Computação Aritmética Data: 31/08/2018

Prof. Erivelton G. Nepomuceno

Engenharia Elétrica – UFSJ

Análise de desbalanceamento em máquinas rotativas considerando incertezas

paramétricas Fuzzy

Mariana Fernandes Souto Matr.: 150950046

1 Introdução

No cenário atual em que as indústrias se encontram, estas se veem obrigadas a

melhorar suas agilidades para responderem ao mercado, realizando inovações e melhorias
contínuas e requerem sistemas mecânicos que trabalhem com um desempenho ótimo sob
determinadas condições de operação, o que implica: alta confiabilidade e baixos requisitos
operacionais. Consequentemente, faz-se necessário desenvolver modelos numéricos
realistas que considerem adequadamente as incertezas nos parâmetros e nas entradas dos
sistemas. Na modelagem dos sistemas dinâmicos as incertezas são consideradas utilizando
principalmente três abordagens diferentes (Moller & Beer, 2004). Na primeira abordagem, as
incertezas são consideradas através de uma formulação probabilística (baseada na teoria
das probabilidades); assim, as incertezas são representadas através de uma distribuição de
probabilidades. Na segunda, as incertezas são modeladas através de intervalos
previamente definidos. Na terceira, as incertezas são abordadas usando a teoria das
possibilidades.
Como alternativa aos métodos estocásticos tem-se a utilização da lógica nebulosa
(fuzzy) para modelar a incerteza. Mediante a lógica fuzzy é possível descrever informações
incompletas e imprecisas. A teoria dos conjuntos fuzzy foi formulada inicialmente por Zadeh
(1965) para tratar do aspecto vago que pode envolver a informação. Posteriormente, Zadeh
desenvolveu a teoria das possibilidades baseada nos conjuntos fuzzy, que pode ser
comparada à teoria das probabilidades, para abordar a incerteza da informação (Zadeh,
1978). Conceitualmente, a teoria dos conjuntos fuzzy e das possibilidades estão
intimamente ligadas; portanto, é possível tratar a incerteza e imprecisão de um conjunto de
informações mediante a teoria dos conjuntos fuzzy. Através da teoria dos conjuntos fuzzy
são modeladas incertezas nas quais é desconhecido o processo estocástico que as
descreve. Neste contexto, Moens & Hanss (2011) apresentam uma revisão da literatura das
aproximações não probabilísticas utilizadas na análise de incertezas paramétricas e
aplicadas no método dos elementos finitos. As duas aproximações principais apresentadas
neste trabalho para modelar as incertezas são: análises intervalares e lógica fuzzy. Estas
duas aproximações requerem a solução de problemas de análise intervalar. Desta forma,
atualmente as pesquisas desenvolvidas nesta área visam à implementação e solução do
problema de análise intervalar. Na simulação computacional de modelos fuzzy, as incertezas
são modeladas com medidas fuzzy que utilizam o corte-α. Nestas medidas fuzzy, o valor
exato dos parâmetros é desconhecido, mas limitado em um intervalo ponderado por uma
função de pertinência. Por esta razão, para simular os sistemas fuzzy, é utilizada
fundamentalmente a análise intervalar de sistemas dinâmicos (Puig et al., 2005).
Em conformidade com a abordagem baseada na lógica nebulosa, utiliza-se a teoria
dos conjuntos fuzzy para modelar as incertezas paramétricas. A finalidade de utilizar esta
abordagem é apresentar um método alternativo para modelar a incerteza de uma forma não
probabilística dos dados de vibração de uma máquina rotativa a fim de se obter o nível de
desbalanceamento, e assim simular o modelo numérico de estruturas considerando a
variação dos parâmetros. Desta forma, é possível avaliar o efeito das incertezas na resposta
dinâmica das estruturas. Diante do que foi apresentado como propósito apresentar uma
metodologia para a modelagem e simulação da resposta dinâmica de estruturas com
1 de 4
incertezas nos parâmetros utilizando uma abordagem baseada em lógica fuzzy.

2 Objetivos

O metodologia para a modelagem considerando incertezas paramétricas fuzzy

apresentada a seguir está descrito conforme Lobato, Jr, Neto; 2014. Na teoria clássica dos
conjuntos, a pertinência dos elementos a um determinado conjunto é definida por uma
condição binária. Neste caso, se a pertinência corresponde a “1” o elemento pertence ao
conjunto, e se a pertinência é “0” o elemento não pertence ao conjunto. Portanto, seja X um
conjunto clássico universal e seus elementos x. O conjunto A (onde, A ∈ X) é definido da
forma clássica pela função de pertinência µ 𝐴: X→{0,1} (ver Figura 1(a)).

(a) Conjunto fuzzy. (b) Cortes-α.

Figura 1. Conjunto fuzzy e cortes-α.

Por outro lado, um conjunto fuzzy é definido através da função de pertinência µ𝐴 : X →

[0,1] na qual [0,1] é um intervalo real e contínuo. A função de pertinência indica o nível de
compatibilidade do elemento x no conjunto fuzzy Ã. Portanto, valores de µ 𝐴 (x) próximos de
“1” indicam uma pertinência maior do elemento x no conjunto Ã. O conjunto fuzzy é
completamente definido por:

à = {(𝑥, µ𝐴 (𝑥))|𝑥 ∈ 𝑋} 𝑜𝑛𝑑𝑒, 0 ≤ µ𝐴 ≤ 1 (1)

O conjunto fuzzy à pode ser representado através de sub-conjuntos. Estes

subconjuntos, que correspondem a intervalos reais e contínuos, são definidos por Aαk e
denominados cortes de nível ou cortes-α (Figura 1(b)), assim:

𝐴𝛼𝑘 = {𝑥 ∈ 𝑋, µ𝐴 (𝑥) ≥ 𝛼𝑘 } (2)

Para vários subconjuntos de cortes-α do mesmo conjunto fuzzy à tem-se a seguinte

propriedade:
𝐴𝛼𝑘 ⊆ 𝐴𝛼𝑖 ∀𝛼𝑘 ∈ (0,1] 𝑐𝑜𝑚 𝛼𝑖 ≤ 𝛼𝑘 (3)

Se (no caso unidimensional) o conjunto fuzzy é convexo, cada conjunto de cortes-α

Aαk corresponde ao intervalo [xαkl , xαkr] onde:

2 de 4
 𝑥𝛼𝑘𝑙 = 𝑚𝑖𝑛 [𝑥 ∈ 𝑋|𝜇𝐴 (𝑥) ≥ 𝛼𝑘 ] (4)
𝑥𝛼𝑘𝑟 = 𝑚𝑎𝑥 [𝑥 ∈ 𝑋|𝜇𝐴 (𝑥) ≥ 𝛼𝑘 ] (5)

A otimização de cortes-α é um método apropriado ao mapeamento do vetor de

entrada fuzzy 𝑥̃ no vetor de saídas 𝑧̃ utilizando o modelo para mapeamento determinístico
(equação 6) do modelo M é caracterizada por uma função f. A otimização de cortes-α se
compõe de três etapas apresentadas na Figura 2 e descritas conforme segue.

𝑀 ∶ 𝑧 = 𝑓(𝑥) (6)

Figura 2. Fluxograma do algoritmo numérico da otimização de cortes-α.

1) Discretização dos cortes-α e determinação do sub-espaço 𝑋𝑎𝑘 : para os cálculos

numéricos cada elemento do vetor de entradas fuzzy 𝑥̃ = (𝑥̃1 , ⋯ , 𝑥̃𝑛 ) é considerado como
um intervalo𝑋𝑖𝛼𝑘 = [𝑥𝑖𝑎𝑘𝑙 , 𝑥𝑖𝛼𝑟 ], onde 𝛼𝑘 ∈ (0,1] (dos cortes-α da Equação (2) e Figura 1(b)).
Consequentemente, é definido o sub-espaço 𝑋𝛼𝑘 = (𝑋1𝛼𝑘 , ⋯ , 𝑋𝑛𝛼𝑘 ) onde 𝑋𝛼𝑘 ∈ ℝ𝑛 .

2) Problema de otimização: consiste em achar o valor máximo e mínimo da saída do modelo

para mapeamento, Equação (6), assim:

𝑧𝛼𝑘𝑟 = 𝑚𝑎𝑥 𝑓(𝑥), 𝑐𝑜𝑚 𝑥 ∈ 𝑋𝛼𝑘

(7)
𝑧𝛼𝑘𝑙 = 𝑚𝑖𝑛 𝑓(𝑥), 𝑐𝑜𝑚 𝑥 ∈ 𝑋𝛼𝑘

𝑧𝛼𝑘𝑙 e 𝑧𝛼𝑘𝑟 correspondem aos extremos do intervalo [𝑧𝛼𝑘𝑟 ,𝑧𝛼𝑘𝑙 ] no corte-α αk. O conjunto de
intervalos discretizados [𝑧𝛼𝑘𝑟 ,𝑧𝛼𝑘𝑙 ] formam a variável fuzzy resultante 𝑧̃ . Na solução
desteproblema de otimização é utilizada uma técnica, que combina o método evolutivo, a
simulação de Monte-Carlo e o método de gradiente, denominado “modified evolution
strategy" (Moller et al., 2000).

3) Pós-processamento: utilizando a propriedade dos cortes-α da Equação (3) é verificado

para cada corte-α que 𝑧𝛼𝑘𝑙 e 𝑧𝛼𝑘𝑟 correspondem aos máximos e mínimos globais. Para isto,
a propriedade da Equação (3) deve ser satisfeita para o vetor de variáveis fuzzy de saída 𝑧̃ ,
do contrário os ótimos devem ser calculados novamente. Através deste procedimento
assegura-se que 𝑧̃ , corresponderá a um conjunto convexo.

3 de 4
 3 Referências

LOBATO, F. S.; JR, V. S.; NETO, A. J.. Técnicas de Inteligência Computacional com
Aplicações em Problemas Inversis de Engenharia.Curitiba,PR: Omnipax, Capítulo 11, 2014.
MOLLER, B. & BEER, M., Fuzzy Randomness, Uncertainty in Civil Engineering and Compu-
tational Mechanics. Springer-Verlag, 2004.: Makron Books.
MOLLER, B.; Graf, W. & Beer, M., Fuzzy structutal analysis using alpha-level optimizaton.
Computational Mechanics,26:547-565, 2000.
MOENS, D. & HANSS, M., Non-probabilistic finite element analysis for parametric uncertain-
ty treatment inapplied mechanics: Recent advances. Finite Elementsin Analysis and Design,
47(1):2011, 2011.
PUIG, V.; Stancu, A. & Quevedo, J., Simulation of uncertain dynamic systems described by
interval models: A survey. In: Proceedings of the 16th IFAC World Congress. v. 16, p. 207-
207, 2005.
ZADEH, L., Fuzzy sets. Information and Control, 8:338-353, 1965.
ZADEH, L., Fuzzy sets as basis for a theory of possibility. Fuzzy Sets and Systems, 1:3-
28,1978.

4 de 4