Tópicos Especiais em Instrumentação I,2019, UFRGS, DELET

Tópicos Especiais em
Instrumentação I
Relatório

Revisão bibliográfica das aplicações de inferência fuzzy nas

áreas de mecânica dos sólidos, energia, processos de fabricação e
engenharia biomédica
Fernando Borges Weimer

Universidade Federal do Rio Grande do Sul, Departamento de Engenharia Elétrica, Curso de

Engenharia Elétrica, Instrumentação A, Prof. Dr. Alexandre Balbinot

E-Mails: weimer.fernando@gmail.com (F.B.W.)

Data Início: 12/08/2019; Data Final:19/08/2019

Resumo: Relatório com o propósito de realizar uma revisão bibliográfica dos variados
tópicos ao qual podem ser aplicados a inferência fuzzy. Foram selecionados 20 artigos de
quatro áreas da engenharia, disponíveis nos periódicos da CAPES, sendo elas a área
biomédica, de processos de fabricação, de mecânica dos sólidos e de energia. Para cada
artigo foi realizada uma breve resenha com os tópicos mais importantes e uma descrição
introdutória do método fuzzy. Por fim, conclui-se que para a área da engenharia biomédica
há uma vasta literatura implementando a lógica fuzzy e suas variações, com uma ascendente
implementação do método nas áreas de energia e de processos de fabricação, porém com
uma aplicação ainda modesta da lógica fuzzy na área de mecânica dos sólidos.

Abstract: Report with the purpose to make a bibliographic review of varied topics where
fuzzy inference can be applied. 20 articles was selected from four engineering areas,
available on CAPES periodicals, being that areas the biomedic area, manufacture processes,
solid mechanics and energy. For each article was wrote a short review with the most
relevant topics and with an introduced description about the fuzzy method. Finally,
concludes that biomedic engineering area have a large literature implementing the fuzzy
logic and their variations, with a ascendant implementation of the method in engineering
areas like energy and manufacture processes, however with an modest application of the
fuzzy logic in solid mechanics area yet.

Palavras Chaves: mecânica dos sólidos, processos de fabricação, energia, engenharia

biomédica, inferência fuzzy.
Tópicos Especiais em Instrumentação I 2019, 08 2

1. Introdução

A área de inteligência computacional tem adquirido uma crescente relevância em várias áreas da
engenharia, seja por sua capacidade de otimizar processos ou mesmo para aperfeiçoar métodos de
análise de fenômenos complexos. Para tanto, em um número significativo de casos nas variadas
subáreas da engenharia, opta-se pela utilização do método de inferência fuzzy e suas variações para
solucionar os problemas de interesse.

2. Resenha dos Artigos Selecionados

A interação entre corpos e fluidos ainda não é plenamente compreendida, sendo objeto de análise de
variadas pesquisas e frequentemente recorre-se a métodos computacionais para melhor compreender o
fenômeno. O uso de redes neurais para realizar tais simulações é recorrente, porém conta com o
infortúnio de resultar em cálculos de difícil compreensão. (Marković, Stupar, Dinulović, Peković,
Stefanović & Cvetinović, 2016) propõe uma simulação utilizando inferência fuzzy utilizando os
modelos de Mamdani e Assilan de forma a obter resultados satisfatórios e, ainda assim, mais
compreensíveis. Na área térmica também é possível analisar o trabalho de (Živković, Nikolić, Ilić,
Ćojbašić & Ivan, 2012), onde busca-se melhorar o rendimento de uma fazenda eólica ao permitir que
os aerogeradores rotacionem com velocidades de rotação variáveis de forma automatizada ao
implementar modelos preditivos da velocidade do escoamento do ar, baseados em lógica fuzzy,
capazes de mensurar a máxima potência gerada para cada velocidade de rotação do eixo.

Assim como nos casos listados acima, problemas relacionados à energia também ocorrem na
indústria, como nos processos de fabricação por fundição. Tais processos são fundamentados nos
mecanismos de transferência de calor e na mecânica dos fluidos e, portanto, sem solução analítica.
Assim, o uso de simulações computacionais é recorrente, adotando-se especialmente o método dos
elementos finitos. A fim de tornar o processo mais eficiente, contudo, busca-se a utilização de um
método inteligente e que, tal como no trabalho de (Marković, Stupar, Dinulović, Peković, Stefanović
& Cvetinović, 2016), retorne resultados acessíveis aos responsáveis pelo projeto. Dessa forma, (Yin,
Li & Peng, 2006) fazem uso de um algoritmo híbrido combinando os métodos de fuzzy-rough e de
elementos finitos, permitindo resultados compreensíveis sem perda de precisão.

Ainda no âmbito dos processos de fabricação, (Chiang, Lee & Tsai, 2004) propõem um servo-
hidráulico para injeção de moldes capaz de responder rapidamente e com baixo gasto energético. A
conciliação desses dois fatores, contudo, é de difícil controle, sendo adotado um método de sliding
fuzzy capaz de fornecer uma resposta satisfatória ao sistema. A exemplo do servo-hidráulico e dos
produtos por ele fabricados, (Luo, Tang, & Wang, 2008), propõem um método baseado em inferência
fuzzy capaz de agregar valor a um produto final. A inteligência computacional desenvolvida analisa
Tópicos Especiais em Instrumentação I 2019, 08 3

fatores como praticidade, aspectos técnicos e bem-estar familiar a fim de modelar o melhor design e,
como consequência, a melhor forma de fabricar um determinado produto com maior valor agregado.

É possível, ainda, utilizar a lógica fuzzy para outras áreas da engenharia. É o caso do trabalho
realizado por (Karakasidis, Georgiou & Nieto, 2012) ao proporem uma análise da relação entre
diferentes escalas de dureza. Nele, as escalas Vickers, Rockwell C, Brinnel e a escala de
durômetro Shore são comparadas através do uso de uma regressão fuzzy para demonstrar a linearidade
entre essas escalas e obter coeficientes que as relacionem, tornando suas semelhanças ̶ e diferenças ̶
mais aparentes. Já num caráter mais prático na área de mecânica dos sólidos, pode-se citar o trabalho
de (Muhanna & Mullen, 1999). Nele, para solucionar problemas de carregamentos mutáveis e
demasiadamente complexos cujos estados de tensão são incertos e determinados de forma
probabilística, os autores propõem o uso de um algoritmo que mescla o método dos elementos finitos
com a lógica fuzzy para reduzir o custo computacional das análises.

Por outro lado, e diferentemente das áreas citadas anteriormente, o campo da engenharia biomédica
possui uma ampla literatura acerca da lógica fuzzy, especialmente em tópicos como a eletromiografia
(EMG) e a eletroencefalografia (EEG). Tais técnicas (EMG e EEG) são utilizadas para aquisição de
sinais bioelétricos e ambas resultam em sinais estocásticos, requerendo métodos computacionais
robustos para extrair informações uteis. De forma geral, os métodos de inferência fuzzy, quando
utilizados em conjunto com EMG e EEG, aparecem na forma de classificadores, i.e., algoritmos
capazes de reconhecer padrões e categorizá-los para um determinado fim. É o caso, por exemplo, dos
trabalhos de (Chan, Yong-Sheng Yang, Lam, Yuan-Ting Zhang & Parker, 2000), (Bozhenyuk,
Bozheniuk & Khamidulina, 2015) e de (Khushaba, Al-Ani & Al-Jumaily, 2010). O primeiro trabalho,
tal como o terceiro, apresentam metodologias semelhantes e têm como premissa a classificação dos
sinais de EMG para realizar o controle de uma prótese, enquanto o segundo trabalho realiza uma
inferência fuzzy segmentando o sinal e comparando cada elemento com os segmentos na vizinhança.
Diferentes, porém ainda com a mesma essência, são os trabalhos de (Khushaba, Al-Jumaily & Al-Ani,
2009) e de (Rahatabad, Jafari, Fallah & Razjouyan, 2012), que propõem algoritmos fuzzy evolutivos, o
primeiro com a finalidade de aperfeiçoar os classificadores de sinais de EMG e o segundo para analisar
as forças despendidas pelos músculos utilizando sinais mioelétricos e as relações entre força e
comprimento do músculo. Na mesma linha, é possível citar os trabalhos relacionados a classificadores
Neuro-Fuzzy, como os descritos por (Kiguchi, Iwami, Watanabe & Fukuda, 2001), (Kiguchi, Tanaka
& Fukuda, 2004) e por (Hussein & Granat, 2002). O primeiro trabalho propõe-se a desenvolver
exoesqueletos para os ombros para pessoas com pouca força muscular, como idosos, e ajudá-las a ter
maior independência. O segundo trabalho, por sua vez, é uma continuação do primeiro, sendo mais
robusto tanto mecanicamente quanto computacionalmente, com a adição de um atuador pneumático
capaz de ajustar o exoesqueleto para cada pessoa e com a implementação de um algoritmo que se
adequa às condições físicas e psicológicas do voluntário. O terceiro trabalho, por sua vez, utiliza um
algoritmo evolutivo para aproximar os sinais mioelétricos por um conjunto de funções que servem de
parâmetro para um classificador neuro-fuzzy que combina essas funções e as identifica nos padrões de
sinais obtidos. A exemplo do trabalho de (Hussein & Granat, 2002) citado acima, é possível citar
Tópicos Especiais em Instrumentação I 2019, 08 4

outros dois artigos que mesclam mais de um método para aperfeiçoar seu classificador, como os
trabalhos de (Micera, Sabatini, Dario & Rossi, 1999), que combina métodos estatísticos e de inferência
fuzzy, e de (Lee & Gonzalez, 2008), que se propõem a controlar um braço robótico biomimético.
Diferentemente dos trabalhos anteriores, este ultimo não utiliza a lógica fuzzy para classificar os
movimentos, mas sim como um mecanismo que correlaciona os sinais obtidos via EMG e a posição
espacial do braço a fim de compará-lo com os métodos que seguem. O segundo método, por sua vez,
utiliza equações polinomiais propostas por (Hunt & Gonzalez, 2004) para determinação dos momentos
de dezesseis músculos de um braço humano em função da posição angular, comparando a posição
atual do braço e a obtida analiticamente, comparando-as e fazendo uma regressão fuzzy para melhorar
a acuidade do método. Por fim, o terceiro método utiliza a técnica de controle PID (Controlador
Proporcional Integral Derivativo), onde os erros de posicionamento são medidos e corrigidos pelos
músculos artificiais pela variação da tensão elétrica de alimentação. Ao comparar os resultados obtidos
pelos três métodos, o PID acaba por ser o que apresenta melhor controle, embora o método dos
momentos tenha apresentado resultados satisfatórios.

Além das técnicas de EMG e de EEG, outros tipos de biosinais podem ser adquiridos, como
descrito por (Priyadharsini & Rajan, 2012). Aqui, os autores descrevem técnicas utilizando redes
neurais e inferência fuzzy para extração de sinal útil adquiridos por EEG e que foram contaminados
por sinais de eletro-oculografia (EOG).

Ainda no tópico de EEG, porém com uma abordagem diferente, é possível citar as pesquisas de
(Um, Hu & Min, 2016) e de (Chang & Lo, 2005). No primeiro artigo, desenvolve-se um sistema de
reconhecimento baseado em EEG, uma vez que cada pessoa gera sinais eletro-encefálicos únicos. Uma
vez que sinais de EEG são altamente ruidosos, o problema é contornado implementando um método de
entropia fuzzy ̶ insensível a ruído ̶ e que mede a desordem do sistema. Já para o segundo artigo, a
fim de compreender os estados de consciência atingidos durante a meditação, foram realizadas
aquisições de eletroencefalografia para determinar o arranjo dos padrões de oscilações neuronais
macroscópicas, classificados dentro de faixas de frequência e dados por δ (delta, f < 4 Hz), θ (theta, 4
Hz ≤ f ≤ 8 Hz), α (alpha, 8 Hz ≤ f ≤ 13 Hz e β (beta, f > 13 Hz). Analisando a dispersão destes padrões
é possível determinar o estado mental do voluntário. A metodologia de análise primeiro aplicou uma
transformada de Wavelet para os sinais de EEG e, em seguida, um método de agrupamento fuzzy para
classificar os padrões de oscilações neuronais. Como a pesquisa não tinha bases prévias do
comportamento dos sinais de EEG para o estado meditativo, os resultados não foram muito acurados.

3. Conclusões

De acordo com os artigos estudados e com a disponibilidade deles na literatura científica, é possível
denotar um volume considerável de artigos na área da engenharia biomédica implementando a lógica
fuzzy, especialmente no que se refere a métodos de classificação. Há, ainda, um crescimento no
volume de publicações nas áreas de energia e de processos de fabricação e que pode, ainda, ser muito
Tópicos Especiais em Instrumentação I 2019, 08 5

explorado, especialmente para as simulações mais complexas. Já na área da mecânica dos sólidos,
porém, apesar de sua complexidade, há um numero modesto de publicações, o que pode significar que
os métodos disponíveis para resolução de problemas já são suficientemente robustos.

Referências Bibliográficas

1. Marković, Z.J.; Stupar, S.N.; Dinulović, M.R.; Peković, O.M.; Stefanović, P.L.; Cvetinović,
D.B. Assessment results of fluid-structure interaction numerical simulation using fuzzy logic. Thermal
Science, 2016, Vol.20, pp.s235-s250.
2. Živković, P. M.; Nikolić, V. D.; Ilić, G. S.; Ćojbašić, Ž. M.; Ć., Ivan, T. Hybrid soft computing
control strategies for improving the energy capture of a wind farm. Thermal Science, 2012,
Vol.16p.S483.
3. Yin, J.; Li, D.; Peng, Y. Knowledge acquisition from metal forming simulation. The International
Journal of Advanced Manufacturing Technology, 2006, Vol.29(3), pp.279-286.
4. Luo, X.; Tang, J.; Wang, D. An optimization method for components selection using quality
function deployment. The International Journal of Advanced Manufacturing Technology, 2008,
Vol.39(1), pp.158-167.
5. Chiang, M.; Lee, L.; Tsai, J. The concurrent implementation of high velocity control performance
and high energy efficiency for hydraulic injection moulding machines. The International Journal of
Advanced Manufacturing Technology, 2004, Vol.23(3), pp.256-262.
6. Karakasidis, T.E.; Georgiou, D.N.; Nieto, J.J. Fuzzy regression analysis: An application on
tensile strength of materials and hardness scales. Journal of Intelligent and Fuzzy Systems, 2012,
Vol.23(5), pp.177-186.
7. Muhanna, R. L.; Mullen, R. L. Formulation of fuzzy finite-element methods for solid mechanics
problems. Computer‐Aided Civil and Infrastructure Engineering, March 1999, Vol.14(2), pp.107-117.
8. Chan, F.H.Y.; Yong-Sheng Yang; Lam, F.K; Yuan-Ting Zhang; Parker, P.A. Fuzzy EMG
Classification for Prosthesis Control. IEEE Transactions on Rehabilitation Engineering, September
2000, Vol.8(3), pp.305-311.
9. Khushaba, R. N.; Al-Jumaily, A.; Al-Ani, A. Evolutionary fuzzy discriminant analysis feature
projection technique in myoelectric control. Pattern Recognition Letters, 2009, Vol.30(7), pp.699-707.
10. Rahatabad, F.N.; Jafari, A.H.; Fallah, A.; Razjouyan, J. A fuzzy-genetic model for estimating
forces from electromyographical activity of antagonistic muscles due to planar lower arm movements:
The effect of nonlinear muscle properties. BioSystems, Jan, 2012, Vol.107(1), p.56(8).
11. Micera, S.; Sabatini, A. M.; Dario, P.; Rossi, B. A hybrid approach to EMG pattern analysis for
classification of arm movements using statistical and fuzzy techniques. Medical Engineering and
Physics, 1999, Vol.21(5), pp.303-311.
12. Lee, C.; Gonzalez, R. Fuzzy logic versus a PID controller for position control of a muscle-like
actuated arm. Journal of Mechanical Science and Technology, 2008, Vol.22(8), pp.1475-1482.
Tópicos Especiais em Instrumentação I 2019, 08 6

13. Kiguchi, K; Iwami, K; Watanabe, K; Fukuda, T. A study of an EMG-based exoskeletal robot for
human shoulder motion support. Jsme International Journal Series C-Mechanical Systems Machine
Elements And, 2001 Dec, Vol.44(4), pp.1133-1141.
14. Kiguchi, K; Tanaka, T; Fukuda, T. Neuro-fuzzy control of a robotic exoskeleton with EMG
signals. IEEE Transactions on Fuzzy Systems, August 2004, Vol.12(4), pp.481-490.
15. Hussein, S.E; Granat, M.H. Intention detection using a neuro-fuzzy EMG classifier. IEEE
Engineering in Medicine and Biology Magazine, November 2002, Vol.21(6), pp.123-129.
16. Khushaba, R.N.; Al-Ani, A.; Al-Jumaily, A. Orthogonal fuzzy neighborhood discriminant
Analysis for multifunction myoelectric hand control. IEEE Transactions on Biomedical Engineering,
June 2010, Vol.57(6), pp.1410-1419.
17. Bozhenyuk, A.; Bozheniuk, V.; Khamidulina, A. Fuzzy deductive inference scheme application in
solving the problem of modelling movements of the hand prosthesis. Information Technology and
Management Science, 01 December 2015, Vol.18(1), pp.12-16.
18. Priyadharsini, S. S.; Rajan, S. E. An efficient soft-computing technique for extraction of EEG
signal from tainted EEG signal. Applied Soft Computing 12 (2012) 1131–1137.
19. Mu, Z.; Hu, J.; Min, J. Eeg-based person authentication using a fuzzy entropy-related approach
with two electrodes. Entropy, 2016, Vol.18(12), p.432.
20. Chang, Kang-Ming; Lo, PEI-Chen. Meditation eeg interpretation based on novel fuzzy-merging
strategies and wavelet features. Biomedical Engineering: Applications, Basis and Communications, 25
August 2005, Vol.17(4), pp.167-175.
21. Hunt, V.; Gonzalez, R.V. Using musculoskeletal properties to develop a normalized potential
moment contribution index for individual arm muscles, ASME National Congress, Anaheim, CA, Nov,
(2004).