CAPTULO

7
Sistemas Fuzzy
Paulo Eduardo Maciel de Almeida
Alexandre Gonalves Evsukoff
My crystal ball is Fuzzy
Lot Zadeh (quando perguntado sobre o futuro aps a criao da lgica fuzzy)
O
termo em lngua inglesa fuzzy pode ter diversos signicados, de acordo com
o contexto de interesse, mas o conceito bsico captado por este adjetivo passa
sempre pelo vago, indistinto, incerto. As tentativas de traduo para o portugus
ainda no so uma unanimidade: nebuloso e difuso so os exemplos mais populares na
rea de engenharia.
Uma abordagem completa de todas as aplicaes que podem ser desenvolvidas a partir
da teoria de conjuntos fuzzy seria material suciente para um livro. Este captulo dis-
cute os conceitos bsicos da lgica fuzzy e o funcionamento das principais ferramentas
que utilizam este paradigma. Inicialmente, os conceitos da teoria de conjuntos fuzzy so
apresentados a partir de elementos da teoria clssica de conjuntos. So mostradas as tc-
nicas mais usadas de representao e processamento de conhecimento atravs de sistemas
fuzzy, quando so introduzidas as idias de variveis lingsticas e de modelos de infern-
cia fuzzy. So apresentados e ilustrados atravs de exemplos os modelos de Mamdani e de
Takagi-Sugeno-Kang para denio e processamento de regras de produo fuzzy.
As principais aplicaes da teoria de conjuntos fuzzy na engenharia so discutidas
em detalhes. Sistemas de apoio deciso, algoritmos para aproximao de funes e
sistemas de controle baseados em lgica fuzzy esto entre as formas mais populares de
utilizao destes conceitos. Finalmente, so tecidas consideraes sobre as perspectivas
futuras de evoluo e aplicao de sistemas fuzzy e comentadas as principais referncias
bibliogrcas sobre o tema, como uma forma de auxiliar o leitor na escolha de fontes mais
aprofundadas ou especcas na rea de sistemas fuzzy.
7.1 Introduo
A teoria clssica de conjuntos permite o tratamento de classes de objetos e suas inter-
relaes em um universo denido. Este universo de discurso pode ser discreto ou contnuo,
dependendo da natureza dos objetos que o compem. Por exemplo, pode-se denir um
universo U discreto que rene todos os nmeros entre -10 e 10 do conjunto Z dos nmeros
inteiros. Algebricamente, esta denio pode ser expressa por:
U : {x Z /mdulo(x) 10} (7.1)
113
114 Sistemas Fuzzy
Os objetos de uma mesma classe ou que possuem caractersticas semelhantes so agru-
pados em conjuntos. Neste contexto, um conjunto consiste de uma coleo de objetos ou
elementos do universo de discurso. Existem trs formas de se denir um conjunto na teo-
ria clssica de conjuntos (Causey 1994). Por exemplo, pode-se denir um conjunto A, que
rene os elementos de U positivos, pela enumerao de todos os seus elementos:
A : {1, 2, 3, 4, 5, 6, 7, 8, 9, 10} (7.2)
A segunda forma de se denir um conjunto baseia-se no fato de que os objetos de uma
mesma classe possuem caractersticas semelhantes e so agrupados em conjuntos que
reetem estas caractersticas. Assim, um conjunto consiste de uma coleo de objetos ou
elementos do universo de discurso que possuem uma relao bem denida entre si. O
conjunto A pode ento ser redenido como:
A : {x U / x > 0} (7.3)
O teorema da separao relaciona a teoria clssica de conjuntos e a lgica clssica
booleana atravs de 7.3, onde um conjunto denido por um predicado da lgica clssica
que caracteriza os elementos que pertencem ao conjunto. Desta forma, se um elemento
x do universo de discurso U pertence a um dado conjunto, ento este elemento satisfaz
um predicado associado a este conjunto. Pode-se denir este conjunto atravs de uma
funo, dita funo caracterstica
A
: U {0, 1} que associa a cada elemento do universo
de discurso U, um valor binrio. Esta funo expressa por:

A
(u) =
_
0 , se x / A
1 , se x A
(7.4)
Finalmente, a terceira forma de representao de um conjunto a expresso de sua
funo caracterstica. O grco desta funo no plano cartesiano, como mostrado na
Figura 7.1, uma forma usual de visualizao deste tipo de representao. Neste caso,
o eixo x representa o universo de discurso e o eixo y representa os valores da funo carac-
terstica
A
para os elementos deste universo.
Figura 7.1: Grco representando o conjunto A no universo U
Considerando o universo U denido em 7.1, o conjunto dos nmeros positivos, denotado
por A em 7.2, e o conjunto dos elementos de U entre -5 e 5 ,denotado por B, as relaes de
pertinncia de alguns elementos em relao a estes conjuntos podem ser obtidas atravs
de
4 A ou
A
(4) = 1
6 / B ou
B
(6) = 0
No mundo real (e em grande parte das aplicaes de interesse na rea de engenharia)
existem propriedades que so vagas, incertas ou imprecisas e, desta forma, impossveis de
se caracterizar atravs de predicados da lgica clssica bi-valente. A teoria dos conjuntos
fuzzy pode ser vista como uma extenso da teoria clssica de conjuntos, criada para tratar
Teoria de Conjuntos Fuzzy 115
graus de pertinncia intermedirios entre a pertinncia total e a no pertinncia de ele-
mentos de um universo de discurso com relao a um dado conjunto. Por este prisma, um
conjunto fuzzy uma generalizao da noo clssica de um conjunto deste universo.
A denio da funo de pertinncia de um conjunto fuzzy depende do signicado
lingstico denido para este conjunto e de sua interpretao no contexto do universo
de discurso utilizado. Assim, na lgica fuzzy, o grau de pertinncia de um elemento em
relao a um conjunto denido por uma funo caracterstica real, que assume como
valor qualquer nmero pertencente ao intervalo real fechado [0, 1]. Algebricamente, ela
mapeada por
y
(x) : U [0, 1].
No universo de discurso denido em 7.1, pode-se ter um conjunto fuzzy chamado con-
junto dos nmeros pequenos, denotado por P, onde o grau de pertinncia dos elementos
de U em P denido por

P
(x) =
_
0.0 , se mdulo(x) > 5
5mdulo(x)
5
, se mdulo(x) 5
(7.5)
Nota-se, agora, que no existe mais um limite abrupto que dene os elementos que
pertencem ou no ao conjunto P, como no caso dos conjuntos clssicos A e B. Por outro
lado, os graus de pertinncia dos elementos de U no conjunto P possuem variaes suaves
no intervalo real [0, 1], como mostrado na Figura 7.2.
Figura 7.2: Grco representando o conjunto fuzzy P no universo U
7.2 Teoria de Conjuntos Fuzzy
Um conjunto fuzzy F de um universo de discurso U caracterizado por uma funo carac-
terstica real, comumente chamada de funo de pertinncia, mapeada por
F
: U [0, 1],
que associa a cada x U um nmero real
F
(x) no intervalo [0, 1], representando o grau de
pertinncia de x em
F. O suporte de F o subconjunto de pontos de U para o qual
F
(x) positivo.
A representao de conjuntos fuzzy depende basicamente da natureza e da dimenso
do universo de discurso denido. Quando o universo discreto e composto de um nmero
pequeno de elementos, a maneira mais usual adotada a representao analtica, como
mostrado em 7.6 para o caso do conjunto P.

P
(x) = {0.0/-10, 0.0/-9, 0.0/-8, 0.0/-7, 0.0/-6, 0.0/-5,
0.2/-4, 0.4/-3, 0.6/-2, 0.8/-1, 1.0/0, 0.8/1, 0.6/2,
0.4/3, 0.2/4, 0.0/5, 0.0/6, 0.0/7, 0.0/8, 0.0/9, 0.0/10}
(7.6)
Neste caso, so representados todos os elementos do universo de discurso separados
por vrgulas. Cada elemento deste universo representado na forma
P
(x
i
)/x
i
, onde o
primeiro termo representa o grau de pertinncia de x
i
no conjunto P e o segundo termo
identica o prprio elemento x
i
.
Por outro lado, quando o universo de discurso contnuo ou possui uma quantidade
grande de elementos discretos, a forma mais fcil de representao o grco de sua
116 Sistemas Fuzzy
funo de pertinncia, chamado de diagrama de Hassi-Euler (H-E). Um conjunto F denom-
inado conjunto dos nmeros pequenos, denido no universo dos nmeros reais entre -10
e 10, e possuindo uma funo de pertinncia similar mostrada em 7.5, seria representado
pelo diagrama de H-E mostrado na Figura 7.3.
Figura 7.3: Diagrama de H-E representando o conjunto fuzzy F no universo real U:[-10,10]
7.2.1 Operaes Fuzzy Bsicas
Suponha trs conjuntos fuzzy denominados Pequeno, Mdio e Grande, em um uni-
verso de discurso real U : [0, 5], descritos em 7.7. Estes conjuntos esto representados na
Figura 7.4 a seguir.

P
(x) =
_
_
_
1, se x < 1.5
3 x, se 1.5 x 2.5
0, se x > 2.5

M
(x) =
_
_
_
x 1, se 1.5 x 2.5
4 x, se 2.5 x 3.5
0, se x < 1.5 ou x > 3.5

G
(x) =
_
_
_
0, se x < 2.5
x 2, se 2.5 x 3.5
1, se x > 3.5
(7.7)
Figura 7.4: Diagrama de H-E dos conjuntos fuzzy Pequeno, Mdio e Grande
1. Complemento:
O complemento de um conjunto fuzzy A do universo de discurso U pode ser denotado
por A, com uma funo de pertinncia denida por

A
(x
i
) = 1
A
(x
i
) (7.8)
O complemento corresponde ao conectivo NO. Assim, a partir das denies dos
conjuntos mostrados em 7.7 e da denio para o complemento de 7.8, resulta o
conjunto No Grande, mostrado na Figura 7.5.
2. Unio:
Teoria de Conjuntos Fuzzy 117
Figura 7.5: Conjunto fuzzy resultante da Operao de Complementao NO Grande
A unio de dois conjuntos fuzzy A e B do universo de discurso U denida de diversas
formas na literatura. Por exemplo, pode-se representar A B ou A + B atravs da
seguinte funo de pertinncia:

AB
= max[
A
(x
i
),
B
(x
i
)] (7.9)
Esta uma denio particular da operao de unio proposta por Zadeh na dcada
de 60 (Zadeh 1965b). Na verdade, pode-se denir de uma forma mais geral a operao
de unio entre conjuntos fuzzy atravs das normas S, ou seja, atravs de uma famlia
de funes com as seguintes propriedades:
Comutatividade: S(a, b) = S(b, a)
Associatividade: S(a, S(b, c)) = S(S(a, b), c)
Monotonicidade: se a b e c d, ento S(a, c) S(b, d)
Coerncia nos Contornos: S(a, 1) = 1 e S(a, 0) = a
Assim, qualquer funo da famlia das normas S pode ser utilizada como um operador
generalizado da unio entre conjuntos fuzzy. Alguns trabalhos apontam, inclusive,
vantagens desta substituio de operadores para certos tipos de aplicaes (Pedrycz
1993a). De qualquer forma, a unio corresponde sempre ao conectivo OU. Assim,
a partir dos conjuntos mostrados em 7.7 e da denio para unio de 7.9, resulta a
operao de unio mostrada gracamente na Figura 7.6.
Figura 7.6: Conjunto fuzzy resultante da operao de unio Grande OU Mdio
3. Interseo:
A interseo entre dois conjuntos fuzzy A e B do universo de discurso U denida de
diversas formas. Por exemplo, pode-se representar A B ou A.B atravs da seguinte
funo de pertinncia:
118 Sistemas Fuzzy

AB
= min[
A
(x
i
),
B
(x
i
)] (7.10)
Como no caso da unio, a operao de interseo entre conjuntos fuzzy pode ser
generalizada atravs de famlias especcas de funes, chamadas de normas T, com
as seguintes propriedades:
Comutatividade: T(a, b) = T(b, a)
Associatividade: T(a, T(b, c)) = T(T(a, b), c)
Monotonicidade: se a b e c d , ento T(a, c) T(b, d)
Coerncia nos Contornos: T(a, 1) = a e T(A, 0) = 0
De qualquer forma, a interseo sempre vai corresponder ao conectivo E. Assim, a
partir dos conjuntos mostrados em 7.7 e da denio para interseo de 7.10, resulta
a operao de interseo mostrada gracamente na Figura 7.7.
Figura 7.7: Conjunto fuzzy resultante da operao de interseo Mdio E Pequeno
7.3 Representao Fuzzy de Conhecimento
Quando um ser humano est resolvendo um problema complexo, ele primeiro tenta estru-
turar o conhecimento sobre este problema em termos de conceitos gerais e, depois, observa
as relaes essenciais entre estes conceitos. Este processo de modelagem top-down permite
que se converta relaes essencialmente gerais e imprecisas, obtidas no primeiro momento,
em algoritmos operacionais mais detalhados, numa segunda fase.
A perspectiva essencialmente humana de encarar um problema normalmente no per-
mite a denio precisa de uma soluo, em termos de nmeros exatos, por exemplo, mas
conduz a uma classicao ou agregao qualitativa em categorias gerais ou conjuntos de
possveis solues. A capacidade de se classicar de modo impreciso as variveis de um
problema, em termos de conceitos qualitativos ao invs de quantitativos, traduz a idia de
uma varivel lingstica. O processo de representao fuzzy de conhecimento aqui descrito
depende fundamentalmente deste conceito.
7.3.1 Variveis Lingsticas
Uma varivel lingstica denida como uma entidade utilizada para se representar de
modo impreciso e, portanto, lingstico, um conceito ou varivel de um dado problema.
Ela admite como valores apenas expresses lingsticas (freqentemente chamadas de ter-
mos primrios), como frio, muito grande, aproximadamente alto, etc. Estes valores
contrastam com os valores assumidos por uma varivel numrica, que admite apenas va-
lores precisos (ou seja, nmeros).
Representao Fuzzy de Conhecimento 119
Um termo primrio de uma dada varivel lingstica pode ser representado por um
conjunto fuzzy existente no universo de discurso onde esta varivel est denida. Assim,
cada conjunto fuzzy denido neste universo associado a um conceito lingstico que
classica ou dene um valor impreciso para a varivel em questo. Para um dado elemento
x do universo de discurso, o valor de pertinncia
A
(x) representa o quanto este elemento
satisfaz o conceito representado pelo conjunto fuzzy A.
Os termos primrios denidos para uma dada varivel lingstica formam a sua es-
trutura de conhecimento. Esta estrutura chamada de partio fuzzy desta varivel. Na
Figura 7.8, mostrado um exemplo de partio fuzzy de uma varivel lingstica chamada
Temperatura. O universo de discurso utilizado um segmento da escala Celsius de tem-
peratura, entre 0 e 50 graus.
Figura 7.8: Partio fuzzy de uma varivel lingstica representando a temperatura
A forma de utilizao das variveis lingsticas depende basicamente da denio das
propriedades sintticas e semnticas que vo reger o comportamento do sistema de conhe-
cimento fuzzy. As propriedades sintticas denem o formato em que sero armazenadas
informaes lingsticas fuzzy. Elas proporcionama criao de uma Base de Conhecimento
contendo sentenas estruturadas, sistematizando o processo de armazenamento, busca e
processamento dos dados existentes.
Por outro lado, as propriedades semnticas vo especicar de que modo extrado e
processado o conhecimento, armazenado na forma de declaraes condicionais fuzzy, ou
regras de produo fuzzy, contido na estrutura denida pelas propriedades sintticas.
7.3.2 Regras de ProduoFuzzy
A maneira mais comum de se armazenar informaes em uma Base de Conhecimento
fuzzy a representao atravs de regras de produo fuzzy. Uma regra de produo
normalmente formada de duas partes principais:
if <antecedente> then <conseqente>
O antecedente composto por umconjunto de condies que, quando satisfeitas (mesmo
parcialmente), determinam o processamento do conseqente da regra por um mecanismo
de inferncia fuzzy. O processo acima descrito denomina-se disparo de uma regra.
120 Sistemas Fuzzy
Por sua vez, o conseqente composto de um conjunto de aes ou diagnsticos que
so gerados com o disparo da regra. Os conseqentes das regras disparadas so proces-
sados em conjunto para gerar uma resposta determinstica para cada varivel de sada do
sistema.
7.4 Modelos de Inferncia Fuzzy
Como j mencionado, a semntica que vai denir, para o mecanismo de inferncia, como
sero processados os antecedentes, quais sero os indicadores de disparo das regras e
quais os operadores utilizados sobre os conjuntos fuzzy existentes, para executar o pro-
cessamento de conhecimento. Tipicamente, utilizam-se modelos de inferncia fuzzy es-
peccos de acordo com as propriedades sintticas denidas, ou seja, o modelo de proces-
samento denido para o sistema de conhecimento vai depender basicamente da forma de
armazenamento de informaes escolhida.
7.4.1 Modelo de Mamdani
Ebrahim Mamdani props na dcada de 70 um mtodo de inferncia fuzzy que se tornou
por muitos anos um padro para a utilizao dos conceitos da lgica fuzzy em processa-
mento de conhecimento (Mamdani 1974). As regras de produo em um modelo de Mam-
dani possuem relaes fuzzy tanto em seus antecedentes quanto em seus conseqentes.
Uma regra tpica de um modelo deste tipo mostrada em 7.11.
if Temperatura = AumentandoMuito e Presso = MuitoAlta,
then PerigoDeExploso = Grande
(7.11)
Como a maioria das aplicaes de interesse possui sistemas convencionais de aquisio
e atuao baseados em grandezas numricas, o modelo de Mamdani inclui mdulos de
interface que transformam as variveis de entrada em conjuntos fuzzy equivalentes e, pos-
teriormente, as variveis fuzzy geradas em variveis numricas proporcionais, adequadas
para os sistemas de atuao existentes. Na Figura 7.9 mostrado um diagrama tpico de
um sistema de processamento de conhecimento fuzzy que utiliza o modelo de inferncia de
Mamdani.
Figura 7.9: Diagrama tpico de um modelo de inferncia de Mamdani
Neste diagrama, a mquina de inferncia recebe valores fuzzy provenientes do mdulo
de interface de entrada, processa as regras existentes na Base de Conhecimento e gera um
conjunto fuzzy de sada para o mdulo de interface correspondente, a partir da composio
de todas as regras disparadas. Por uma regra disparada, entende-se uma regra cujo pro-
cessamento do antecedente para as entradas atuais gerou graus de pertinncia no nulos,
ou seja, a relao fuzzy entre as entradas e os termos primrios do antecedente maior
que zero.
Modelos de Inferncia Fuzzy 121
A regra semntica tradicionalmente utilizada para o processamento de inferncias com
o modelo de Mamdani chamada de inferncia Mx-Min. Ela utiliza as operaes de
unio e de interseo entre conjuntos da mesma forma que Zadeh, atravs dos operadores
de mximo e de mnimo, respectivamente. Considerando uma regra de produo fuzzy
genrica como mostrada em 7.12, o mtodo de inferncia Mx-Min proposto por Mamdani
ser detalhado a seguir.
if x
1
= A
i
e x
2
= A
j
e ... e x
p
= A
j
, then y
1
= B
i
e y
2
= B
m
(7.12)
Em 7.12, x
i
so as entradas do sistema, A
1
, ..., A
j
, so termos primrios denidos nas
parties fuzzy de cada varivel de entrada, y
1
e y
2
so variveis de sada e B
1
, ..., B
m
os
termos primrios denidos em suas parties fuzzy.
Durante o processo de converso escalarfuzzy, os antecedentes de cada regra so
processados atravs da interseco fuzzy entre os graus de pertinncia das entradas atuais
nos termos primrios denidos em cada uma. Este processo gera um grau de pertinncia
de disparo para cada regra de produo. Em outras palavras, calculado para a k-sima
regra da Base de Conhecimento um coeciente de disparo D
(k)
segundo 7.13, onde os
ndices k nos conjuntos fuzzy denotam os termos primrios que compem a regra k na
Base de Conhecimento. Este processamento transformou informaes quantitativas em
informaes qualitativas, sendo considerado um processo de generalizao. Em ingls, ele
comumente chamado de fuzzication.
D
(k)
= T
_

A
k
1
(x
1
),
A
k
2
(x
2
), ...,
A
k
p
(x
p
)
_
= min
_

A
k
1
(x
1
),
A
k
2
(x
2
), ...,
A
k
p
(x
p
)
_
(7.13)
Todas as regras para as quais o coeciente de disparo for maior que zero so ditas
regras que dispararam para as entradas atuais. Isto quer dizer que elas vo contribuir
para o clculo da sada correspondente do sistema de inferncia. Estes coecientes de
disparo, por sua vez, vo limitar os valores mximos dos conjuntos fuzzy de sada gerados
por estas regras. Finalmente, uma operao global de unio vai compor um conjunto fuzzy
para cada varivel de sada, contendo informaes sobre todas as regras disparadas para
as entradas atuais. Em 7.14, mostrada a composio deste conjunto para o caso da sada
y
2
da regra mostrada em 7.12. O universo de discurso desta varivel de sada composto
pelos elementos y U
y
2
.

i
(y) =
S
k=1..n
_
T
_
D
(k)
,
B
i
(y)
__
= max
k=1..n
_
min
_
D
(k)
,
B
i
(y)
__
, y U
y
2
(7.14)
O processo de inferncia acima descrito transforma uma informao qualitativa em
outra informao qualitativa, atravs de uma converso. O conjunto fuzzy gerado durante
o processo de inferncia pode ento ser utilizado diretamente em um diagnstico qualitativo
de tomada de deciso, ou vai ser convertido em um valor escalar proporcional para atuao
externa atravs de atuadores convencionais, no caso de um sistema de controle.
A converso fuzzyescalar transforma informaes qualitativas em uma informao
quantitativa, sendo um processo de especicao. Em ingls, este processo comumente
chamado de defuzzication. Para a regra de produo denida em 7.12, parte-se do con-
junto fuzzy de sada
B

i
(y) obtido pelo processo de inferncia e chega-se a um valor escalar
y
2
correspondente.
Os mtodos mais utilizados para converso fuzzyescalar so o mtodo do centro de
massa e o mtodo da mdia dos mximos. O mtodo do centro de massa calcula, para um
dado conjunto fuzzy de sada proveniente de uma Base de Conhecimento processada, a
abscissa (no universo de discurso denido para a varivel em questo) do ponto de centro
de massa correspondente, e a utiliza como valor escalar de sada. A expresso analtica da
implementao deste mtodo mostrada em 7.15.
122 Sistemas Fuzzy
y
2
=

yU
y2
y.
B

i
(y)

yU
y2

i
(y)
(7.15)
No caso do mtodo da mdia dos mximos, o valor numrico da sada corresponde ao
ponto do universo de discurso que corresponde mdia dos pontos de mximo locais da
funo de pertinncia do conjunto de sada, produzida pelo processo de inferncia, como
mostrado em 7.16.
y
2
=

y U
y2

y
k
.
B

i
(

y
k
)
n
y
; onde

y = max
yU

,U

U
y2
_

i
(y)
_
(7.16)
Umexemplo prtico de execuo do processo de inferncia fuzzy aqui descrito mostrado
em detalhes adiante, na Seo 7.5.
7.4.2 Modelo de Takagi-Sugeno-Kang
Na dcada de 80, foi proposta uma estrutura de inferncia tambm baseada na teoria de
conjuntos fuzzy (Takagi & Sugeno 1985a; Sugeno & Kang 1988a). Esta estrutura de-
nominada sistema de inferncia de Sugeno, modelo de inferncia fuzzy paramtrico ou
simplesmente modelo TSK. Os autores demonstraram que estes modelos funcionam como
bons aproximadores para sistemas que podem ser completa ou satisfatoriamente represen-
tados apenas atravs de suas relaes de entrada e sada.
Como no caso do modelo de Mamdani, os modelos fuzzy TSK so tambm baseados
na utilizao de uma base de regras condicionais de inferncia. Mas, neste caso, os con-
seqentes das regras, ao invs de serem formados por relaes fuzzy, se compem de
equaes paramtricas relacionando as entradas e as sadas do processo. A sintaxe do
banco de conhecimento diferente do caso do modelo de Mamdani, implicando em alter-
aes tambm das propriedades semnticas correspondentes. A Equao 7.17 mostra uma
regra genrica de um modelo TSK.
se x
1
= A
i
e x
2
= A
j
e ... e x
p
= A
m
ento y = (x
1
, x
2
, ..., x
p
) (7.17)
O processamento de conhecimento em um modelo TSK similar ao ocorrido em modelos
de Mamdani. A etapa de converso escalarfuzzy idntica, como mostrado em 7.18,
exceto pelo fato de que a norma T utilizada na maioria das aplicaes no a funo
min(.).
D
(k)
= T
_

A
k
1
(x
1
),
A
k
2
(x
2
), ...,
A
k
p
(x
p
)
_
(7.18)
A sada numrica calculada diretamente pela soma das sadas das regras, ponderada
pelos valores de ativao D
(k)
de cada uma delas (7.19). Um modelo TSK com mltiplas
sadas sempre pode ser transformado em mltiplos modelos de sada nica.
y =

i=1..k
D
(i)
.
i
(x
1
, ..., x
p
)

i=1..k
D
(i)
(7.19)
comum a utilizao de um modelo TSK em substituio a um modelo matemtico
convencional em um esquema de controle ou modelagem de sistemas reais. Para ser uti-
lizado desta maneira, necessrio que o modelo seja ajustado de forma a se comportar
como o sistema real que est representando. Assim, devem ser criadas parties fuzzy
para as variveis de entrada, ou seja, so denidos conjuntos fuzzy nos universos de dis-
curso destas variveis. Atravs de um conjunto de dados de entrada e sada do sistema
Modelos de Inferncia Fuzzy 123
a ser modelado, os parmetros P dos conseqentes destas regras so estimados segundo
algum ndice de desempenho denido pelo usurio. A minimizao do erro quadrtico en-
tre a sada do modelo de Sugeno e os dados de sada disponveis normalmente utilizada
como medida do desempenho. Neste caso, um algoritmo de mnimos-quadrados recursivo
(MQR) pode ser utilizado para realizar esta estimao.
Uma vez que as parties fuzzy e os parmetros de sada esto otimizados segundo o
ndice escolhido pelo usurio, o modelo est pronto para substituir o modelo convencional
existente. Em 7.20, a expresso que relaciona as entradas e as sadas de um modelo TSK
de primeira ordem, utilizando um conjunto de k regras de produo fuzzy e p entradas. Ela
consistente com a regra de produo genrica mostrada na Equao 7.17.
y(x
1
, x
2
, ..., x
p
) =
k

i=1

i
.(P
i0
+P
i1
.x
1
+... +P
ip
.x
p
) (7.20)
onde

i
=
T
_

A
i1
(x
1
), ...,
A
ip
(x
p
)

j=1
T
_

A
j1
(x
1
), ...,
A
jp
(x
p
)

(7.21)
A seguir, descrito de forma resumida um mtodo de ajuste de modelos TSK baseado
em um ndice de desempenho quadrtico. Dado um conjunto de dados de entrada e sada
representado por
x
1j
, x
2j
, ..., x
kj
, y
j
(j = 1, 2, ..., m)
O conjunto de parmetros P dos conseqentes das regras fuzzy pode ser estimado por
MQR. Considerando uma matrix X de dimenses m x k.(p+1), um vetor Y de dimenso m
e um vetor P de parmetros de dimenso k.(p+1), tem-se:
X =
_

11
...
k1
x
11
.
11
... x
11
.
k1
x
p1
.
11
... ... ...

1m
x
1m
.
1m
... x
p1
.
1m
... x
p1
.
km
_

_
Y = [y
1
, ..., y
m
]
T
P = [P
10
, ..., P
k0
, P
11
, ..., P
k1
, ..., P
kp
]
T
(7.22)
Ento os parmetros P podem ser calculados por:
P = (X
T
.X)
1
.X
T
.Y (7.23)
Ou, alternativamente, podem ser estimados de forma recursiva atravs de um ltro de
Kalman em regime permanente do tipo
P
i+1
= P
i
+S
i+1
.x
i+1
.(y
i+1
x
i+1
.P
i
)
S
i+1
= S
i

S
i
.x
i
+x
i+1
.S
i
1+x
i+1
.S
i
.x
T
i+1
(i = 0, 1, ..., m1)
(7.24)
Na Equao 7.24, x
i
so linhas da matriz X. Os valores iniciais P
0
e S
0
so denidos
como em 7.25 a seguir, onde um nmero escalar positivo com grande mdulo e I uma
matriz identidade de dimenses k.(p+1) x k.(p+1). A matriz S comumente chamada na
literatura de matriz de covarincias. Ela mede a correlao entre os parmetros P durante
o treinamento.
P
0
= 0
S
0
= .I
(7.25)
Um exemplo prtico de aplicao do mtodo aqui descrito mostrado em detalhes na
Seo 7.6, para o caso de aproximao de funes.
124 Sistemas Fuzzy
7.5 Sistemas de Apoio Deciso
Como sistemas capazes de processar de forma eciente informaes imprecisas e quali-
tativas de forma geral, os modelos de inferncia fuzzy so especialmente adequados em
processos que exigem tomadas de deciso por parte de operadores e gerentes de operao.
Aplicaes deste tipo representam o conhecimento e a experincia existentes sobre um de-
terminado estado do processo ou situao e, a partir da entrada de dados sobre os seus
estados atuais, podem inferir sua evoluo temporal, as variaes importantes que ocor-
reram ou mesmo gerar sugestes sobre as prximas aes a serem tomadas. O exemplo a
seguir mostra um sistema simples de auxlio tomada de deciso, para o caso do consumo
de um automvel. Ele utiliza um modelo de inferncia de Mamdani.
Exemplo 7.1: Processamento de um modelo de Mamdani para apoio tomada
de decises.
Figura 7.10: Exemplo de um Modelo de Inferncia de Mamdani com 3 regras
Considere que a relao entre a velocidade e o consumo de um automvel pode
ser descrita atravs das trs regras mostradas na Figura 7.10. So criadas
parties fuzzy para estas variveis e denida uma regra semntica para o
processo de inferncia fuzzy a ser realizado. Neste caso, utiliza-se a inferncia
Max-Min.
Agora, possvel se alimentar valores de velocidade para a obteno de valores
percentuais de consumo, calculados a partir da Base de Conhecimento criada.
No processo de inferncia mostrado acima, uma entrada escalar de velocidade
foi convertida em um conjunto de graus de pertinncia nos termos primrios
denidos para a varivel lingstica Veloc. Este vetor de pertinncias ento
utilizado para limitar os conjuntos fuzzy de sada da varivel lingstica Con-
sumo, segundo a Base de Conhecimento denida. Assim, para a regra 1, o
termo de consumo Mdio foi limitado em 0.65 e
para a regra 2, o termo de consumo Pequeno foi limitado em 0.35. O valor
de sada para a varivel escalar Consumo foi obtido atravs de um mtodo de
converso fuzzyescalar adequado. Neste caso, foi utilizado o mtodo do centro
de massa. A Figura 7.11 mostra uma anlise nal da relao entre o consumo e a
velocidade do automvel em questo. De posse destes dados, possvel vericar,
por exemplo, a velocidade na qual o consumo de combustvel mnimo.
Aproximao de Funes 125
Figura 7.11: Anlise do problema de consumo aps o processamento fuzzy
7.6 Aproximao de Funes
Uma aplicao bastante comum dos modelos de inferncia fuzzy sua utilizao para
aproximao de funes no lineares. Aproximadores de funes normalmente so mdu-
los componentes de um sistema mais complexo de modelagem, de tomada de deciso ou de
controle. Em tais sistemas, freqentemente necessrio o clculo de valores de funes ou
de suas derivadas em pontos especcos. As expresses analticas destas funes podem
ser de difcil clculo ou mesmo no estarem disponveis. Nestes casos, so necessrios
sistemas capazes de aproximar o comportamento de tais funes a partir de dados prticos
existentes.
Pelas suas propriedades sintticas, os modelos de inferncia de TSK so mais adequa-
dos a este m. A existncia de funes paramtricas nos conseqentes de suas regras e
a facilidade de se ajustarem a partir de um conjunto de dados de entrada e sada faz com
que eles sejam intrinsecamente relacionados com a tarefa de aproximao de funes em
geral. No entanto, os modelos de Mamdani tambm podem ser utilizados para este m. No
Exemplo 7.2 descrito um problema simples de aproximao de uma funo no-linear de
uma nica varivel, abordando diferentes solues e discutindo os resultados obtidos.
Exemplo 7.2: Aproximao de um conjunto de pontos no plano atravs de sis-
temas de inferncia fuzzy.
Um conjunto de pontos adquiridos de uma funo no-linear mostrado na
Figura 7.12, atravs de uma tabela e de um grco no plano cartesiano. A
linha contnua mostra uma soluo por regresso quadrtica executada sobre
os pontos dados, como forma de comparao com os resultados obtidos com a
lgica fuzzy.
Primeiramente, foi empregado um modelo de Mamdani. As parties fuzzy cri-
adas para as variveis de entrada e de sada so mostradas na Figura 7.13.
A seguinte base de regras foi denida para a representao do sistema:
_
_
_
se x(t) = A
1
ento y(t) = B
2
se x(t) = A
2
ento y(t) = B
1
se x(t) = A
3
ento y(t) = B
2
(7.26)
A sada do modelo de Mamdani mostrada na Figura 7.14, considerando que o
mtodo de inferncia Mx-Min foi empregado. Esta abordagem freqentemente
126 Sistemas Fuzzy
Figura 7.12: Pontos adquiridos de uma funo y = f(x)
Figura 7.13: Parties fuzzy criadas para as variveis x e y
chamada de sntese pelo conhecimento, pois ela pressupe o conhecimento de
um especialista no momento de criao das parties fuzzy e da base de regras.
Foi tambm implementada uma soluo por meio de um modelo TSK de ordem
zero. A partio de entrada foi escolhida como no caso anterior e os parmet-
ros de sada estimados pelo mtodo dos mnimos quadrados, constituindo uma
sntese pelos dados. O vetor de parmetros P estimado mostrado em 7.27 e
o resultado grco da aproximao mostrado na Figura 7.15 a seguir. Pode-se
notar que a aproximao obtida para y(x) atravs do modelo TSK de ordem zero
um pouco melhor que a obtida pelo modelo de Mamdani. No entanto, nenhuma
das duas abordagens gerou uma aproximao satisfatria, j que a funo a ser
aproximada quadrtica.
P =
_
0.8953 0.1813 0.9642

T
(7.27)
Finalmente, utilizou-se um modelo TSK de primeira ordem, com a partio de
entrada idntica das abordagens anteriores e os parmetros de sada, mostra-
dos em 7.28, tambm estimados pelo algoritmo MQR discutido na Seo 7.4.2.
Os resultados da Figura 7.16 so visivelmente superiores aos fornecidos pelas
abordagens anteriores e se aproximam bastante do conjunto de pontos dados.
Aproximao de Funes 127
Figura 7.14: Aproximao de funo pelo modelo de Mamdani (em vermelho)
Figura 7.15: Aproximao de funo por um modelo TSK de ordem zero (curva tracejada)
P
0
=
_
_
0.4584
0.0540
0.8355
_
_
; P
1
=
_
_
0.8857
0.7988
1.8430
_
_
(7.28)
Sistemas aproximadores de funes esto presentes na maioria das aplicaes de mod-
elagem de processos dinmicos reportadas da literatura. Da mesma forma que se pode
estimar a relao entre duas variveis atravs de um modelo TSK, possvel se utilizar
esta mesma ferramenta para a estimao das relaes entre variveis de entrada e sada
de um processo dinmico do qual se necessite de um modelo aproximado. Sistemas que
possuem a capacidade de aproximar qualquer funo ou relao entre variveis com uma
dada preciso so chamados de aproximadores universais. Informaes mais aprofun-
dadas sobre a teoria de aproximadores universais podem ser encontradas em (Girosi &
Poggio 1990; Poggio & Girosi 1990).
128 Sistemas Fuzzy
Figura 7.16: Aproximao de funo por um modelo TSK de primeira ordem (curva trace-
jada)
7.7 Controle de Processos
O interesse crescente pela aplicao da teoria de conjuntos fuzzy em controle de processos
se deve ao fato de os processos industriais complexos apresentarem diculdades signi-
cativas ao controle automtico devido s no linearidades, comportamento variante no
tempo, baixa qualidade das medidas disponveis, altos nveis de rudo, sensoreamento dis-
tribudo e fortemente interconectado, etc. Em geral, nesses sistemas, controlam-se apenas
variveis subsidirias, as quais podem ser medidas e controladas (temperatura, presso,
uxo, etc.), deixando-se a cargo do operador o controle global da qualidade e quantidade
de produto produzido.
At meados da dcada de 80, o projeto de sistemas de controle era baseado quase que
exclusivamente nas teorias clssica e moderna de controle. Uma grande desvantagem
destas duas abordagens a necessidade de uma descrio bastante rgida do compor-
tamento da planta a ser controlada, atravs de modelos matemticos (King & Mamdani
1977). Mesmo assim, a teoria clssica de controle permite o projeto de controladores com
bom desempenho, para o caso de sistemas lineares mono-variveis (com apenas uma en-
trada e uma sada). Analogamente, a teoria de controle moderno provou ser bastante til
no projeto de controle de sistemas lineares multi-variveis de natureza determinstica e
estocstica, utilizando representao em espao de estados e mtodos de resposta em fre-
qncia. No entanto, no caso de sistemas altamente no lineares e de difcil modelagem
matemtica, surgem diculdades considerveis no projeto de controladores apropriados
usando as teorias tradicionais de sistemas lineares.
Atualmente, o uso de computadores de processo tem permitido a utilizao de tcnicas
modernas de controle, inclusive com o emprego de modelos matemticos, e estas tcnicas
tm produzido bons resultados para problemas lineares de natureza determinstica ou
estocstica. Todavia, quando o processo complexo, surgem diculdades no projeto de
controladores adequados usando a teoria de sistemas lineares.
Os problemas que ocorrem ao se tentar controlar sistemas no-lineares e complexos
podem ser resumidos no Princpio da Incompatibilidade (Zadeh 1973):
Quando a complexidade de um sistema aumenta, nossa habilidade para fazer
armaes precisas e ainda signicantes sobre seu comportamento diminui at
um limiar ser alcanado, alm do qual preciso e signicncia (ou relevncia)
Controle de Processos 129
tornam-se caractersticas quase mutuamente exclusivas.
Observa-se, entretanto, que na maioria destes casos o operador capaz de articular
uma boa estratgia de controle, baseada na intuio e na experincia. Esta estratgia pode
ser representada por um conjunto de regras de deciso heurstica que, se for utilizado
adequadamente, pode gerar um controlador heurstico com boa performance.
Assim, interessante incluir estas aes de controle num esquema de automao, e
para tanto requer-se um mtodo de descrio desta estratgia de controle. Tal fato conduz
a dois problemas (King & Mamdani 1977):
1. As aes de controle do operador so freqentemente errticas, inconsistentes ou
sujeitas a erro devido natureza imprecisa dos processos de deciso humanos e,
assim, a atividade de controle do operador difcil de ser interpretada precisamente;
2. O operador freqentemente responde no somente a uma nica medida, mas a mode-
los complexos de medidas e observaes de variveis no mensurveis, tais como cor,
consistncia, etc.
Os Sistemas Especialistas convencionais so um bom exemplo de aplicao de regras
heursticas com o intuito de aproximar o raciocnio humano. No entanto, o tratamento
bi-valente adotado para processamento limita fortemente o tipo de raciocnio obtido. Por
outro lado, se forem utilizados os conceitos de lgica fuzzy para a implementao prtica e
processamento destas regras heursticas, o algoritmo resultante ser um controlador fuzzy
baseado em regras. A primeira implementao de um controlador deste tipo foi relatada
por Ebrahim Mamdani (Mamdani 1974). Desde ento, o projeto de controladores baseados
na transformao de expresses lingsticas em modelos fuzzy se tornou a principal rea
de aplicao da teoria dos conjuntos fuzzy na engenharia.
A traduo desta informao imprecisa utilizando a teoria convencional de controle
inviabilizada devido complexidade matemtica que poderia resultar. Entretanto, a teoria
de conjuntos fuzzy proporciona grande facilidade para descrever e processar tal tipo de
informao, atravs de variveis lingsticas e de regras de produo fuzzy.
7.7.1 Sistemas de Controle Fuzzy de Mamdani
Uma coleo de regras de produo fuzzy como a mostrada em 7.12 pode descrever lingis-
ticamente uma estratgia de controle de processo. Este tipo de estratgia lingstica pode
ser chamado de um algoritmo de controle fuzzy ou de uma Base de Conhecimento fuzzy.
O Exemplo 7.3 discute brevemente uma abordagem de transformao de conhecimento
impreciso em uma regra de produo que pode ser utilizada em um sistema de controle.
Exemplo 7.3: Propriedades sintticas de regras de produo fuzzy em um sis-
tema de controle baseado no modelo de Mamdani.
Uma regra qualitativa tpica para controle de temperatura pode ser:
Se a temperatura est alta e aumentando
ento aumente o resfriamento um pouco
Utilizando-se o conceito de variveis lingsticas, uma partio fuzzy denida
para a varivel temperatura, como a mostrada na Figura 7.8, e as seguintes
parties fuzzy:
delta_temp = [Negativo, Zero, Positivo] para a variao de temperatura e
delta_resfr = [NegativoGrande, NegativoPequeno, Zero, PositivoPequeno,
PositivoGrande] para a variao do resfriamento.
130 Sistemas Fuzzy
Pode-se reescrever esta regra em termos das variveis criadas e seus termos
primrios da seguinte forma:
if temp = Alta and delta_temp = Positivo
then delta_resfr = PositivoPequeno
A implementao de um sistema de controle fuzzy baseado no modelo de inferncia de
Mamdani deve observar as seguintes etapas:
Denio dos universos de discurso das variveis de entrada e sada do controlador
(incluindo a sua discretizao, ou seja, os nveis de quantizao de cada um);
Partio dos universos de discurso denidos, ou seja, criao dos termos primrios
envolvidos e graus de pertinncia dos conjuntos fuzzy que representam cada termo;
Determinao das regras que formam o algoritmo de controle (Base de Conhecimento);
Denio de parmetros semnticos tais como: escolha das operaes fuzzy ade-
quadas, forma de converso de variveis de entrada e sada, tipo de atuao do con-
trolador (tipicamente, posicional ou incremental), mtodo de aprendizado, etc.
Funcionando como um sistema de controle baseado em regras, um modelo de infer-
ncia fuzzy de Mamdani possui tipicamente o diagrama de uxo de sinais mostrado na
Figura 7.17. O sistema de controle recebe informaes sobre o estado do sistema sob con-
trole atravs de suas variveis de entrada, processa estas informaes atravs de sua Base
de Conhecimento e gera em sua sada um sinal de controle correspondente.
Figura 7.17: Sistema de Controle fuzzy baseado no modelo de Mamdani
Atualmente, no existe um procedimento rigoroso de sntese para o desenvolvimento de
um algoritmo de controle fuzzy. Uma base de regras de produo deve ser criada a partir
do conhecimento do sistema (pela experincia de um especialista na operao ou atravs
de leis fsicas). Um observador treinado pode obter a descrio da estratgia de controle
pela observao e discusso do processo com o operador e a partir das leis fsicas que
governam o comportamento dinmico do sistema (Sutton & Towill 1985). No entanto, tm
surgido vrias abordagens que proporcionam a gerao automtica de regras e parties
fuzzy baseada em dados de entrada e sada do sistema sob controle. A maioria destas
abordagens utiliza outras tecnologias de Aquisio de Conhecimento associadas lgica
fuzzy para a funo de adaptao. O Captulo ?? descreve em maiores detalhes estas
associaes.
Para se conseguir rapidez em implementaes on-line utilizando arquiteturas de com-
putador do tipo Von Neumann, as aes de controle podem ser previamente computadas
e colocadas em forma de uma tabela (look-up table), que ter tantos elementos quantos
Controle de Processos 131
forem o nmero de regras e termos primrios vezes o universo de discurso das variveis
denidas no controlador. Em arquiteturas paralelas, as regras podem ser processadas
simultaneamente.
As regras devem ser avaliadas em intervalos regulares, do mesmo modo que em um
sistema de controle digital convencional. A escolha do intervalo de amostragem depende
do processo sob controle e deve seguir as regras vlidas para o projeto de sistemas de
controle amostrados convencionais.
Uma Base de Conhecimento fuzzy deve ser testada de alguma forma antes de uma im-
plementao prtica. A utilizao de um modelo matemtico do processo pode facilitar
esta etapa de validao do conhecimento. Durante estes testes, aconselhvel a visual-
izao da forma do conjunto fuzzy de sada do processo de inferncia, para avaliao das
regras utilizadas. A anlise do conjunto resultante pode determinar a qualidade das regras
utilizadas.
Por exemplo, o conjunto A da Figura 7.18 a seguir mostra um pico nico forte, indi-
cando uma regra dominante nesta regio. O conjunto B, com dois picos, mostra que no
mnimo duas regras fortes e contraditrias esto presentes, enquanto o conjunto fuzzy C
mostra um resultado que indica a falta de um bom conjunto de regras na regio mostrada.
Nos dois ltimos casos, necessrio o ajuste do controlador para se obter um desempenho
de qualidade do sistema (King & Mamdani 1977).
Figura 7.18: Anlise de desempenho de uma Base de Conhecimento fuzzy
Para o ajuste de um controlador fuzzy baseado no modelo de Mamdani, pode-se utilizar
os seguintes mtodos:
Modicao das regras de controle;
Modicao dos universos de discurso (nveis de quantizao) das variveis;
Modicao na denio das parties fuzzy das variveis.
Os dois ltimos mtodos possibilitam um ajuste mais no, enquanto o primeiro, um
ajuste mais grosso (Almeida, Figueiredo, Braga, Jota, & Arajo 1993). Vrios paradigmas
de Aquisio de Conhecimento podem ser combinados de forma simultnea ou utilizados
seqencialmente, como discutido no Captulo ??, para executar o ajuste automtico de um
controlador fuzzy baseado no modelo de Mamdani. Este tpico, no entanto, foge ao escopo
deste captulo.
7.7.2 Sistemas de Controle Fuzzy TSK
O modelo de inferncia TSK tambm pode ser utilizado como um controlador para regu-
lao de processos fsicos. De fato, fcil se imaginar um conjunto de regras de Sugeno
132 Sistemas Fuzzy
onde as variveis de entrada representam os estados de um processo dinmico e a funo
de sada gera um sinal de controle para este processo. O modelo de TSK permite a concate-
nao de controladores compostos por diferentes estratgias, agrupados em um mesmo
conjunto de regras. O processo de obteno da sada global do sistema, a partir da mdia
ponderada das sadas das regras disparadas, como mostrado em 7.21, garante uma tran-
sio suave entre as estratgias individuais componentes do sistema de controle. Em 7.29,
mostrada de forma compacta uma regra de um modelo TSK construdo para este m.
R
(i)
: if X L
i
, then u = (P, X) (7.29)
Na equao acima, o vetor X representa os estados de um sistema dinmico sob cont-
role, L
i
representa um termo ou conjunto de termos primrios das parties fuzzy criadas
para os estados deste sistema e (P, X) representa uma estratgia de controle individ-
ual componente do sistema de controle. O vetor de parmetros P pode ser treinado, neste
caso, para otimizar o funcionamento do controlador segundo algum critrio de desempenho
denido pelo usurio. Lingisticamente, a Equao 7.29 pode ser traduzida como:
if o vetor de estados X tem a propriedade L
i
,
then aplique o controlador u = (P, X)
Um exemplo de utilizao de um controlador fuzzy baseado em um modelo TSK
mostrado na Figura 7.19, onde um conjunto de controladores em paralelo criado para
garantir a operao de um sistema no linear em uma extensa faixa de operao, com bom
desempenho. Normalmente, o ajuste de um nico controlador nestes casos ca dicultado
ou impossibilitado pelas no-linearidades do sistema. Os parmetros otimizados para uma
faixa de operao do sistema podem se tornar ruins em outros pontos, causando queda no
desempenho ou at mesmo a instabilidade do sistema de controle.
Figura 7.19: Diagrama equivalente do sistema de controle fuzzy baseado no modelo TSK
Exemplo 7.4: Projeto de um Controlador Fuzzy-PID multi-faixa utilizando um
sistema de controle fuzzy baseado no modelo TSK.
Os controladores PID (proporcional+integral+derivativo) so largamente utiliza-
dos na indstria pela sua versatilidade e relativa facilidade de sintonia. No en-
tanto, no caso de processos altamente no-lineares, a sintonia dos parmetros
K
p
, K
i
e K
d
de ajuste ca muito difcil de ser feita manualmente para toda a
faixa de operao da planta. Na maioria dos casos, o que se faz a sintonia em
uma faixa preferencial de atuao. Desta forma, abre-se mo do desempenho e
da ecincia nas demais faixas, onde o controlador opera apenas para garantir
a estabilidade do sistema, mas com baixo desempenho.
Para resolver este problema, pode-se projetar um modelo TSK com as seguintes
variveis:
Perspectivas Futuras 133
PO - Valor absoluto da varivel controlada, possibilitando a deteco do ponto de
operao atual
ER - Sinal de Erro entre a entrada de referncia e a sada do processo sob cont-
role
IE - Integral no tempo do sinal de erro ER
DE - Derivada Temporal do sinal de erro ER
Agora, devem ser criadas parties fuzzy para estas variveis de forma a contem-
plar todas as regies de interesse na operao do processo. Cria-se ento uma
regra de produo fuzzy para cada faixa de operao para a qual se necessite
de um ajuste particular do controlador PID. Assim, para n regras, sero criados
n controladores PID, cada um funcionando mais ativamente em uma faixa de
operao do processo e garantindo uma transio suave entre eles devido s op-
eraes de composio de inferncia baseadas na lgica fuzzy. Uma regra tpica
de um sistema de controle deste tipo mostrada abaixo:
R
(j)
: se PO = Pequeno,
ento u = W
0_j
+W
PO_j
.PO +K
P_j
.ER +K
I_j
.IE +K
D_j
.DE
A matriz de parmetros P resultante pode ser dividida em duas sub-matrizes
principais, K
PID
e W
PO
, onde K
PID
uma matriz contendo os valores dos parmet-
ros K
p
, K
i
e K
d
de ajuste dos controladores PID implementados em cada regra
e W
PO
vai possibilitar ajustes particulares de operao do controlador para cada
ponto de operao.
7.8 Perspectivas Futuras
Pouco a pouco, o nmero grande e contnuo de publicaes reportando o sucesso de apli-
caes baseadas em sistemas de inferncia fuzzy acaba por sedimentar as idias lanadas
por Lot Zadeh na dcada de 60. A prova de teoremas que garantem a estabilidade de
tais sistemas (Lo & Chen 1999) e as demonstraes de equivalncia matemtica entre sis-
temas fuzzy e mtodos convencionais de processamento de dados (sistemas de controle,
diagnstico, sistemas de tomada de deciso, etc.) (Pinheiro & Gomide 1999) jogam por
terra argumentaes cticas, outrora bastante comuns, sobre a falta de conabilidade e
previsibilidade do funcionamento de sistemas que utilizam a lgica fuzzy.
O que se observou na ltima dcada foi uma mudana conceitual no que se refere ao
entendimento dos sistemas baseados em lgica fuzzy e suas potencialidades. Antes con-
nados a aplicaes especcas e de pequeno porte, eles passaram a ser cada vez mais
utilizados de forma integrada com outras tecnologias em sistemas de maior porte e de uso
mais geral. O que se espera como uma tendncia para os prximos tempos a utiliza-
o da lgica fuzzy atravs de mdulos de apoio deciso que possam ser congurados
pelo usurio. Estes mdulos sero capazes de compartilhar dados de entrada e sada com
outros mdulos similares, possibilitando que uma deciso seja apoiada por diagnsticos
gerados simultaneamente por um pool de ferramentas de processamento distintas, funcio-
nando cooperativamente. Exemplos desta tendncia so os Sistemas Especialistas de l-
tima gerao, que possuem vrias ferramentas de apoio deciso incorporadas (sistemas
fuzzy, Redes Neurais, redes Bayesianas, etc.) e permitem que o usurio congure um
modelo de processamento segundo suas necessidades, utilizando topologias diversas. Os
Captulos ?? e ?? descrevem em maiores detalhes associaes comuns entre tecnologias
distintas de processamento de conhecimento e tipos de combinaes que podem propor-
cionar vantagens ao usurio.
134 Sistemas Fuzzy
7.9 Referncias Comentadas
Como j foi discutido, as aplicaes de lgica fuzzy reportadas nos ltimos anos so vas-
tas e variadas. Da mesma forma, as publicaes estendem-se desde textos tericos e de
mais difcil interpretao, de interesse especco para matemticos, at descries mais
pragmticas e muitas vezes desprovidas de conceitos tericos importantes, direcionadas
principalmente a prossionais de engenharia e nanas que desejam uma abordagem mais
voltada para uma aplicao especca em vista. Muitas destas publicaes vm acompan-
hadas de material eletrnico (software e manuais) adequado s etapas iniciais de familiar-
izao com as idias e tcnicas apresentadas.
Entre os ttulos com nfase terica, pode-se destacar (Klir & Folger 1988), (Kosko 1992b)
e (Gomide & Pedrycz 1998), alm do artigo seminal sobre conjuntos fuzzy publicado por
Lot Zadeh em meados da dcada de 60 (Zadeh 1965b) e de uma verso atualizada publi-
cada pelo prprio na revista IEEE Computer, 23 anos depois (Zadeh 1988).
Entre as publicaes de cunho prtico, voltadas para aplicaes em engenharia, o ar-
tigo de Ebrahim Mamdani de 1974 foi provavelmente o primeiro relato de uma aplicao
prtica de lgica fuzzy publicado (Mamdani 1974). Podem ser citados os livros de Witold
Pedrycz (Pedrycz 1993a) e de Ronald Yager (Yager & Filev 1994) para o caso de controle de
processos, e o livro editado por Hellendoorn, Driankov e outros (Driankov, Hellendoorn, &
Reinfrank 1993). Estes mesmos autores editaram em 1997 uma coletnea de artigos com
abordagens especcas de modelagem (Hellendoorn & Driankov 1997). Editado no Brasil,
(Simes & Shaw 1999) um dos primeiros textos publicados em portugus que cobre apli-
caes de controle e modelagem fuzzy de processos. Tcnicas de agrupamento e deteco
de padres podem ser vistas em detalhes em (Bezdek 1981), (Kandel 1982) e (Baraldi &
Blonda 1998), que faz uma reviso comparativa de vrios mtodos e tcnicas hbridas.
Michio Sugeno e outros pesquisadores publicaram em 1994 um livro importante que
cobre vrias aplicaes da lgica fuzzy no Japo (Terano, Asai, & Sugeno 1994). Por sua
vez, Robert Uhrig e Tsoukalas discutem aplicaes nos EUA em (Uhrig & Tsoukalas 1997).
Muitos livros e artigos tcnicos na rea fornecem cdigos-fonte especcos para apli-
caes de controle, modelagem e agrupamento, entre outros. Um bom exemplo disto
(Rao & Rao 1995).
Em 1993, Viotti publicou na revista Dr. Dobbs um cdigo em linguagem C de uma
mquina de inferncia fuzzy de uso geral (Viotti 1993). J outra gama de livros apresenta
o assunto atravs de ferramentas prontas, onde o usurio guiado pela interface existente
e pode ter um sentimento maior das potencialidades da lgica fuzzy. o caso do livro
acompanhado de software de Martin McNeill (McNeill & Thro 1994).
Finalmente, indica-se ao leitor interessado uma busca por artigos tcnicos em peridi-
cos especializados no mbito acadmico, como por exemplo os editados pelo IEEE (Institute
of Electrical and Electronic Engineers), como Transactions on Fuzzy Systems, de cunho
mais terico, Transactions on Industry Electronics, Transactions on Systems, Man and
Cybernetics e Transactions on Industrial Applications, onde possvel se encontrar, com
freqncia, aplicaes prticas relacionadas lgica fuzzy. Os peridicos editados pela
entidade europia IFAC (International Federation of Automatic Control), como Automatica
e Fuzzy Sets and Systems, tambm so boas fontes de referncia na rea.