Escolar Documentos
Profissional Documentos
Cultura Documentos
I
Sumário
Lista de Figuras I
2 Implementação 8
2.1 Em python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 No simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Emulação dia tı́pico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3 Resultados 17
4 Conclusão 18
Referências 19
1 Revisão Bibliográfica sobre o Artigo
1.1 Introdução
O artigo ”FUZZY LOGIC SIMULATIONS FOR A SMART AIR CONDITIONING
SYSTEM”, proposto por (K; RAMATHILAGAM, 2022), apresenta uma abordagem
inovadora para automatizar o controle de sistemas de ar condicionado utilizando técnicas
de lógica fuzzy. Ele destaca a importância dos sistemas de ar condicionado na vida diária
e sua evolução ao longo do tempo, culminando na proposta de um sistema inteligente
capaz de ajustar automaticamente suas configurações para otimizar o conforto térmico e a
eficiência energética.
5
S.No N. Of Room Atmospheric Room Cooling Power Tilts Fan
Person Size Temp. Temp. Capacity Consumption Position speed
1 Less Small Cold Low Very cold Low Low Low
2 Less Medium Warm Medium Cold Medium Centre Medium
3 Less Large Hot High warm High High Fast
4 Normal Small Cold Low Very cold Low Low Low
5 Normal Medium Warm Medium Cold Medium Centre Medium
6 Normal Large Hot High warm High High Fast
7 More Small Cold Low Very cold Low Low Low
8 More Medium Warm Medium Cold Medium Centre Medium
9 More Large Hot High warm High High Fast
10 Less Small Cold Low Very cold Low Low Low
11 Normal Small Warm Medium Cold Medium Centre Medium
12 More Small Hot High warm High High Fast
13 Less Medium Cold Low Very cold Low Low Low
14 Normal Medium Warm Medium Cold Medium Centre Medium
15 More Medium Hot High warm High High Fast
16 Less Large Cold Low Very cold Low Low Low
17 Normal Large Warm Medium Cold Medium Centre Medium
18 More Large Hot High warm High High Fast
19 Less Less Cold Low Very cold Low Low Low
20 Normal Normal Cold Medium Cold Medium Centre Medium
21 More More Cold High warm High High Fast
22 Less Less Warm Low Very cold Low Low Low
23 Normal Normal Warm Medium Cold Medium Centre Medium
24 More More Warm High warm High High Fast
25 Less Less Hot Low Very cold Low Low Low
26 Normal Normal Hot Medium Cold Medium Centre Medium
27 More More Hot High warm High High Fast
Desse modo, os parâmetros de entrada para fuzzy que são o número de pessoas, tamanho
do ambiente e temperatura atmosférica são medidos através de sensores.
Sensor de Infravermelho
6
SONAR
Condição Atmosférica
O sistema também faz uso de sensores de temperatura e umidade externos para medir as
condições atmosféricas. Esses dados são inseridos no sistema de lógica difusa, que controla
se o ambiente deve ser mantido em uma temperatura baixa ou alta. Por exemplo, se a
temperatura ambiente estiver baixa, a temperatura interna do ambiente será ligeiramente
mais alta para manter o conforto. Se a temperatura ambiente for 30°C, a temperatura
interna desejada é de 24°C.
7
2 Implementação
Este relatório apresenta o desenvolvimento e implementação da lógica fuzzy presente
no artigo ”FUZZY LOGIC SIMULATIONS FOR A SMART AIR CONDITIONING
SYSTEM”.
8
Para as variáveis de saı́da temos que:
9
Desse modo, temos o sistema com 3 inputs e 5 outputs, com um total de 27 regras
inclusas. A seguir podemos ver as entradas e saı́das com seus graus de pertinência em
gráfico:
Figura 7: Regras para potência consu- Figura 8: Regras para posição de in-
mida. clinação.
10
Figura 9: Regras para velocidade do ventilador.
Figura 10: Superfı́cie para tamanho Figura 11: Superfı́cie para tamanho
cômodo, número de pessoas e capacidade cômodo, número de pessoas e tempera-
de refrigeração. tura do quarto.
Figura 12: Superfı́cie para tamanho Figura 13: Superfı́cie para tamanho
cômodo, temperatura atmosférica e tem- cômodo, temperatura atmosférica e velo-
peratura do quarto. cidade do ventilador.
11
Figura 14: Superfı́cie para temperatura atmosférica, número de pessoas e capacidade de
refrigeração.
• Temperatura do quarto: 23
12
2.1 Em python
• Questão 2) A partir do sistema fuzzy implementado, gerar 2 versões em
script (MATLAB ou PYTHON) e MATLAB/simulink.
Figura 16: Regras para número de pes- Figura 17: Regras para tamanho do
soas. cômodo.
13
Para as saı́das temos os seguintes gráficos:
Figura 19: Regras para temperatura do Figura 20: Regras para capacidade de
quarto. refrigeração.
Figura 21: Regras para potência consu- Figura 22: Regras para posição de in-
mida. clinação.
14
Figura 23: Regras para velocidade do ventilador.
15
2.2 No simulink
Portanto, nessa seção será apresentada a aplicação utilizando o sistema fuzzy no
simulink. Sendo assim, a figura 25 ilustra as três variáveis de entrada - número de pessoas,
tamanho do cômodo e temperatura atmosférica - juntamente com as cinco variáveis de
saı́da - temperatura do quarto, capacidade de refrigeração, posição de inclinação, velocidade
do ventilador e potência consumida - do sistema fuzzy.
Para essa questão, foi considerado uma sala comercial com dois atendentes fixos de
50m2 , onde o fluxo de pessoas varia aleatóriamente e a temperatura atmosférica varia a
cada hora, considerando a análise durante o perı́odo das 8h até as 18h da tarde. Desse
modo, considerando que a aplicação do sistema no equipamento de refrigeração tem por
objetivo controlar seu funcionamento de modo a obter a maior economia de energia possı́vel
durante um dia tı́pico, temos os valores variados na tabela 4.
16
Tabela 4: Valores de entrada.
3 Resultados
Na parte de resultados era necessário realizar a emulação de um dia tı́pico como no
artigo. Após a simulação utilizando os valores de entrada da tabela 5 foram obtidas as
seguintes respostas:
Hora Temp. do Quarto Cap. Refrigeração Pot. Consumida Posição de Inclinação Vel. do Ventilador
O código python enviado em anexo apresenta tal simulação. A seguir são demonstrados
os outputs a medida que a hora passa durante o dia do estabelecimento comercial.
17
Figura 26: Resultados dia tı́pico
4 Conclusão
Por fim, após a análise e implementação do artigo ”Fuzzy Logic Simulations for a
Smart Air Conditioning System”, os resultados obtidos nas questões iniciais revelaram-se
satisfatórios. Através do mesmo código, foi possı́vel realizar uma avaliação detalhada
do comportamento de um dia tı́pico em um ambiente simulado, proporcionando uma
compreensão mais profunda do controle de sistemas de climatização inteligentes.
18
Um dos aspectos mais destacáveis dessa experiência foi a aprendizagem obtida com a
aplicação da lógica fuzzy. Ao utilizar essa abordagem, percebemos como a modelagem
da incerteza e imprecisão inerentes ao comportamento humano e ao ambiente pode ser
essencial para a eficiência e adaptabilidade de sistemas de controle.
Referências
K, R.; RAMATHILAGAM, S. Fuzzy logic simulations for a smart air conditioning system.
PREPRINT, 11 2022. Version 1 available at Research Square ⟨https://doi.org/10.21203/
rs.3.rs-1996880/v1⟩.
19