Atividade estruturada de metodos matematicos

Prévia do material em texto

Metodos Matematicos Aplicados á Engenharia de Produção 
Atividade Extruturada 
 
 
 
 
CONTROLE DA UMIDADE EM AMBIENTES UTILIZANDO 
CONTROLADOR FUZZY 
 
 
 
 
Eduardo Horminio de Medeiros Filho RA: 2010.02.167.48-5 
 
 
 
 
São Paulo 
2015 
 
 
LISTA DE FIGURAS 
 
Figura 1 Conjunto idade ................................................................................................. 10 
Figura 2 Esquema de um controlador fuzzy ................................................................... 13 
Figura 3 Exemplo funções de pertinência ...................................................................... 15 
Figura 4 modelo paralelo ................................................................................................ 19 
Figura 5 Exemplo de Painel Frontal ............................................................................... 19 
Figura 6 Sistema Supervisório ........................................................................................ 21 
Figura 7 Arquitetura cliente-servidor do OPC ............................................................... 23 
Figura 8 Almemno FHA646-E1 ..................................................................................... 24 
Figura 9 Desenho e foto de um motor CC de 2 pólos .................................................... 25 
Figura 10 Motor CC - Mabushi Universal ..................................................................... 26 
Figura 11 Ponte H com relés .......................................................................................... 27 
Figura 12 Placa NI USB-6009 da National Instruments ................................................ 28 
Figura 13 Umidificador Ultrasônico .............................................................................. 28 
Figura 14 Sistema de controle ........................................................................................ 29 
Figura 15 Sistema de controle ........................................................................................ 30 
Figura 16 Sistema de controle com o umidificador ........................................................ 31 
Figura 17 Sistema de controle com o umidificador ........................................................ 32 
Figura 18 AMR WinControl .......................................................................................... 32 
Figura 19 Programação: Erro e Desvio do Erro ............................................................. 33 
Figura 20 Programação do controlador .......................................................................... 34 
Figura 21 Programação da geração dos sinais A e B ..................................................... 35 
Figura 22 Sistema Supervisório ...................................................................................... 36 
Figura 23 Função de Pertinência: Erro ........................................................................... 38 
Figura 24 Função de Pertinência: Desvio do Erro 43 ..................................................... 39 
Figura 25 Método das regras .......................................................................................... 40 
Figura 26 Exemplo de função de pertinência testada ..................................................... 41 
Figura 27 Variação PV e SP ........................................................................................... 42 
Figura 28 Função de pertinência do erro 46 ................................................................... 43 
Figura 29 Relação Umidade (PV) e SP em relação ao tempo ........................................ 44 
Figura 30 Relação Temperatura (PV) e SP em relação ao tempo .................................. 45 
 
 
 
Sumário 
 
1.INTRODUÇÃO ............................................................................................................. 5 
1.1 Objetivo ............................................................................................................. 6 
1.2 Metodologia ....................................................................................................... 6 
1.3 Exemplificação do método ................................................................................ 7 
1.4 Estrutura do trabalho .......................................................................................... 7 
 
2. LÓGICA FUZZY ......................................................................................................... 8 
2.1 Fundamentos da Lógica Fuzzy ............................................................................... 8 
2.2 Aplicação da Lógica Fuzzy .................................................................................. 11 
2.3 Fuzzificação .......................................................................................................... 13 
2.4 Inferência fuzzy e Base de regras ......................................................................... 15 
2.5 Defuzzificação ...................................................................................................... 17 
 
3. LABVIEW .................................................................................................................. 18 
3.1 Metodologia de Programação ............................................................................... 18 
3.2 Sistema Supervisório ............................................................................................ 19 
3.3 Comunicação OPC ............................................................................................... 21 
 
4. MATERIAIS E MÉTODOS ....................................................................................... 24 
4.1. Sensor .................................................................................................................. 24 
4.2 Motor de corrente contínua................................................................................... 25 
4.3 Sinais Digitais ....................................................................................................... 27 
4.4 Umidificador ......................................................................................................... 28 
 
5. SISTEMA DE CONTROLE ...................................................................................... 29 
 
 
5.1 Coleta e transmissão de dados .............................................................................. 31 
5.2 Programação no LabVIEW .................................................................................. 33 
5.3 Interface ................................................................................................................ 35 
5.4 Controlador ........................................................................................................... 35 
 
6. RESULTADOS .......................................................................................................... 41 
7. CONSIDERAÇÕES FINAIS ..................................................................................... 44 
REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................... 46 
 
 
 
 
 
 
 
 
 
 
 
 
 
5 
 
 
1. INTRODUÇÃO 
 
A atual exigência quanto à qualidade de vida e respeito aos direitos dos seres 
humanos vem sendo cada vez maior. Tais exigências estão presentes em todos os 
ambientes de trabalho, compras, estudos, por fim, nos ambientes onde os seres humanos 
passam maior parte da sua vida. As exigências do bem-estar englobam um conceito 
amplo que abarca desde os fatores necessários à manutenção da sua saúde física, até 
aqueles responsáveis pelo seu sentimento de satisfação. A qual está ligada ao confortotérmico do ambiente e a qualidade do ar, considerando a temperatura do ambiente, 
umidade relativa e a velocidade relativa do ar. 
A preocupação científica do homem com o seu conforto térmico é muito antiga, 
um exemplo disso é a obra "History and Art of Warming and Ventilation Rooms and 
Buildings", escrita por Walter Bernan e publicada em 1845. Nela o autor prevê que a 
criação e o controle de ambientes climáticos artificiais assumirão a dimensão de uma 
ciência que contribuirá para o desenvolvimento da humanidade, para a preservação da 
saúde e para a longevidade do ser humano (RUAS, 1999). 
Algumas pesquisas, comprovaram que o conforto térmico está estritamente 
relacionado com o equilíbrio térmico do corpo humano e que esse equilíbrio é 
influenciado por fatores ambientais e pessoais. Assim, há ambientes em que as 
condições são favoráveis ao equilíbrio térmico do corpo humano e o homem sente-se 
bem disposto e há outros em que as condições são desfavoráveis, provocam 
indisposição, diminuem a sua eficiência no trabalho e aumentam a possibilidade da 
ocorrência de acidentes (RUAS, 1999). 
No Brasil, em virtude de haver predominância de climas quentes e úmidos, 
especial atenção deve ser dada à comprovada influência do desconforto térmico na 
disposição para o trabalho. Sob esse aspecto, convém ressaltar que as condições 
térmicas dos ambientes laborais não dependem só do clima, mas também do calor 
introduzido pelas atividades desenvolvidas e pelos equipamentos envolvidos nos 
processos, bem como pelas características construtivas do ambiente e a sua capacidade 
6 
 
de manter condições internas adequadas no que se refere ao conforto térmico das 
pessoas (RUAS, 1999). 
Portanto, este é um momento que é preciso controlar as variáveis do conforto 
térmico, com a finalidade de proporcionar um maior conforto humano no ambiente 
construído. 
Esse trabalho será enfocado nos estudos da relação da umidade no conforto 
térmico. Sendo o Brasil um país predominantemente de clima úmido. Para isso, é 
necessário o uso de um sistema de controle capaz de atender o pré-requisito do 
projeto.Necessitaria, portanto de uma lógica capaz de atender as imprecisões do 
problema, assim, chegou-se ao uso da Lógica Fuzzy, pois controladores nebulosos são 
robustos e de grande adaptabilidade, incorporando conhecimento que outros sistemas 
nem sempre podem se adequar. 
 
1.1 Objetivo 
 
Tem-se como objetivo, desenvolver um controlador fuzzy de umidade capaz de 
manter a umidade interna do ambiente em um determinado valore, a partir do abrir e 
fechar da janela para controlar a ventilação natural deste ambiente. 
 
1.2 Metodologia 
 
O trabalho foi formulado em uma base teórica sobre controladores nebulosos, a 
partir da qual foi implementada uma aplicação na prática. 
A prática foi desenvolvida em uma célula de madeira em escalda reduzida, em forma de 
caixa, na qual tinha duas aberturas laterais opostas simulando janelas. Usou-se um 
motor de corrente contínua de 12 volts, para abrir e fechar as janelas, além de um sensor 
de umidade, uma placa de aquisição, uma ponte "H", e um umidificador. No LabVIEW 
foi projetado o controlador fuzzy e um Sistema Supervisório. 
 
7 
 
 
1.3 Exemplificação do método 
 
Na montagem, o sensor mede a umidade do ar dentro da célula, via OPC(OLE for 
Process Control) o valor é exportado para o software LabVIEW, este utiliza a leitura 
para executar a ação do controlador fuzzy, retornando uma resposta de 0 a 1 
(representando 0% a 100%), que é enviada à placa de aquisição de dados e transforma 
em sinais digitais que é enviado para a ponte H, que faz o chaveamento e inversão do 
motor de corrente contínua que atua na abertura das janelas. 
 
1.4 Estrutura do trabalho 
 
De maneira a facilitar o entendimento dos problemas relacionados e da solução 
proposta, o presente trabalho é dividido em sete capítulos. 
No Capítulo 1 é feita uma breve introdução aos conceitos do trabalho, explicitando a 
origem do trabalho, bem como seus objetivos a serem cumpridos e a importância do 
presente estudo. 
No Capítulo 2 são explicitados os tipos de sensores no mercado e seu funcionamento. 
No Capítulo 3 é apresentada uma breve explicação do funcionamento dos motores de 
correntes contínua, e a apresentação do modelo, além de explicar seu funcionamento. 
No Capítulo 4 apresenta-se a base teórica sobre Lógica fuzzy e no Capítulo 5 apresenta-
se o software LabVIEW, demonstrando como é utilizado. 
No Capítulo 6 é apresentado o sistema de controle elaborado nesse trabalho e explicado 
seu funcionamento e no Capítulo 7 é demonstrado os resultados obtidos no trabalho. 
 
 
 
8 
 
2. LÓGICA FUZZY 
 
Com a necessidade de meios mais flexíveis, ele sugeriu uma teoria alternativa de 
conjuntos, na qual a mudança da pertinência para a não pertinência fosse gradual. 
Assim, surgiram os conjuntos Fuzzy. Os conjuntos fuzzy têm como característica 
representar de forma inovadora o tratamento de informações imprecisas, diferentemente 
da teoria de probabilidades, concedendo um método de traduzir expressões verbais, 
vagas, imprecisas e qualitativas, comuns na comunicação humana em valores 
numéricos, possibilitando assim, uma maneira de converter a experiência humana em 
uma forma compreensível pelo computador. Esses conjuntos permitem um grande valor 
prático à tecnologia pelo enfoque fuzzy, tornando possível a inclusão da experiência 
humana, em controladores computadorizados, e proporcionam estratégias de tomadas de 
decisão em problemas complexos ou que exijam tempo de solução reduzido. 
Com o desenvolvimento desses estudos teóricos, foi possível possibilitar a busca 
de interpretação de fenômenos não quantitativos e vagos, sendo, porém, necessário 
buscar mecanismos para inferência a partir desses dados. Como os sistemas lógicos são 
intimamente relacionados com conjuntos, o passo seguinte foi dado em direção à 
construção de uma lógica capaz de adequar os conjuntos fuzzy ao raciocínio do senso 
comum. Tal sistema denomina-se Lógica Fuzzy. 
A Lógica Fuzzy difere da teoria clássica do filósofo grego Aristóteles, a qual 
estabelece apenas a pertinência ou não pertinência. Possibilita uma forma de 
interpretação de fenômenos não quantitativos e vagos. Braga; Baneto e Machado (1995 
apud SILVA, 2005) definen a Lógica Fuzzy como, uma tentativa de se aproximar a 
precisão característica da matemática à inerente imprecisão do mundo real, nascida no 
desejo profundo de se conhecer melhor os processos mentais do raciocínio. 
 
2.1 Fundamentos da Lógica Fuzzy 
 
Para Zadeh a teoria usual de conjuntos era por demais rígidas, para considerar 
fenômenos do dia a dia, já que, os sistemas especializados, nos quais estava interessado 
em implementar, eram softwares interativos, capazes de tomar suas próprias decisões, a 
9 
 
partir da teoria usual de conjuntos, admitindo apenas decisões binárias, o "verdadeiro" e 
o "falso". 
A partir dos estudos sobre conjuntos fuzzy já realizados, Zadeh viu a possibilidade de 
adequar os conjuntos fuzzy aos "padrões" dos sistemas lógicos já consagrados com a 
finalidade de interpretar os fenômenos não quantitativos e vagos. 
Na Lógica Clássica, o valor verdade de uma proposição assumirá, somente, o valor falso 
(0) ou o valor verdadeiro (1) e, necessariamente, terá que assumir um desses dois, não 
havendo outra possibilidade. Já na Lógica Fuzzy, o valor verdade de uma proposição, 
pode ser um subconjunto fuzzy de qualquer conjunto parcialmente ordenado. 
Geralmente é adotado o [0,1], que é o intervalo fechado de números reais. Assim, na 
Lógica Fuzzy, não existem apenas o verdadeiro (1) e falso (0), mas umainfinidade de 
valores verdades, os quais são expressões linguísticas interpretadas como subconjuntos 
fuzzy do intervalo unitário por exemplo: falso, muito falso, um pouco falso, mais ou 
menos falso, um pouco verdadeiro, pouco verdadeiro, muito verdadeiro, verdadeiro, etc. 
Na Lógica Clássica, os predicados são termos exatos como: igual a, maior que, 
ímpar, primo, etc. Na Lógica Fuzzy, os predicados são termos subjetivos, indefinidos ou 
“nebulosos” como: magro, alto, úmido, quente, velho, etc. Outro aspecto que difere as 
duas lógicas é quanto aos quantificadores, que na Lógica Clássica existem apenas os 
 
Segundo Cruz (1996), a idéia de Zadeh se torna interessante, na medida em que 
associa a cada elemento de um conjunto certo número real do intervalo [0,1]. Cada 
conjunto corresponde a um predicado lógico e os elementos do conjunto aos objetos que 
satisfazem o predicado. Pode-se dizer que esse número é o grau de verdade do objeto 
satisfazendo o predicado. 
De acordo com Zadeh, a passagem da pertinência para não pertinência teria uma 
caracterização mais ampla, fazendo com que essa passagem seja de forma mais lenta e 
gradual, sugerindo que alguns elementos são mais pertinentes que outros. Tal fator pode 
assumir valores entre 0 e 1, sendo que "0" implica em completa exclusão e o "1" implica 
em completa pertinência. 
Ao invés de valores quantitativos, os conceitos são expressos por elementos 
qualitativos como: “muito”, “não muito”, “mais ou menos”, “pouco quente”, “pouco 
10 
 
baixo”. Esses elementos são resgatados por meio de variáveis linguísticas, que assumem 
valores dentro de um conjunto de termo linguísticos, ou seja, palavras e frases, ao invés 
de assumirem valores numéricos. Por exemplo, a valores no conjunto [mínima (MI), 
muito baixa (MB), pouco baixa (PB), média (MD), pouco alta (PA), muito alta (MA), 
máxima (MX)]. 
Uma exemplificação do conceito de conjunto fuzzy e a abordagem booleana, 
está representado na Figura 2.1, e mostra o exemplo clássico da idade de uma pessoa. 
Observa-se, na abordagem booleana, que as transições entre os conjuntos “jovem” e 
“adulto”, e entre os conjuntos “adulto” e “idoso”, são bruscas. Uma pessoa que passar 
dos 24 anos e 11 meses para os 25 anos e um dia, saí de uma categoria de “jovem” 
diretamente para “adulto”. Essa abordagem é incompatível com a lógica de pensamento 
humano. Já na abordagem fuzzy, vê-se que as transições são suaves, sendo que o 
indivíduo a partir dos 18 anos deixa de ser 100% “jovem” e começa a pertencer 
parcialmente aos conjuntos “jovem” e “adulto”. É importante observar o conceito de 
grau de pertinência, que define o “quanto” uma variável pertence a um determinado 
conjunto, variando geralmente no intervalo [0, 1]. 
Figura 2.1 Conjunto idade: (a) abordagem booleana e (b) abordagem fuzzy 
[0,1], [0,1] é o intervalo de números reais e fA é denominado o conjunto verdade de A. 
Dessa forma definido, pode-se identificar o conjunto fuzzy A com a função fA, ou seja, 
 
 
 
Figura 1 Conjunto idade 
 
11 
 
Por exemplo, seja V = {x1, x2, x3, x4} . Então um conjunto fuzzy A poderia ser 
do tipo: 
conjunto fuzzy A possui um valor verdade em [0,1] e que A é formado por pares 
e, também chamado de 
“grau de aderência” ou “grau de pertinência”, do elemento x1 é 0,3, ou seja, fA( x1 ) = 
0,3. Por convenção, os elementos que tiverem grau de aderência (valor verdade) igual a 
zero, não precisam ser representados no conjunto, que é o caso do elemento x3, ou seja, 
 
 é, negar uma frase A de valor lógico (grau de 
ir outros valores-
verdade e não somente falsa (0) ou verdadeira (1). 
Na Lógica Clássica, um elemento ou pertence a um conjunto ou não. Dado um conjunto 
diante, denota-
 
 
2.2 Aplicação da Lógica Fuzzy 
 
Em seus trabalhos, Zadeh, demonstra a capacidade de tal teoria de interpretar os 
fenômenos não exatos do dia-a-dia, comprovando sua aplicabilidade. Segundo Cruz 
(1996), apesar de os matemáticos não considerarem a Lógica fuzzy como uma Lógica 
Matemática nos padrões atuais, ou seja, não é uma teoria consistente e completa, pois 
deixa de satisfazer algumas propriedades da Lógica Clássica, isso não inviabiliza Lógica 
Fuzzy como uma teoria matemática perfeitamente aplicada. 
12 
 
Existem diversas áreas que estão sendo beneficiadas pelo uso da Lógica Fuzzy, a 
exemplo: 
 
 em câmeras de vídeo, são aplicados ao foco automático e ao controle da íris da 
câmera; 
 em máquinas de lavar com a utilização de sensores de temperatura da água, 
concentração de detergente, peso das roupas, nível de água, etc; 
 em fornos de microondas, com informações obtidas a partir de sensores; 
 em aparelhos de ar-condicionado com o controle da umidade e temperatura; 
manutenção de motores elétricos, verificação das condições de vibração dos 
motores com a finalidade de estabelecer procedimentos de manutenção. 
 
Para Barbosa (1995), a aplicação da Lógica Fuzzy no controle de motores CC, 
facilitou, sensivelmente, o desenvolvimento de tais aparelhos, tornando-os mais 
precisos, capazes de interpretar com mais exatidão os fenômenos elétricos de um motor. 
Especialistas em programação, como Tanaka e Mizumoto (1974), consideram a Lógica 
Fuzzy, no que diz respeito aos modelos matemáticos, muito mais adequada a 
programação, sugerindo softwares fuzzy de fácil entendimento, capazes de serem 
usados em várias simulações reais. 
Nas teorias de controle clássica e moderna, o primeiro passo para implementar 
um controlador é a determinação do modelo matemático que descreve o processo. Este 
procedimento requer que se conheça detalhadamente o processo a ser controlado, o que 
nem sempre é factível em processos complexos (ZADEH, 1965). Os controladores 
fuzzy são robustos, versáteis e de grande adaptabilidade. Se um operador humano for 
capaz de articular sua estratégia de ação por meio de um conjunto de regras da forma SE 
ENTÃO, então pode ser possível a implementação de um algoritmo computacional 
fuzzy. Um Sistema Fuzzy (SF) é tipicamente composto dos seguintes blocos funcionais 
(FIGURA 2.2Figura ): Fuzzificação; Base de regras; Inferência fuzzy; Defuzzificação. 
 
13 
 
2.3 Fuzzificação 
 
O processo de conversão da entrada numérica em conjuntos difusos é chamado 
de Fuzzificação. É uma operação que tem papel fundamental, já que em grande parte 
das aplicações de lógica difusa os dados são numéricos, sendo necessário fuzzificar este 
em conjuntos. 
As funções de pertinência fuzzy representam os aspectos fundamentais de todas as 
ações teóricas e práticas dos sistemas fuzzy. Uma função de pertinência é uma função 
numérica gráfica ou tabulada que atribuem valores de pertinência fuzzy para valores 
discretos de uma variável. (SIMÕES; SHAW, 2007). 
 
 
Figura 2 Esquema de um controlador fuzzy 
Fonte: TANSCHEIT, 1992 
 
Segundo Turksen (1984 apud SILVA, 2005), as funções de pertinência são 
definidas com base nos seguintes métodos: 
Avaliação e dedução subjetivas: como os conjuntos fuzzy pretendem geralmente 
modelar a percepção e o conhecimento das pessoas, eles podem ser determinados por 
14 
 
meio de procedimentos de cognição simples ou sofisticados. Num contexto simples, 
pessoas desenham ou especificam curvas de pertinência diferentes, apropriadas ao 
problema apresentado. Em casos mais complexos as pessoas podem ser submetidas a 
testes para fornecer dados para a determinação dos graus de pertinência; 
 
Formas ad hoc: enquanto existe uma infinidade de formas possíveis de funções 
de pertinência, as mais reais operações de controle fuzzy derivam de um pequeno 
conjunto de tipos de curvas, como, por exemplo, os conjuntos fuzzytriangulares. Isto 
simplifica o problema, já que neste caso basta escolher o valor central e a inclinação das 
retas de ambos os lados do conjunto fuzzy. 
Conversão de freqüências ou probabilidades: às vezes, as informações tomadas na 
forma de histogramas de freqüências ou mesmo outras curvas de probabilidade são 
usadas como base para a construção da função de pertinência. Cabe destacar que 
funções de pertinência não são necessariamente probabilidades; 
Mensuração física: muitas aplicações da Lógica Fuzzy são mensurações físicas, mas 
quase nenhuma mede diretamente os graus de pertinências. 
Na construção de um modelo fuzzy, o momento mais crítico é justamente a escolha da 
forma de cada conjunto, pois determina a correspondência entre os dados de entrada e 
os seus conceitos linguísticos correspondentes. 
As funções de pertinência podem assumir diversos formatos e as principais funções 
matemáticas são: triangular, trapezoidal, gaussiana, sigmoidal. Segundo Shaw e Simões 
(2007) as funções mais utilizadas são as triangulares e trapezoidais, por serem mais fácil 
de implementação. Na Figura 2.3 apresenta-se um exemplo de funções de pertinência 
para uma variável chamada erro. 
15 
 
 
Figura 3 Exemplo funções de pertinência 
Fonte: TANSCHEIT, 1992 
 
2.4 Inferência fuzzy e Base de regras 
 
Após a fuzzificação, onde as variáveis linguisticas são representadas, a etapa 
seguinte é a descrição das situações nas quais há reações, ou seja, a determinação das 
regras SE-ENTÃO. 
O lado SE (IF) de uma regra contém uma ou mais condições, chamadas 
antecedentes que constituem uma premissa; o lado ENTÃO (THEN) contém uma ou 
mais ações chamadas conseqüentes. 
Durante o processo de fuzzificação são calculados os graus de pertinência que 
são os antecedentes na base de regras. Cada antecedente tem um grau de pertinência 
indicado para ele como resultado da Fuzzificação. A intensidade das saídas difusas da 
regra, são calculadas com base em valores dos antecedentes durante a avaliação das 
regras (a inferência). 
A forma mais geral de uma regra lingüística é: 
SE premissa ENTÃO conseqüência (2.9) 
 
16 
 
Para Driankov; Hellendooru e Reiufrauk (1996) as premissas também chamadas de 
antecedentes são associadas com as entradas do controlador fuzzy e formam a parte das 
regras representada à esquerda, enquanto as conseqüências, que também são conhecidas 
como ações, estão associadas às saídas dos controladores. 
Para exemplificar a utilização da base de regras, toma-se como exemplo o controle de 
uma caldeira, onde se estabelece uma relação entre a temperatura interna da unidade, 
com a vazão necessária de água para o seu resfriamento, o que produz as seguintes 
regras: 
 
 SE temperatura é alta ENTÃO vazão de água é alta 
 SE temperatura é baixa ENTÃO vazão de água é baixa 
 SE temperatura é estável ENTÃO vazão de água é normal 
 
Aparentemente simples, o exemplo dado é capaz de manter estável a temperatura 
em uma caldeira, desde que os conjuntos fuzzy envolvidos tenham uma definição 
condizente com a realidade. O que vale observar é que para cada estado do processo é 
relacionada uma ação de controle (VIEIRA, 1999). 
Este conjunto demonstra que a base de regras fuzzy é bastante intuitiva, do ponto de 
vista humano. É como o clássico exemplo de estacionar um veículo em uma vaga, 
virando-o um pouco mais para a esquerda ou para direita. Não existe, neste caso, uma 
formulação matemática explícita envolvida na solução do problema, mas sim a 
representação de um conhecimento adquirido pelo operador, o que justifica a 
dificuldade encontrada pelos iniciantes em estacionar um carro e a facilidade com que 
os motoristas com mais prática executam as manobras necessárias (IVANQUI, 2005). 
 
 
 
 
 
17 
 
2.5 Defuzzificação 
 
A defuzzificação é uma operação de conversão de um conjunto fuzzy em um 
valor numérico. A saída do controlador nebuloso é um subconjunto nebuloso U1 do 
universo da saída. Como o processo requer um sinal não-nebuloso em sua entrada, 
deve-se fazer uma interpretação daquele conjunto nebuloso. Esta defuzzificação pode 
ser feita por meio de vários métodos, mas os mais consagrados são a Média dos 
Máximos e o Centro de Gravidade. No primeiro, a saída determinística (não-nebulosa), 
denominada UMOM, é obtida tomando-se a média entre os dois elementos extremos no 
universo que correspondem aos maiores valores das funções de pertinência. Com o 
Centro de Gravidade, a saída UCOG é o valor no universo que divide a área sob a curva 
em duas partes iguais (TANSCHEIT, 1992). 
O método de Defuzzificação utilizado neste trabalho foi o de centro de área com 
melhor desempenho. Este mostrou um menor custo computacional. 
 
 
 
 
 
 
 
 
 
 
 
18 
 
3. LABVIEW 
 
O LabVIEW (Laboratory Virtual Instrument Engineering Worbench) é uma 
plataforma computacional de harware e software utilizada para criar instrumentos 
personalizados para tarefas ou medição, controle, etc. Os programas em LabVIEW são 
chamados de instrumentos virtuais ou, simplesmente, VIs. São compostos pelo painel 
frontal, que contém a interface, e pelo diagrama de blocos, que contém o código gráfico 
do programa. O programa não é processado por um interpretador, mas sim compilado. 
Deste modo a sua performance é comparável à exibida pelas linguagens de programação 
de alto nível. A linguagem gráfica do LabVIEW é chamada "G". 
 
3.1 Metodologia de Programação 
 
As funções são designadas por instrumentos virtuais, pois cada programa (Sub-
IV) pode ser usado como sub-programa por qualquer outro ou ser executado 
isoladamente. 
O programador liga IVs com linhas de ligação e define, deste modo, o fluxo de 
dados. Cada IV pode assumir entradas e/ou saídas. A execução de um IV começa 
quando todas as entradas estão disponíveis e os resultados do processamento são então 
colocados nas saídas assim que a execução do sub-programa tenha terminado. Desta 
forma, a ordem pela qual as tarefas são executadas é definida em função dos dados. Os 
dados podem ser ligadas ao Painel frontal por meio de manipuladores. Por exemplo, a 
inserção de números pode ser dependente de um manípulo e uma variável de saída 
booleana pode ser realizada por um LED colocado no painel. O painel frontal do 
LabVIEW é um meio confortável para construir programas com uma boa interface 
gráfica. O programador não necessita de escrever qualquer linha de código. A 
apresentação gráfica dos processos aumenta a facilidade de leitura e de utilização. Uma 
grande vantagem em relação às linguagens baseadas em texto é a facilidade com que se 
cria componentes que se executam paralelamente. Na FIGURA 3.1 apresenta-se um 
exemplo de IV, na FIGURA 3.2 apresenta-se um exemplo de painel frontal. 
19 
 
 
Figura 4 modelo paralelo 
 
 
Figura 5 Exemplo de Painel Frontal 
Fonte - LabVIEW....,2013 
 
3.2 Sistema Supervisório 
 
Com a crescente evolução dos equipamentos industriais e introdução crescente 
de sistemas de automação industrial, tornou-se complexa a tarefa de monitorar, 
controlar e gerenciar esses sistemas produtivos. 
20 
 
Dentre os muitos sistemas usados para controlar e gerenciar a produção pode-se ver 
nesse trabalho o SCADA (Supervisory Control & Data Aquisition Systems). 
Os sistemas de supervisão, SCADA, permitem que sejam monitoradas e 
rastreadas informações do processo produtivo. Tais informações são primeiro coletadas 
por meio de equipamentos de aquisição de dados, seguido da manipulação e análise 
destes dados e posteriormente são apresentados ao usuário. Estas informações podem 
ser visualizadas porintermédio das variáveis de processo (temperatura, umidade, 
pressão, etc), e armazenadas em bases de dados relacionadas ao processo do cliente. As 
análises dos dados podem ser feitas dentro do supervisório por meio de gráficos e 
tabelas ou fora dele pelos softwares comerciais comuns como Access, Excel, etc. 
Segundo Salvador e Silva (2004), os componentes físicos de um sistema de 
supervisão podem ser resumidos, de forma simplificada, em: sensores e atuadores, rede 
de comunicação, estações remotas (aquisição/controle) e de monitoração central 
(sistema computacional SCADA).Na FIGURA 3.3 é apresentado um exemplo de 
sistema supervisório: 
 
 
 
 
21 
 
 
Figura 6 Sistema Supervisório 
Fonte: SISTEMA SUPERVISÓRIO ..., 2013 
 
3.3 Comunicação OPC 
 
A comunicação via OPC é uma tecnologia para conectar aplicações Windows e 
equipamentos de controle de processos. O OPC é um protocolo de comunicação aberto 
que permite um método consistente de acesso aos dados de inúmeros equipamentos dos 
mais diversos fabricantes. O método é o mesmo, independente da origem dos dados, o 
que vem oferecer ao usuário final uma maior liberdade na escolha dos equipamentos 
independentemente da disponibilidade de drivers de comunicação proprietários. 
O OPC é construído usando tecnologia Microsoft OLE/COM, mas a 
especificação OPC foi desenvolvida por uma fundação aberta, a OPC Foundation, para 
atender as necessidades gerais da indústria e não as necessidades específicas de alguns 
fabricantes de hardware e software (OPC Foundation, 1988). A especificação ainda 
prevê a evolução das funcionalidades ao longo do tempo e por isso, os componentes 
OPC podem se manter no topo das necessidades emergentes da indústria. 
22 
 
Os componentes OPC se classificam em duas categorias: Clientes OPC e 
Servidores OPC. Um Cliente OPC é tipicamente um usuário dos dados tais como uma 
Interface de Operação ou um Sistema supervisório (SCADA). Um Servidor OPC é uma 
fonte de dados que coleta ou geram dados a partir de um processo, disponibilizando-os 
aos Clientes OPC. O Cliente OPC interage com o Servidor OPC usando uma interface 
bem definida. Qualquer Cliente OPC pode se comunicar com qualquer Servidor OPC, 
independentemente do tipo de dispositivo e do fabricante. Essa comunicação é válida 
somente para OPC-DA (Data Access), uma vez que existem diferentes tecnologias 
OPC. 
Basicamente, o padrão OPC estabelece as regras para que sejam desenvolvidos 
sistemas com interfaces padrões para comunicação dos dispositivos de campo 
(controladores, sensores, etc.) com sistemas de monitoração, supervisão e 
gerenciamento (SCADA, MES, ERP, etc.) (DUARTE, 2006). 
No presente trabalho utilizou-se o servidor OPC da fabricante National Instruments, 
concedido juntamente com o software LabVIEW. 
 
23 
 
 
Figura 7 Arquitetura cliente-servidor do OPC 
Fonte ADRIANO, 2004 
 
 
 
 
 
 
 
 
24 
 
4. MATERIAIS E MÉTODOS 
 
A prática foi desenvolvida em uma célula de madeira em escalda reduzida, em 
forma de caixa, na qual tinha duas aberturas laterais opostas simulando janelas. Usou-se 
um motor de corrente contínua de 12 volts, para abrir e fechar as janelas, além de um 
sensor de umidade, uma placa de aquisição, uma ponte "H", e um umidificador. No 
LabVIEW foi projetado o controlador fuzzy e um sistema supervisório. 
 
4.1. Sensor 
 
A variável climática a ser controlada nesse trabalho é a umidade para isso 
utilizou-se um conjunto de aquisição de dados que possui um sensor de umidade e um 
data logger. O sensor é do modelo ALMENO FHA646-E1 fabricado pela Ahlborn. Sua 
conexão com o computador é feita por software próprio, o AMR WinControl fabricado 
pela Akrobit.O data logger utilizado foi o ALMEMO 2890-9 (FIGURA 4.1) do mesmo 
fabricante do sensor, que possui 9 entradas de medição eletricamente 
isoladas.(AHLBORN, 2003; AKROBIT, 2005). 
O software permite uma interface com o data logger e os sensores. Nesse 
trabalho, a transmissão de dados do data logger para o computador foi via Bluetooth, e 
no software utilizou-se a função de monitoramento em tempo real e exportação de 
dados via servidor OPC. 
 
Figura 8 Almemno FHA646-E1 
25 
 
4.2 Motor de corrente contínua 
 
4.2.1 Aspectos Construtivos 
O motor de corrente contínua é composto de duas estruturas magnéticas: Estator 
(enrolamento de campo ou ímã permanente) e o Rotor (enrolamento de armadura) 
(FIGURA 4.2 ) 
O estator é composto de uma estrutura ferromagnética com pólos salientes aos quais são 
enroladas as bobinas que formam o campo, ou de um ímã permanente. É a parte que se 
mantém fixa à carcaça e tem a função de conduzir o fluxo magnético. 
 
Figura 9 Desenho e foto de um motor CC de 2 pólos 
Fonte: HONDA, 2006 
 
O rotor é constituído de um núcleo de ferro com enrolamentos em sua superfície 
que são alimentados por um sistema mecânico de comutação. Esse sistema é formado 
por um comutador, solidário ao eixo do rotor, que possui uma superfície cilíndrica com 
diversas lâminas às quais são conectados os enrolamentos do rotor; e por escovas fixas, 
que exercem pressão sobre o comutador e que são ligadas aos terminais de alimentação. 
O propósito do comutador é o de inverter a corrente na fase de rotação apropriada de 
forma a que o conjugado desenvolvido seja sempre na mesma direção (DIAS; 
LOBOSCO, 1999). 
26 
 
O enrolamento do rotor é formado por bobinas com “n” espiras. Os dois lados de 
cada enrolamento são inseridos em sulcos com espaçamento igual ao da distância entre 
dois polos do estator, de modo que quando os condutores de um lado estão sob o polo 
norte, os condutores do outro devem estar sob o polo sul. As bobinas são conectadas em 
série através das lâminas do comutador, com o fim da última conectado ao início da 
primeira (DIAS, 1999). 
4.2.2 Motor do projeto 
O motor escolhido foi o Mabushi Universal (Figura 4.3 Motor CC - Mabushi 
Universal), um motor de vidro elétrico de carro, de 12 volts. Atendeu o objetivo 
proposto, além de ser facilmente acionado, controlado e implantado. 
 
Figura 10 Motor CC - Mabushi Universal 
Fonte: MOTOR ..., 2013 
 
Nesse trabalho foi utilizado apenas o acionamento ON/OFF do motor. Para isso 
foi utilizada uma Ponte H com dois relés para fazer o chaveamento e a inversão do 
sentido do motor. Foram gerados dois sinais A e B para a definição dos sentidos 
(FIGURA 4.4). 
Para diminuir a velocidade de rotação do motor, fazendo com que a rotação fosse menor 
e acionamento mais exato, usou-se uma fonte de 5 volts. 
27 
 
4.3 Sinais Digitais 
 
Os sinais A e B são gerados a partir da placa NI USB-6009 da National 
Instruments(FIGURA 4.5). É uma placa de aquisição de dados com entradas e saídas 
analógicas e digitais, que possui uma interface vinculada ao LabVIEW. Para esse 
trabalho utilizou-se apenas duas saídas digitais. 
 
 
Figura 11 Ponte H com relés 
Fonte DAL COL, 2012. 
 
 
 
28 
 
 
Figura 12 Placa NI USB-6009 da National Instruments 
Fonte NATIONAL INSTRUMENTS, 2013 
 
4.4 Umidificador 
 
Utilizou-se um umidificador do tipo Ventisol Umidificador Ultrasônico U-03 
3.5L Bivolt (FIGURA 4.6) para variar a umidade no interior da célula de madeira, e por 
meio disto delimitar um SET-POINT. 
 
Figura 13 Umidificador Ultrasônico 
29 
 
5. SISTEMA DE CONTROLE 
 
Nesse trabalho, foi desenvolvido um sistema de controle em uma edificação em 
escala reduzida com o objetivo de controlar a umidade de modo inteligente, a partir do 
abrir e fechar das janelas. De forma a utilizar o sistema de ventilação natural do 
ambiente.Para simular a ventilação utilizou-se um ventilador (FIGURA 5.1). 
 
 
Figura 14 Sistema de controle 
A proposta do sistema de controle desenvolvido é permitir que a umidade 
interna da célula de madeira possa estabilizar em um valor predeterminado pelo usuário 
(SETPOINT -SP ) . 
O experimento foi feita em uma mini planta de madeira (FIGURA 5.2), de dimensões 
60 cm x 60 cm x 60 cm, com duas aberturas em faces opostas, de dimensões 12 cm x 12 
cm (NBR 15220, ABNT, 2005). 
30 
 
Para movimentar as janelas, foi implantado dentro da mini planta o motor CC citado 
anteriormente (FIGURA 4.3). E para simular a variação da umidade foi implantado um 
umidificador no interior da mesma (FIGURA 5.3). Dependendo do comando do 
controlador o motor faz as janelas abrirem ou fecharem, determinando assim a corrente 
de ar no interior da mini planta. 
 
Figura 15 Sistema de controle 
 
31 
 
 
Figura 16 Sistema de controle com o umidificador 
 
 
5.1 Coleta e transmissão de dados 
 
Para a coleta dos dados, no caso desse trabalho a umidade, foi colocado o sensor 
ALMEMO FHA646-E1 no interior da maquete. Esse por meio de uma cabo está 
conectado ao data logger ALMEMO 2890-9, o qual mostra a umidade em seu visor. 
Neste data logger foi colocado um adaptador Bluetooth que transmite os dados para o 
computador por meio dessa conexão, dados esses que são recebidos e mostrados pelo 
software AMR WinControl. 
Para transmitir os dados para o LabVIEW, onde toda a lógica foi desenvolvida, 
fez-se o uso da conexão OPC, compatível com os dois softwares. Para isso no 
LabVIEW criou-se um projeto vazio, no qual iriam ser adicionado todos os arquivos, 
variáveis, conexões e VI's pertencente ao projeto, como representado na FIGURA 5.4. 
 
32 
 
 
Figura 17 Sistema de controle com o umidificador 
 
Para vincular a variável umidade, que foi criada vinculada a conexão OPC, voltamos 
para o software AMR WinControl. Acessando a opção "New OPC Export". O Servidor 
OPC do LabVIEW é chamado de National Instruments. 
 
Figura 18 AMR WinControl 
33 
 
A partir disso escolhe a variável UMIDADE que havia sido criada no LabVIEW, 
selecionando-a e escolhendo como variável de saída "Feuchte" do software AMR 
WinControl, estabelecendo a conexão. 
 
5.2 Programação no LabVIEW 
 
O primeiro passo é definir as variáveis controladas e as variáveis de controle. 
Estas variáveis são as entradas e as saídas, respectivamente do controlador. A umidade é 
a Variável de Processo (PV).Para o sistema desse trabalho, as variáveis de entrada são o 
Erro e a Desvio do Erro, sendo o movimento da janela a variável de saída. 
Será mostrado a programação completa no LabVIEW, primeiramente será ilustrado a 
programação em etapas e por fim como um todo. 
Na FIGURA 5.6 apresentam-se as variáveis Erro e Desvio do Erro calculadas a partir do 
valores da variável de processo a Umidade (PV) e do SetPoint (SP). O Erro é calculado 
pela diferença entre o SP e a PV, e o Desvio do Erro pela diferença entre o Erro atual e 
o erro da medida anterior. Esses valores são agregados em um array que será conectado 
ao bloco controlador fuzzy, como está ilustrado na FIGURA 5.7. 
 
Figura 19 Programação: Erro e Desvio do Erro 
 
 
34 
 
 
Figura 20 Programação do controlador 
 
Ao controlador fuzzy, além do array com os valores de entrada está conectado as 
informação completa da lógica fuzzy, com as variáveis linguísticas e as funções de 
pertinência. Na saída do bloco encontra-se a saída que de acordo do seu valor irá 
acionar o motor. A sigla MISO presente no bloco fuzzy significa que o controlador 
possui mais de uma entrada e apenas uma saída (Multiple Input Single Output). 
Para o acionamento do motor são gerados os sinais A e B, que de acordo com a 
saída do controlador que varia de 0 a 100. Esse valor é então mostrado em um indicador 
no formato de tanque para representar a janela, se estiver em 0 janela está aberta e em 
100 janela está completamente fechada. 
A lógica de controle do motor CC (FIGURA 5.8) faz a divisão do valor de saída 
do controlador por 100 e multiplica pelo tempo que a janela leva para fechar 
completamente. Para chegar à posição desejada usa-se de um registrador para comparar 
a nova posição da janela com a posição antiga. A partir dos cálculos, o valor é 
interpretado pelos comparadores booleanos e enviados à placa NI USB-6009, gerando o 
sinal de 5V em uma das saídas, fazendo o motor movimentar em um dos sentidos. Este 
processo se repete até uma nova variação do sinal de saída do controlador. 
35 
 
 
Figura 21 Programação da geração dos sinais A e B 
 
5.3 Interface 
 
Para melhor visualização, compreensão e manuseio com o projeto, foi 
desenvolvido no LabVIEW um Sistema Supervisório (FIGURA 5.9). No qual tem-se 
indicadores mostrando a umidade no interior da mini planta, o SetPoint a ser atingido e 
um tanque que simula o movimento da janela. Além de ter um botão de ajuste manual 
do SetPoint. 
Existe também um gráfico que compara a PV e o SP ao longo do tempo. 
 
5.4 Controlador 
 
A estratégia de controle utilizada no projeto foi um controlador fuzzy, já que se tratar de 
um fenômeno muito impreciso e de difícil formulação matemática, ficando assim a 
lógica fuzzy mais apropriada. 
36 
 
Como já foi demonstrado anteriormente, em controladores fuzzy em geral as variáveis 
de entrada são o erro e a variação do erro. E saída a variação na saída do controlador 
(CO - Control Output) . 
 
Figura 22 Sistema Supervisório 
A partir dessas informações, foram construídas regras utilizando as entradas e a saída. 
Sua região de influência dependerá da abrangência dos conjuntos fuzzy das entradas, 
dessa maneira influencia no cálculo da ação de controle. As regras estão representadas 
abaixo : 
 
 
Quadro 5.1 
Regras 
Linguísticas 
Des_erro/ 
Erro 
MN N Z P MP 
MN FP FP FM FM FMM 
N FP FP FM FMM FMM 
Z FN FP FM FMM FT 
P FN FN FMM FMM FT 
MP FN FN FMM FT FT 
Quadro 5.1 Regras Linguística 
37 
 
As regras também podem ser representadas da seguinte maneira: 
1. IF 'ERRO' IS 'MN' AND 'DE' IS 'MN' THEN 'Fechamento' IS 'FP' 
2. IF 'ERRO' IS 'MN' AND 'DE' IS 'N' THEN 'Fechamento' IS 'FP' 
3. IF 'ERRO' IS 'MN' AND 'DE' IS 'ZERO' THEN 'Fechamento' IS 'FN' 
4. IF 'ERRO' IS 'MN' AND 'DE' IS 'P' THEN 'Fechamento' IS 'FN' 
5. IF 'ERRO' IS 'MN' AND 'DE' IS 'MP' THEN 'Fechamento' IS 'FN' 
6. IF 'ERRO' IS 'N' AND 'DE' IS 'MN' THEN 'Fechamento' IS 'FP' 
7. IF 'ERRO' IS 'N' AND 'DE' IS 'N' THEN 'Fechamento' IS 'FP' 
8. IF 'ERRO' IS 'N' AND 'DE' IS 'ZERO' THEN 'Fechamento' IS 'FP' 
9. IF 'ERRO' IS 'N' AND 'DE' IS 'P' THEN 'Fechamento' IS 'FN' 
10. IF 'ERRO' IS 'N' AND 'DE' IS 'MP' THEN 'Fechamento' IS 'FN' 
11. IF 'ERRO' IS 'ZERO' AND 'DE' IS 'MN' THEN 'Fechamento' IS 'FM' 
12. IF 'ERRO' IS 'ZERO' AND 'DE' IS 'N' THEN 'Fechamento' IS 'FM' 
13. IF 'ERRO' IS 'ZERO' AND 'DE' IS 'ZERO' THEN 'Fechamento' IS 'FM' 
14. IF 'ERRO' IS 'ZERO' AND 'DE' IS 'P' THEN 'Fechamento' IS 'FMM' 
15. IF 'ERRO' IS 'ZERO' AND 'DE' IS 'MP' THEN 'Fechamento' IS 'FMM' 
16. IF 'ERRO' IS 'P' AND 'DE' IS 'MN' THEN 'Fechamento' IS 'FM' 
17. IF 'ERRO' IS 'P' AND 'DE' IS 'N' THEN 'Fechamento' IS 'FMM' 
18. IF 'ERRO' IS 'P' AND 'DE' IS 'ZERO' THEN 'Fechamento' IS 'FMM' 
19. IF 'ERRO' IS 'P' AND 'DE' IS 'P' THEN 'Fechamento' IS 'FMM' 
20. IF 'ERRO' IS 'P' AND 'DE' IS 'MP' THEN 'Fechamento' IS 'FT' 
21. IF 'ERRO' IS 'MP' AND 'DE' IS 'MN' THEN 'Fechamento' IS 'FMM' 
22. IF 'ERRO' IS 'MP' AND 'DE' IS 'N' THEN 'Fechamento' IS 'FMM' 
23. IF 'ERRO'IS 'MP' AND 'DE' IS 'ZERO' THEN 'Fechamento' IS 'FT' 
38 
 
24. IF 'ERRO' IS 'MP' AND 'DE' IS 'P' THEN 'Fechamento' IS 'FT' 
25. IF 'ERRO' IS 'MP' AND 'DE' IS 'MP' THEN 'Fechamento' IS 'FT' 
 
Os significados das siglas são: 
 
 MN : Muito Negativo 
 N : Negativo 
 Z : Zero 
 P : Positivo 
 MP : Muito Positivo 
 FP : Fecha Pouco 
 FN : Fecha Nada 
 FM : Fecha Médio 
 FMM : Fecha Médio Muito 
 FT : Fecha Tudo 
 
As funções de pertinência para as variáveis erro e desvio do erro, são representadas 
respectivamente na FIGURA 5.10 e na FIGURA 5.11. 
 
 
Figura 23 Função de Pertinência: Erro 
 
39 
 
 
Figura 24 Função de Pertinência: Desvio do Erro 43 
 
A função de pertinência da saída do controlador, no caso o fechamento da janela é 
representado na FIGURA 5.12. 
Figura 5.12 Função de pertinência: saída do controlador 
Após alguns testes para saber qual o melhor método de Deffuzificação que seria 
utilizado, chegou-se a conclusão que o método do centro de gravidade seria o mais 
adequado (FIGURA 5.13). Na formação das regras foi utilizado o conector e (AND) e 
como forma de implicação fez-se uso do operador mínimo (Minimum). 
40 
 
 
Figura 25 Método das regras 
 
 
 
 
 
 
 
 
 
 
41 
 
6. RESULTADOS 
 
 No trabalho foram realizados diversos teste e simulações que tinham como objetivo 
obter o melhor resultado possível, que seria uma proximidade do pensamento de um 
operador humano. 
Foram feitas algumas versões do controlador fuzzy, com diferentes funções de 
pertinência, regras, métodos de deffuzificação e diferentes "ranges". Assim foi possível 
observar qual o melhor controlador iria obter maior sucesso. 
Na figura 6.1 está representado uma das funções de pertinência testadas, usou-se curvas 
triangulares e trapezoidais. 
 
 
Figura 26 Exemplo de função de pertinência testada 
 
 
Depois de alguns teste notou-se que pelo fato de o ambiente testado ser pequeno, o 
umidificador fazia com que a umidade aumentasse rapidamente, portanto o valor do erro 
muitas vezes ficava maior que 5 o que levou ao aumento no range do Erro. Ficando o range 
do erro entre -10 e +10. 
Notou-se também que o sistema não funcionava muito bem em dias chuvosos, pois a 
umidade relativa do ar era muito alta chegando até 90%, logo não foi possível manter um 
SetPoint abaixo desse valor. Um exemplo disso está representado na FIGURA 6.2, onde 
42 
 
tentou-se manter a umidade em 69% porém mesmo após 10 minutos de teste não foi 
possível, visto que a umidade dor ar estava em 69.6%. 45 
 
 
 
 
Figura 27 Variação PV e SP 
 
Após os testes serem feitos, chegou-se a conclusão que a melhor função de pertinência 
seria em forma triangulares, como está representado na FIGURA 6.3. Além de obter um 
bom desempenho, a relação entre valores das variáveis de entrada (erro e desvio do 
erro) e a variável de saída (fechamento) sempre remete a um valor de saída 
(FIGURA 6.4). 
 
43 
 
 
Figura 28 Função de pertinência do erro 46 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
44 
 
7. CONSIDERAÇÕES FINAIS 
 
No trabalho apresentado faz-se o uso da estratégia de controle fuzzy na 
automação de controle de uma célula em escala reduzida, tendo como objetivo o 
controle da umidade relativa do ar no ambiente e utilizando a ventilação natural para 
regular a massa de ar que entra no ambiente. 
A partir dos testes, viu-se que o controle da umidade em um ambiente pode ser 
controlado por esse controlador, conforme curva mostrada na FIGURA 7.1. Controle 
similar também ocorreu com o controle da temperatura desenvolvido por Rocha (2012), 
cujo resultado é mostrado na figura 7.2. 
 
 
 
Figura 29 Relação Umidade (PV) e SP em relação ao tempo 
 
Assim mostra-se possível um controle total do ambiente, umidade e temperatura. 
Apesar de ter algumas perdas de desempenho em alguns momentos os resultados foram 
aceitáveis. 
45 
 
Enfim, a partir das respostas positivas do controle de umidade e temperatura isoladamente, 
sugere-se como trabalhos futuros a junção no mesmo controlador dessas duas variáveis 
além de poder acrescentar a luminosidade ao projeto. 49 
 
 
Figura 30 Relação Temperatura (PV) e SP em relação ao tempo 
 
 
 
 
 
 
 
 
 
 
 
46 
 
REFERÊNCIAS BIBLIOGRÁFICAS 
 
ADRIANO, P.P., Padronização da comunicação através da tecnologia OPC. São 
Paulo, SoftBrasil Atumação, 2004. 
 
AHLBORN. Almemo manual, for all almemo measuring instruments V5. Ahborn 
Meβ- und Regelungstechnik GmbH, 4th revised edition, Holzkirchen, Germany, 2003. 
 
AKROBIT. AMR WinControl user manul. Akrobit software Frank Schimidt & Dirk 
Sloboda, 2002. 
 
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 15220: Desempenho 
térmico de edificações, Rio de Janeiro, 2005, 92 p. 
 
BRAGA, M.J.F., BARRETO, J.M., MACHADO, M.A.S., 1995, Conceitos da 
Matemática Nebulosa na Análise de Risco. Rio de Janeiro, Artes & Rabiscus apud 
SILVA, R. A. C. Inteligência artificial aplicada à ambientes de Engenharia de 
Software: Uma visão geral. Universidade Federal de Viçosa, 2005. 
CRUZ, L. F. Sistematizações da teoria fuzzy. Dissertação de Mestrado, Universidade 
Estadual Paulista. Rio Claro,