La logica fuzzy nei sistemi di controllo INTRODUZIONE Nonostante il nome apparentemente contraddittorio: Fuzzy = stumato, la logica fuzzy 8 un metodo estremamente accurato e preciso che permette di realizzare agevolmen- te anche complesse applicazioni di controllo e di supporto delle decisioni. !I presup- posto teorico trova le sue basi nei "fuzzy sets" (insiemi fuzzy), proposti e sviluppati a partire dal 1965 dal Professor Lotfi Zadeh Sebbene sia ancora nella fase iniziale, la tecnologia fuzzy offre potenzialita di tutto rispetto per quanto concerne il miglioramento delle prestazioni e dell’efficienza operativa in una vastissima gamma di settori applicativi. | prodotti basati sulla logica fuzzy, quali pacchetti software, microprocessori e apparecchiature di controllo indu- striale sono gia una realta, In questo opuscolo vengono esaminati gli aspetti salienti della tecnologia fuzzy, partendo dai concetti basilari degli insiemi fuzzy fino ad arrivare ad accennare alle applicazioni nei settori del supporto delle decisioni e del controllo. Ci si augura che il lettore abbia cosi modo di comprendere le caratteristiche principali della logica fuzzy, le modalita di funzionamento e le potenzialita applicative.La logica fuzzy nei sistemi di controllo Sezione 1 141 1-2 1-3 Sezione 2 a4 2.2 2.3 Sezione 3 a4 32 Sezione 4 Sezione 5 Sezione 6 SOMMARIO Fondamenti della logica fuzzy Pensare la logica fuzzy in termini di insiemi Logica fuzzy - Concisa ma di larghe vedute Un accenno sul controllo in logica fuzzy La conoscenza fuzzy Si parte da *Se...allora Valorie forme delle funzioni di appartenenza La base di conoscenza necessaria per il controllo del pendolo inverso Pensare fuzzy Processo deduttivo - Come ottenere la somma logica il prodotto logico Operazione di defuzzificazione Un esempio di controllo fuzzy .. I vantaggi del controllo inferenziale fuzzy .. I futuro della logica fuzzy 10 14 16 - 19 . 20La logica tuzzy nei sistemi di controllo SEZIONE 1 FONDAMENTI DELLA LOGICA FUZZY 1-1 Pensare la logica fuzzy in termini di insiemi 1-1-1 Interpretare i concetti di peso e di altezza con la logica fuzzy Il “fuzzy set" (insieme fuzzy) rappresenta la base della teoria della logica fuzzy, una ‘metodologia che cerca di ricalcare il modo di pensare ¢ l'esperienza acquisita dagli esseri umani per sfruttarle in una vasta gamma di settori applicativi. Sebbene il nome possa far pensare a qualcosa di complicato, il concetto di fuzzy set molto semplice. Espressioni quali “peso normale ¢ altezza normale" sono di uso corrente e, in un modo o nel'altro, si riesce a dare una rappresentazione, nella propria mente, di tale concetto, Comunque, prima dell'avvento dei fuzzy set, i concetti di "peso normale" e “altezza normale” erano difficilmente traducibili in informazioni gestibili da un normale elabo- ratore poiché si tratta di concetti imprecisi. Considerando ad esempia il concetto di altezza normale, non risulta possibile dare una rappresentazione corretta dellidea associata a questo concetto ignorando i concetti di grande e piccolo, owero senza definire i limiti entro cui pu variare l'altezza normale. | fuzzy sot sono stati sviluppati allo scope di poter esprimere concetti imprecisi come quello citato poco sopra, che Tuomo @ solito trattare in modo soggettivo. 1-1-2 La forma di una funzione di appartenenza esprime l'ambiguita Si supponga che un valore di altezza normale ragionevole sia 1,75 m. Si tenga ben presente che non si sta affatto affermando che le persone alte 1,70 0 1,80 non rientrano nella categorie delle persone di altezza normale, anche se in questi casi la percezione di altezza normale non & cosi forte. Dialtra parte, nel caso di persone di altezza inferiore @ 1,65 0 superiore a 1,85, & possibile affermare senza ombra di dubbio che si @ in presenza rispettivamente di una persona bassa e di una persona alta, Stando cosi le cose si conclude che non risulta possibile definire con precisione il concetto di altezza normale. Si pud perd osservare che prendendo in esame una scala di altezze ordinata per valori crescenti, la percezione che si ha di altezza normale diviene via via piu forte (fino ad un certo valore) e va poi gradatamente scemando nel momento in cui si procede verso altezze sempre maggiori. Se si assegna un valore compreso tra Oe 1 a questa percezione, ne risulta una curva come quella tracciata nella Figura 1, che rappresenta una campana con un pico in corrispondenza del valore 1,75, 452 1,60 187 1,78 182 1,90 1,98 m. Altezza Figura 1. Funzione di appartenenza che rappresenta persone di altezea normale,La logica fuzzy nei sistemi di controllo La funzione a campana raffigurata in Figura 1 viene definita funzione di appartenenza (membership function). Per un insieme fuzzy, V’altezza di ogni punto della curva, owero il grado, corrisponde all'intensita della nostra percezione relativamente al concetto di altezza normale, con un picco (che rappresenta il massimo grado di intensita) che ha valore unitario. | punti che costituiscono la funzione di appartenenza possono assumere qualsiasi valore compreso tra 0 é 1. In questo modo risulta possibile avere un'idea quantitativa di un concetto di per s@ inesatto oppure espresso in maniera ambigua. 1-1-3 Insiemi nettamente definiti ‘Anche in questo caso, é possibile disegnare un grafico con i gradi corrispondenti alle varie altezze. Infatti, nel caso il concetto di altezza normale venga espresso per mezzo di un insieme nettamente definito, il risultato & rappresentato da un grafico come quello evidenziato in Figura 2, dove gli unici valori possibili sono 0 ¢ 1 Grado 452 1,60 167 1,75 1.82 1,90 1,98 mt Altezza Figura 2. - Esempio di un insieme nettamente definto. In base a questo grafico, tutte le persone di altezza compresa tra 1,60 © 1,90 sono contraddistinte da un grado uguale a 1, cosi da rientrare nella categoria di persone di altezza normale, Tutte le persone di altezza inferiore a 1,60 e superiore a 1,90 sono invece caratterizzate da un grado pari a 0, per cui rientrano nella categoria di persone di altezza non normale. Chiaramente, una situazione come quella appena delineata non corrisponde alla realta. Questa innaturalezza é dovuta al fatto che i procedimento binario non ammette lesistenza di valori intermedi, ma costringe a passare da un insieme allaltro attraverso confini nettamente delineati. L’approccio che fa ricorso ai set fuzzy e alle funzioni di appartenenza permette di far fronte in modo adeguato all’ambiguita precedentemente delineata e di superare imprecisione e la scarsa aderenza alla realta insita negli insiemi nettamente definit. 1-2 Logica fuzzy - Concisa ma di larghe vedute 4-2-4 Che ne sapeva Aristotele dei pomodori rossi? Alfine di dimostrare che cosa siintende per logica, si fa spesso ricorso ad un esempio classico. Generalmente, sono tre i passi fondamentali che caratterizzano un'asser- zione logica: nel seguito si d& un esempio di un tagionamento logico formulato sulla base della teoria binaria, Fatto’ Socrate @ un essere umano. Conoscenza: Gili esseri umani sono mortali Conelusione: _Socrate é mortaleLa logica fuzzy nei sistemi i controllo Si consideri adesso un altro esempio, questa volta relativo alla logica fuzzy. Fatto: Questo pomodoro @ leggermente rosso. Conoscenza: Se il pomodoro @ rosso, @ maturo. Conclusione: Questo pomodoro @ poco maturo. Con il termine fatto si intende qualcosa che @ stato percepito e verificato, mentre la conoscenza funge da tramite tra il fatto e la conclusione. A questo punto, viene spontaneo chiedersi quale sia la differenza tra questi due tipi di logica. 1-2-2 Flessibilita della logica fuzzy Nell'esempio precedente I'essere umano citato nella riga in cui viene riportato il fatto @ quello segnalato nella riga in cui é riportata la conclusione @ lo stesso. La medesima cosa avviene per il concetto di morte. L’esempio sulla logica formulato da Socrate si fonda sul fatto che i concetti cui si fa riferimento sono identici e possono venire espressi in modo preciso. Nel caso Socrate avesse fatto la seguente affermazione: "Socrate @ parzialmente umano', esso non sarebbe potuto pervenire alla conclusione a cui @ arrivato, ma la sua conclusione sarebbe stata di questo tenore: "Socrate morira parzialmente" Questo rigore caratterizza il ragionamento binario ed @ solitamente considerato un pregio. Tuttavia, le capacita sensoriali di cui sono dotati gli esseri umani danno Fisultati pid precisi rispetto a quelli ottenibili nel caso binario e, sovente, anche pit esatti, Nell'esempio della logica fuzzy, in cui si fa riferimento al pomodoro, @ intrinsecamente presente un ragionamento pil articolato e strettamente correlato con la percezione umana. II fatto viene espresso con la seguente frase: "Il pomodoro leggermente rosso". La caratteristica del pomodoro, quella di essere “leggermente rosso", é differente dal concetto espresso dalla frase "se é rosso..." riportata nella riga relativa alla nozione. Se il concetto “leggermente rosso" viene considerato all'interno di un sistema in cui le nozioni siano definite in senso rigoroso, owvero in cui le sfumature non vengano considerate, un pomodoro con questa caratteristica non rientrerebbe nella categoria dei pomodori rossi e potrebbe dunque essere di qualsiasi altro colore, ad esempio giallo Nell'esempio relativo sempre alla logica fuzzy la conclusione era: “il pomodoro & poco maturo’. La relazione che intercorre tra i concetti "é poco maturo” @ "& maturo® @ la medesima che lega i concetti "é leggermente rosso" e "8 rosso’. Nonostante quanto stato finora detto, non si puo affermare che le conclusioni a cul si perviene mediante la logica fuzzy coincidano esattamente con Vintuizione e esperienza umana 0 con la realta Si pud atfermare perd che, nello stesso momento in cui la logica fuzzy cerca di interpretare la soggettivita umana, essa @ conforme ai principi dettati dalla logica e dal "buon senso" 1-2-3 La struttura “Se... allora. della conoscenza fuzzy Nell'esempio precedente, nella riga inerente la conoscenza era riportata la seguente frase: "Se il pomodoro rosso, @ maturo”, I pomodoro @ rosso, per cui si evince che esso é anche maturo. Entrambi questi due concetti sono pienamente conformi alla percezione umana e possono essere espres- si in termini di fuzzy set. In origine, comunque, questi due concetti sono completa- mente scorrelati tra di loro. elemento che lega questi due concetti é rappresentato dal correttivo "Se...allora.La logica fuzzy nei sistemi di controtlo 1-2-4 "lo mento” non é un paradosso per la logica fuzzy Un esempio interessante che dimostra la potenza del ragionamento fuzzy é costituito dal seguente paradosso, Si supponga che il signor Rossi dica a un suo amico: "lo mento" Se si assume vera tale affermazione, la frase "lo mento” & una bugia. Tuttavia, il signor Rossi potrebbe allora dire la verita, negando in tal modo 'affermazione originale, Se si assume che 'affermazione originale sia falsa, la dichiarazione “lo mento” & errata, e cosi il signor Rossi dice la verita. Il signor Rossi, che dice la verita, potrebbe allora mentire, il che rappresenta una ulteriore contraddizione. In tal modo, affermazione "lo mento” & assurda. Essa @ conosciuta come il parados- so del mentitore E’ interessante vedere perché si verifica questo paradosso. Esso é il risultato, portato alle estreme conseguenze, del ragionamento binario e che contraddistingue gli insiemi nettamente definiti. In pratica 'asserzione "lo mento” significa che qualunque cosa si affermi sia una bugia (oppure l'opposto), Adottando la logica fuzzy, invece, risulta possibile definire un insieme fuzzy in cui @ prevista la possibilita di definire concetti quali “Io talvolta mento" oppure "Io non sempre dico la verita*. Entrambi questi concetti sono consistenti con laffermazione “lo mento". Questo @ l'approccio solitamente seguito dal ragionamento umano. 1-3 Un accenno sul controllo in logica fuzzy 1-3-1 Elaborazione del ragionamento fuzzy Le operazioni eseguite da un controllore in logica fuzzy possono essere divise in due gruppi principali (si facia riferimento alla Figura 3). II processo inferenziale @ composto da una lista di regole e da un’operazione di somma logica: le regole Possono essere suddivise in condizioni (che formano il blocco antecedente), ¢ in conclusioni (il blocco conseguente). La conclusione & soddisfatta quando tutte le condizioni sono completamente soddisfatte, In ogni caso, € importante ricordare che il ragionamento fuzzy, 0 il processo inferen- Ziale, parte dalle condizioni per ottenere delle conclusioni. A questo punto si esegue Uun'operazione di somma logica. Successivamente, tramite un’operazione di *defuz- zificazione", si convertono i risultati ricavati dal processo di inferenza in un valore univoco,1-3-2 Semplicita e sinergie d La logica fuzzy nei sistemi di controll Proceso inferenziale Detuzziticazione Regola 1 Pradolto logico det blaceo antecedente Prodotto logico se! blocco consequent Regola 2 Prodotto logico el bloceo ‘conseguente Rogola N Prodotto Jogica det blecco antecedente Prodotta logico 10 blocco conseguente agemer Figura 3. - Sequenza di funzionamento di un sistema di centrollo basato sulla logica fuzzy, laborazione logica parallela In ultima analisi, le cose complicate si possono vedere come un aggregato formato da pid cose semplici. Un controllo complesso, ad esempio, pud essere suddiviso in parti pili semplici, ciascuna delle quali é indipendente dalle altre. II controllo di tipo fuzzy si basa sostanzialmente su questa idea di elaborazione parallela. Nella Figura 3 vengono rappresentate parecchie regole basate su ingressi differenti, Ognuna di queste regole é fondamentalmente indipendente ¢ non influenza le altre unita fino al momento in cui viene eseguita la somma logica. Le conclusioni desunte da questi processi vengono unificate ed espresse sotto forma i risultato singolo, o somma logica. Quella appena descritta viene definita struttura di elaborazione parallela. Questo tipo di approccio permette di ottenere vantaggi significativi per tutti coloro che si occupano di problematiche di controllo.La logica fuzzy nei sistemi di controllo I sistemi di controllo di tipo tradizionale, fanno ricorso a espressioni di controllo (equazioni 0 espressioni logiche) nelle quali sono presenti tutte le informazioni relative al controllo, e richiedono, di conseguenza, una massiccia mole di dati. Molte volte, alcuni tipi di controll sono cosi complessi da non poter venire rappresentati sotto forma di espressioni matematiche. Questo tipo di problematiche non sorge facendo ricorso al controllo di tipo fuzzy. Sulla base di aloune ricerche, il controllo fuzzy, se confrontato con altri sistemi di contrallo basati su regole, necessita di un numero molto ridotto di regole. Ne consegue che il tempo di sviluppo viene ridotto in modo proporzionale. Le singole regole vengono combinate al fine di costituire una struttura al'interno della quale sia possibile definire un controllo comunque complicato nella sua globalita. Ma, a causa degli effetti dell'elaborazione parallela, @ lintera base di regole che ha un etfetto rilevante sul risultato. Nonostante la semplicita delle espressioni utilizzate, un controllo molto complesso pud venire attuato in maniera rigorosa. In tal modo, la sinergia garantita dall'elaborazione parallela consente alla logica fuzzy di procedere al controllo di sistemi complessi facendo ricorso a espressioni particolarmente sem~ plici Inoltre un controllore fuzzy porta a compimento tutte le fasi di elaborazione senza far ricorso a calcoli numerici, cosi da aumentare la velocita di elaborazione. Velocita di elaborazione particolarmente elevate possono essere ottenute facendo ricorso a controllori, implementati via hardware, che sfruttino appieno le potenzialita offerte dall’elaborazione parallela. Infine, anche il livello di affidabilita risulta incrementato. | tradizionali sistemi di controllo, infatti, eseguono le operazioni necessarie per risolvere le equazioni una alla volta. Cosi, se @ presente un errore in una sola delle equazioni, il risultato finale pud essere inaffidabile. Con l'adozione dei controllori fuzzy, ciascuna regola viene processata in modo indipendente, cosi da minimizzarne I'influenza sul risultato finale. Complessivamente dunque, il sistema di controllo € poco influenzabile dagli errori Pertanto, @ possibile realizzare in maniera molto semplice un sistema di controllo anche molto complicato in grado di funzionare in modo preciso, veloce e garantire nel contempo elevatiliveli di affidabilita, 1-3-3 Operazione di defuzzificazione Scopo di questa operazione é uniformare tutti i risultati desunti dall'elaborazione delle regole e calcolare il valore finale che deve essere reso disponibile ad ogni dispositivo di uscita.2-1 Si parte da “Se.. La logica fuzzy nei sistemi di controtio SEZIONE 2 LA CONOSCENZA FUZZY ‘A questo punto, ci si potrebbe domandare quale sia il patrimonio di conoscenze che viene trasferito a un controllore fuzzy. Per rispondere in modo adeguato, si fara ricorso a un esempio allora.. 2-1-1 Una macchina che gioca come un bambino 2-1-2 Regole di Per meglio comprendere il modo di operare di un controllore fuzzy, si prende come esempio la modalita di controll di un bastoncino che sta in equilibrio. Questo esperimento, un classico nel settore del controllo, é anche conosciuto come proble- ma del pendolo inverso, Un gioco di abilité in cui tutti si sono cimentati in gioventu & quello di tenere in equilibrio un bastoncino sulla punta di un dito. Per realizzare un sistema in grado di eseguire la medesima operazione, & necessario inserire nella memoria della mac- china le informazioni relative alle modalita di attuazione di questo esperimento. Laspetto importante che val la pena sottolineare in questo caso € costituito dal fatto di poter trasferire le decision istintive prese da un essere umano alla macchina in modo immediato, senza far ricorso a complicate equazioni matematiche. In questo caso, un ruoio fondamentale viene svolto dalle cosiddette "funzioni di appartenenza” (membership function) e dallistruzione “se...allora...". Quest’ ultima viene denomina- ta "regola di produzione” (production rule). produzione Le regole di produzione esprimono porzioni del problema complessivo per mezzo di parole, In questo esempic, i blocchi antecedenti (frasi se) descrivono gli stati in cui ud trovarsi il bastoncino, mentre i blocchi conseguenti (frasi allora) descrivono in che modo la mano (in effetti si tratta di un carrellino) dovrebbe muoversi in relazione agli stati in cui si trova il bastoncino. Rogola Blocco antecedente Bloceo conseguente Regola1 —_| Soil bastoncino @ inclinato moderatamen- | Alora muovera valacemante la mano ver- te vereo sinistra ed € quasi fermo so sinistra Repola 2 Sil bastoncino @ inclinato un poco verso | Alora muovere lentamanie la mano verso sinistrae sista inclinando lentamente | sinstra Rogola 3_| Sel bastoncino @ inclinato un poco verso | Alora mantenere la mano nella posizione siistra 0 sta salondo lentamente in cui si trova Rogola 4 —_| Soil bastoncino @ inclinato moderatamen | Allora muovere velacemante la mana ver= te verso destra ed & quasi fermo so destra Regola 5 | Sel bastoncino @ inciinato un poco verso | Alora muovere lentamonte la mano verse dostca esi sta inclinande lentamente {desta Regola 6 —_|Se il bastoncino @ inciinato un poco verso | Alora mantenere la mano nella posizione dosira © sta salondo ientamente in cu si trova Regola? _|Se Fasticela 8 quasi vericale e quasi fer- | Alora mantenero la mano nella posizione in cui si trova Figura 4. Regole di produzione necessarte per manienere in equilitro i! bastoncina, II “trucco” usato per tenere in equilibrio il bastoncino, o piuttosto le porzioni di base di conoscenza richiesta, sono state cosi elencate. Uno dei vantaggi pil evidenti de! controllo fuzzy @ che un’applicazione di contrallo complicata come quella appena descritta pud essere eseguita in modo molto semplice, facendo ricorso a regole dettate dal buon senso piuttosto che a complicate equazioni differenziali. Seguendo la procedura matematica tipica dei sistemi di controllo tradizionali, si sarebbe perve- ‘uti a un modello matematico simile a quello riportato nella Figura 5. Confrontato con questo modello, l'struzione 'se...allora..." esprime in modo diretto la base di cono- scenza umana, risulta pienamente accettabile e, soprattutto, @ perfettamente com- prensibile da tuttiLa logica fuzzy nei sistemi di controllo m* & [s(t) + L * sin o()] = H(t) me IL # 008 Vit) —m#g Hi M ne a(t) = ut)“ HO)- Fas) ee pe M Hi) I, Fig. 5. Modaio matemaiioa rohasio per descivere I mantentmanto dal equiloro di un bastoncie 2-2 Valorie forme delle funzior appartenenza 2-2-1 L'impiego di etichette per esprimere le condizioni Per rappresentare le parole chiave che esprimono le differenti condizioni in cui si trova il bastoncino delllesempio preso in considerazione, come ad esempio "mode- rato", "quasi" 0 "un poco" si fa ricorso a una forma di codifica molto semplice. In questo esempio sono stati impiegati sette codici, conosciuti anche come etichette (label), anche se il numero e il nome delle etichette sono impostabili liberamente. 2-2-2 La funzione di appartenenza della parte antecedente (Se...) II diagramma riportato in Figura 6 mostra le funzioni di appartenenza della parte antecedente e le loro corrispondenti etichette, Come menzionato sopra, vi sono casi in cui si pud far ricorso a cinque oppure anche a tre etichette. Oltre alla forma iriangolare, le funzioni di appartenenza possono anche avere forma differenti (aS, a Z, a campana, trapezioidali). Anche se @ possibile utllizzare solo tre oppure cinque etichette, val la pena ricordare che al diminuire del numero delle etichette, la funzione: di appartenenza assume una forma piti semplice e I'azione di controllo tende a essere: meno precisa. In origine si faceva spesso ricorso alla funzione a campana ma, a causa della complessita di calcolo e della sostanziale coincidenza dei risultati ottenuti, ora si preferisce impiegare una funzione di appartenenza contraddistinta da una forma triangolare La funzione di appartenenza della parte antecedente risulta formata in modo tale che le varie etichette vengono a sovrapporsi. In tal modo, @ possibile eseguire una lettura estremamente affidabile anche nel caso in cui il livello nen sia chiaramente definito oppure quando il segnale di ingresso proveniente dai sensori varia in continuazione. NL : negative large (grande negativo) PS : positive small (piccolo positivo) NM: negative medium (medio negative) PM: positive medium (medio positive) NS : negative small (piccolo negativo) PL : positive large (grande positive) ZR: approximately zer0 (circa zero) NL NM ONS ZR PS PM PL Figura 6: Funsion’ i appartanenza della pare anfacedente.La logica tuzzy nei sistemi di controtio 3 La funzione di appartenenza della parte conseguente (Allora...) La funzione di appartenenza della parte conseguente determina quale tipo di opera- je avra luego © con quale intensita sulla base del grado della funzione di appartenenza della parte antecedente. La parte conseguente pud essere impostata indipendentemente dalla funzione di appartenenza della parte antecedente, anche se, nell'esempio relativo al mantenimento in equilibrio del bastoncino le funzioni di appartenenza della parte conseguente sono uguali a quelle della parte antecedente. 2-3 La base di conoscenza necessaria per il controllo del pendolo inverso 2-3-1 Codificare le regole del mantenimento in equilibrio di un bastoncino Di seguito verranno soritte in codice le regole di produzione relative al bilanciamento di un bastoncino facendo ricorso alle etichette, Linclinazione del bastoncino (valutata rispetto alla posizione verticale) @ espresso dda 0, mentre la rapidita di variazione di 8, ovvero la velocita angolare, é espressa da 0, Sia @ sia d@ sono segnali di ingresso provenienti da sensori (come ad esempio un encoder assoluto e un tachimetro), in modo tale che risulti possibile scrivere le regole di produzione facendo ricorso a questi due parametri. La variazione della velocita del carrellino (controllata da un servomotore) @ espressa da AV. Quando si procede alla composizione delle regole, il blocco antecedente é di norma composto da pid di una variabile collegata per mezzo della congiunzione “e" (and). 2-9-2 Abolizione delle regole senza significato Facendo riferimento al diagramma rappresentato nella figura 6, vi sono sette possibili stati per ciascun ingresso presente nel sistema. Nell'esempio relativo al mantenimen- to in equilbrio di un bastoncino, sono presenti due ingressi (0 e 40), per cui sono Possibili 49 (7 x 7) combinazioni. A questo punto, sorge spontaneo chiedersi perché vengano impiegate solamente sette regole per definire il sistema di controllo invece di una regola per ciascuno dei 49 possibili blocchi antecedenti La ragione, molto semplice, @ che risulta necessario procedere solamente alla definizione delle regole pit significative. Infatti, se si esaminano da vicino lo regole di produzione rappresentate nella Figura 4, vengono impiegati solamente cinque dei sette possibili stati per descrivere Pangolo di inclinazione e soltanto tre stati per descrivere la velocita angolare. Questa semplice considerazione comporta una riduzione delie possibili combinazioni a 15 (5 x 3) blocchi antecedenti. Di queste combinazioni, solamente sette sono effettivamente utili per la descrizione della modalité di funzionamento del sistema, cosicche & possibile scartare le rimanenti oto combinazioni dei blocchi antecedent Oltre a semplificare in modo drastico la descrizione del problema (facendo ricorso solamente a sette dei 49 stati possibili) il fatto di prendere in considerazione soltanto le regole pid importanti @ molto simile al modo di procedere del pensiero umano. Le persone, infatti, concentrano la loro attenzione esclusivamente sulle regole di mag- gior rillevo, trascurando quelle meno significative. II controllo fuzzy riproduce fedel- mente questo modo di operare degli esseri umani, permettendo l'adozione di descrizioni molto semplici per la rappresentazione del funzionamento di un sistema.