Escolar Documentos
Profissional Documentos
Cultura Documentos
RESUMO: A Lgica Fuzzy (Nebulosa) a lgica que suporta nebulosa, os valores verdade so expressos linguisticamente,
os modos de raciocnio que so aproximados ao invs de (e.g. : verdade, muito verdade, no verdade, falso, muito
exatos. Modelagem e controle fuzzy de sistemas so tcnicas falso, ...), onde cada termo lingustico interpretado como um
para o tratamento de informaes qualitativas de uma forma subconjunto fuzzy do intervalo unitrio.
rigorosa. Derivada do conceito de conjuntos fuzzy, a lgica Outras caractersticas da lgica fuzzy podem ser sumarizadas
fuzzy constitui a base para o desenvolvimento de mtodos e como segue : nos sistemas lgicos binrios, os predicados so
algoritmos de modelagem e controle de processos, permitindo exatos (e.g. : par, maior que ), ao passo que na lgica fuzzy os
a reduo da complexidade de projeto e implementao, predicados so nebulosos (e.g. : alto, baixo, ...). Nos sistemas
tornando-se a soluo para problemas de controle at ento lgicos clssicos, o modificador mais utilizado a negao
intratveis por tcnicas clssicas. Este trabalho apresenta uma enquanto que na lgica fuzzy uma variedade de modificadores
introduo aos princpios e s idias que fundamentam a de predicados so possveis (e.g. : muito, mais ou menos, ...).
aplicao da lgica fuzzy em sistemas inteligentes em geral, e Estes modificadores so essenciais na gerao de termos
controle de processos em particular. Hardware e ferramentas lingusticos (e.g. : muito alto, mais ou menos perto, etc).
de suporte ao desenvolvimento de aplicaes so tambm Nos sistemas lgicos clssicos existem somente os
descritos. Exemplos de diferentes classes de problemas de quantificadores existenciais () e universais (). A lgica
controle so consideradas a fim de ilustrar o potencial da fuzzy admite, em adio, uma ampla variedade de
lgica fuzzy em aplicaes prticas. Finalmente apresentado quantificadores (e.g. : pouco, vrios, usualmente,
um panorama do estado da arte atual, incluindo os principais frequentemente, em torno de cinco, etc ).
resultados prticos em uso por vrios segmentos da indstria e A probabilidade, no contexto da lgica clssica, um valor
as tendncias futuras. numrico ou um intervalo. Na lgica nebulosa existe a opo
adicional de se empregar probabilidades lingusticas (e.g. :
provvel, altamente provvel, improvvel, etc), interpretados
1 - INTRODUO como nmeros fuzzy e manipuladas pela aritmtica fuzzy
(Kaufmann & Gupta , 1985). Tambm, em contraste com a
A lgica fuzzy a lgica baseada na teoria dos conjuntos lgica modal clssica, o conceito de possibilidade
fuzzy. Ela difere dos sistemas lgicos tradicionais em suas interpretado utilizando-se subconjuntos fuzzy no universo dos
caractersticas e seus detalhes. Nesta lgica, o raciocnio exato reais (Zadeh, 1988).
corresponde a um caso limite do raciocnio aproximado, sendo Nas teorias de controle clssica e moderna, o primeiro passo
interpretado como um processo de composio de relaes para implementar o controle de um processo, derivar o
nebulosas. modelo matemtico que descreve o processo. O procedimento,
Na lgica fuzzy, o valor verdade de uma proposio pode ser requer que se conhea detalhadamente o processo a ser
um subconjunto fuzzy de qualquer conjunto parcialmente controlado, o que nem sempre factvel se o processo muito
ordenado, ao contrrio dos sistemas lgicos binrios, onde o complicado. As teorias de controle existentes se aplicam a uma
valor verdade s pode assumir dois valores: verdadeiro (1) ou grande variedade de sistemas, onde o processo bem definido.
falso (0). Nos sistemas lgicos multi-valores, o valor verdade Vrias tcnicas, tais como para controle linear multivarivel
de uma proposio pode ser ou um elemento de um conjunto (Doyle e Skin, 1981), estimao de estado a partir de medidas
finito, num intervalo, ou uma lgebra booleana. Na lgica ruidosas (Anderson e Moore, 1979), controle timo (Sage e
White, 1977), sistemas lineares estocsticos (Bertsekas, 1976),
A : U [0,1]
2 - CONJUNTOS E LGICA FUZZY :
O conjunto suporte de um conjunto fuzzy A o sub-conjunto
FUNDAMENTOS
dos pontos u de U tal que A(u) > 0. Um conjunto fuzzy cujo
conjunto suporte um nico ponto de U com A = 1
Nesta seo sero apresentadas as idias bsicas sobre
chamado de um conjunto unitrio fuzzy.
conjuntos e lgica fuzzy visando a modelagem e o
Sejam A e B dois conjuntos fuzzy em U com funes de
desenvolvimento de sistemas de controle. Apesar de existir
pertinncia A e B, respectivamente. As operaes de
uma complexa base formal sustentando seu uso na modelagem
e controle de sistemas, ser evidenciado aqui somente o conjuntos tais como a unio (AB), interseco (AB) e
necessrio para o entendimento da teoria bsica de controle complemento (A) para conjuntos fuzzy so definidas do
fuzzy (Pedrycz, 1989; Yager et.al., 1987; Lee, 1990; Albertos, seguinte modo:
1992).
Na teoria de conjuntos clssica, um elemento ou pertence a um AB(u) = A(u) B(u)
conjunto ou no. Dado um universo U e um elemento
particular x U, o grau de pertinncia A(x) com respeito a
um conjunto A U dado por: AB(u) = A(u) B(u)
1 se x A
A ( x) = A(u) = 1 - A(u)
0 se x A
onde uma norma triangular (norma-t) e uma co-norma
A funo A(x) : U {0,1} chamada de funo triangular (norma-s). Uma norma triangular uma funo :
caracterstica na teoria clssica de conjuntos. Frequentemente, [0,1] [0,1] [0,1] tal que, x, y, z, w [0,1]:
uma generalizao desta idia utilizada, por exemplo, para
manipulao de dados com erros limitados. Todos os nmeros (i) x w y z, se x y, w z
dentro de um erro percentual tero um fator de pertinncia 1, (ii) x y = y x
tendo todos os demais um fator de pertinncia 0. (veja figura (iii) (x y) z = x (y z)
1a). Para o caso preciso, o fator de pertinncia 1 somente no
(iv) x 0 = 0; x 1 = x
nmero exato, sendo 0 para todos os demais (veja figura 1b).
(iv) x 0 = x; x 1 = 1
B ( v) = max{min( A ( u), R AB ( u, v) )}
u 3 - MODELAGEM FUZZY DE SISTEMAS E
PROCESSOS
Esta a regra (lei) de inferncia max-min, cuja interpretao
grfica mostrada pela figura 3 abaixo, onde a interseco
interpretada pela t-norma min e a projeo em V pelo operador Para modelar um sistema necessrio descrever o
max. Note que, em sntese, esta regra constituida de duas comportamento do mesmo para, por exemplo, sua anlise,
simulao e/ou projeto de controladores. Para os propsitos
etapas : interseo da extenso cilndricasde A, A com RA deste artigo, consideraremos trs categorias de representao
B , e a projeo desta interseco em V. de sistemas : equaes matemticas, regras fuzzy (lingusticas)
e redes neurais artificiais (Yamakawa, 1993).
A R A B Equaes relacionais ou diferenciais descrevem a dinmica ou
V
a cintica de sistemas (ou o conhecimento sobre o sistema) em
uma forma muito conveniente. Se a relao entre a entrada x e
R AB a sada f(x) do sistema ou a relao entre a causa x e a resposta
B f(x) obtida como mostrado na figura 5, ento f(x) descrito
por:
f ( x) = ( x 3)
2
A
A U
f(x)
30.0
Figura 3 - Regra de Inferncia Composicional
B ( v) = sup{ A ( u) 7 R A B ( u, v)}
u
n
B= U Bi
i 0.0
-2.00 0.00 2.00 4.00 6.00 8.00
x
Ai A Bi
B
i Figura 5 - Exemplo de Funo f(x) descrita por Equao
U V Matemtica
B
Aj A Bj A descrio de um sistema com este tipo de equao de
Bj V grande importncia. , no entanto, muito difcil de identificar
a equao que descreve o sistema exatamente, especialmente
U V em casos de sistemas complexos e com mltiplas variveis.
Em adio, tambm muito difcil reescrever esta equao
Figura 4: Mecanismo de Inferncia Fuzzy quando a relao entre x e f(x) varia. Portanto, esta descrio
no apropriada para a maioria de sistemas complexos tais
como, sistemas no lineares e sistemas variantes no tempo. A
q j = h w ij . p i j
i
h( x ) = [1 + exp( x )]
15.0 1
0.0
-2.00 0.00 2.00 4.00 6.00 8.00
x
3) Timers Analgicos : So variveis numricas internas do Listagem 1 : Exemplo de Programa na Linguagem LEARN
sistema que possuem a caracterstica adicional de serem
atualizadas automaticamente pelo sistema, medida que o
tempo passa. Funcionam em sincronismo com o relgio de
mesmo, utilizando um mecanismo conhecido como foco de
tempo real do sistema. Com este tipo de varivel, possvel
ateno. Um dos grupos, normalmente o grupo principal, deve
quantificar-se pores de tempo de definio vaga, como por
conter o meta-conhecimento, ou seja, o conhecimento do
exemplo "um pouco", "bastante", etc. Os timers analgicos so
contedo dos diversos grupos, e de quando acess-los. O
ento ao mesmo tempo variveis de entrada e de sada.
SDAF permite que este acesso seja feito de duas maneiras. A
Quando utilizados nos antecedentes das regras, avalia-se a
primeira delas, a execuo uma nica vez de um
temporizao atual do timer frente aos termos lingusticos
determinado grupo, processada pelo comando EXECUTA.
definidos. Quando utilizadas no consequente das regras,
Este tipo de acesso feito quando se deseja apenas uma
reinicializa-se o perodo de temporizao (tambm em termos
aplicao de um procedimento, de modo semelhante a uma
vagos).
chamada de funo em programao convencional. O segundo
modo de se acessar um grupo por meio do comando
4) Timers Digitais : So variveis lgicas associadas a
CHAVEIA, quando sob determinadas condies levantadas
temporizadores do sistema. Ao contrrio dos timers
pelo grupo, determine-se que aquele grupo j no mais o
analgicos, onde deseja-se manipular um tempo definido de
adequado a ser processado, e com isso se deseja efetivamente
modo vago, os timers digitais fazem um controle bem definido
chavear o processamento para outro grupo de regras, que est
do tempo transcorrido. Ao ser acionado um consequente que
mais adequado situao corrente do sistema. Para o
contenha um timer digital, a temporizao do mesmo
desenvolvimento de uma base de conhecimento, o
reinicializada com o perdo definido na regra. A partir desta,
procedimento mais usual a determinao de um grupo
qualquer avaliao nos antecedentes das regras surtir um
principal, onde sejam colocadas as diretrizes gerais de
valor lingustico "tempo no expirado", at que o perdo de
atuao, e a cada etapa, sejam acrescentados novos grupos de
temporizao se esgote, quando ento a avaliao do
regras, que podem ento ser analisadas pelo projetista, que
antecedente resultar "tempo expirado". Este tipo de variveis
passa a validar o funcionamento do grupo, efetuando as
util quando se deseja o controle exato de algum tipo de
correo que forem pertinentes.
temporizao, como em sequenciamento de eventos, etc.
Durante este processo, necessrio que o projetista disponha
de alguns recursos adicionais, as ferramentas de depurao,
7.7 - Desenvolvimento de Aplicaes - O que o auxiliem na avaliao do comportamento do sistema.
Depurador Este conjunto de recursos reunido no SDAF no mdulo
depurador.
A construo de uma base de conhecimento normalmente O mdulo depurador do SDAF permite o controle da execuo
um processo incremental, onde o conhecimento vai sendo das regras, permitindo o disparo e a parada da mquina de
levantado junto ao especialista, ou pelo projetista, em etapas. inferncia em qualquer ponto da mesma. Com isso, consegue-
A cada etapa, um novo conjunto de regras acrescentado se executar as regras passo a passo, sendo exibidas na tela,
base, e o projetista do sistema, junto com o especialista, deve tanto as regras com o passo sendo executado, como o estado do
verificar a consistncia destas regras, validando o sistema aps a execuo do mesmo. Este passo pode ser a nvel
comportamento do sistema. de ciclo, regra ou antecedente. A nvel de ciclo, a mquina
Uma das tcnicas na elaborao de uma base de conhecimento, executa um ciclo de inferncia e para, esperando um prximo
que facilita a prpria elicitao do mesmo e proporciona um comando do operador. A nvel de regra a mquina executa
incremento no desenpenho computacional do sistema, em uma determinada regra ao comando do operador, parando em
ambientes de tempo real, a utilizao de bases de regras seguida, e a nvel de antecedentes, a mquina para aps
estruturadas, ou modularizadas. O SDAF permite a construo executar cada antedente, exibindo o estado do sistema. Um
de bases de regras deste tipo por meio da definio de grupos. outro comando auxiliar colocado de modo a reinicializar as
Cada grupo deve conter portanto, uma pequena parte do variveis do sistema.
conhecimento, relativa a uma determinada especializao do
P M G P M G
Pequeno Mdio Grande Pequena Mdia Grande
1.0
0.67
0.33
N Z P
Negativo Zero Positivo
-100 0 100 u
d u x4 x
2
1.0
R 0.33 0.33
7
1 d -0.6 u
x
1
Pequena Mdia Grande
1
x3
Esquerda Frente Direita
NG NM NP ZR PP PM PG
Nesta aplicao, considera-se um sistema em que 2 tanques As regras utilizadas pelo controlador foram as seguintes:
esto acoplados por meio de uma interligao (vide figura 20),
ZR PG PM PP ZR NP NM NG
SELEO MUTAO
PP NP NM
PM NM
CROSSOVER
PG NG NG
Concluso (a o): y g
Nvel do Tanque 2
i
onde Xj uma varivel fuzzy, Aj e A j so os conjuntos
nebulosos associados, y uma varivel com valores gj
(figura 24).
1
1
max
a 111
min g1
x11 1
a 1p
max
x1 1 1
a N1p .
y
. x 1p N . div
. a 11 .
. 1
a M1 1
N N
x 1
g
M1 a Mh max 1
1
x
M
. N
. a M1 min 1
.
Figura 22 - Resultados para os Tanques xMh
aN max 1
Mh
8.4 - Controle Autnomo de um Rob Mvel Figura 24: Controlador Neural Fuzzy
Formato da Funo (i) Formato da Funo (i+1) Lado direito da Funo (i) e o lado esquerdo da Funo (i+1)
(seu ponto central ci) (seu ponto central ci+1)
Triangular Triangular
(Trapezoidal) (Trapezoidal)
Triangular Trapezoidal
(Trapezoidal) (Triangular)
A tecnologia decorrente da lgica fuzzy tem gerado aplicaes Doygle, J.C. e G. Skin (1981). Multivariable feedback design:
e produtos em diversas reas. Em controle de processos concept for a classical/modern synthesis. IEEE
industriais, rea pioneira, as primeiras experincias datam de Trans. on Automatic Control, vol. AC-26, pp. 4-16
1975 quando foi demonstrado no Queen College, Londres, que
um controlador fuzzy muito simples controlou eficientemente Figueiredo, M. F. Gomide ; W. Pedrycz (1993) - A Fuzzy
uma mquina a vapor. Na mesma poca, a primeira aplicao Neural Network : Structure and Learning - 5th IFSA
industrial significativa foi desenvolvida pela indstria de World Congress, Seul, Coria. pp 1171-1174.
cimento F.L.Smidth Corp. da Dinamarca. Presentemente, uma
variedade de aplicaes comerciais e industriais esto Goldberg, D. (1989) - Genetic Algorithms in Search,
disponveis, destacando-se neste cenrio o Japo e mais Optimization and Machine Learning - Addison-
recentemente, os EUA e a Alemanha. Exemplos tpicos Wesley, MA.
incluem produtos de consumo tais como geladeiras (Sharp), ar
condicionado (Mistsubishi), cmeras de vdeo (Canon, Gomide, F.; A. Rocha; P. Albertos (1992-a) Neurofuzzy
Panasonic), mquinas de lavar roupa (Sanyo), fornos de Controllers - IFAC - LCA92, Viena, Austria
microondas (Sanyo), aspiradores de p, etc. Na indstria
automotiva destacam-se transmisses automticas (Nissam, Gomide, F. ; A. Rocha (1992-b) A Neurofuzzy Controller ;
Lexus), injeo eletrnica, suspenso ativa, freios anti- 2nd International Conference on Fuzzy Logic and
bloqueantes. Sistemas industriais incluem controle de grupo de Neural Networks - IIZUKA92 , Fukuoka, Japan.
elevadores (Hitachi, Toshiba), veculos auto-guiados e robs
mveis (Nasa, IBM), controle de motores (Hitachi), ventilao Gomide, F. ; A. Rocha (1992-c) Neurofuzzy Components
de tneis urbanos (Toshiba), controle de trfego urbano, Based on Threshold - IFAC SICICA Symposium,
controle de parada e partida de trens de metr (Sendai, Tokio). Malaga, Espanha, pp.425-430
Estas citaes so, evidentemente, ilustrativas pois
correntemente mais de 1000 patentes envolvendo lgica fuzzy Gudwin, R.R ; M.A. Silva, H.J.Almeida Jr.; I.M.C.Ribeiro
j foram anunciadas. (1991). SDAF - Uma Ferramenta para
No Brasil, apesar do uso e da aplicao extensiva ainda ser Desenvolvimento e Teste de Sistemas utilizando
incipiente, vrias indstrias e empresas vm desenvolvendo Lgica Nebulosa - Simpsio sobre Integrao
produtos e servios (Villares, IBM, Klockner & Moeller, Computadorizada na Automao Industrial, 18 a 20
Robertshaw, Yokogawa, HI Tecnologia). Setembro - So Paulo-SP
Nos ltimos dois anos o potencial de manuseio de incertezas e
de controle de sistemas complexos proporcionado pela lgica Hechst-Nielsen, R. (1990) Neurocomputing - Addison
fuzzy vem sendo combinado com com redes neurais artificiais Wesley, N.Y.
as quais, por sua vez, possuem caractersticas de
aprendizagem e adaptao. Esta simbiose vem gerando novas Hotzman, J.M. (1970) Nonlinear System Theory - Prentice
classes de sistemas e de controladores neurofuzzy, combinando Hall, N.J.
assim os potenciais e as caractersticas individuais em sistemas
adaptativos e inteligentes (Gomide et.al. 1992-a). Estes Kaufmann, A. ; M. Gupta (1985) - Introduction to Fuzzy
sistemas devero proporcionar uma importante contribuio Arithmetic - Van Nostrand, NY.
para os sistemas de automao e controle do futuro,
principalmente em controle de processos. Lee, C.C (1990) . Fuzzy Logic in Control Systems: Fuzzy
Logic Controller, part I and II. IEEE Trans. on
AGRADECIMENTO: Os autores agradecem ao CNPq pelo Systems, Man and Cybernetics, vol. 20, pp 404-435
apoio financeiro, respectivamente, pelo contrato n. 300729/86-
3 e por bolsa de doutorado. Os autores tambm agradecem ao Oliveira, M. ; M. Figueiredo ; F. Gomide (1994) - A
projeto ECLA-005 por seu suporte. Neurofuzzy Approach for Autonomous Control -
3rd International Conference on Fuzzy Logic,
Neural Nets and Soft Computing, IIZUKA94
REFERNCIAS BIBLIOGRFICAS Fukuoka, Japan.
Albertos, P. (1992). Fuzzy Controllers - AI Techniques in Ollero A., A.Garcia-Cerezo, e J.Aracil. (1991). Design of
Control - Pergamon Press. Rule Based Expert Controllers - ECC91 European
Control Conference, Grenoble, Frana, pp 578-583
Anderson, B.D.O e J. B. Moore (1979). Optimal Filtering -
Prentice-Hall, N.J. Pedrycz, W. (1989). Fuzzy Control and Fuzzy Systems. - John
Wiley and Sons Inc, NY
Bertsekas, D.P. (1976). Dynamic Programming and Stochastic
Control. Mathematics in Science and Engineering. Sage, A. e C. White (1977). Optimum Systems Control -
Vol. 125, Academic Press, NY Prentice Hall, NJ