Escolar Documentos
Profissional Documentos
Cultura Documentos
LÓGICA FUZZY
TERESINA
2022
1. INTRODUÇÃO
Este apresenta fundamentação de conceitos necessários para a
implementação de sistemas de controle inteligente, através de logica Fuzzy,
redes neurais e sistemas neurofuzzy.
A característica especial da lógica Fuzzy (também referida como logica
nebulosa e em alguns casos por teoria de possibilidades) é a de representar
uma forma inovadora de manuseio de informações imprecisas, de forma muito
distinta da teoria de possibilidades, A lógica Fuzzy prover um método de
traduzir expressões verbais, vagas, imprecisas e qualitativas, comuns na
comunicação humana compreensível pelos computadores. A tecnologia
possibilitada pelo enfoque Fuzzy tem um imenso valor prático, pois torna
possível a inclusão de operadores humanos que facilitam processos em
controladores computadorizados, possibilitando a tomada de decisões e
estratégias em problemas complexos.
A teoria Fuzzy pode também ser agregada aos sistemas de redes
neurais chamadas sistemas Neurofuzzy, que aumentam a capacidade de
aprendizado através de interface com dados numéricos. A teoria Fuzzy, redes
neurais e redes neurofuzzy são frequentemente referidas como inteligentes,
devido ao fato de emularem inteligência humana. Os sistemas de modelagem e
controle baseado em lógica Fuzzy são mundialmente reconhecidas e utilizadas
como ferramenta para disciplinas de engenharia de controle, comunicação
homem-máquina, tomadas de decisão entre outras.
O que é um sistema inteligente.
Os chamados “sistemas inteligentes” são aqueles que fornecem
respostas que solucionam problemas, tais respostas associadas às situações
especificas destes problemas mesmo que sejam novos ou inesperados,
fazendo com que tal comportamento seja único ou criativo, A operação desses
sistemas é geralmente comparada às analogias com sistemas biológicos: Por
exemplo, ao se observar as tomadas de decisões e reconhecimento de padrão
feito por humanos. Entretanto existe um grande descompasso entre a
criatividade de humanos, pois raciocinam de forma imprecisa, para as das
máquinas que solucionam problemas com exatidão e precisão binária, a
eliminação desse aspecto(precisa) nas máquinas faria com que elas pudessem
raciocinar como os humanos, essa forma de raciocínio é chamada em inglês
por “Fuzzy” e será aqui utilizada como sinônimo de incerto, impreciso, difuso ou
nebuloso.
A inteligência artificial é uma disciplina que estuda como as máquinas
podem emular a resolução de problemas feito por humanos, e como fazer com
que elas atribuam mais características humanas.
Operadores humanos podem controlar processos industriais e plantas
com características não-lineares e comportamentos dinâmicos, através de
aparências e referências de relações entre as variáveis de processo. A lógica
Fuzzy é uma técnica que pode ser projetada para comporta-se conforme
raciocínio dedutivo humano, isto é, o processo que as pessoas utilizam para
inferir conclusões baseadas em informações que elas já conhecem.
Outra forma de raciocínio que pode ser incorporado nos controladores
Fuzzy é o indutivo, onde seria possível o aprendizado e generalização através
de exemplos particulares proveniente da observação do comportamento do
processo numa situação dinâmica, esse processo é geralmente conhecido
como controle Fuzzy-aprendiz ou Fuzzy adaptativo. Vantagens significativas
podem ser obtidas desse tipo de controladores, pois quando uma situação é
encontrada rapidamente esses saberão se adaptar e gerenciar o problema,
devido serem sistemas Fuzzy adaptativos podem se ajustar às mudanças no
ambiente devido a sua habilidade de aprender e explicar seu raciocínio.
Controladores Fuzzy operacionais utilizam apenas o que tem
tradicionalmente sido legado para os humanos como tarefa, por exemplo, os
sistemas os sistemas supervisórios de controles industriais, onde o valor de
referência(set-point) de muitos controladores PID podem ser controlados por
uma estratégia Fuzzy representam bem-sucedida na área industrial. Nesses
casos a experiência de operadores humanos podem ser capturadas em um
controlador Fuzzy, providenciando uma técnica heurística para se projetar os
objetivos de supervisão.
Uma outra ferramenta muito poderosa em controle inteligente é a
aplicação de redes neurais artificiais, que emulam funções biológicas de baixo
nível em nosso cérebro para resolver tarefas de controle. Redes neurais tema
capacidade de aprender como controlar um sistema através de exemplos
numéricos entre dados de saída de memo, enquanto a técnica Fuzzy pode
aprender através de experiência e exemplos semânticos.
Modelagem de plantas e processos em sistemas de controle.
A modelagem e situações reais é necessária por poder ser objeto de
estudo em ensaios e experimentos de uma forma mais fácil e com menores
custos, do que a utilização dos sistemas reais. Destaca-se enfoques de
modelagem baseados em Método Experimental, Método matemático, e Método
Heurístico.
Método Experimental consiste em um sistema com uma única entrada
e uma única saída de parâmetros invariantes no tempo, caracterizado por uma
tabela, a qual foi construída experimentalmente através da medição da
resposta na saída para um conjunto de valores na entrada. O método é
equivalente ao de se plotar pontos discretos de uma curva caracterizada de
entradas versus saídas, utilizando-se o eixo horizontal para entradas e o eixo
vertical para saídas.
Método de Modelagem Matemática com enfoque tradicionalmente
utilizado em engenharia de controle é o de se obter um modelo idealizado do
processo a ser controlado, geralmente na forma de equações diferenciais ou de
diferença. De forma a se obter modelos matemáticos simples, certas restrições
são feitas; assumindo-se por exemplo que o processo é linear, ou seja, que
variações nas entradas produzem variações proporcionais nas saídas. Ao se
assumir a propriedade de linearidade, pode-se utilizar de técnicas poderosas e
conhecidas na área da engenharia tecnologia, com soluções analíticas ideais,
já as não-lineares não possuem uma solução analítica e necessitam ser
linearizadas em torno deum ponto de operação. Outra restrição muito utilizada
é que os parâmetros de processo não se alteram, são invariantes no tempo,
apesar de na realidade ocorrer deterioração dos componentes e sofrerem
impactos ambientais. Devido a isso, o projetista em geral, encontra sérias
dificuldades no desenvolvimento de uma descrição matemática realista de um
processo industrial. As causas de tais dificuldades podem ser classificadas
como: fenômenos químicos pobremente compreendidos, valores imprecisos de
parâmetros, Complexidade do modelo, distúrbios externos e deficiência de
qualidade técnica.
É claro que ao se assumir simplificações em modelos matemáticos,
pode-se ignorar informações importantes, e esta perda de informações implica
em reajustes e uma não sintonia do controlador na planta real na operação do
processo. Isso que ocorre na prática e pode ser até bem-sucedido, todavia
quando a complexidade do processo excede um determinado grau, os modelos
matemáticos não apenas se tornam, como também sua precisão e
confiabilidade relativas à realidade física se tornam questionáveis. Na verdade,
a teoria avançada de controle tem incorporado um tal grau de satisfação, que o
tratamento matemático se torna completamente divorciado da realidade física.
A noção de precisão matemática tem sido fortemente enrizada na
cultura, que dos anos 60 a 70 nenhum engenheiro ou cientista ousaria desafiar
tal conceito. Porém engenheiros voltados a simplificações práticas concluíram
que devido as simplificações feitas pelas limitações físicas, tornou-se
contraditório a busca cada vez maior de precisão na modelagem matemática.
Método de modelagem Heurístico: O método consiste em se realizar
uma tarefa de acordo coma experiência prévia, com regras práticas ou “dicas”
e estratégias já frequentemente utilizadas. Uma regra heurística é uma
implicação lógica da forma:
SE <condição> ENTÃO <consequência>
2. DESENVOLVIMENTO
A partir daqui descreveremos um pouco de cada capítulo proposto para
o trabalho.
MODELAGEM DE SISTEMAS E METODOS DE MODELAGEM
Vamos entender um pouco sobre f (x)
modelagem do sistema. Para modelar
um sistema é necessário descrever o
comportamento do mesmo para, por
exemplo, sua análise, simulação e
projeto de controladores. Aqui vamos
apresentar 3 categorias de aplicações
do sistema. equações matemáticas,
regras fuzzy (linguísticas) e redes
neurais artificiais (Yamakawa, 1993).
Essas equações relacionais ou
diferenciais descrevem a dinâmica ou a
cinética de sistemas em uma forma
muito conveniente. Se o comando (x) e 4.00
a Saída ou resposta f(x) é obtida como x
mostrado na figura 1, então f(x) é descrito por:
A inferência fuzzy exibe um comportamento similar àquele descrito por
funções matemáticas. Ainda mais, é muito mais fácil reelaborar regras fuzzy do
que equações matemáticas quando se tem processos variáveis.
Cada elemento realizando uma operação de agregação a partir de um
modelo de um neurônio físico. Quando wij (i =1, ..., n) é o peso atribuído ao
sinal de entrada Pi para o j-ésimo neurônio e aj e q. são um limiar e o sinal de
saída do j-ésimo neurônio, respectivamente, o sinal de saída é tipicamente
dado por:
q j=h
(∑ w ∙ p −θ )
i
ij i j
Onde h é
em geral uma
função de agregação
sigmoidal, e.g.:
Abaixo
temos uma Rede
Neural que representa
a função f(x)
descrita acima.
PROBABILIDADE E POSSIBILIDADE
A teoria de conjuntos fuzzy tem como base o fato de que os conjuntos
existentes no mundo não possuem limites específicos. Um conjunto fuzzy é um
agrupamento impreciso e indefinido, onde a mudança de não-pertinência para
pertinência de forma gradativa. Um dos primeiros fundamentos da teoria fuzzy
é a diferenciação de probabilidade, que utiliza funções de distribuição de
probabilidade de uma variável X, sobre um domínio D, que impõe a cada valor
de D um valor de 0 e 1, indicando a probabilidade de X ser igual às somas das
probabilidades deve ser igual a 1, neste caso.
Já o modelo baseado em possibilidades é feito conforme a teoria dos
conjuntos fuzzy. Aqui cada elemento tem seu valor associado no intervalo de 0
a 1, assim sendo indicado seu peso ou grau de pertinência ao conjunto.
O grau funcionário de pertinência pode ser atribuído como uma medida
de possibilidade, sendo assim, a possibilidade de que um elemento em questão
seja membro do conjunto. O conceito de probabilidade e possibilidade difere
entre si, a probabilidade expressa à chance de que um elemento faça parte do
conjunto.
O uso do conjunto fuzzy é categorizado em dois propósitos, ainda
mesmo que sejam complementares:
1. Representar conceitos mal definidos em termos de relações
difusas, onde as duplas têm um peso que indique o grau de pertinência à
relação;
2. Representar informações incompletas dentro das próprias duplas.
Neste segundo caso, os domínios são conjuntos fuzzy, assim os
valores dos atributos podem ser simples, nulos difusos ou intervalos. Um
conjunto fuzzy A situado em um universo denominado U, é caracterizado por
uma função de pertinência µA , a qual mapeia os elementos de U para o
intervalo de [0,1], sendo assim:
μA :U ≥[0,1]
indivíduo.
ou Um subconjunto fuzzy J de U,
dos jovens desta cidade, poderia ser caracterizado pelas seguintes funções de
pertinência:
supp( A)={x ∈ U /µ A( x )≠ ¿ 0 }
Conjunto α-cut
Para todo valor α do intervalo [0,1], é definido o α-cut Aα (ou corte no
nível α) de um conjunto fuzzy A de U como o subconjunto:
O α-cut pode ser interpretado como o conjunto fuzzy que apresenta
uma restrição ou um limite imposto ao domínio do conjunto baseado no valor
do α. Assim, o conjunto resultante contém todos os elementos do domínio que
possuem um grau de pertinência, µ(x) superior ou igual ao valor de α. Qualquer
conjunto fuzzy A forma uma família aninhada (nested family) de conjuntos, isto
é: Aα ⊂ Aβ quando α > β.
A figura abaixo ilustra um conjunto α-cut com α =0,2.
VARÁVEIS LINGUÍSTICAS
A variável linguística é uma variável que possui valores que não são
números, mas sim palavras ou frases. Elas são os nomes dos conjuntos fuzzy,
os quais são representados por meio de funções de pertinência. Por exemplo
velocidade de rotação de uma esteira pode ser variável linguística com os
seguintes valores: baixa, média, alta.
As variáveis linguísticas têm a função de fornecer uma forma
sistemática para as descrições aproximadas dos fenômenos complexos ou mal
definidos, utilizando um tipo de descrição linguística mais específica baseado
na linguagem humana, permitindo assim tratamento de sistemas muito
complexos para serem analisados através de cálculos matemáticos.
Generalizando, os valores de uma variável podem ser sentenças em
uma linguagem especificada. Para mostrar esta forma de linguagem mais
detalhada, os valores da variável linguística velocidade pode ser expressos
como: alta, não alta, muito alta, bastante alta, não muito alta, não muito alta. No
caso apresentado, os valores da variável são sentenças a partir da palavra alta,
da negação “não’, do conectivo “mas” e dos modificadores “muito” e “bastante”.
Uma variável linguística é formalmente caracterizada por:
X: nome da variável;
T(X): conjunto de nomes dos valores linguísticos de N;
U: universo de discurso;
G: regra sintática para gerar os valores de n como uma composição de
termos T(X);
M: regra semântica, para associar a cada valor gerado por G um
conjunto fuzzy em U.
UNIVERSO DE DISCURSO
Na teoria clássica de conjuntos, um elemento pertence ou não a um
dado conjunto. Em um universo U, um elemento particular x ∈ U, o grau de
pertinência µA(x) com respeito a um conjunto A U é dado por:
se x pertencer a A, µA(x) = 1;
se x não pertencer a A, µA(x) = 0.
{
O vetor de pertinência A : μ A ( x )= 1 se x ∈ A
2 se x ∉ A
Conjuntos
Booleanos E Disjuntos
conjuntos que
não possuem membros em
comum são chamados por
conjuntos de juntos isto é a
intersecção entre ambos é
o conjunto vazio.
FUZZIFICAÇÃO
A fuzzificação é um mapeamento do domínio dos números reais (em
geral discretos) para o domínio fuzzy. É uma espécie de pré-processamento de
categorias ou classes dos sinais de entrada, reduzindo grandemente o número
de valores a serem processados. A fuzzificação também pode representar que
há atribuição de valores linguísticos, descrições vagas ou qualitativas, definidas
por funções de pertinência às variáveis de entrada.
DEFUZZIFICAÇÃO
Transformação inversa que traduz a saída do domínio fuzzy para o
domínio discreto.
APLICAÇÃO DE LÓGICA FUZZY EM CASO REAL
Sistema de Ar-Condicionado utilizando Lógica Fuzzy
Metodologia
O Sistema de controle objeto deste estudo utiliza duas variáveis de
entrada, temperatura e umidade relativa do ar, e como variável de saída o valor
de temperatura do ar-condicionado;
Inicialmente precisamos entender o conceito de sensação térmica para
definir as variáveis de entrada;
Sensação térmica ou temperatura aparente e a forma como os nossos
sentidos percebem a temperatura do ar:
Umidade;
Densidade;
Velocidade do vento.
Nosso sistema foi realizado considerando o aumento da temperatura
virtual pelo efeito da umidade relativa, ajustando as funções de pertinência;
Também configurando a tabela de inferência até encontrar um
sistema que varie com a sensibilidade que precisamos, o valor da
temperatura do ar-condicionado (saída: TEMP-CLIM) em resposta