Baixe o app para aproveitar ainda mais
Prévia do material em texto
Modelagem e Simulação de Sistemas Aula 02 Phelipe Medeiros da Rocha phelipe.rocha@estacio.br Curso de Engenharia de Produção Campus Barra I – Tom Jobim Fundamentos da Teoria Fuzzy Destacar os enfoques de modelagem e simulação de sistemas; Abordar conceitos relativos a sistemas inteligentes; Entender os objetivos fundamentais de controle inteligente; Apresentar as principais vantagens da implementação de controle fuzzy e exemplos de aplicações bem sucedidas; Introduzir os princípios básicos da lógica fuzzy. Objetivos da Aula Enfoques de Modelagem Método Experimental • Equipamentos físicos de que se constitui o processo, geralmente, não estão facilmente disponíveis. • Pode ser um procedimento caro e, muitas vezes, há problemas de segurança em plantas. Modelagem Matemática • Enfoque tradicionalmente utilizado em engenharia de controle – obtenção de um modelo idealizado. • Na busca de modelos matemáticos simples, certas restrições são feitas. Tais simplificações geram sérias dificuldades no desenvolvimento de descrições realistas. Método Heurístico • Consiste em se realizar uma tarefa de acordo com a experiência prévia, com regras práticas ou “dicas” e estratégias já frequentemente utilizadas. • Possibilita a construção de uma função de entrada versus saída, não matemática, mesmo com a presença de parâmetros incertos, desconhecidos ou variantes no tempo. As causas de maiores dificuldades no desenvolvimento de uma descrição matemática significativa e realista: Fenômenos físicos ou químicos “pobremente” compreendidos; Valores imprecisos de parâmetros; A dimensão e a complexidade do modelo; Distúrbios externos; e Deficiência de qualificação técnica. Modelagem Matemática O método heurístico consiste em se realizar uma tarefa de acordo com a experiência prévia, com regras práticas ou “dicas” e estratégias já frequentemente utilizadas. Uma regra heurística é uma implicação lógica da forma ou situação de controle: SE <condição> ENTÃO <consequência> SE <condição> ENTÃO <ação> Método Heurístico Sistemas de controle fornecem resposta à uma determinada entrada de acordo com sua função de transferência. Sistemas inteligentes são aqueles que fornecem respostas, apropriadas a situações específicas para solução de problemas, novas ou mesmo inesperadas, fazendo com que tal comportamento seja “único” ou até mesmo considerado “criativo”. Sistema Inteligente Ainda existe um grande descompasso entre a capacidade criativa dos seres humanos e a possibilidade de solução que as máquinas computacionais proporcionam. Sistema Inteligente Raciocinam de forma INCERTA, IMPRECISA, DIFUSA OU NEBULOSA. Movidos por raciocínio PRECISO E BINÁRIO. A eliminação dessa restrição faria com que as máquinas fossem “inteligentes”, isto é, pudessem raciocinar da mesma maneira imprecisa, como os seres humanos. Tal forma de raciocínio é chamada em inglês por “fuzzy”, podendo ser visto como sinônimo de incerto, impreciso, difuso ou nebuloso. Sistema Inteligente A LÓGICA FUZZY É UMA TÉCNICA QUE INCORPORA A FORMA HUMANA DE PENSAR EM UM SISTEMA DE CONTROLE Operadores humanos podem controlar processos industriais e plantas com características não- lineares a até comportamento dinâmico pouco conhecido, através de experiência e inferência de relações entre as variáveis do processo. A Lógica Fuzzy pode capturar esse conhecimento em um controlador fuzzy, possibilitando a implementação de um controlador computacional com desempenho equivalente ao do operador humano. Sistema Inteligente Sistema Inteligente CONTROLADOR FUZZY RACIOCÍNIO DEDUTIVO RACIOCÍNIO INDUTIVO PROCESSO DE INFERIR CONCLUSÕES BASEADAS EM INFORMAÇÕES CONHECIDAS APRENDIZADO E GENERALIZAÇÃO ATRAVÉS DE EXEMPLOS PARTICULARES PROVENIENTES DA OBSERVAÇÃO Controladores que combinam técnicas convencionais e inteligentes são geralmente utilizados no controle inteligente de sistemas dinâmicos complexos. Controladores fuzzy operacionais automatizam apenas o que tradicionalmente tem sido legado aos seres humanos como tarefa. A experiência de um operador humano pode ser capturada em um controlador fuzzy, providenciando uma técnica heurística para se projetar os algoritmos de supervisão. Sistema Inteligente Sistema Inteligente Identificação da dinâmica do processo ou da planta Identificação do comportamento do operador de controles Sistema Inteligente UM SISTEMA INTELIGENTE IDEAL PERMITIRIA A CRIAÇÃO DE SISTEMAS AUTÔNOMOS, OS QUAIS PODERIAM EXECUTAR COMPLEXAS TAREFAS DE CONTROLE SOB TODAS AS CONDIÇÕES DE OPERAÇÃO DE UM PROCESSO OU DE UMA PLANTA, MESMO NA PRESENÇA DE FALHAS, SEM SUPERVISÃO OU INTERVENÇÃO DE OPERADORES EXTERNOS. As implementações por lógica fuzzy frequentemente se tornam muito mais eficiente devido aos seguintes pontos: Nascem da experiência e de experimentos, em vez de modelos matemáticos >> implementação linguística muito mais rápida e efetiva; Envolvem um número muito grande de entradas, a maioria das quais relevantes apenas para condições especiais; e Quando implementadas em produtos comerciais são de baixo custo >> mais eficientes. Sistema Inteligente Aplicações bem sucedidas de controle fuzzy: Ajustes em máquinas com o objetivo de redução de perdas e de matéria-prima, com função de julgamento de um operador. Ex.: Corte de madeiras através de serra automática; Sistema depende de habilidades do operador e de atenção. Ex.: Produção de asfalto ou de concreto; Parâmetro de um processo afeta outro parâmetro de outro processo. Ex.: Injeção de plástico em moldes; Sistema Inteligente Aplicações bem sucedidas de controle fuzzy: Processos que possam ser moldados linguisticamente (descrições verbais). Ex.: Controle de tensão de uma lâmina de papel, em um sistema de roletes; Controlador fuzzy possa ser utilizado como um sistema aconselhador a um operador humano. Ex.: Simuladores de voo. Sistema Inteligente Um fator interessante a se notar é que a lógica fuzzy não tem sido aceita facilmente, porque seus princípios parecem ser contrários às tradições e culturas ocidentais, as quais são baseadas em uma definição precisa, bivalente, entre o ser ou não-ser, entre o claro e o escuro. Sistema Inteligente <<< “MEIAS-VERDADES” >>> Ao se decidir em se adotar ou não uma tecnologia fuzzy, é necessário se basear nos requisitos de confiabilidade, utilidade e viabilidade econômica, sendo essencial que se pense em questões como: É apenas mais uma “moda” ou oferece vantagens objetivas e tangíveis? Vai permitir a solução de problemas que tradicionalmente têm sido difíceis ou mesmo impossíveis de se resolver? Qual é o nível de treinamento é requerido para se manter e reparar os controladores fuzzy? Sistema Inteligente 1. Explique a principal diferença entre sistemas convencionais e os ditos inteligentes. 2. Por que um sistema baseado em lógica fuzzy pode ser considerado um sistema inteligente? 3. Qual é a diferença entre um sistema indutivo e um dedutivo? 4. Um sistema inteligente ideal levaria a criação de que tipo de sistema? Qual seria o atributo mais relevante deste sistema ideal? 5. Se você for um consultor em controle industrial, e um gestor te perguntar quando você recomendaria controle fuzzy, qual seria sua resposta? Vamos exercitar... O conceito de conjuntos fuzzy foi inicialmente introduzido por Zadeh (1965) quando ele observou a impossibilidade de modelar sistemas com fronteiras mal definidas segundo as abordagens matemáticas rígidas e precisas dos métodos clássicos. A Teoria dos Conjuntos Nebulosos (ou difusos) pode ser classificada como uma extensão da teoria dos conjuntos, e a forma como as informações são representadas e processadas neste contexto pode ser vista como uma extensão da lógica clássica, ficando conhecida como Lógica Fuzzy. Teoria Fuzzy Considera a subjetividade e a experiência dos profissionais, sendo capaz de capturar informaçõesimprecisas, descritas em linguagem natural, e convertê-las para um formato numérico, visando efetuar um raciocínio aproximado, com proposições imprecisas, através de conjuntos fuzzy. Teoria Fuzzy IMPORTANTE A TEORIA FUZZY NÃO É UMA TEORIA VAGA MAS, SIM, UMA TEORIA PARA MODELAR CONCEITOS VAGOS! Exemplo 1: Imagine que você está ensinando um amigo a dirigir e o carro se aproxima de um sinal fechado. O que você diria? “Comece a frear quando você estiver a 25 metros do sinal.” OU “Freie daqui a pouco.” A primeira afirmação é mais precisa, porém, a segunda pode ser mais útil. Teoria Fuzzy Exemplo 2: Você marca um cinema com o crush e manda um whatsapp para ele... “Te encontro na entrada do cinema por volta de 9h”. Por volta das 9h pode ser 09h01, 08h56, 08h58, 09h04... Quando não será próximo de 9h!? São conceitos fuzzy pois não possuem uma fronteira bem definida. O mundo real é fuzzy! Teoria Fuzzy BIVALÊNCIA X MULTIVALÊNCIA A lógica clássica de Aristóteles fez do atributo da bivalência um marco histórico na nossa cultura ocidental. A ciência da computação é baseada na bivalência: álgebra booleana. No entanto, o mundo real não é bivalente. A realidade é multivalente com um infinito espectro de opções em vez de duas. Teoria Fuzzy Função de Pertinência Um conjunto fuzzy é definido por uma função chamada de função de pertinência. Cada função de pertinência define um conjunto fuzzy, A, do conjunto universal, U, através da atribuição de um grau de pertinência, μA (x), entre 0 e 1, para cada elemento x de U. Este é o grau com o qual x pertence a A: Teoria Fuzzy μA : U [0,1] Função de Pertinência Teoria Fuzzy Diferente dos conjuntos convencionais, um conjunto nebuloso é uma classe que admite a possibilidade de pertinência parcial. Os graus de pertinência refletem, então, um ordenamento de elemento num certo universo. Teoria Fuzzy Teoria Fuzzy A propriedade fundamental da lógica fuzzy é que a função de pertinência μA (x) tem todos os valores dentro do intervalo [0,1]. Isso significa que um elemento pode ser membro parcialmente de um conjunto, indicado por um valor fracionário dentro do intervalo numérico. Uma variável linguística possui valores que não são números, mas palavras ou frases na linguagem natural, como, por exemplo, “Idade = Idoso”. Um valor linguístico é um conjunto nebuloso e todos os valores linguísticos formam um conjunto de termos. Teoria Fuzzy Teoria Fuzzy Probabilidade x Possibilidade A incerteza de um elemento, isto é, seu grau fracionário de pertinência, pode ser concebido como uma medida de possibilidade, ou seja, a possibilidade de que um elemento seja membro do conjunto. O conceito de possibilidade não é o mesmo que o de probabilidade. A probabilidade expressa a chance de que um elemento seja membro de um conjunto. Teoria Fuzzy Exemplo De acordo com a meteorologia, a chance de chuva amanhã é de 0,8. Essa é uma expressão sobre a probabilidade de chuva. Porém, a probabilidade não indica o grau, qualidade ou força da chuva. Ao se usar o conceito de possibilidade para a chuva, deve-se primeiramente construir uma escala de possibilidades. Teoria Fuzzy Exemplo 1,0 = TEMPESTADE 0,8 = CHUVA FORTE 0,6 = CHUVAS INTERMITENTES 0,4 = GAROA 0,2 = GAROA FINA Assim, se a possibilidade de chuva amanhã for 0,4, haverá um GAROA. A expressão linguística GAROA também representa o valor de pertinência do elemento. Teoria Fuzzy Apresente e explique dois exemplos diferentes de conjuntos por meio de suas representações gráficas (função de pertinência) sob os pontos de vista da lógica convencional e da lógica fuzzy. (Represente no eixo y o grau de pertinência) Vamos exercitar... 1. BARRETO, J. M. Inteligência Artificial no Limiar do Século XXI: Abordagem Híbrida, Simbólica, Conexionista e Evolucionária. UFSC, 2001. 2. LOPES, I. L.; PINHEIRO, C. A. M.; SANTOS, F. A. O. Inteligência Artificial. 1. ed. Rio de Janeiro: Elsevier, 2014. 3. RICH, E.; KNIGHT, K. Inteligência Artificial. 2. ed. Makron Books, 1995. 4. ROSA, J. L. G. Fundamentos da Inteligência Artificial. Rio de Janeiro: LTC, 2001. 5. RUSSEL, S.; NORVIG, P. Artificial Intelligence: A Modern Approach. Prentice Hall, 1995. 6. SIMÕES, M. G.; SHAW, I. S. Controle e Modelagem Fuzzy. 2. ed. São Paulo: Blucher: FAPESP, 2007. Referências
Compartilhar