You are on page 1of 20

Lógica Fuzzy ou Nebulosa Visão Geral

Lógica Fuzzy ou Nebulosa Visão Geral  A Lógica Fuzzy foi criada em meados da década
Lógica Fuzzy ou Nebulosa Visão Geral  A Lógica Fuzzy foi criada em meados da década
 A Lógica Fuzzy foi criada em meados da década de 1960, pelo professor Lotfi A.
A Lógica Fuzzy foi criada em meados da década
de 1960, pelo professor Lotfi A. Zadeh, da
Universidade de Berkeley.
(AZEVEDO, 1999, p. 1)
Baseada na teoria de conjuntos Fuzzy, surgiu
como um meio de lidar com expressões que
envolvem grandezas descritas de forma não
exata, tratando variáveis numéricas como
variáveis linguísticas, aproximando-se do
raciocínio humano.
(VAS, 1999; AZEVEDO, 1999)
1

Lógica Fuzzy ou Nebulosa Visão Geral

Lógica Fuzzy ou Nebulosa Visão Geral   estiverem relacionadas por equações diferenciais. Uma variável linguística
  estiverem relacionadas por equações diferenciais.
estiverem relacionadas por equações
diferenciais.
Uma variável linguística é a tradução em palavras, executada pela razão humana, de variáveis numéricas tipo:
Uma variável linguística é a tradução em
palavras, executada pela razão humana, de
variáveis numéricas tipo: muito quente, frio,
morno, longe, perto, muito distante, etc.
A Lógica Fuzzy é especialmente adequada em
sistemas não lineares e sistemas nos quais as
variáveis envolvidas em sua descrição não
2

Lógica Fuzzy ou Nebulosa Visão Geral

Lógica Fuzzy ou Nebulosa Visão Geral  A Lógica Fuzzy é uma extensão da lógica booleana

A Lógica Fuzzy é uma extensão da lógica booleana que admite valores lógicos intermediários entre o
A Lógica Fuzzy é uma extensão da lógica
booleana que admite valores lógicos
intermediários entre o FALSO (0) e o
VERDADEIRO (1), como, por exemplo, o valor
médio “TALVEZ” (0,5). Isto significa que um valor
lógico difuso é um valor qualquer no intervalo de
valores entre 0 e 1. A isso se dá o nome de grau
de pertinência, que designa o quanto um
elemento pertence a determinado grupo ou
conjunto que o qualifica.
3

Lógica Fuzzy Conjuntos Nebulosos

MORNO={1/20;0,5/15;0,1/10;0/5;0/0;0/-5;0/-10}  FRIO={0/20;0,1/15;0,5/10;1/5;0,5/0;0,1/-5;0/-10}  MUITO FRIO={0/20;0/15;0/10;0/5;0,1/0;0,5/-5;1/-10}  4
MORNO={1/20;0,5/15;0,1/10;0/5;0/0;0/-5;0/-10}
FRIO={0/20;0,1/15;0,5/10;1/5;0,5/0;0,1/-5;0/-10}
MUITO FRIO={0/20;0/15;0/10;0/5;0,1/0;0,5/-5;1/-10}
4

Lógica Fuzzy

A Lógica Fuzzy relaciona variáveis Fuzzy, ainda que  provenientes de universos de entrada distintos, cada
A Lógica Fuzzy relaciona variáveis Fuzzy, ainda que
provenientes de universos de entrada distintos, cada
uma delas associada a um dos seus predicados.
Essa relação é feita pela conexão dessas variáveis
Fuzzy, através de operadores lógicos como: e, ou,
então.
A esse processo dá-se o nome de regras Fuzzy ou
processo de inferência Fuzzy e consiste em uma
maneira de relacionar as variáveis linguísticas em
uma sequência lógica que imita o raciocínio humano.
- Se temperatura morno e motor desligado então ligar
motor.
5

Controlador Fuzzy

 O controlador baseado em lógica Fuzzy, inicialmente proposto por Mamdani em 1974, e hoje tema
O controlador baseado em lógica Fuzzy, inicialmente
proposto por Mamdani em 1974, e hoje tema de
muitos estudos no tocante à aplicação, é composto
de: fuzificação, base de conhecimentos, máquina de
inferência e defuzificação.
(AZEVEDO, 1999)
6

Síntese do Controlador Fuzzy

 Foi então sintetizado um controlador Fuzzy do tipo Mamdani, segundo Vas (1999) e Azevedo (1999),
Foi então sintetizado um controlador Fuzzy do tipo
Mamdani, segundo Vas (1999) e Azevedo (1999),
com duas variáveis de entrada: erro ε (°C) e taxa de
variação do erro Δε (°C/s) – e uma variável de saída:
variação incremental da saída Δs (Hz).
7

Síntese do Controlador Fuzzy

NG – Negativo Grande;  NM – Negativo Médio;  ZR – Zero;  PM –
NG – Negativo Grande;
NM – Negativo Médio;
ZR – Zero;
PM – Positivo Médio e
PG – Positivo Grande.
Em Δε as funções foram centradas em -1,5ºC/s; -
0,75ºC/s; 0ºC/s; +0.75ºC/s e +1,5ºC/s.
Para a saída, elas foram centradas em 30 Hz, 40
Hz, 50 Hz, 60 Hz e 70 Hz.
8

Síntese do Controlador Fuzzy

Síntese do Controlador Fuzzy 9  As funções de pertinência que compõem a base de dados
9
9
  • As funções de pertinência que compõem a base de dados são usadas pela base de regras em um processo seqüencial de disparo das regras, mediante laços condicionais do tipo IF THEN (SE ENTÃO). -Regra 1: IF (ε = NG) e (Δε = NG) THEN (Δs = PG); -Regra 2: IF (ε = NM) e (Δε = ZR) THEN (Δs = ZR).

Síntese do Controlador Fuzzy 9  As funções de pertinência que compõem a base de dados

Síntese do Controlador Fuzzy

Após o disparo das regras e o processo de  inferência, que combina os efeitos de
Após o disparo das regras e o processo de
inferência, que combina os efeitos de cada regra
disparada, é feita a defuzificação pelo método
definido em Azevedo (1999), que consiste em
calcular a média ponderada entre os valores do
universo de saída, considerando-se os graus de
pertinência como pesos.
O chamado método do centro de área definido por:
b
i
i
i
 s 
i
i
10

Controlador Nebuloso

Controlador Nebuloso Aplicação
Aplicação
Aplicação

Controlador Nebuloso

Controlador Nebuloso Aplicação
Aplicação
Aplicação

Controlador Fuzzy - Simulação

13
13

Controlador Fuzzy - Simulação

14
14

Controlador Fuzzy - Simulação

15
15

Controlador Fuzzy - Simulação

16
16

Controlador Fuzzy - Simulação

17
17
Controlador Fuzzy - Simulação Matlab/Simulink toolbox  Fuzzy Psim Simcoupler 
Controlador Fuzzy - Simulação
Matlab/Simulink toolbox
Fuzzy
Psim Simcoupler

18

Referências Bibliográficas

Azevedo, H. R. “Conjuntos Fuzzy Aplicados ao Controle de Processos”. UFU, pp 1, 1999 . Nascimento
Azevedo, H. R. “Conjuntos Fuzzy Aplicados ao Controle de Processos”.
UFU, pp 1, 1999 .
Nascimento Jr, C. L.; Yoneyama, T. “Inteligência Artificial em Controle e
Automação”. Fapesp. Editora Edgar Blucher Ltda., pp 68, 2008.
VAS,
P.
“Artificial-Intelligence-Based Electrical
Machines
And
Drives”.
Oxford Science Publications, pp 173 a 234, 2008.
Obrigado!
Obrigado!
Obrigado!
Obrigado!