CAPTULO 2

LGICA FUZZY
Este captulo apresenta a fundamentao de conceitos necessrios para a
implementao de sistemas inteligentes baseado em Lgica Fuzzy (LF).
2.1 Introduo
A lgica fuzzy (tambm conhecida como nebulosa ou difusa) representa um esquema
de traduzir informaes vagas, imprecisas em valores numricos [8]. Possibilita a incluso da
experincia humana em controle computadorizado, tornando possvel decises em problemas
complexos. Ela pode ser agregada a sistemas de redes neurais (os sistemas neurofuzzy)
aumentando o aprendizado e interface com os dados numricos. O sucesso mundial de
sistemas de modelagem e controle em lgica fuzzy aplicados na indstria o recomenda como
uma ferramenta eficiente na engenharia de controle industrial, manufatura, comunicaes
homem-mquina e sistemas de tomada de deciso [2].
Nas teorias de controle clssica e moderna, o primeiro passo para implementar o
controle de um processo derivar o modelo matemtico (transformada de Laplace ou Z) que
descreve o mesmo [82]. O procedimento requer que se conhea detalhadamente o processo a
ser controlado, o que nem sempre factvel se ele for muito complicado (ver figura 2.1).
9
Figura 2.1 Diagrama de blocos do sistema de controle
A teoria tradicional de controle, baseada em Diagramas de Bode, Lugar das Razes,
Equaes de Estados, tem sido aplicada com sucesso em sistemas muito bem conhecidos e
definidos. Entretanto, todas estas tcnicas no so capazes de resolver problemas reais cuja
modelagem matemtica impraticvel. Por exemplo, suponha-se um processo linear, onde as
variaes nas entradas produzem variaes proporcionais nas sadas. Ao se assumir a
propriedade de linearidade, pode-se utilizar tcnicas extremamente poderosas e conhecidas na
rea de engenharia e tecnologia, com solues analticas, e muitas vezes necessitam ser
linearizadas em torno de um ponto de operao. Outra restrio muito utilizada em anlises de
sistemas lineares que os parmetros de processo no se alteram, ou seja, que o sistema seja
invariante no tempo, apesar de na realidade ocorrer deteriorao dos componentes dos
sistemas com o passar do tempo, alm de impactos ambientais, tais como influncias de
temperatura e presso. Devido a tais simplificaes, o projetista em geral encontra srias
dificuldades no desenvolvimento de uma descrio matemtica significativa e realista de um
processo industrial. As causas de tais dificuldades podem ser classificadas como: fenmenos
fsicos ou qumicos mal compreendidos, valores imprecisos de parmetros, a dimenso e a
complexidade do modelo, distrbios externos e deficincia de qualificao tcnica [2, 82].
Controlador
Processo
Desconhecido
Sada Entrada
Realimentao
+
_-
Obter o modelo
matemtico da planta
10
Novas tecnologias so inventadas devido s necessidades especficas. O incio da lgica
fuzzy foi pela necessidade de um mtodo capaz de expressar de uma maneira sistemtica
quantidades imprecisas, vagas e mal-definidas [82]. Por exemplo, em vez de se utilizar um
modelo matemtico, os controladores industriais baseados em lgica fuzzy podem ser
investigados com o conhecimento experimental de operadores humanos j treinados, fazendo
com que a ao de controle seja to boa quanto a deles (em geral melhor) e sempre
consistente.
Nos ltimos anos, a utilizao no cotidiano de computadores pessoais e equipamentos
controlados por microprocessadores trouxeram a necessidade de sofisticados sistemas de
interao Homem - Mquina. O matemtico M .Minsky acredita que robs vo substituir o
homem em todas as tarefas, desde as mais simples e repetitivas tarefas, como montar carros,
at as mais sofisticadas, como dirigir um carro. Quando se escreve um programa para fazer
alguma tarefa, deseja-se que o mesmo faa isso de forma semelhante ao ser humano. Para
realizar uma tarefa, o crebro humano tenta vrias possibilidades, vrios caminhos de ao e,
se um no der certo, ele tenta outro caminho diferente. Pode-se dizer que a inteligncia a
capacidade de fazer vrias coisas ao mesmo tempo [88, 98, 92]. Assim, se consegue dirigir um
carro por uma estrada, trocando marchas e fazendo curvas ao mesmo tempo em que se resolve
um problema mentalmente ou conversa com outra pessoa sobre algo, que est muito distante
dali. Uma criana de 18 meses ao colocar um lpis em uma gaveta, ela ir tentar de vrias
formas, aprendendo com os erros, at conseguir. Os computadores apresentam uma
dificuldade para conseguir fazer isso. Uma criana sabe que pode puxar um objeto com uma
corda, mas sabe tambm que no pode empurrar um objeto com uma corda porque ela
flexvel. Isso senso comum. Para fazer o computador agir dessa forma, insere-se, via
programao, informaes e conhecimento. Sem elas, ele no pode fazer muitas tarefas, pois
incapaz de entender o que est acontecendo.
O problema nessa interao que os computadores no podem entender os conceitos
vagos e os termos imprecisos da linguagem e do pensamento humano. Normalmente as
informaes so coletadas atravs de afirmaes que podem ser consideradas verdadeiras ou
falsas e representadas em computador por meio dos valores numricos 0 e 1 da lgica
binria, chamada Lgica de Boole [8]. Por outro lado, os termos vagos, imprecisos ou
qualitativos - tais como moderadamente rpido, mdio, um tanto devagar, no podem
ser expressos com lgica binria [81]. Como os fenmenos prticos do dia-a-dia nunca so
11
considerados completamente falsos ou completamente verdadeiros, utiliza-se a lgica fuzzy, a
qual possibilita que tais informaes, de natureza imprecisa, sejam implementadas em
computadores [82]. Este oferece um mtodo, baseado em teoria de conjuntos matemticos,
para o manuseio de descries qualitativas, inexatas, imprecisas e incertas de uma maneira
rigorosa e sistemtica [77].
A Lgica Fuzzy foi proposta por L. A. Zadeh em um artigo intitulado Fuzzy Sets
publicado em 1965 [8]. Embora os princpios da lgica fuzzy j estejam disponveis a algum
tempo no meio cientfico, somente nos ltimos anos tm sido aplicados em processos
industriais [27]. Atualmente diversos produtos de uso dirio j dispem de controladores fuzzy
[30, 46].
2.2 Resumo Histrico
No incio da dcada de 70, pesquisadores da Inteligncia Artificial concentraram seus
esforos em tornar as Lgicas em geral aplicveis resoluo de problemas. Pesquisadores
como Nils Nillson chegaram abordar a Inteligncia Artificial como sendo uma questo de
Lgica Aplicada [69].
Inicialmente, a lgica clssica ou binria teve suas razes em Aristteles h
aproximadamente 2500 anos atrs. Tratando-se de um filsofo, Aristteles discutia a lgica
com base em uma interpretao, cuja problemtica demonstrar a manuteno de uma verdade
em um determinado contexto. Este questionamento leva anlise de eventos futuros, cujos
valores podem se tornar em verdades ou falsidades, potencialmente em ambos ou em nenhum
destes. Os conceitos de verdade (V) e falso (F) foram investigados durante sculos por
filsofos, matemticos e lingistas [75].
A lgica binria iniciada por Aristteles foi mais bem entendida apenas neste sculo,
onde outras lgicas tambm foram propostas. Mais recentemente, uma lgica chamada de
fuzzy foi apresentada por Lotfi Zadeh em 1965. Ele nasceu em Baku capital do Azerbaijo,
mas, obteve sua graduao em engenharia eltrica na Universidade do Teer no Ir.
Atualmente professor emrito na Universidade da Califrnia, em Berkeley [44]. Mas, Bart
Kosko, professor de engenharia eltrica da Universidade do Sul da Califrnia, afirma que este
tipo de lgica multivalorada foi explorado em 1920 por Jan Lukasiewicz, um lgico polons,
que tambm definiu a notao reversa polonesa (KOSKO, 1991 apund BARRON; BARRON,
12
1993). Max Black, um filsofo quntico, nascido tambm em Baku, seguiu o trabalho de
Lukasiewicz em 1937 e criou a base do quem vem sendo pensado como funes de pertinncia
de conjuntos fuzzy [8, 44].
No incio dos anos 60, Zadeh aperfeioou a pesquisa original. Em seguida, desenvolveu
o que se conhece como teoria dos conjuntos fuzzy, introduzindo o termo fuzzy em nossa
linguagem para lidar com o que Black tinha se referido como vaguidade [8, 44]. Em 1965,
Zadeh publicou um texto introdutrio sobre o assunto, intitulado Fuzzy Sets [2, 41, 43].
A pesquisa da teoria fuzzy alcanou avano na prpria teoria e no experimento com
aplicaes no processo de controle e outras reas. Em 1974 o professor Mamdani, do Qeen
Mary College, Londres, foi o primeiro aplicar a teoria fuzzy no sistema de controle de um
motor a vapor. Em 1980 F. L. Smidth, da Dinamarca, aplicou a teoria fuzzy no controle de
fornos de tijolos de cimento, fazendo desta a primeira vez que a teoria fuzzy foi usada numa
situao de processo de controle real [27, 44].
Idealizada nos Estados Unidos, difundida na Europa, aplicada, aperfeioada e
comercializada no Japo em sistema de controle, est tcnica volta agora aos Estados Unidos,
possibilitando aos produtos japoneses uma melhor forma que os americanos. Embora a lgica
fuzzy seja usada largamente no mundo, ela mais popular no Japo. Sua aceitao fora do
Japo tem sido lenta; algumas pessoas atribuem isso ao prprio nome da tcnica, escolhida por
Lotfi A. Zadeh. Em 1988, de 100 aplicaes da teoria fuzzy em existncia, cerca de 80 foram
criadas no Japo. Os japoneses reconheceram o potencial da lgica difusa mais rapidamente do
que as outras partes do mundo. As primeiras aplicaes de vulto da lgica fuzzy no Japo
datam de 1983, na planta de tratamento de gua da Fujitec, e em 1987 o sistema Sendai de
automao de ferrovia, a 320 Km ao norte de Tquio [8, 27, 30].
Quando ele foi inaugurado em 1987, o Metr Sendai usava um sistema de controle
fuzzy da Hitachi. Um estudo anterior dessa empresa havia mostrado que um sistema de
controle fuzzy era superior a um convencional de vrias maneiras: aumentava a preciso das
paradas na plataforma, tornava a viagem mais confortvel (com acelerao e freio mais suaves)
e reduzia o consumo de energia eltrica [8]. O desempenho do sistema Sendai impressionou
tanto que, em 12 meses, mais de 50 empresas japonesas estavam trabalhando para desenvolver
tecnologia de lgica fuzzy. Hoje o sistema fuzzy controla o metr durante as horas de pico. Os
seres humanos ainda controlam o metr nas horas de no-pico para manter suas prticas de
operao [44].
13
2.3 Noes da Lgica Fuzzy
A lgica fuzzy difere dos sistemas com a lgica clssica em seu mapeamento de
verdade e falsa. Nessa lgica o valor verdade de uma proposio pode ser um subconjunto
fuzzy (por exemplo: baixo, mdio e alto) de qualquer conjunto parcialmente ordenado (ver
figura 2.2).
Figura 2.2 Domnio das variveis lingsticas
Ao contrrio dos sistemas lgicos binrios, onde o valor verdade s pode assumir dois
valores: verdadeiro ou falso (ver figura 2.3).
Figura 2.3 Domnio da lgica binria
Em geral, seres humanos apresentam uma linguagem em termos vagos e dependentes
de contexto para elaborarem suas idias. Para isso vamos ver outro exemplo. Ao se dizer que
uma determinada pessoa alta, isto perfeitamente entendido, mesmo que no se defina
Varivel
1 0
1
y
y
Baixo Mdio Alto
Varivel
0 1,0 2.0
1
14
exatamente a partir de que altura, em metros, uma pessoa pode ser considerada alta. Por outro
lado, na lgica binria tradicional, uma pessoa pode apenas ser considerada alta ou no-alta,
correlacionando com um determinado comprimento padro [81]. Sem se estabelecer uma
referncia exata, impossvel determinar se a afirmao Joo alto verdadeira ou falsa
com a lgica binria. Por exemplo: se a referncia fosse 1.8 m, uma pessoa com 1.81 m seria
considerada alta, enquanto outra, de 1.79 m, seria no-alta. A figura 2.4 mostra uma curva
que divide as duas classes. Essa curva possui uma mudana brusca, e um valor binrio0 ou
1 indica em qual classificao se encontraria uma pessoa em termos de sua altura em
metros.
Figura 2.4 - Classificao binria entre ser alto ou no-alto [81]
A considerao sempre vlida quando h um limite ou uma referncia que tenta
dividir o sim ou no, o preto do branco, etc. Na realidade, os seres humanos tm a tendncia
de suavizar as mudanas bruscas, de fazer meias-afirmaes ou de enxergar graduaes em
cores que entram em contradio com a lgica binria [81].
A mudana brusca, em 1.8 m, de alto para no-alto, em geral contra o senso
comum do pensamento humano. A lgica fuzzy evita tal problema pela adoo do conceito de
se pertencer parcialmente a um conjunto, como em afirmaes do tipo "no muito alto ou
bem alto (ver figura 2.5).
No-alto
Alto
1,0
0 Altura (m) 1,80 2,0
15
Figura 2.5 - Classificao fuzzy para varivel altura [41]
Cada uma dessas afirmaes lingsticas representa uma verdade parcial, um certo grau
de verdade, ou um certo grau de pertinncia a um conjunto. Na lgica fuzzy, um elemento
pode pertencer de forma parcial a um conjunto, com um certo grau, digamos 80% ou 25%. Na
lgica clssica, o grau de pertinncia sempre 100% ou 0% (0 ou 1), enquanto na lgica
fuzzy ele pode ser um valor entre 0 e 1 [81, 82].
2.3.1 Variveis Lingsticas
Na lgica fuzzy, os valores verdades so expressos lingisticamente, (ex: verdade, muito
verdade, no verdade, falso, muito falso,...), onde cada termo lingstico interpretado como
um subconjunto fuzzy do intervalo unitrio [27, 28].
Nos sistemas lgicos binrios, os predicados so: par, maior que, etc; passo que na
lgica fuzzy as variveis lingsticas so: alto, baixo, etc. Nos sistemas com lgica clssica, o
modificador mais utilizado a negao enquanto que na lgica fuzzy uma variedade de
modificadores de predicados possvel (ex.: muito, mais ou menos,...). Estes modificadores
so essenciais na gerao de termos lingsticos (ex.: muito alto, mais ou menos perto, etc.).
Nos sistemas clssicos existem os quantificadores existenciais ( ) e universais ( ). A lgica
fuzzy admite uma variedade de quantificadores (ex.; pouco, vrios, usualmente,
freqentemente, em torno de cinco, etc.) [27, 28]. Esses problemas podem ser facilmente
resolvidos pelo crebro humano. Assim, verifica-se que os problemas da vida real so
imprecisos. Raramente se pode resolv-los com um sim ou no.
Baixo Alto
1,0
0 Altura (m) 1,80 2,0
Mdio
16
A questo est na rigidez da lgica convencional, que sendo dicotmica, no permite
classificar os fatos como parcialmente verdadeiros ou parcialmente falsos [8]. Em
resumo, a lgica fuzzy buscou uma generalizao da lgica clssica, flexibilizando-a [0, 1].
Portanto, a implementao de um projeto de sistemas de controle fuzzy pode ser
reduzida a um ponto em que problemas anteriormente intratveis passam agora a ser factveis a
uma soluo. A idia do uso da lgica fuzzy neste trabalho pela sistemtica de traduzir os
termos fuzzy da comunicao humana em valores compreensveis por computadores. J que os
computadores so mquinas de aplicaes gerais que podem interfacear com processos fsicos,
qumicos, trmicos e biolgicos, a forma de comunicao humana pode ser utilizada para
diretamente intercambiar as informaes entre operadores e tais processos.
2.3.2 Teoria dos Conjuntos Fuzzy
Nesta seo so formalizadas as idias bsicas sobre conjuntos e lgica fuzzy visando
modelagem e o desenvolvimento de sistemas de controle. Na teoria de conjuntos clssicos, um
elemento ou pertence a um conjunto ou no. Por exemplo: o conjunto das pessoas nascidas em
um estado. O conjunto bem definido e sem ambigidade com relao aos seus elementos de
fronteiras. Todo cidado tem uma certido de nascimento onde consta o seu estado de origem.
Logo, dado um universo U e um elemento particular x U, a funo de pertinncia
A
(x) com
respeito a um conjunto AU dado por:
(2.1)
O fator de pertinncia pode ento assumir qualquer valor 0 e 1, sendo que o valor 0
indica uma completa excluso e um valor 1 representa completa pertinncia. Esta
generalizao aumenta o poder de expresso da funo caracterstica. Por exemplo: o conjunto
das pessoas satisfeitas com seus salrios em uma grande empresa. Neste exemplo, h uma
varivel implcita chamada salrio, que precisa ser quantificada e qualificada. Ou seja,
necessita-se traar uma funo descritora ou de pertinncia para definir os elementos deste
conjunto e suas vizinhanas. Para este caso, a funo de pertinncia
A
(x) dada por:
17

A
(x):U[0,1] (2.2)
O conjunto suporte de um conjunto fuzzy A o subconjunto dos pontos x em U tal que

A
(x) 0.
Contudo, necessita-se mapear o conhecimento sobre a varivel salrio, tambm
conhecido como varivel lingstica. Esta varivel necessita ser categorizada, isto , situar-se
em subconjuntos caractersticos. Os elementos assemelhados so definidos por termos. Estes
termos concentram um conjunto de elementos de mesmas caractersticas. Por exemplo: a
varivel salrio (S), pode possuir os seguintes termos:
S = {s
0
, s
1
,s
2
, s
3
},
cuja semntica expressa uma faixa de valores (ver tabela 2.1):
Tabela 2.1 - Termos da varivel salrio [75]
S Valores Lingsticos Faixa Salarial em U$
S
0
: muito baixo 100 100 150 200
S
1
: baixo 150 200 300 500
S
2
: mdio 300 500 600 700
S
3
: bom 600 700 1000 1000
A definio sobre uma faixa de valores aproximados, fornecida a partir de um analista
de salrios. No exemplo de S (1997), mapeou os salrios pagos pela empresa a partir de 100
a 1000. O conhecimento sobre a varivel fuzzy S, pode ser expressa em curvas de
conhecimento trapezoidal (figura 2.6).
18
100 1.000 150 200 300 600 500 700
Salrio
1
S
2
S
1
S
o
S
3

S
(S
i
)
Figura 2.6 - Descrio da varivel salrio [75]
Para expressar conceitos comum o uso de elementos qualitativos, ao contrrio de
valores quantitativos. Uma varivel lingstica tem por caracterstica assumir valores dentro de
um conjunto de termos lingsticos, ou seja, palavras ou frases. Assim, ao contrrio de
instncias numricas, so substitudas por uma varivel lingstica que assume instncias
lingsticas. Por exemplo, a varivel lingstica salrio poder assumir como valor um dos
membros do conjunto {muito baixo, baixo, mdio, bom}. Para se atribuir um significado aos
termos lingsticos, associa-se cada uma destes a um conjunto fuzzy definido sobre um
universo de discurso da figura 2.6.
A forma de expressar o conhecimento tipicamente com regras do tipo condio -
ao. Supondo que uma varivel de entrada (condio) salrio (S) esteja associada a uma
varivel de sada (ao) chamada motivao pessoal (M), uma regra tpica dada por:
SE (S Baixo) Ento (M pouca)
A idia geral aqui representar o conhecimento por um conjunto de regras nas quais as
condies so dadas a partir de um conjunto de termos lingsticos associados s variveis de
entrada/sada do processo. Analogamente, as funes de transferncia de Laplace fazem algo
semelhante em teoria de controle linear [2]. Regras do tipo Se - Ento so chamadas de regras
fuzzy. Uma regra fuzzy pode ser:
SE (x a
i
)

E (y b
i
) e ...ENTO (z c
i
),
onde as variveis de entrada (x, y,...), que aparecem como argumentos condicionais dentro do
operador SE, so referidas como antecedentes. J a implicao lgica, que consiste na
formulao de uma conexo entre causa e efeito, ou uma condio e sua conseqncia, neste
19
caso, denotado como operador de implicao t-norma de Zadeh (ver tabela 2.2). As
variveis de sada (z) dentro do operador Ento so chamadas conseqentes. A rigor, as t-
norma e t-conorma so grupos algbricos, os quais apresentam equivalncia com os
conectivos and, or e not.
Tabela 2.2 - Principais t-normas e t-conormas duais [77]
t-norma t-conorma Nome
min (a,b) max (a,b) Zadeh
ab a + b - ab Probabilista
max (a + b - 1, 0) min (a + b, 1) Lukasiewicz
Weber
Na lgica tradicional as operaes com conjunto so as operaes booleanas
possibilitadas pelos conectivos "E (and), OU (or) e No (not). Na lgica fuzzy, h
diversos operadores para se realizar as operaes lgicas, os quais so basicamente divididos
em duas classes (ou normas): as normas triangulares (chamadas por t-normas) e as normas
duais (chamadas por s-normas ou t-conormas) [77]. Portanto, o projetista de um sistema fuzzy
tem diversos graus de liberdade para escolher implicaes fuzzy em tarefas de controle [71]. A
tabela 2.2 indica as t normas e t conormas mais utilizadas, e as figuras 2.7 e 2.8 ilustram
algumas destas operaes, em relao a dois conjuntos fuzzy A e B.
Figura 2.7 - Ilustrao das principais t-normas [77]
20
Figura 2.8 Ilustrao das principais t-conormas [77]
As normas s e t definem as operaes entre duas ou mais variveis fuzzy de um sistema.
2.3.3 Modelagem Fuzzy de Sistemas
Ao projetar um sistema necessrio fazer o modelamento do processo. Para tal tarefa,
rea da Inteligncia Artificial (IA) apresenta algumas tcnicas, como: regras fuzzy
(lingsticas) e redes neurais artificiais[27].
As equaes diferenciais descrevem a dinmica ou a cintica de sistemas em uma
forma conveniente. O exemplo usado de Gomide (1994), onde a relao entrada x e a sada
f(x) do sistema so obtidas pela equao 2.3 (ver figura 2.9).
f x x ( ) ( ) 3
2
(2.3)
21
Figura 2. 9 - Funo f (x) descrita por equao matemtica [27]
Contudo, sistemas reais no se apresentam com a simplicidade da curva da figura 2.9.
Assim, esta descrio no apropriada para a maioria de sistemas complexos tais como,
sistemas no-lineares e sistemas variantes no tempo. medida que a complexidade do sistema
aumenta, a possibilidade de descrever um sistema com equaes matemticas diminui [3, 16,
27, 50, 82].
A abordagem com lgica fuzzy consiste em descrever a relao entre x e f(x) com
regras do tipo:
Regra i: SE x a
i
ENTO f(x) b
i
, i=1,...,N
Onde x representa a varivel independente e f(x) dependente, sendo Ai e Bi constantes
numricas e N o nmero de dados experimentais que descreve a funo. Quando Ai e Bi so
lingsticos com valores numricos exatos (sistemas clssicos), tem-se a figura 2.10.
22
Figura 2.10 - Funo f (x) descrita por regras lingsticas com valores exatos [27]
As regras para a lgica clssica so:
Regra 1: SE x -2 ENTO f(x) 25
Regra 2: SE x -1 ENTO f(x) 16
Regra 3: SE x 0 ENTO f(x) 9
Regra 4: SE x 1 ENTO f(x) 4
Regra 5: SE x 2 ENTO f(x) 1
Regra 6: SE x 3 ENTO f(x) 0
Regra 7: SE x 4 ENTO f(x) 1
Regra 8: SE x 5 ENTO f(x) 4
Regra 9: SE x 6 ENTO f(x) 9
Regra 10: SE x 7 ENTO f(x) 16
Regra 11: SE x 8 ENTO f(x) 25
23
A vantagem desta descrio a facilidade em mudar a descrio do sistema. Por
exemplo, indicada por quadrados na figura 2.10, pode-se modificar a regra 7: 1 para 2; regra
8: 4 para 6; regra 9: 9 para 13; regra 10: 16 para 18, pois as regras so independentes umas
das outras. Isto mostra que descries na forma de regras so apropriadas para sistemas com
aprendizagem, sistemas auto-organizveis e sistemas adaptativos [27]. Por outro lado, existem
desvantagens. Quando dado x = 1 a concluso obtida f(x) = 4. Contudo, se dado x = 1.5
nada pode ser inferido a partir do conjunto de regras mencionado, pois no existe nenhuma
delas que possui um antecedente com x = 1.5. Isto mostra que os sistemas clssicos binrios
so pouco eficientes com relao a conhecimento impreciso, ou com variao em dados de
entrada, e que necessrio uma quantidade de regras (base de conhecimento) para se obter um
resultado ou desempenho significativo [27]. Conseqentemente, a demanda de tempo para se
verificar em geral considervel. Alternativamente, poderamos utilizar regras do mesmo tipo
anterior, mas interpretadas por regras fuzzy. Neste caso a
i
e b
i
seriam termos lingsticos
associados varivel x, cada um destes termos associados a um conjunto fuzzy a fim de se
estabelecer seu significado. Assim, poderamos descrever a relao entre x e f(x) por:
Regra 1: SE x est em torno de -2
ENTO f(x) est no em torno de 25
Regra 2: SE x est em torno de -1
ENTO f(x) est no entorno de 16
...
Regra 11: SE x est em torno de 8
ENTO f(x) est no entorno de 25
Neste caso, a relao precisa entre x e f(x) da figura 2.9 fuzzificada, tornando-a
contnua como mostrado pela figura 2.11.
24
Figura 2.11 - Funo f (x) descrita por regras lingsticas fuzzy [27]
Esta relao fuzzy fornece valores razoveis para qualquer dado no universo de
interesse, por exemplo: x = 1.5; x = 3.2; x =4.3. mais fcil reelaborar regras fuzzy do que
equaes matemticas quando as caractersticas dos sistemas ou processo so variantes no
tempo [82].
2.3.4 Estrutura de um Controlador Fuzzy
A idia bsica em controle fuzzy modelar as aes a partir de conhecimento
especialista, ao contrrio de modelar o processo em si. Esta abordagem diferente dos
mtodos convencionais de controle de processos, onde os mesmos so desenvolvidos via
modelagem matemtica.
Em muitos processos, tais como extenses de borracha ou elastmeros, fabricao de
pneus de automveis, a funo de entrada de um misturador do tipo Banbury ou de uma
canaleta extrusora no pode ser descrita matematicamente, devido s complexas reaes e
dinmica no completamente formalizada [82], mesmo por pessoal de operao muito
experiente. H, entretanto, um grande corpo de receitas empricas que so conhecidas, para se
produzir resultados aceitveis. Tais receitas podem ser tomadas como funes de entrada-
25
sada, porque elas relacionam variveis de entrada fundamentais para obter as sadas, mesmo
que as unidades dimensionais sejam incompatveis, como por exemplo, presso de entrada e
composio de material de borracha versus a vida til de um pneu.
Todavia, operadores humanos podem controlar tais tipos de processos, sem na verdade
conhecerem sua dinmica e matemtica. Eles podem adaptar estratgias de controle com
treinamento, da experincia adquirida em situaes anteriores e de aprendizagem por tentativa
e erro [82]. Um operador humano uma estrutura de controle que no necessita de modelos
matemticos [2, 82], mas auto-sintonizado da observao de comportamento de dados e de
relaes de causa e efeito.
A dimenso e a complexidade de mdulos de processos industriais tende a aumentar
significativamente, quando se objetiva o desenvolvimento de um modelo preciso e de alta
resoluo. O parque industrial atual utiliza 80% de controladores baseados em PID; j
controladores multivariveis complexos baseados em controle avanado, tm menor
representatividade [27]. Por outro lado, deve-se enfatizar que os controladores PID so
lineares, e no so adequados para aplicaes em planto extremamente no-lineares [82].
A estrutura de um processo controlado por um controlador fuzzy vista na figura 2.12.
Este controlador conhecido como Controlador de Mandani [27, 77, 86].
Figura 2.12 - Estrutura bsica de um controlador fuzzy [60]
26
Os componentes bsicos do controlador de Mandani so:
a) Interface de Fuzzificao
Os valores das variveis de entrada so escalonados para condicionar os valores a
universos de discurso normalizados e fuzzificao dos valores, transformando nmeros em
instncias de variveis lingsticas.
b) Base de Conhecimento
Base de Regras: caracterizando a estratgia de controle e suas metas;
Base de Dados: armazena as definies necessrias sobre discretizaes e
normalizaes dos universos de discurso, as parties fuzzy dos espaos de entrada
e sada e as definies das funes de pertinncia.
c) Procedimento de Inferncia
Processa os dados fuzzy de entrada, junto com as regras, de modo a inferir as aes de
controle fuzzy, aplicando o operador de implicao fuzzy e as regras de inferncia da lgica
fuzzy.
d) Interface de Defuzzificao
Transforma as aes de controle fuzzy inferidas em aes de controle no-fuzzy [2, 9,
28, 82, 98]. Em seguida, efetua um escalonamento, de modo a compatibilizar os valores
normalizados vindos do passo anterior com os valores dos universos de discurso reais das
variveis.
Para selecionar o mtodo apropriado de defuzzificao, pode-se utilizar um enfoque
baseado no centride ou nos valores mximos que ocorrem da funo de pertinncia
resultante. As estratgias de defuzzificao so:
27
Mdia dos Mximos (MDM): que representa o valor mdio dentre todos os
pontos mximos, quando existe mais de um mximo. O clculo deste valor dado
pela equao 2.4:
MDM
v
N
k
k
N

1
(2.4)
onde: v
k
o valor mximo da abscissa de cada regra disparada, e N o nmero total desses
elementos. Em casos onde a funo de pertinncia tenha mais de um mximo essa idia no
poderia ser utilizada.
Mtodo do Centro de rea (CDA): este mtodo, tambm conhecido como:
centride, centro de gravidade ou de massa. O clculo deste valor dado pela
equao 2.5:

N
i
i
N
i
i i
y
CDA
1
1

(2.5)
onde: N o nmero de regras disparadas,
i
o grau de ativao na ao conseqente y
i
. O
valor
i
corresponde pertinncia da ao, portanto
i
[0,1].
Este mtodo apresenta pequenos problemas, um deles ocorre quando as funes de
pertinncias no possuem sobreposio. Ou seja, onde o centro geomtrico da figura na
realidade no tem significado fsico. Outro fator que se mais de uma regra tiver a mesma
sada difusa h uma sobreposio de reas que no devidamente contabilizada, alm disso a
necessidade de integrao numrica toma esforo computacional para clculo.
Critrio do Mximo (MAX): escolhe os pontos onde a funes de pertinncia tm
seus mximos (funes singleton), ignora-se as reas das funes de pertinncia. O
clculo do valor fuzzificado realizado pela equao 2.6.

N
i
n
K
o
N
i
n
K
o i
`
1 1
`
1 1

(2.6)
28
onde:
i
posio do centro do mximo, e
o
indicam os pontos em que ocorrem os mximos
(alturas) das funes de pertinncia de sada.
As vantagens e desvantagens dos mtodos de defuzzificao [2, 82]:
Tabela 2.3 Vantagens e desvantagens dos mtodos de defuzzificao
Mtodos Vantagens Desvantagens
Centro de
rea (CDA)
- Contnuos em malha fechada - As funes de pertinncia no
possuem sobreposio onde o
centro geomtrico da figura na
realidade no deveria ter
significado fsico;
- Se mais de uma regra tiver a
mesma sada h uma
sobreposio de reas que
devidamente contabilizada;
- A necessidade de integrao
numrica, toma esforo
computacional para clculo.
Centro do Mximo
(MAX)
- Contnuos em malha
fechada;
- Decises quantitativas.
- Se a funo de pertinncia possuir
mais de um mximo, qual mximo
utilizar.
Mdia dos Mximos
(MDM)
- Em controladores fuzzy
PI, coloca-se um
integrador para garantir a
continuidade;
- Decises qualitativas em
malhas fechadas;
- Reconhece padres.
- Casos onde a funo de
pertinncia tenha mais de um
mximo essa idia no poderia ser
usada;
- Descontnuos (causam
instabilidade e oscilaes).
29
Em geral, algumas dificuldades encontradas no projeto de controladores consistem na
especificao da base de regras e da definio das funes de pertinncia [27, 41, 44, 60, 82].
A especificao da base de regras pode ser obtida de diferentes maneiras, ressaltando-
se as seguintes:
Baseando-se na experincia e conhecimento de especialistas (qualitativo);
Observao das aes de controle de um especialista;
A partir da descrio lingsticas das caractersticas dinmicas do processo;
Implementao de algoritmos de aprendizagem.

Contudo, algumas dicas prticas podem ser mencionadas [82]:

Um nmero prtico de funes de pertinncia algo entre 2 e 7. Tanto maior o
nmero de conjuntos, maior a preciso, mas a demanda computacional tambm
significativa. Por exemplo, experincias mostraram que uma mudana de 5
conjuntos triangulares para 7 aumenta a preciso em torno de uns 15%, sendo que
a partir de valores maiores no h melhorias significativas.
Outro fator que afeta a preciso o grau de superposio entre as funes de
pertinncia fuzzy. Um nmero mnimo de 25% e um mximo de 75% foram
determinados experimentalmente como adequados, sendo 50% um compromisso
razovel, pelo menos para os primeiros textos num sistema de malha fechada.

As funes de pertinncia da forma triangular, trapezoidal, gaussiana (Sino) e sigmide
so as mais utilizadas em aplicaes (ver tabela 2.4).
30
A(x)
b = 1,0
s
x
a
0
A(x)
e = 1,0
c
x
b a = 0 d
A(x)
c = 1,0
a
x
Tabela 2.4 Equaes das funes de pertinncia
Funo Regra de Formao
Triangular

'

,
_

0
1 .
) ( s
a x
b
x A
Trapezoidal

( )
( )

'

0
.
.
) (
c d
e x d
e
b a
e x a
x A
Gaussiana

b
a x
e c x A
2
) (
. ) (

, quando a s x a + s
, caso contrrio.
, quando a x b
, quando b x c
, quando c x d
, caso contrrio.
31
A escolha destas funes, assim como a definio de suas caractersticas, podem ser
feitas das seguintes maneiras:

Baseando-se no conhecimento especialista;
Emprego de mtodos de otimizao (redes neurais e/ou algoritmos genticos);
Definio de uma metodologia.
No universo de discurso de uma varivel o intervalo numrico tem que abranger todos
os possveis valores reais que esta varivel pode assumir. Assim, os produtos projetados com a
lgica fuzzy possuem controles mais simples, so mais fceis de construir e testar e propiciam
um controle mais confivel do que aqueles que usam sistemas convencionais [8].
Os controladores fuzzy esto sendo combinados com as tcnicas de Redes Neurais
Artificiais (RNAs), com o objetivo de construir sistemas fuzzy com capacidade de
aprendizado. Esses Sistemas Hbridos (SH) esto descritos no captulo 4.
2.4 Concluso
Este captulo introduziu conceitos da lgica fuzzy, discutiu a natureza das imprecises
em problemas prticos, mostrou como operaes fuzzy so feitas e como as regras fuzzy
podem incorporar conhecimento heurstico e emprico em um sistema computacional. A teoria
fuzzy pode ser agregada aos sistemas de redes neurais, os chamados sistemas neurofuzzy, que
aumentam a capacidade de aprendizado atravs de interface com dados numricos, detalhado
nos captulos 4 e 5. No lugar de equaes matemticas, a lgica fuzzy usa descrio
lingsticas, auxiliando os projetistas a se concentrar nos objetivos funcionais, e no na
matemtica do sistema. Ela aproxima o modo de raciocnio do computador maneira de
pensar das pessoas. Tem sido estimado que, at o ano de 2005, cerca de 60% de todos
controladores sero embutidos com sistemas fuzzy operacionais [81].