condies de estabilidade encontradas neste trabalho so
expressadas na forma de LMIs. Esta remodelagem significativa no sentido de que eficientes

algoritmos de otimizao convexa podem ser usados para anlise de estabilidade e problemas
de projeto de controle. Esta remodelagem, portanto, constitui solues para a anlise de
estabilidade e problemas de projeto de controle no arcabouo de modelos fuzzy TakagiSugeno, e de sntese de controladores via PDC.
34
O procedimento de projeto envolve um processo iterativo. Para cada regra, um

controlador designado baseado na considerao de um desempenho local estabelecido.
Anlises baseadas em LMIs so realizadas para verificar se as condies de estabilidade so
satisfeitas. Caso no sejam satisfeitas, o controlador para cada regra ser re-projetado. O
procedimento iterativo de projeto efetivo, entretanto, do ponto de vista de projeto de
controle, mais desejvel projetar diretamente um controle que garanta a estabilidade de um
sistema em malha fechada.
3.6.2 Projetos de Sistemas de Controle via LMI por Derivadas de Estado

possvel utilizar LMIs para resolver diretamente o problema do projeto de um
sistema de controle fuzzy, satisfazendo as condies de estabilidade de Lyapunov (Faria, F.
A.;, 2009). Seja um sistema controlvel descrito por (27).
(27)
Sendo
inversvel, pode-se passar (27) para o formato padro:
O objetivo encontrar as condies necessrias e suficientes para que (27) seja

assintoticamente estvel usando realimentao da derivada dos estados. Ento, o problema
pode ser formulado como encontrar uma matriz constante
- a matriz
tal que:
tenha inversa;
- o sistema em malha fechada, obtido com a realimentao da derivada dos estados

seja assintoticamente estvel.
Logo, o sistema em malha fechada pode ser representado por:
Observaes:
- A matriz
possui inversa quando
35
- Uma condio necessria para a aplicao da realimentao da derivada de estados

que o modelo do sistema representado por (27) no possua plos na origem.
Teorema 5 (Faria, F. A.;, 2009): Supondo que o sistema dado por (27) tenha matriz de
estados com inversa, ele ser estabilizvel se e somente se, existir uma matriz simtrica
e uma matriz
, tais que:
Neste caso, um ganho para o controlador pode ser obtido por:
No entanto, nem sempre isto garante uma soluo suficiente por no levar em
considerao restries de desempenho do sistema de controle considerado. Uma restrio na
taxa de decaimento da malha de controle resultante pode ser usada para diminuir o tempo de
estabelecimento do sistema, sendo definida como o maior nmero real positivo
para toda soluo
do sistema em
tal que:
Teorema 6 (Faria, F. A.;, 2009): Supondo que o sistema definido por (27) tenha
matriz de estados inversvel e dado
matriz
, deve existir uma matriz simtrica
e uma
, tais que:
,
,
onde o sistema estabilizvel com taxa de decaimento, e um ganho para o controlador pode
ser obtido por:
36
3.7
Exemplo de Aplicao da Metodologia em um Sistema de Pndulo Invertido

Para ilustrao da metodologia de projeto apresentada, aplicada a compensao
paralela distribuda (PDC) em um problema de balano e equilbrio de um pndulo invertido

(Figura 18). As equaes de movimento do pndulo em representao de variveis de estado
contnuas so expressas por (28).
(28)
Onde
denota o ngulo (em radianos) do pndulo com a vertical, e
angular.
carro,
a constante de gravidade,
a massa do pndulo,
o comprimento do pndulo,
Newtons). Os parmetros do modelo so
,e
,
a velocidade
a massa do
a fora aplicada no carro (em

,
] (Wang, et
al., 1996).
Figura 18 Exemplo de um Sistema de Pndulo Invertido.
3.7.1 Modelagem fuzzy

O objetivo final obter um sistema de controle para equilibrar o pndulo invertido
quando o ngulo estiver dentro dos limites
Para usar a abordagem PDC,
37
primeiramente deve-se encontrar o modelo fuzzy Takagi-Sugeno que represente a dinmica

deste sistema. Um modelo baseado em regras fuzzy pode ser considerado abaixo
onde
O parmetro auxiliar de modelagem possui o valor
As funes de pertinncia
para as regras de modelagem esto ilustradas na Figura 19.
ZE
-90
0
90
Figura 19 - Funes de pertinncia do modelo do pndulo invertido.
38
3.7.2 Projeto do Controlador via Alocao de Plos

A partir da especificao desejada dos autovalores em malha fechada possvel
calcular os ganhos F de retroao de estados por meio de (20). Equaciona-se o sistema de
modo a calcular
, ou seja:
Escolhendo os autovalores (para modelo contnuo) em
para a malha de
controle resultante, os seguintes ganhos obtidos so:
Aplicando-se o Teorema 3, inicialmente se calcula a matriz
Usando o algoritmo de otimizao LMI do MATLAB, encontra-se:
39
Sendo a matriz comum
definida positiva, satisfazendo as condies de estabilidade
do Teorema 4, portanto, o sistema controlado assintoticamente estvel. O controle PDC

resultante dado por:
Onde
.
Sendo
os valores das Regras 1 e 2, respectivamente. Esta lei de controle garante a
estabilidade do sistema fuzzy controlado (modelo fuzzy + controle PDC). Portanto, aplica-se
este controlador PDC ao sistema original (28) para efetivao do controle e realizao de
simulaes computacionais.
A Figura 20 mostra a resposta do sistema controlado para as condies iniciais
A Figura 21 mostra a resposta para condies iniciais envolvendo
os ngulos
A partir das simulaes (Figura 20 e Figura 21),
conclui-se que o sistema de controle efetivo, equilibrando o pndulo para as condies

operacionais consideradas.
40
Figura 20 Respostas do sistema de pndulo invertido para diferentes condies iniciais.
Figura 21 Respostas do sistema de pndulo invertido para diferentes condies iniciais.
41
3.7.3 Projeto do Controlador via Tcnica de Controle timo

Um sistema de controle timo possibilita que o processo tenha um determinado
desempenho definido por uma funo de custo (22).
Adotando os parmetros
, os seguintes valores de F = K so
obtidos pela equao de Riccatti (24) e (25):
Assim:
;
.
A matriz
definida positiva satisfaz as condies de estabilidade do Teorema 4. Portanto, o
sistema controlado assintoticamente estvel. As regras de controle so as mesmas do

exemplo anterior e representam o sistema de controle PDC resultante.
A Figura 22 mostra a resposta do sistema controlado para condies iniciais
envolvendo os ngulos
condies iniciais envolvendo os ngulos
A Figura 23 mostra a resposta para
42
Figura 22 - Respostas do sistema de pndulo invertido para diferentes condies iniciais.
43
A partir das simulaes (Figura 22 e Figura 23), conclui-se que o controle efetivo
equilibrando o pndulo para as condies operacionais consideradas.
3.7.4 Projeto do controlador via LMI

O Teorema 5 utiliza LMIs para resolver diretamente o problema do projeto de
controle fuzzy, satisfazendo as condies de estabilidade de Lyapunov. Aplicando-se
inicialmente o Teorema 5 , os seguintes ganhos so obtidos:
Assim:
e
.
Os elementos da matriz
resultante tendem a zero no satisfazendo as condies de
estabilidade do Teorema 4. A Figura 24 ilustra a resposta do sistema para os ngulos

A Figura 25 mostra a resposta para condies iniciais envolvendo
os ngulos
44
45
Observa-se que neste exemplo o sistema de controle no foi adequado, comprovando o

no cumprimento das condies de estabilidade. Logo, o Teorema 5, que considera apenas a
estabilidade, insuficiente para estabilizar o sistema.
No entanto, quando se impe restries ao sistema, solues podem ser encontradas.
Por isso, de posse do Teorema 6, que leva em considerao restries de desempenho, os
seguintes ganhos so obtidos para taxa de decaimento
adotada aps vrias
tentativas para obteno de melhores respostas:
Assim,
e
.
A taxa de decaimento utilizada foi obtida aps algumas simulaes que apresentaram
um melhor desempenho para o sistema. Sendo a matriz comum
definida positiva,
satisfazendo as condies de estabilidade do Teorema 4, portanto, o sistema controlado

assintoticamente estvel.
A Figura 26 mostra a resposta do sistema controlado para condies iniciais
envolvendo os ngulos:
condies iniciais com os ngulos
A Figura 27 mostra a resposta para
46
47
3.8
Resumo da Metodologia de Projeto

Conforme visto nas aplicaes anteriores, as etapas da metodologia apresentada
consistem em:
1) Construir o modelo Takagi-Sugeno;
2) Projetar o controle PDC usando tcnicas de retroao de estado utilizando tcnicas
convencionais de projeto para cada equao linear do modelo obtido;
3) Verificar estabilidade por Lyapunov usando LMIs;
4) Validar controle atravs da realizao de simulaes e/ou ensaios.
Para o exemplo apresentado, partiu-se do modelo fsico para a construo do modelo

fuzzy Takagi-Sugeno e por fim foram realizadas simulaes computacionais para
comprovao de metodologia aplicada. Isto pode ser visto na Figura 28 atravs dos
procedimentos indicados em cor vermelha na ilustrao.
Sistema No-linear
Identificao usando
Modelo Fsico
Compensao Paralela
Distribuda (PDC)
Controlador Fuzzy
Simulaes
Figura 28 - Processo de Projeto
48
Um dos objetivos deste trabalho validar a metodologia de projeto apresentada

atravs de experimentos prticos. Na compilao bibliogrfica, no se encontrou ensaios
prticos realizados neste contexto, mas somente simulaes computacionais.
Neste sentido outro objetivo desta dissertao realizar a implementao real de um
controlador com a estrutura PDC mostrada. Esta pesquisa se iniciou atravs de simulaes
computacionais, e por fim se concretizar atravs de ensaios experimentais na implantao
real de um controlador fuzzy projetado conforme os procedimentos mostrados.
Para a aplicao da metodologia, um modelo fuzzy Takagi-Sugeno ser obtido por
meio de processos de identificao de sistemas, usando dados de entrada/sada medidos de um
processo real. As demais etapas de projeto se seguiro conforme ilustrado na Figura 29
(caminho em cor vermelha), finalizando com ensaios experimentais realizados em um
laboratrio da universidade.
Sistema No-linear
Identificao usando
Modelo Fsico
Compensao Paralela
Distribuda (PDC)
Controlador Fuzzy
Simulaes
Ensaios
Figura 29 - Processo de projeto para projetos experimentais.
49
4. Metodologia
Toda a metodologia apresentada aplicada a um sistema de controle de nvel real,
sendo este a base para simulaes computacionais e ensaios prticos. O processo em questo
representado em escala reduzida por um processo de nvel que possui as seguintes partes
constituintes:
- um mdulo eletrnico responsvel pela instrumentao do processo;
- um sistema de aquisio de dados;
- um computador responsvel por executar o algoritmo de controle.
A bancada de ensaio utilizada est ilustrada na foto da Figura 30.
Figura 30 - Bancada de ensaio.
O sistema de nvel composto por dois reservatrios sobrepostos e interligados. Sem a

atuao do sistema de controle, o lquido (gua) do processo acumulado no reservatrio
inferior. A atuao no sistema realizada por uma servo-bomba eltrica que transfere o
lquido do reservatrio inferior para o reservatrio superior, onde se deseja controlar o nvel
no mesmo. O reservatrio superior possui uma escala para inspeo visual do nvel
controlado.
50
O nvel medido por meio de duas hastes metlicas em contato com o fluido que
representa um transdutor capacitivo. A variao do nvel ser percebida como uma variao
no dieltrico do capacitor associado s hastes. O mdulo eletrnico condiciona o sinal do
transdutor capacitivo. A informao resultante obtida atravs de um sistema de aquisio de
dados (DAQ) acoplado a um computador. A informao de comando responsvel pela
atuao da servo-bomba do processo, tambm fornecida pelo DAQ. Essas informaes so
computadas pelo algoritmo de controle processado no computador, gerando um sinal de
controle para o driver de acionamento da servo-bomba. O sistema de aquisio de dados
utilizado (modelo NI USB-6008 da National Instruments) possui 8 entradas analgicas e 2
sadas analgicas de 12 bits, 12 entradas/sadas digitais programveis, um contador de 32 bits,
alm de uma interface USB para comunicao com o computador utilizado para implementar
o algoritmo de controle.
4.9
Modelagem do Sistema Nvel de um Lquido
4.9.1 Modelagem Fsica

Vrios processos industriais envolvem o escoamento de lquidos atravs de
reservatrios e tubulaes Figura 31 (Ogata, 2003). O fluxo nestes processos geralmente
turbulento e no-laminar. Os regimes de escoamento so classificados de acordo com o valor
do nmero de Reynolds. Sistemas envolvendo escoamento turbulento, na maioria das vezes,
tm de ser representados por equaes diferenciais no-lineares, enquanto sistemas
envolvendo escoamento laminar podem ser representados por equaes diferenciais lineares.
Figura 31 Estrutura tpica de um sistema de nvel.
51
Considerando um reservatrio com uma seo reta de rea A, a lei de conservao de

massa expressa a relao:
conhecido que a vazo de um fludo atravs de um orifcio normalmente uma

funo da raiz quadrada da queda de presso atravs do mesmo, ou seja:
Substituindo as duas expresses acima e reagrupando os termos, obtm o seguinte

modelo:
Constituindo uma equao diferencial no-linear (Martins de Carvalho, 2000).
4.9.2 Construo do modelo Takagi-Sugeno a partir de Ensaios de um Sistema de Nvel

Dados de ensaio
Foram realizados, inicialmente, ensaios na planta efetuando-se medidas das
informaes de entrada e sada do processo, objetivando a modelagem do sistema em questo
(Figura 32).
Entrada (u)
Sada (y)
Planta de Nvel
Figura 32 - Obteno dos dados de entrada e sada para modelagem do sistema de nvel.
52
O procedimento consistiu em se variar a entrada

Foram coletados e armazenados pares de informaes
, registrando a sada
(nvel).
variando no tempo.
Foi utilizado o toolbox ANFIS do software MATLAB para encontrar o modelo

Takagi-Sugeno correspondente do processo. As informaes
dados de entrada do sistema fuzzy, enquanto
faro parte dos
far parte dos dados de sada para o
treinamento ANFIS. A Figura 33 ilustra as informaes consideradas na modelagem do

sistema. A Figura 34 mostra dados do ensaio realizado no processo de nvel utilizado.
u(k)
ANFIS
y(k+1)
y(k)
Figura 33 - Dados de treinamento para o ANFIS.
Figura 34 Dados do ensaio para modelagem e os resultantes do modelo obtido.
53
A Figura 34 mostra outro conjunto de dados de entrada/sada medidos e utilizados

para validar a modelagem fuzzy obtida, objetivando validar o modelo resultante. Dos grficos
da Figura 35 possvel notar que o sistema difuso obtido apresenta uma boa aproximao do
processo real. Idem para outro conjunto de dados mostrados na Figura 36.
Figura 35 - Dados de ensaio para validao do modelo.
54
Figura 36 Dados de ensaio para validao do modelo.
Funes de Pertinncia de Entrada do Modelo Fuzzy

As funes de pertinncia para a entrada do modelo fuzzy obtidas pelo ANFIS foram
definidas como sendo do tipo trapezoidais. No modelo do sistema fuzzy considerado (Figura
37) adotou-se as informaes
como variveis de entrada, e y(k+1) como
informao de sada. Para cada varivel de entrada foram obtidas duas funes de pertinncia
(Figura 37 e Figura 39).
u(k)
Modelo Fuzzy TS
y(k+1)
x1(k)=y(k)
Entradas
Sada
Figura 37 - Modelo fuzzy correspondente a planta de nvel modelada.
55
Grau de pertinncia
M1
-3
M2
-2
-1
u(k)
Grau de pertinncia
Figura 38 Funes de pertinncia da varivel u(k).
M3
-6,22
M4
-1,22
3,78
8,78
13,78
18,78
x1(k)
Figura 39 de pertinncia da varivel x1(k) = y(k).
Funes polinomiais e regras fuzzy

As regras obtidas pelo ANFIS e os parmetros das funes polinomiais de sada so:
56
Os parmetros resultantes do modelo so:
;
;
;
;
;
;
;
;
;
;
;
.
Destaca-se que foram obtidos termos
no nulos nas funes de modelagem. Este
parmetro chamado de bias, uma constante das funes polinomiais do modelo. O modelo
fuzzy original proposto por Takagi e Sugeno (1985) um modelo afim, possui a parte dos
consequentes com termos bias no nulos. Entretanto, a maioria dos trabalhos que adotam
sistemas fuzzy TS, utilizam o modelo homogneo. Um sistema fuzzy TS homogneo no
possui termos com bias.
Para o projeto do sistema de controle utilizado o modelo homogneo no
procedimento de clculo dos ganhos da retroao de estado. Assim, o projeto do controlador
pode ser feito com LMIs, simplificando o equacionamento do problema. O uso de modelos
afins, em geral, descrito por Desigualdades Bilineares Matriciais (BMIs) cuja soluo
computacional muito mais complexa.
4.10 Projeto do Controlador Fuzzy

O conceito de projeto de um sistema de controle com estrutura PDC bem direto. Para
cada regra do modelo fuzzy TS projeta-se um controlador usando tcnicas convencionais por
retroao de estados. No entanto, antes de se calcular os ganhos preciso preparar as
57
equaes do sistema para que se obtenha erro nulo em regime permanente na atuao da
malha de controle resultante.
4.10.1 Erro nulo em Regime Permanente

Para obter erro nulo em regime permanente em malhas de controle por retroao de
estados, deve-se introduzir um integrador (com um ganho
) na malha de controle em
questo, caso o modelo do sistema no contenha nenhum plo na origem. As matrizes do

sistema tomaro a seguinte forma para efeito de clculo dos ganhos de retroao para modelos
discretos:
;
.
Onde
o tempo de amostragem adotado na malha de controle em questo. Os ganhos de
retroao resultantes ficam na forma:
Considerado T = 0,1 [s] nas simulaes e nos ensaios realizados, as matrizes e vetores
resultantes so:
,
,
,
,
,
,
58
,
.
4.10.2 Matriz de Ganhos via Alocao de Plos

A partir da especificao da equao caracterstica desejada para o sistema, possvel
determinar a matriz de ganhos
para o controlador de cada conseqente linear do modelo
TS por meio da tcnica de alocao de plos.

Tratando-se de cada consequente linear, se os autovalores desejados para a matriz
(os plos em malha fechada) forem especificados como sendo
matriz de ganho de retroao
e a constante do ganho integral
Num projeto prtico, necessrio considerar vrias matrizes
, ento a
podem ser determinadas.
diferentes (o que corresponde
a vrios conjuntos distintos de autovalores desejados) e proceder simulaes de modo a

encontrar uma condio que conduza ao melhor desempenho global do sistema. Aps alguns
testes e simulaes, foram escolhidos os seguintes valores para os plos (autovalores) em
malha fechada
. Estes plos se encontram dentro do crculo unitrio ao serem
mapeados no plano z para o sistema discreto, assegurando a estabilidade (Phillips, C. L.;

Nagle, H. T.;, 1995).
Estes plos sero alocados para cada consequente linear resultante das matrizes
correspondentes a modelo fuzzy em questo. Como resultado de (20) e

(21), foram obtidos os ganhos:
;
;
;
.
Um importante resultado que ser discutido posteriormente a utilizao da mdia dos

ganhos para um controle por retroao de estados convencional. A matriz de ganhos mdios
resultante :
59
4.10.3 Matriz de Ganhos via Sistemas de Controle timo

Considerando o projeto de sistemas de controle estveis baseados em ndices de
desempenho quadrticos, h o interesse de se escolher um vetor de controle tal que um dado
ndice de desempenho seja minimizado. Portanto, o projeto de sistemas de controle timo
baseados em tais ndices de desempenho se reduz determinao dos elementos da matriz
No caso do sistema fuzzy TS, este conceito aplica-se para cada consequente linear das regras
de modelagem.
Para a minimizao de ndices quadrticos de desempenho h necessidade de se
resolver a equao de Riccatti. Foram escolhidos os seguinte parmetros da funo de custo
aps alguns testes a fim de se obter melhores resultados:
;
;
;
.
Com (24) e (25) foram obtidos:
;
;
;
.
A matriz mdia dos ganhos ser:
60
4.10.4 Malhas de Controle Correspondentes

Em um sistema de controle convencional, o diagrama de blocos da malha de controle
por retroao de estados resultante tem a forma bsica descrita na Figura 40. citada esta
representao para comparao com a malha de controle fuzzy (Figura 41).
+_
+_
Figura 40 - Malha de controle convencional (Ogata, 2003).
A partir da Figura 40 possvel escrever (Ogata, 2003):
(29)
onde
vetor de estado do processo a controlar,
de sada do integrador,
sinal de controle,
sinal de entrada de referncia, ,
sada,
sinal
= matrizes do sistema.
O sistema de controle fuzzy para a planta de nvel em questo representado pelo

diagrama de blocos da Figura 41. Como a planta s tem uma varivel de estado, esta ser a
prpria sada
do sistema.
61
+_
Controlador
Planta de
Fuzzy
Nvel
Figura 41 Malha de controle fuzzy para a planta de nvel.
Observa-se na Figura 41, a retroao do estado
. Assim como na Figura 40, haver a
integrao do erro da malha de controle visando obteno de erro nulo em regime

permanente.
Comparando a malha de controle fuzzy (Figura 41) com a malha de controle
convencional (Figura 40), pode-se concluir atravs das equaes em (29) que a forma de se
calcular o erro
a mesma para os dois tipos de sistema. No entanto, os
clculos da varivel de estado
e da informao de controle
so processados de forma
diferente. A malha convencional lida diretamente com equaes lineares, enquanto a malha de
controle fuzzy realiza inferncias fuzzy.
A Figura 42 ilustra a malha de controle atravs dos componentes do sistema. A
referncia de entrada dada atravs de um computador que processa as informaes de leitura
do nvel j condicionadas, gerando um sinal de controle. Este sinal amplificado e aplicado
ao atuador da planta, controlando o sistema. Observa-se que o controlador fuzzy
implementado atravs de um algoritmo computacional.
Figura 42 Componentes da malha de controle da planta de nvel.
62
Controlador fuzzy TS
A Figura 43 mostra como o valor da informao de controle
obtida.
Pesos das Regras
Figura 43 As leis de controle do controlador fuzzy TS para a planta de nvel.
A integral do erro
e a retroao do estado
so as entradas do controlador fuzzy.
Estes dados so processados atravs das regras do controlador, cujos conseqentes so

equaes lineares. Cada informao de
de cada regra do controlador ponderada de acordo
com os seus correspondentes pesos. Os pesos das regras so dados pela operao AND das
funes de pertinncia das premissas das regras. O resultado um dado
que ser aplicado
na atuao do sistema.
Funes de Pertinncia das Variveis de Entrada

O controlador fuzzy utiliza os mesmos conjuntos fuzzy (funes de pertinncia de
entrada) do modelo fuzzy obtido (Figura 38 e Figura 39). Isso facilita o projeto da tcnica
PDC.
Funes Polinomiais e Regras fuzzy

As regras obtidas do controlador so:
63
Os ganhos em questo foram obtidos anteriormente via tcnicas de alocao de plo e

mtodos de controle timo.
Modelo fuzzy TS da Planta

A Figura 44 mostra como o valor da varivel de estado
de sada obtida.
Pesos das Regras
Figura 44 - Modelo fuzzy TS da planta de nvel.
O sinal de controle
e a retroao do estado
so entradas do modelo fuzzy TS da
planta. Estes dados so processados atravs das regras do modelo, cujos conseqentes so
64
equaes lineares. Cada
resultante de cada regra ponderado de acordo com os
seus correspondentes pesos. Os pesos das regras so encontrados pela operao AND com os
valores das funes de pertinncias das premissas das regras. O resultado um valor que
representa a sada do modelo fuzzy da planta.
Observa-se que o termo
foi desprezado durante o procedimento de clculo dos
ganhos de retroao, e tambm o ser na anlise de estabilidade atravs de LMIs. Esta

aproximao permitir simplificar a soluo dos problemas de estabilidade via LMI.
4.11 Anlise de Estabilidade

Neste trabalho, a soluo numrica das LMIs foi realizada com o auxilio do software
MATLAB. Para resolver LMIs necessria a instalao de pacotes especficos (toolboxes),
conhecidos na literatura como solvers de LMIs. O solver padro do MATLAB o LMI
control toolbox (Gahinet, et al., 1995).
4.11.1 Estabilidade para o Sistema de Controle via Alocao de Plos

Usando o algoritmo de otimizao LMI do MATLAB, foi testado o Teorema 3
considerando os ganhos obtidos por alocao de plos, encontra-se:
Segundo o critrio de Sylvester (Ogata, 2003), para que uma matriz
seja definida
positiva, necessrio que todos os determinantes menores principais sucessivos de
sejam
positivos.
Como
, logo a matriz comum
definida
positiva, satisfazendo as condies de estabilidade do Teorema 4. Portanto, o sistema

controlado assintoticamente estvel para os ganhos de retroao calculados por alocao de
plos.
4.11.2 Estabilidade para Sistema de Controle via Sistema de Controle timo
Agora, usando o algoritmo de otimizao LMI do MATLAB para testar o Teorema 3,
considerando os ganhos obtidos por tcnica de controle timo, encontra-se:
65
Similar a anlise anterior, como

comum
, logo a matriz
definida positiva, satisfazendo as condies de estabilidade do Teorema 4.
Portanto, o sistema controlado tambm assintoticamente estvel para os ganhos de retroao

calculados por controle timo.
4.11.3 Questes sobre Instabilidade

Um rpido teste pode ser feito para conferir se o procedimento de teste de estabilidade
apresentado realmente fidedigno. Um exemplo pode ser ilustrado ao se projetar um
controlador impondo plos instveis, como
. Estes plos esto fora do crculo unitrio
do plano z para o sistema discreto assegurando a instabilidade (Phillips, C. L.; Nagle, H. T.;,
1995). Isto resulta nos seguintes ganhos de retroao:
,
,
,
.
Considerando os ganhos obtidos por alocao de plos instveis, encontra-se:
Pelo critrio de Sylvester, nota-se que os determinantes menores principais sucessivos

de
so:
matriz
. Como existe um resultado negativo, a
no positiva definida. Logo, as condies de estabilidade do Teorema 4 no so
satisfeitas. Portanto, o sistema controlado no assintoticamente estvel para os ganhos de

retroao adotados.
66
4.12 Programas e Softwares

Para a realizao das simulaes e dos ensaios deste trabalho, foram desenvolvidos
dois programas principais:
- Em MATLAB foi elaborado um programa de simulao abordando toda a
metodologia terica aplicada planta de nvel. A Figura 45 apresenta o diagrama de classes
deste programa.
- Em LABVIEW foi implementado o algoritmo de controle fuzzy TS para a planta de
nvel. Este programa se comunica com o programa de simulao atravs do arquivo
param.lvm, possibilitando transferir todos os dados calculados necessrios para o sistema de
controle fuzzy, como os ganhos de retroao e os parmetros das funes de pertinncia
utilizadas. Nos anexos no final da dissertao, encontram-se os programas desenvolvidos para
este trabalho.
Identificao
Matrizes do sistema
Membeships de entrada
Parmetros de sada
Regras
Ler dados I/O
Identificar do sistema
Testar do modelo
Sinal de Controle
Simulao
Sinal de Sada
Ganhos de retroao
Ganhos de retroao
Matrizes do sistema
Calcular sinal de controle
Matriz P
Parmetros de sada
Calcular ganhos
Regras
Analisar estabilidade
Calcular sada
Simular
Plotar grfico
Escrever param.lvm
Memberships
Parmetros dos memberships
Encontrar grau de pertinncia
Figura 45 - Diagrama de classes do programa de simulao.
67
5. Resultados
At aqui foram realizadas as seguintes etapas:
- O modelo fuzzy TS foi obtido representando matematicamente a planta de nvel;
- Com o modelo pronto, aplicou-se o conceito de compensao paralela distribuda
(PDC) para o projeto do sistema de controle fuzzy. Duas tcnicas foram utilizadas para
obteno dos ganhos de retroao de estados: alocao de plos e controle timo;
- Usando tcnicas LMI, analisou-se a estabilidade da malha de controle para os dois
conjuntos de ganhos, concluindo sobre condies de estabilidade assinttica.
Portanto, todas as informaes necessrias para a simulao esto prontas, assim como
para a aplicao em ensaios prticos da planta reduzida. Logo, a validao de toda
metodologia ser comprovada atravs dos grficos gerados pelas simulaes e ensaios, como
se segue.
5.1
Controlador Fuzzy via Alocao de Plos

Observa-se na Figura 46 que a resposta do modelo obtido e a resposta real da planta so
bem similares, indicando uma boa modelagem. A resposta da malha de controle estvel e
com a dinmica esperada.
Figura 46 - Resposta real da malha de controle fuzzy para dois valores de referncia de entrada.
68
A Figura 47 mostra a resposta do sistema para valores de referncia mais altos. As

oscilaes observadas na informao de comando do sistema caracterizam os chaveamentos
dos ganhos correspondentes a lei de controle fuzzy utilizada.
Figura 47 - Resposta real do sistema do sistema de controle fuzzy com outros valores de referncia.
A Figura 48 mostra a resposta da malha de controle fuzzy para uma sequncia de

valores de referncia de entrada, abrangendo uma faixa de valores considervel de sada. Isso
ilustra a caracterstica do controlador fuzzy Takagi-Sugeno de poder trabalhar em um vasto
espao de estados, no se restringindo a um ponto de operao.
69
Figura 48 Respostas reais do sistema de controle fuzzy para uma seqncia de valores de entrada.
Outro resultado interessante a ser destacado a possibilidade de se utilizar a mdia dos

valores dos ganhos de retroao fuzzy para realizar uma malha de controle convencional. A
Figura 49 mostra a resposta real da malha de controle convencional com ganhos fixos dados
pela mdia dos ganhos do controlador fuzzy utilizado. Observa-se que as respostas do sistema
fuzzy e da malha convencional esto bem prximas para a faixa de referncia de entrada
considerada. Mas esta caracterstica no se mantm para toda a faixa de operao possvel
quando se considera a malha de controle convencional, uma vez que o processo controlado
apresenta um modelo no-linear.
70
Figura 49 Ensaios para o controlador fuzzy e uma malha de controle convencional.
5.2
Controlador Fuzzy via Sistema de Controle timo

Simulaes e ensaios foram realizados semelhantemente para um sistema de controle
timo, a fim de se obter resultados comparativos ao sistema de controle via alocao de plos.
A Figura 50 mostra respostas do sistema para dois valores de referncia de entrada.
Observa-se que a resposta obtida tem uma coincidncia de valores maior que a resposta da
Figura 46.
No caso de valores mais altos de sada, aparece uma pequena diferena nos resultados
entre a simulao e ensaio real (Figura 51) que se deve a eventuais diferenas entre o sistema
real e sua modelagem resultante.
71
Figura 50 - Resposta do sistema para dois valores baixos de referncia de entrada.
Figura 51 - Resposta do sistema para dois valores de referncia de entrada mais altos.
72
A Figura 52 mostra a resposta do sistema quando tambm submetido a uma seqncia

de valores de entrada, abrangendo uma faixa de valores considervel de sada. Observa-se que
o controlador fuzzy de modelo Takagi-Sugeno permite que a malha de controle resultante
trabalhe em um vasto espao de estados.
Figura 52 - Respostas do sistema de controle para uma seqncia de valores de referncia de entrada.
Por fim, tambm foi realizado o ensaio com a mdia dos ganhos fuzzy para um
controlador convencional por retroao de estados. A Figura 53 ilustra a resposta em questo.
Observa-se que a informao de controle da malha convencional possui oscilaes menores
quando comparada com a malha fuzzy. Isto mostra a limitao do controle convencional na
compensao de um sistema no-linear devido os ganhos fixos. Esse mesmo resultado
observado na Figura 49.
73
Figura 53 - Ensaios para o controlador fuzzy e para uma malha de controle convencional.
74
6. Concluso
Os procedimentos mostrados neste trabalho se mostraram eficientes em anlises de
estabilidade e no projeto de sistemas de controle fuzzy.
Os modelos fuzzy Takagi-Sugeno permitem representar processos no-lineares, onde
as dinmicas locais, em diferentes regies do espao de estado, so modelada por modelos
lineares.
A compensao paralela distribuda (PDC) se mostrou promissora para aplicaes
reais, permitindo a utilizao de tcnicas convencionais de projeto de sistemas de controle na
sntese de regras de controladores fuzzy. Uma das motivaes deste trabalho foi utilizar
tcnicas de retroao de estados para o projeto e realizao prtica de um sistema de controle
fuzzy real.
Anlises de estabilidade e tcnicas de compensao podem ser realizados por mtodos
de desigualdades lineares matriciais, baseadas no critrio de estabilidade quadrtica de
Lyapunov. Caso as condies de estabilidade no sejam satisfeitas, o controlador para cada
regra re-projetado. As LMIs so recursos poderosos para auxiliar no processo de projeto do
controle fuzzy. Algoritmos computacionais de otimizao convexa so usados para encontrar a
soluo de problemas de LMI.
O principal objetivo deste trabalho foi comprovar a eficincia da metodologia de
projeto de controladores fuzzy TS atravs de um experimento prtico. Ensaios foram
realizados em uma planta de escala reduzida de um sistema de nvel. A abordagem deste
trabalho se iniciou atravs de simulaes computacionais e por fim se concretizou atravs de
uma implementao computacional em tempo-real.
Esta abordagem ser considerada em trabalhos futuros visando compensao de
sistemas no-lineares com mltiplas entradas e mltiplas sadas. A implantao de malhas de
controle fuzzy em sistemas embarcados em condies de tempo-real tambm ser pesquisada.
75
7. Referencias Bibliogrficas
Aguirre, L. A. 2000. Introduo Identificao de Sistemas. Belo Horizonte :
UFMG, 2000. ISBN 85-7041-220-7.
Boyd, S.; El Ghaoui, L.; Feron, E.; Balakrishnan, V. 1994. Linear Matrix
Inequalities in Systems and Control Theory. Philadelphia : SIAM books, 1994.
Chen, B. S., Tseng, C. S. e Uang, H. J. 2000. Mixed H2=H fuzzy output feedback
control design for nonlinear dynamic systems: An LMI approach. IEEE Trans. Fuzzy Syst.
2000, Vol. 8, pp. 249-265.
Chen, B. S., Tseng, C. S. e Uang, H. J. 1999. Robustness design of nonlinear
dynamic systems via fuzzy linear control. IEEE Trans. Fuzzy Syst. 1999, Vol. 7, 5, pp. 571
585.
Fang, C. H.; Liu, Y. S.; Kau, S. W.; Hong, L.; Lee, C. H. 2006. A New LMI-Based
Approach to Relaxed Quadratic Stabilization of TS Fuzzy Control Systems. IEEE Trans.
Fuzzy Systems. 2006, Vol. 14, 3.
Faria, F. A.;. 2009. Projetos de Controladores Baseados em LMI usando
Realimentao da Derivada dos Estados. UNESP. 2009. Tese de Mestrado.
Filev, D. 1991. Fuzzy modeling of complex systems. International Journal
Approximate Reasoning. 1991, Vol. 5, pp. 281-290.
Gahinet, P.; Nemirovski, A.; Laub, A. J. e; Chilali, M. 1995. LMI control toolbox For use with MATLAB. [Online] 1995. [Citado em: 14 de Outubro de 2011.]
http://www.mathworks.com/access/helpdesk_r13/help/pdf_doc/lmi/lmi.pdf.
Joh, J., Chen, Y. H. e Langari, R. 1998. On the stability issues of linear Takagi
Sugeno fuzzy models. IEEE Trans. Fuzzy Syst. Agosto de 1998, Vol. 6, 3, pp. 402410.
Johansen, T. A., Shorten, R. e Smith, R. M. 1998. On the interpretation and
identification of dynamic Takagi-Sugeno fuzzy models. IEEE Transactions of Fuzzy and
Systems. 1998, Vol. 8, 3, pp. 297-313.
Kim, E.; Lee, H. 2000. New approaches to relaxed quadratic stability condition of
fuzzy control systems. IEEE Trans. Fuzzy Syst. Outubro de 2000, Vol. 8, 5, pp. 523533.
Kuo, B. C. 1980. Digital Control Systems. s.l. : Holt-Saunders, 1980.
Lian, K. Y., Tu, H. W. e Liou, J. J. 2006. Stability Conditions for LMI-Based Fuzzy
Control From Viewpoint of Membership Functions. IEEE Trans. Fuzzy Systems. Dezembro
de 2006, Vol. 14, 6.
76
Machado, E. R. M. D. 2003. Modelagem e Controle de Sistemas Fuzzy TakagiSugeno. UNESP. 2003. Tese de Doutorado.
Martins de Carvalho, J. L. 2000. Sistema de Controle Automtico. s.l. : LTC, 2000.
MathWorks. 2011. R2011b Documentation. [Online] 2011. [Citado em: 29 de
Outubro de 2011.] http://www.mathworks.com/help/toolbox/fuzzy/fp49243.html.
Nesterov, Y.; Nemirosvsky, A.;. 1994. Interior-point polynomial methods in convex
programming. Philadelphia : SIAM, 1994.
Ogata, K. 2003. Engenharia de Controle Moderno. So Paulo : Prentice Hall, 2003.
Phillips, C. L.; Nagle, H. T.;. 1995. Digital Control System Analysis and Design.
Englewood Cliffs, New Jersey : Prentice Hall International, 1995.
Souza, A. C. Z.; Pinheiro, C. A. M.;. 2008. Introduo Modelagem, Anlise e
Simulao de Sistemas Dinmicos. Rio de Janeiro : Intercincia, 2008.
Sugeno, M.; Kang, G. T. 1986. Fuzzy modeling and control multilayer incinerator.
Fuzzy Sets and Systems. 1986, 18, pp. 329-346.
Sugeno, M.; Kang, G. T. 1988. Structure identification of fuzzy model. Fuzzy Sets
and Systems. 1988, 28, pp. 15-33.
Sugeno, M.; Tanaka, K. 1991. Successive identification of a fuzzy model ans its
applications to prediction of a complex system. Fuzzy Sets and Systems. 1991, 42, pp. 315334.
Takagi, T.; Sugeno, M. 1985. Fuzzy identification of systems and its applications to
modeling and control. IEEE Trans. Syst. Janeiro de 1985, Vols. SMC-15, 1, pp. 116132.
Tanaka, K., Ikeda, T. e Wang, H.O. 1996. Robust stabilization of a class of
uncertain nonlinear systems via fuzzy control: quadratic stabilizability, H control theory and
linear matrix inequalities. IEEE Trans. Fuzzy Systems. 1996, Vol. 4, 1, pp. 113.
Tanaka, K.; Sugeno, M. 1990. Stability analysis of fuzzy systems using Lyapunovs
direct method. Proc. NAFIPS90. Junho de 1990, pp. 133136.
Tanaka, K.; Sugeno, M.;. 1992. Stability analysis and design of fuzzy control
systems. Fuzzy Sets Syst. 1992, Vol. 45, 2, pp. 135156.
Tanaka, K.; Wang, H.O. 2001. Fuzzy Control Systems Design and Analysis: A
Linear Matrix Inequality Approach. New York : Wiley, 2001.
Taniguchi, T.; Tanaka, K.; Ohatake, H.; Wan, H. O. 2001. Model construction,
rule reduction, and robust compensation for generalized form of Takagi-Sugeno fuzzy
systems. IEEE Transactions on Fuzzy Systems. 2001, Vol. 9, 4, pp. 525537.
77
Wang, H. O., Tanaka, K. e Griffin, M. 1996. An approach to fuzzy control of

nonlinear systems: Stability and design issues. IEEE Trans. Fuzzy Syst. 1996, Vol. 4, pp. 14
23.
Wang, H. O., Tanaka, K. e Griffin, M. F. 1995. Parallel distributed compensation of
nonlinear systems by Takagi-Sugeno fuzzy model. Proc. FUZZY-IEEE/IFES. 1995, Vol. 95,
pp. 531538.
Wang, L. 1997. A course in fuzzy systems and control. Upper Saddle River, USA :
Prentice Hall, 1997.
78
ANEXO 1 Programa em MATLAB para simulao (programa principal)
79
ANEXO 2 Sub-rotinas para clculo dos ganhos de retroao
80
ANEXO 3 Sub-rotina para anlise de estabilidade
81
ANEXO 4 Sub-rotina do controlador fuzzy
82
ANEXO 5 Sub-rotina da planta fuzzy Takagi-Sugeno
83
ANEXO 6 Sub-rotinas para as funes de pertinncia
84
ANEXO 7 Programa em LABVIEW implementando lei de controle fuzzy
Figura 54 - Sistema de controle fuzzy (programa principal)
Figura 55 - Sub-rotina das regras de controle fuzzy (equivalente ao Anexo 4 em MATLAB)
85
Figura 56 - Sub-rotina para leitura de dados em arquivo (ganhos e parmetros das funes de pertinncia)
Figura 57 - Sub-rotina das funes de pertinncia de entrada
86
Figura 58 - Subrotina das funes consequentes do controlador
Figura 59 - Interface grfica do sistema de controle

Fuzzy Logica

Enviado por

Dados do documento

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

Fuzzy Logica

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE ITAJUB

PROJETO DE SISTEMAS DE CONTROLE COM MODELAGEM

TIAGO SOARES VTOR

ITAJUB, DEZEMBRO DE 2011

UNIVERSIDADE FEDERAL DE ITAJUB

TIAGO SOARES VTOR

PROJETO DE SISTEMAS DE CONTROLE COM MODELAGEM

Dissertao submetida ao Programa de Ps-Graduao em

rea de Concentrao: Automao e Sistemas Industriais.

Orientador: Prof. Dr. Carlos Alberto Murari Pinheiro.

Ficha catalogrfica elaborada pela Biblioteca Mau

Palavras-chave: Sistemas no-lineares, modelagem fuzzy Takagi-Sugeno, controlador

Keywords: Nonlinear plant, Takagi-Sugeno fuzzy model, fuzzy controller, stability

Figura 31 Estrutura tpica de um sistema de nvel. ............................................................... 50

Figura 58 - Subrotina das funes consequentes do controlador ............................................. 86

Parallel Distributed Compensation

Linear Matrix Inequality

Adaptive Neuro-Fuzzy Inference Systems

Universal Serial Bus

Bilinear Matrix Inequality

Reviso Bibliogrfica ........................................................................................... 3

Fundamentao Terica ........................................................................................ 5

Sistemas fuzzy e modelos fuzzy Takagi-Sugeno .............................................. 5

3.1.1 Modelos fuzzy Takagi-Sugeno ................................................................... 7

Identificao de sistemas e modelagem fuzzy TS .......................................... 16

3.2.1 Aprendizado neuro-adaptativo para modelagem fuzzy TS ....................... 17

Anlise de Estabilidade ................................................................................... 19

3.3.1 Anlise de estabilidade por Lyapunov ...................................................... 20

Compensao Paralela Distribuda ................................................................. 25

3.4.1 Sistemas de Controle Fuzzy usando PDC ................................................. 25

Controladores Convencionais ......................................................................... 30

3.5.1 Projeto de Controladores via Alocao de Plos ...................................... 30

Projeto e Anlise de Estabilidade usando LMIs ............................................. 32

3.6.1 Desigualdade Linear Matricial .................................................................. 32

Exemplo de Aplicao da Metodologia em um Sistema de Pndulo

Resumo da Metodologia de Projeto ................................................................ 47

Modelagem do Sistema Nvel de um Lquido ................................................ 50

4.9.1 Modelagem Fsica ..................................................................................... 50

Projeto do Controlador Fuzzy ..................................................................... 56

4.10.1 Erro nulo em Regime Permanente .......................................................... 57

Anlise de Estabilidade ............................................................................... 64

4.11.1 Estabilidade para o Sistema de Controle via Alocao de Plos ............ 64

Programas e Softwares ................................................................................ 66

Controlador Fuzzy via Alocao de Plos ...................................................... 67

Controlador Fuzzy via Sistema de Controle timo ........................................ 70

Referencias Bibliogrficas .................................................................................. 75

ANEXO 1 Programa em MATLAB para simulao (programa principal) ............... 78

controle resultantes, no contempla uma ampla faixa de operao de um sistema no-linear.

desenvolvimento do trabalho. Conceitos, formulaes e exemplos so apresentados. O

correspondente, solucionando as LMIs do problema em questo por meio de mtodos

desenvolvimento do trabalho. Cada item abordado ser conceituado e exemplificado

Sistemas fuzzy e modelos fuzzy Takagi-Sugeno

(conhecimento) condicionadas por regras fuzzy Se-Ento:

Onde x e y so as variveis de entrada e sada, respectivamente, e A e B so termos

Sistemas fuzzy puros

para conjuntos fuzzy no

. Se a linha tracejada na Figura 1 fizer parte do modelo, o sistema passa

Sistemas fuzzy Mamdani

Figura 2 - Configurao bsica dos sistemas fuzzy com fuzzificador e defuzzificador.

Sistemas Fuzzy Takagi-Sugeno

3.1.1 Modelos fuzzy Takagi-Sugeno

3.1.2 Representao dos sistemas fuzzy Takagi-Sugeno

). Denota o nmero de regras Se-Ento. So relaes fuzzy que

descrevem implicaes que so calculadas atravs de uma funo de mapeamento;