CENTRO UNIVERSITÁRIO SANTO AGOSTINHO – UNIFSA

NÚCLEO DE APOIO PEDAGÓGICO – NUAPE

ENGENHARIA ELÉTRICA
PROFESSOR: STENHO SOUSA COELHO
ALUNOS:
ALISSON DO NASCIMENTO SILVA
CLAUDIO REIS DA SILVA SOUSA
LANA ERICA DE ASSIS VERAS
MARCOS ANTONIO ALVES DE SOUSA LIMA
MATEUS GALVÃO FERREIRA
REGIVALDO EUFRAZINO MENDES FILHO

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>

ou então em uma regra típica de uma situação de controle:

SE <condição> ENTÃO <ação>

Regras associam conclusões (ou consequências) com condições (ou

antecedentes). O método heurístico é similar ao método experimental de se
construir uma tabela de entradas e saídas. Para cada linha da tabela, têm-se
uma relação entre as variáveis de entrada(s) e as saída(s). Pode-se escrever
uma linha de regra heurística da seguinte forma:

SE Eent = MÉDIO então Esaída = GRANDE.

Cada problema requer uma forma de calcular uma função heurística.

No algoritmo de busca de caminhos A*, algumas métricas que podem ser
usadas para o cálculo da função heurística são a distância Euclidiana
(Distância em linha reta) e distância de Manhattan (Soma das diferenças
absolutas em cada espaço de busca). Porém, tais heurísticas são usadas para
guiar a solução de muitos outros problemas. Um exemplo é o quebra-cabeça
de peças deslizantes, no qual a heurística pode ser calculada como a
quantidade de peças fora do lugar, ou a soma das distâncias das peças até a
suas posições corretas.
A função heurística controla o fluxo de execução do algoritmo A*.
Características relevantes dessas funções são:
 Se h(n) = 0, apenas o g(n) desempenha o papel de seleção do nodo a
ser expandido.
 Se h(n) for menor ou igual a distância de deslocamento até o objetivo, é
garantido que o caminho encontrado é ótimo. Quanto menor h(n), mais o
A* se expande, tornando o mais lento.
  Se h(n) for exatamente igual ao custo de passar n para a posição
objetivo, o A* seguirá apenas o melhor caminho e nunca expandirá mais
nada, tornando-o muito rápido.
 Se h(n) for maior que a distância de deslocamento até o objetivo, não é
garantido que o caminho encontrado é ótimo.

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]

Desta forma, a função de pertinência µA associa cada elemento x que

faz parte de Z um número real µA(x) no intervalo [0,1], que representa o grau
de possibilidade (pertinência) de que o elemento x venha a pertencer ao
conjunto Y, ou seja, de forma quantitativa a possibilidade do elemento x
pertencer ao conjunto A. Se µA(x) = 0, o elemento x não pertencerá ao
conjunto A, caso contrário µA(x) = 1, o elemento x pertencerá ao conjunto A.

SUBCONJUNTO E PARES ORDENADOS

A teoria de conjuntos fuzzy é eficiente para modelar a incerteza na
definição de parâmetros e tem resultados nas mais variadas aplicações. Esta
teoria, que considera a subjetividade e a experiência dos profissionais, é capaz
de capturar informações imprecisas, descritas em linguagem natural, e
convertê-las para um formato numérico, visando efetuar um raciocínio
aproximado, com proposições imprecisas, através de conjuntos fuzzy. Um
subconjunto U de um conjunto S pode ser definido como um conjunto de pares
ordenados, onde cada par tem como primeiro elemento um elemento de S e
como segundo um elemento pertencente ao conjunto {0, 1}, com exatamente
um par ordenado para cada elemento de S. Isto define um mapeamento entre
elementos de S e elementos do conjunto {0, 1}. O valor zero é usado para
representar a não pertinência.
 Embora a teoria dos conjuntos fuzzy estude casos de incertezas, vale
lembrar que tal teoria é muito bem definida. O que é incerto é a propriedade
que define o conjunto em questão. Para obter a formalização matemática de
um conjunto fuzzy, foi-se baseado no fato de que qualquer conjunto clássico
pode ser caracterizado por uma função característica, cuja definição é dada a
seguir.
Definição 1
Seja U um universo de discurso e A um subconjunto de U. A função
característica de A é dada por:

Assim, XA é uma função cujo domínio é U e a imagem está contida no

conjunto {0, 1}. Aqui, χA(x) = 1 indica que o elemento X está em A, enquanto
XA(x) = 0 indica que X não é elemento de A.
Dessa forma, a função característica descreve completamente o
conjunto A, já que tal função indica quais elementos do conjunto universo U
são também elementos de A. No entanto, existem casos em que a pertinência
entre elementos e conjuntos não é precisa, ou seja, não sabemos dizer se um
elemento pertence efetivamente a um conjunto ou não.
Logo é possível dizer qual elemento do conjunto universo se enquadra
“melhor” ao termo que caracteriza o subconjunto. Por exemplo, consideremos o
subconjunto dos números reais “próximo de 2”.

Poderíamos perguntar se o número 7 e o número 2,002 pertencem a A.

A resposta é incerta, pois não sabemos até que ponto podemos dizer
objetivamente quando um número está próximo de 2. O que pode afirmar é que
2,002 está mais próximo de 2 do que 7. Iniciaremos, então, as formalizações
dos conceitos da teoria dos conjuntos fuzzy com a noção de subconjunto fuzzy
Exemplo:
(Números próximos de dois). Considere o subconjunto F dos números
reais próximos de 2:

Se definirmos a função ϕF : R−→[0 ,1] que associa cada x real ao valor

de proximidade ao ponto 2 pela
expressão:

Então o subconjunto fuzzy F dos pontos próximos de 2, caracterizado

por ϕF , é tal que ϕF (2,002)=0,999e ϕF (7)=0. Nesse caso, dizemos que x =
2,002 é um ponto próximo de 2 com grau de proximidade 0,999 e x = 7 não é
próximo de 2.
 Definição 2
Seja U um universo de discurso. Um subconjunto fuzzy F de U é
caracterizado por uma função pré-fixada, chamada
função de pertinência do subconjunto fuzzy F.

A classe de todos os subconjuntos fuzzy de U é denominado por F(U).

O valor ϕF ( x) indica o grau com que o elemento x de U está no conjunto fuzzy
F. Em particular, ϕF ( x)=0 e ϕF ( x)=1 indicam, respectivamente, a não
pertinência e a pertinência completa de x ao conjunto fuzzy F. Do ponto de
vista formal, a definição de subconjunto fuzzy foi obtida simplesmente
ampliando-se o contradomínio da função característica, que é o conjunto {0,1},
para o intervalo [0,1]. Nesse sentido, podemos dizer que um conjunto clássico
é um caso particular de conjunto fuzzy, cuja função de pertinência ϕF é sua
função característica χF. Na linguagem fuzzy um subconjunto clássico costuma
ser denominado subconjunto crisp.
Exemplo:
(Conjunto fuzzy dos jovens). Um segundo exemplo seria o conjunto
fuzzy das pessoas jovens. Consideremos os habitantes de uma determinada
cidade. A cada indivíduo desta população podemos associar um número real
correspondente à sua idade. Considere o conjunto universo das idades o
intervalo U = [0,120], em que x ∈ U é interpretado como a idade de um

indivíduo.
ou Um subconjunto fuzzy J de U,
dos jovens desta cidade, poderia ser caracterizado pelas seguintes funções de
pertinência:

A escolha de qual equação adotar para representar o conceito de

jovem depende muito do modelador e/ou do contexto analisado.
Um conjunto fuzzy que não é normal é chamado de subnormal. Duas
características importantes de conjuntos fuzzy são:
 O suporte de A: é a parte de U sobre a qual a função de pertinência
de A não é nula. A sua notação é supp(A) e verifica:

supp( A)={x ∈ U /µ A( x )≠ ¿ 0 }

 O núcleo de A: ele não é vazio na condição de que o conjunto fuzzy

A seja normalizado. A sua notação é nuc(A) e verifica:

nuc ( A)={ x ∈U /µ A ( x )=¿ 1}

Uma propriedade importante dos conjuntos fuzzy é a sua habilidade de

expressar transições graduais de pertinência para não-pertinência. Isto permite
a captura, pelo menos de forma grosseira, do sentido de expressões em
linguagem natural que são na maioria das vezes vagas.
 Componentes de um Conjunto Fuzzy
 Conjunto Singleton
Um conjunto fuzzy é chamado de singleton se seu suporte é um único
ponto em U e com de grau de pertinência igual a 1, µ(x) = 1. ou mais
precisamente um singleton difuso, é um conjunto fuzzy com uma função de
pertinência que é a unidade em um único ponto do universo de discurso e de
zero em qualquer outro lugar.
A figura abaixo ilustra um conjunto singleton de domínio 4.

 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.

A função µA(x): U {0,1} é chamada de função característica na teoria

clássica de conjuntos. É comum usar-se uma generalização desta ideia para
diversos problemas, como para manipulação de dados com erros limitados.
Todos os números situados em um erro percentual terão um fator de
pertinência igual a 1, os demais serão considerados um fator de pertinência
igual a zero.
Segundo Zadeh, visando uma caracterização mais ampla, alguns
elementos são mais membros de um conjunto do que outro. O valor de
pertinência pode assumir qualquer valor entre 0 e 1, sendo 0 um indicador de
uma completa exclusão e um valor 1 representa uma completa pertinência.
Formalmente, seja U um aglomerado de elementos denominados de {u}, U é
chamado de universo de discurso, podendo ser contínuo ou discreto. Um
conjunto fuzzy A em um universo de discurso U é definido por uma função de
pertinência µA que assume valores em um intervalo [0,1]:
 µA :U →[0,1]

O conjunto fuzzy A em U é, desta forma, um conjunto de pares

ordenados.
A=µAuu , u ∈U

O conjunto de suporte de um conjunto fuzzy A é o subconjunto dos

pontos u de U tal que µA(u) > 0. Um conjunto fuzzy cujo conjunto suporte é um
único ponto de U com µA = 1 é chamado de um conjunto unitário fuzzy.

OPERAÇÕES ENTRE CONJUNTOS NO MESMO UNIVERSO DE

DISCURSO E EM UNIVERSOS DE DISCURSO DIFERENTES
Pôde-se concluir que os conjuntos fuzzy, que classificam os elementos
de um dado universo, são menos rígidos do que aqueles utilizados na teoria
clássica visto que eles admitem graus parciais de pertinência. O primeiro passo
na representação de conjuntos fuzzy é a escolha da função de pertinência. A
escolha dessa função depende do problema a ser modelado e da capacidade
computacional disponível para processar o que se deseja. Funções não-
lineares podem ser mais eficientes para problemas mais complicados, porém,
elas demandam um poder computacional muito maior do que as funções
lineares.
Operações entre conjuntos em geral
Plantas e processos industriais são sistemas físicos comandados de
forma a transformar uma determinada matéria-prima em algo útil. Há, portanto,
uma interação no fluxo energético do sistema para que ocorra tal
transformação; tal interação implica em várias operações que devem ser
executadas através das regras de operação desse sistema. Se a energia, quer
seja mecânica, elétrica, térmica ou química e os sistemas ou os modelos
matemáticos dos sistemas forem expressos em números conjuntos há de se
determinar as regras de interação entre eles como substanciando a importância
do estudo de operações entre conjuntos como universo de discursos
diferentes.
Embora em lógica tradicional as operações com os conjuntos sejam
essencialmente operações booleanas possibilitadas pelos conectivos na lógica
fuzzy há diversos operadores para se realizar as operações lógicas os quais
são basicamente divididos em duas classes: as normas triangulares chamadas
por normas TE e as normas duais chamadas por normas S ou Connor, mas t.
Portanto o projetista de um sistema fuzzy tem diversos graus de liberdade para
escolher implicações fuzzy em tarefas de controle.
 Intersecção de Conjuntos Booleanos
Dados 2 conjuntos A e B onde A ⊂ E , B⊂ E , ou seja, é um universo de
discurso comum a ambos se define a intersecção com o conjunto de todos os
elementos x que são membros de ambos os conjuntos AEBE isso está
ilustrado no diagrama de Venn:

{
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.

União de Conjuntos Booleanos

Dados dois conjuntos A e B, Onde A contém B e B contém em E, ou
seja, é um universo de discurso comum a ambos a A e B é o conjunto de dados
de todos os elementos x que pertence ao conjunto A ou ao conjunto B ou a
ambos A e B.

Complemento de Conjuntos Booleanos

 Seja A Um Subconjunto de um universo de discurso E. o complemento
de A em relação a E, é A, um conjunto de elementos x pertence a E que não
são membros de A.

Devido ao fato de que muitas estruturas de inferência fuzzy são

teoricamente possíveis várias consumir durações na base das regras devem
ser tentadas para se otimizar o desempenho do controlador. assim o projeto de
controladores fundos depende fortemente da sintonia empírica não sendo tal
processo no entanto diferente dos casos em que se necessita de sintonia para
modelos matemáticos de processos ou plantas de igual complexidade. a
diferença é que os controladores fuzzy necessitam ser sintonizados apenas em
uma vez durante o procedimento de projeto e na realidade tal sintonia é parte
integral do projeto. existe, entretanto, um valoroso corpo de experiência além
das orientações práticas que em certas configurações cristalizaram certas
bases de regras com os mais adequados para alguns tipos de controladores.
poderia se dizer que o procedimento de processos controladores fusão também
é fuzzy apesar de haver modernos sistemas de desenvolvimento baseados em
softwares que providenciam uma forma sistemática de projeto resultando em
projetos excelentes para no tocante a funcionalidade e robustez. atualmente
sofisticados pacotes de softwares são utilizados para se facilitar as várias
interações requeridas no processo de sintonia de controladores fuzzy.
Deve-se enfatizar que muitos sistemas baseados em regras resultam
de entrevistas com operadores humanos experientes no sistema artista disse
alterar a estrutura de inferência está conectada à compreensão de descrição
do operador. por outro lado, em projetos baseados em entrevistas com
operadores muito menos tempo que se é esperado já que a experiência do
operador nas regras. a única sintonia nesse caso seria o ajuste de função de
pertinência.

OPERAÇÕES ENTRE CONJUNTOS EM UNIVERSO DE DISCURSO

DIFERENTES
As operações entre conjuntos pertencentes a universos de discurso
diferentes possibilitam a construção da base de conhecimento de um sistema,
ou seja, o mapeamento entre sinais. no que se segue o termo espaço terá
sempre o mesmo significado de universo de discurso. Em sistemas de controle
mapeamentos entre entradas e saídas são o principal interesse. esses
mapeamentos ocorrem entre os conjuntos da variável da entrada e saída
através da expressão condicional de inferência.
 A Regra Composicional de inferência
A regra composicional de inferência disse que se a relação fuzzy que
representa o sistema R (x, y) é conhecida, então, a resposta do sistema B(x)
pode-se determinar a partir de uma excitação conhecida A(x). Existe uma
analogia interessante entre isso é a expressão que representa a resposta de
um sistema linear a uma excitação conhecida em termos de transformadas de
Laplace.
Composição inversa
A regra composicional de inferência gera a resposta do sistema a partir
de uma excitação dada através da relação fuzzy conhecida.
Felizmente um operador humano realiza a composição inverso de
maneira inerente ao aplicar a entrada apropriada para gerar a saída desejada
quando o controlador esforço são utilizados para implementar se as estratégias
de controle de operadores humanos o importante é o comportamento do
operador humano como ele ajustaria os parâmetros de controle para um dado
conjunto de circunstâncias. encontrar sistemas clássicos de identificação do
sistema onde o modelo do processo a ser controlado é identificado na
metodologia fuzzy é o modelo do operador que identificado enquanto controla o
sistema. assim ao implementar um controlador fuzzy que incorpora inteligência
seja um operador humano experiente o operador conhece quais ações devem
ser tomadas para se levar ao sistema a um determinado ponto de operação
operador atua na planta de forma inversa a sua função de transferência ações
quer seja por uma base de regras ou de alguma forma numérica está sendo
feita a composição inversa da planta ou processo para o objetivo de controle.

LÓGICA FUZZY VOLTADA PARA CONTROLADORES

Já vimos até aqui muito sobre a lógica fuzzy, seus conceitos e
aplicações. Agora, vamos tratar um pouco de como esse tipo de lógica é
utilizada em dispositivos controladores. Mas, afinal, o que são esses
controladores e quais suas configurações?
Um controlador fuzzy é composto por uma interface de fuzzyficação,
base de conhecimentos, lógica de tomada de decisões e por uma interface de
defuzzyficação.
Essa estrutura de controlador representa a transformação que ocorre
do domínio real para o domínio fuzzy. Nesse tipo de transformação um
conjunto de inferências fuzzy é usado para tomar as decisões e logo após é
feita a transformação inversa do domínio fuzzy para o domínio real afim de que
ocorra o acoplamento entre a saída do algoritmo fuzzy e as variáveis de
atuação.
Funções da interface de fuzzificação
Responsável por receber valores (não-fuzzy) provenientes de
sensores, dispositivos de entradas computadorizados e outras grandezas
físicas e convertê-los em valores fuzzy.
Base de conhecimento
Consiste no modelo de sistema a ser controlado, é composta por uma
base de dados e uma base de regras. Falando grosseiramente, a base de
dados são os valores recebidos da interface de fuzzificação e a base de regras
é onde eu dito o que eu tenho que fazer com os valores recebidos.
 Lógica de tomada de decisões
Esta, utilizando da lógica fuzzy e simulando a tomada de decisões
humanas consegue, digamos, separar os valores anteriormente recebidos com
base nas regras antes descritas.
Funções da interface de defuzzificação
Basicamente, é a transformação de valores que estão em fuzzy para
valores reais a serem utilizados numa ação de controle.
Esta função só é necessária quando a saída do controlador tiver que
ser interpretada como uma ação discreta de controle. Um exemplo de uso da
defuzzificação é quando precisamos mover um motor para uma determinada
posição angular pré-definida. Existem sistemas que não utilizam a
defuzzificação pois a saída fuzzy é interpretada de modo qualitativo. A
fabricação de queijos é um bom exemplo do uso de sistemas que não
necessitam de defuzzificação pois o padrão de saída é comparado com os
aspectos já atestados anteriormente utilizando o olfato e o paladar de
experimentadores humanos.

FUNÇÕES DE PERTINÊNCIA FUZZY

Uma função de pertinência é uma função numérica gráfica ou tabulada
que atribui valores de pertinência fuzzy para valores discretos de uma variável,
em seu universo de discurso. Essas funções representam os aspectos
fundamentais de todas as ações teóricas e práticas de um sistema fuzzy.
Abaixo temos três exemplos de funções de pertinência onde o eixo
vertical representa o intervalo [0, 1] e o eixo horizontal representa o universo de
discurso.

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

a nossas duas entradas (UMID e TEMP).

Procedimentos e resultados
1º Definimos os parâmetros de entrada e saída do sistema de forma a termos
uma topologia do sistema de controle;
2º Definimos as funções de pertinência das variáveis de entrada e saída;
3º Definimos as regras de inferência.
No primeiro caso definimos três funções de pertinência por parâmetro
(entradas e saída) sendo escolhida a forma triangular;
 No segundo caso modificamos de três para cinco funções de
pertinência, e estas utilizam a forma Gaussiana com o objetivo de melhorar a
sensibilidade de controle.
No primeiro caso tínhamos três funções de pertinência por parâmetro,

a definição das regras de inferência ficou muito simples;

No segundo caso temos cinco funções de pertinência e definimos vinte
e cinco regras de inferência.
No primeiro sistema a sua resposta é muita brusca possuindo um
controle inadequado, ou seja, a sensibilidade do sistema e baixa;
 No segundo sistema há uma significativa melhora na resposta, onde a
sensibilidade do sistema é alta efetuando um controle mais suave.
Conclusão
A ideia de se automatizar um sistema de ar-condicionado é encontrar
um ponto ideal de temperatura confortável. O problema de se encontrar um
ponto confortável para diferentes pessoas é muito complexo, porque esta tem
percepções diferentes sobre o que é uma temperatura ideal de conforto,
dependendo de sua:
 origem geográfica;
 peso corporal;
 índice metabólico;
 outras subjetividades.
REFERÊNCIAS BIBLIOGRAFICAS

SIMÕES, Marcelo Godoy; SHAW, Ian S. Controle e modelagem Fuzzy. 2. ed.

São Paulo: Blucher, 2007.