1
Sintonia de Controladores Fuzzy em Sistema de
uma Aeronave

André Luiz, Francisco Assis, Franz Beckenbauer, Dennys Lopes,
Especialização em Automação de Processos Industriais, Universidade Federal do Rio Grande do Norte (UFRN).
Resumo--Atendendo aos requisitos da disciplina Inteligência
Artificial em Controle e Automação, integrante da grade
curricular do curso de Especialização em Automação de
Processos Industriais (CEAPI) vinculado ao programa de pós-
graduação do Laut/DCA/UFRN, desenvolvemos o presente
relatório técnico, onde são apresentadas além de uma breve
revisão bibliográfica sobre lógica e controladores fuzzy, o projeto
de implementação demonstrando o passo a passo seguido com
ilustrações e gráficos obtidos através do software Matlab e
posterior sintonia de dois controladores fuzzy, sendo um baseado
no modelo Mamdani e outro no modelo Sugeno. A planta
utilizada corresponde a um sistema de controle para uma
aeronave.
Palavras chave: Automação Industrial, Automação de
Processos, Controlador Fuzzy, Mamdani, Sugeno.
I. INTRODUÇÃO
A lógica fuzzy foi introduzida nos meios científicos em
meados de 1965 por Lofti Asker Zadeh, através da publicação
do artigo Fuzzy Sets no Jornal Information and Control. Hoje
ela é elemento fundamental em diversos sistemas, sendo
considerada uma técnica de excelência no universo
computacional. Possui também enorme aceitação na área de
controle de processos. O conceito fuzzy pode ser entendido
como uma situação em que não é possível responder
simplesmente "sim" ou "não". Mesmo conhecendo as
informações necessárias sobre a situação, dizer algo entre
"sim" e "não", como "talvez" ou "quase", torna-se mais
apropriado.
Nos últimos anos, os controladores fuzzy estão se tornando
cada vez mais populares por sua fácil e rápida implementação.
Com o avanço das tecnologias, podemos encontrar no
mercado, controladores que utilizam dessa tecnologia, tendo
um alto índice de confiabilidade.
A disponibilidade de recursos computacionais de alta
Performance possibilita o uso de ferramentas que
necessitam de um custo computacional alto, reduzindo um
problema com alto grau de complexidade de implementação
para um de menor grau.
Neste trabalho foi desenvolvida a implementação de um
sistema de controle de uma aeronave (Figura 1) através de dois
controladores fuzzy, sendo um baseado no modelo de
Mamdani e o outro no modelo de Sugeno e está dividido nas
seguintes seções: Teoria de controladores fuzzy,
Desenvolvimento, Resultados, Conclusão e Referências
bibliográficas.

Abril/2014
Figura 1 – Tadeu Ricardo
Sistema de controle da aeronave
II. CONTROLADORES FUZZY
Os controladores Fuzzy tem seu conceito funcional
bastante simplificado, resumindo-se em três etapas distintas:
“Fuzzificação”, “Base de conhecimento”, “Inferência” e
“Defuzzificação”.
1) A fuzzificação é a etapa onde é realizada a conversão de
uma entrada em conjunto Fuzzy, ou seja , é realizada a
atribuição dos valores de pertinência a os valores lógicos
booleanos (verdade ou falso).
Na fuzzificação podem-se usar vários tipos de funções de
pertinência, entre elas a triangular, trapezoidal e tipo sino.
2) A base de conhecimento é o passo onde são “guardadas”
as variáveis e suas classificações linguísticas.
3) A etapa de inferência, também conhecida como etapa de
análise das regras, é onde é realizada toda a validação das
regras estabelecidas para o controle e unindo, através de um
cálculo arbitral, média ou máxima, por exemplo, os valores
correspondentes aos resultados da regra aplicada.
Existem diferentes métodos de inferência, os mais
conhecidos são: Mamdani e Sugeno.
No método de Mamdani a implementação de cada regra é
feita mediante a definição de operadores para o processamento
do antecedente da regra e da função de implicação que irá
definir o seu consequente.
O método de Sugeno oferece uma simplificação do método
de Mamdani, onde o consequente de cada regra é definido
como uma função das variáveis linguísticas de entrada. O
Sugeno dispensa o processo de desfuzificação.
4) Por último a defuzzificação, nesta etapa é realizada a
conversão dos resultados das aplicações das regras em valor de
saída para um dispositivo de controle específico. Este valor é
calculado através de técnicas matemáticas para se determinar
o melhor valor a ser utilizado.
 2

III. DESENVOLVIMENTO  Como pode ser visualizado na Figura 4, o range das

funções de pertinências da saída permaneceram inalteradas
Para este sistema específico de aeronave, é sabido que o para todo o experimento.
mesmo apresenta um sinal de controle satisfatório para um
controlador do tipo proporcional integrativo. Tendo em vista Figura 2 – Variável de entrada: Erro
essas condições, adotou-se um controlador fuzzy do tipo PI.
Foram definidas como variáveis de entrada do controlador
fuzzy o erro de rastreamento do sistema e sua derivada.
No Mamdani, em busca de adquirir a sensibilidade sobre o
controle fuzzy, três regras distintas foram criadas para
análises. O passo de defuzzificação, para todos os
controladores baseados em Mamdani, foi considerado o padrão
do Matlab: centroide da área.
Para ter-se a noção sobre qual range (faixa) de trabalho
cada variável – erro, derivada do erro e saída do controlador –
trabalha, foi analisada o comportamento do sistema com um
bloco PI ajustado com o autotune do Matlab. Com isso em
mãos, partiu-se em busca de uma melhor sintonia para cada Faixa de atuação de cada função de inferência da variável
função de inferência, tendo como principal objetivo detectar “ERRO”:
qual a melhor disposição para cada uma delas sem se
preocupar profundamente com a precisão de seus valores,  ENG = Erro Negativo Grande = [-1.5 -1 -0.1];
tarefa essa considerada inicialmente árdua.  ENP = Erro Negativo Pequeno = [-1 -0.5 0];
A primeira análise foi feita em cima de um projeto  EZ = Erro Zero = [-0.1 0 0.1];
construído ainda em sala de aula baseado em Mamdani, o qual  EPP = Erro Positivo Pequeno = [0 0.5 1];
considera 5 funções de pertinência do erro e outras 5 para a  EPG = Erro Positivo Grande = [0.1 1.01 1.51];
derivada do erro, mostradas na Tabela 1. No critério de
desempenho foi considerado o IAE e o tempo de subida. Figura 3 – Variável de entrada: Derivada do Erro
Todas as possibilidades apresentadas aqui foram
comparadas com o bloco PI auto ajustado pelo Matlab, a fim
de ter uma ideia do desempenho do controle fuzzy diante de
um controle clássico.

Tabela 1 – Método de Mamdani

and DENG DENP DEZ DEPP DEPG

ENG UNG UNG UNG UNP UZ
ENP UNG UNP UNP UZ UPP
EZ UNG UNP UZ UPP UPG
EPP UNP UZ UPP UPP UPG Faixa de atuação de cada função de inferência da variável
EPG UZ UPP UPG UPG UPG “DERRO”:

Os ranges foram determinados em cima de uma análise  DENG = Derivada Erro Negativo Grande = [-4 -3
empírica. Observou-se no primeiro caso que: -0.742];
 reduzir a faixa do erro zero (EZ), Figura 2, melhorava o  DENP = Derivada Erro Negativo Pequeno = [-1.5 -1 0];
desempenho do controlador;  DEZ = Derivada Erro Zero = [-0.75 0 0.75];
 trabalhar com a faixa de atuação das funções de  DEPP = Derivada Erro Positivo Pequeno = [0 1 1.5];
pertinência assimétricas piorou o índice de desempenho;  DEPG = Derivada Erro Positivo Grande = [0.742 3 4];
 estender a base da das funções de pertinência que
representam os maiores erros: ENG, ENP, EPP e EPG, Com as faixas das variáveis definidas e aplicando na teoria
Figura 2, ajudou a reduzir índice de desempenho IAE; de Mamdani, chegou-se aos resultados da tabela a seguir:
 Houve também variação perceptível do desempenho Na saída “SAIDA”, estão presentes as variáveis e suas
quando se variou, de forma simétrica, a faixa da função de respectivas faixas:
pertinência DZ, Figura 3, que representa a derivada zero,
deixando-a com a base menor. Porém, diferente do ERRO,
no DERRO, piorou o índice IAE.
 Reduzir a base da das funções de pertinência que
representam variações mais altas da derivada do erro,
piorou o índice IAE. Estendê-la, piorou ainda mais.
Reduziu-se então o tamanho das funções de pertinência da Figura 4 – Variável de saída
dos estremos e notou-se que muito pouco afetou o
desempenho do controle. Esta foi desconsiderada em
experimentos mais a frente demonstrados.
 3

Na entrada “DERRO”, estão presentes as variáveis e suas

 UNG = Saída Negativa Grande = [-1.5 -1 -0.5];
 UNP = Saída Negativa Pequena = [-1 -0.5 0];
 UZ = Saída Zero = [-0.5 0 0.5];
 UPP = Saída Positiva Pequena = [-0.5 0 0.5];
 UPG = Saída Positiva Grande = [0.5 1 1.5];
No segundo caso, Controlador Fuzzy PI2, houve mudanças
admitindo-se uma nova base de conhecimentos, visualizada na
Tabela 2. Nessas novas bases foram simplificadas as derivadas
do erro para: DEN,DEZ,DEP, pois as excluídas não
influenciavam no sinal de controle e por motivos de melhor
resposta ao sistema.
Tabela 2 – Método de Mamdani (Controle Fuzzy PI2)
respectivas faixas:
 DEN = Derivada Erro Negativo = [-1.5 -1.5 0];
 DEZ = Derivada Erro Zero = [-0.75 0 0.75];
 DEP = Derivada Erro Positivo = [0 1.5 1.5];
Com as faixas das variáveis definidas e aplicando na teoria
de Mamdani, chegou-se aos resultados e tabela a seguir:
Na saída “SAIDA”, estão presentes as variáveis e suas
respectivas faixas:
Figura 7 – Variáveis de saída (Controle Fuzzy PI2)

and ENG ENP EZ EPP EPG

DEN UNG UNG UZ UPP UPP
DEZ UNG UNP UZ UPP UPG
DEP UNP UNP UZ UPG UPG

Figura 5 – Variáveis de entrada: Erro (Controle Fuzzy

PI2)
 UNG = Saída Negativa Grande = [-1.5 -1 -0.8704];
 UNP = Saída Negativa Pequena = [-1 -0.5 0];
 UZ = Saída Zero = [-0.0661 0 0.06085];
 UPP = Saída Positiva Pequena = [0 0.5 1];
 UPG = Saída Positiva Grande =[0.8862 1 1.5];

O terceiro caso, Controlador Fuzzy 3, além de novos

conjuntos de bases de conhecimentos, acrescenta-se a mais a
variável de perturbação, Figura 16, considerando que seria
possível, de alguma forma, direta ou indiretamente, medi-la. A
Na entrada “ERRO”, estão presentes as variáveis e suas intenção era ver se o desempenho do controle fuzzy se
respectivas faixas: aproximava do controlador PI auto ajustado pelo matlab.
Com as faixas das variáveis definidas e aplicando na teoria
 ENG = [-2.5 -1 -0.5] de Mamdani, chegasse aos resultados e a Tabelas 4, 5 e 6 a
seguir:
 ENP = [-0.5793 -0.5 0]
É importante observar que nesse caso quando a
 EZ = [-0.2 0 0.2] perturbação ela é positiva tem-se como saída uma
 EPP = [0 0.5 0.5951] porcentagem maior de sinal negativo. O contrário ocorre
 EPG = [0.5 1 1.5] quando a perturbação é negativa, os sinais de saída
apresentam uma porcentagem maior de saída positiva. Isso foi
feito tentando compensar a o efeito da perturbação na planta.

Tabela 3 – Método de Mamdani para perturbação

Figura 6 – Variáveis de entrada: Derivada do Erro positiva
(Controle Fuzzy PI 2)
ENG ENP EZ EPP EPG
DEN UNG UNG UNG UZ UPP
 4

PP DEZ UNG UNG UZ UZ UPP

DEP UNG UNP UZ UPP UPG

Tabela 4 – Método de Mamdani para perturbação zero

ENG ENP EZ EPP EPG

DEN UNG UNG UZ UPP UPP
DEZ UNG UNP UZ UPP UPG
Na entrada “DERRO”, estão presentes as variáveis e suas
PZ

DEP UNP UNP UZ UPG UPG respectivas faixas:

 DEN = [-2.52 -1.4 -0.5];

Tabela 5 – Método de Mamdani para perturbação  DEZ = [-0.8 0 0.8]];
negativa
 DEP = [0.5 1.4 2.52];
ENG ENP EZ EPP EPG Levando em consideração as novas bases de conhecimentos
DEN UNG UNP UZ UPP UPG e inserindo a perturbação como entrada, temos:
DEZ UNP UZ UPP UPG UPG
PN

Figura 10 – Variáveis de Perturbação

DEP UNP UZ UPG UPG UPG

Figura 8 – Variáveis de entrada: Erro (Controle Fuzzy

PI3)

Na entrada “PP”, estão presentes as variáveis e suas

respectivas faixas:

 PN = Perturbação Negativa = [-0.54 -0.3 -0.05];

 PZ = Perturbação Zero = [-0.08107 0 0.08107];
Na entrada “ERRO”, estão presentes as variáveis e suas  PP = Perturbação Positiva = [0.05 0.3 0.54];
respectivas faixas:
Figura 11 – Variáveis de saída (Controle Fuzzy PI3)
 ENG = [-1.5 -1 -0.2];
 ENP = [-0.8 -0.5 0];
 EZ = [-0.2 0 0.2];
 EPP = [0 0.5 0.8];
 EPG = [0.2 1 1.5];

Figura 9 – Variáveis de entrada: Derivada do Erro

(Controle Fuzzy 3)

Na saída “SAIDA”, estão presentes as variáveis e suas

respectivas faixas:

 UNG = [-1.5 -1 -0.5];

 UNP = [-1 -0.5 0];
 5

 UZ = [-0.5 0 0.5];
 UPP = [0 0.5 1];
 UPG = [0.5 1 1.5]

O controlador Sugeno tem suas função de saída dadas por

equações. Então o sinal da saída é dado pelo sinal do erro de
rastreamento e de sua derivada, tal que a base de
conhecimento das funções de pertinência consideradas foram
dispostas considerando apenas a necessidade de ter um sinal
mais forte ou fraco na saída do atuador considerando as
variáveis ERRO e DERRO, mostrado na Tabela 6, construído Na entrada “DERRO”, estão presentes as variáveis e suas
de forma a não ter uma variação brusca na saída devido à respectivas faixas:
entrada, mostrando uma variação suave da intensidade da
saída.  DEN = [-1.5 -1 0];
 DEZ = [-0.75 0 0.75];
Tabela 6 – Método Sugeno (Controle Fuzzy PI3)  DEP = [0 1 1.5];

AND ENG ENP EZ EPP EPG Figura 14 – Variáveis de saída: output1 (Sugeno)
DEN G M P M G
DEZ M P Z P M
DEP G M P M G

Figura 12 – Variáveis de entrada: Erro

Na saída “ouput1”, estão presentes as variáveis e suas

respectivas faixas:
 Grande = [15 8 0];
 Médio = [10 5 0];
 Pequeno = [7 3 0];
 Zero = [5.05 0.93 0];
Na entrada “ERRO”, estão presentes as variáveis e suas Diferentemente do controle baseado em Mamdani, a
respectivas faixas: variável de saída da do controle Sugeno é escrita como:
 ENG = [-1.5 -1 -0.1];
 ENP = [-1 -0.5 0];
 EZ = [-0.1 0 0.1];
 EPP = [0 0.5 1]; Em ambos controladores, Mamdani e Sugeno, a estrutura
do sistema de controle é a mesma, com exceção do
 EPG = [0.1 1.01 1.51];
Controlador FuzzyPI3, onde é considerado uma perturbação
como entrada do controlador.

Figura 15 – Sistema de controle Fuzzy do tipo PI

Figura 13 – Variáveis de entrada: DERRO

Figura 16 – Sistema de controle Fuzzy do tipo PI com

perturbação

IV. RESULTADOS
Classificando os desempenhos de todos os controladores e
acrescentando um controlador PID apenas como referência
comparativa, temos como resultados de desempenho desejado:
1. PID – O controle clássico apresentou uma melhor
resposta e menor IEA.
2. Fuzzy PI2 – O controlador Mamdani mais rápido dos
três e mais rápido do que o Sugeno.
3. e 4. – Respectivamente, temos o Fuzzy PI e Fuzzy PI3.
5. O pior desempenho ficou com o Controlador Sugeno.
Ele apresentou um regime transitório mais rápido do que os
três, porém, com um erro acumulado muito maior.
A próxima figura é possível visualizar os resultados
gráficos comparativos dos controladores.
Figura 17 – Resultados comparativos dos controladores
Figura 18 – Resultados comparativos dos controladores
segundo o IEA
6
Legendas:
 Verde = PID Clássico;
 Amarelo = Controlador Sugeno;
 Vermelho = Controlador Fuzzy PI;
 Azul = Controlador Fuzzy PI2;
 Rosa = Controlador Fuzzy PI3
V. CONCLUSÃO
Ao final do projeto concluiu-se que o controlador baseado
no método de Mamdani apresentou um melhor resultado do
que o método Sugeno, para este tipo de sistema. Com base na
teoria usada neste trabalho, é importante ressaltar que cada
novo projeto de controle fuzzy irá depender do processo em
questão, não havendo um controlador “ótimo” para todos os
casos.
Por fim, apesar de o controle Mamdani apresentar um
melhor desempenho comparado ao controle Sugeno, ainda está
longe de ter uma resposta tão boa quando o PID clássico.
Logo, o uso ou não do controle fuzzy irá, também, depender da
necessidade do projetista.
VI. REFERÊNCIAS
[1] MARTINS, Euclides Edson. Controle Fuzzy
através de um sistema de supervisão, UFSC,
Florianópolis. Santa Catarina, 2010;
[2] SIMÕES, Marcelo Godoy. Controle e
Modelagem Fuzzy, 2ª edição. São Paulo: Editora
Blucher, 2007;
[3] Araújo, F. M. (2014). Inteligência Artificial em
Controle e Automação - Módulo 1 (Controlador
Nebuloso). (CEAPI, Ed.) Natal.