O que é Fuzzy Logic?

A lógica difusa pode não soar como o meio mais confiável de implementar um sistema de controle complexo. No entanto, a capacidade dos sistemas de lógica fuzzy de trabalhar com dados imprecisos e implementar a experiência de especialistas torna-os uma ferramenta poderosa em aplicações de controle modernas.

Uma Visão Geral da Lógica Fuzzy

A lógica fuzzy, uma subdivisão da IA ​​(inteligência artificial) desenvolvida por Lofti Zada ​​em 1965, permite que um sistema de computador imite como os humanos interpretam e interagem com os dados. Enquanto a lógica booleana é limitada a dois resultados (verdadeiro ou falso, 0 ou 1), a lógica difusa lida com graus de verdade.

Considere, como exemplo, um sistema de visão de máquina que permite a um sistema robótico autônomo navegar em um armazém movimentado. Veríamos uma porta à nossa direita se abrir rapidamente e saberíamos que provavelmente um obstáculo está prestes a aparecer. Mas a lógica booleana não trata de "provavelmente" - trata de "um obstáculo está prestes a aparecer" e "um obstáculo não está prestes a aparecer".

Com a lógica fuzzy, dados como a velocidade com que a porta abriu (ou seja, muito lento, lento, médio, rápido, muito rápido), onde a porta está localizada e a hora do dia podem ser transformados na probabilidade de que um obstáculo está prestes a aparecer (por exemplo, 0,8).

O básico da lógica difusa

Em um sistema de lógica difusa, existem três tipos diferentes de valores:

• Valores de entrada, que estão na forma de valores numéricos nítidos (por exemplo, T =120 ° C)
• Valores difusos, que representam a probabilidade de um valor nítido cair em um conjunto de categorias representadas linguisticamente (por exemplo, baixo =0,2, normal =0,8, alto =0,0)
• Valores de saída, que são defuzzificados e nítidos (Prioridade =0,7)

Existem quatro partes em um sistema de lógica difusa:

1. Módulo de fuzzificação
2. Base de conhecimento
3. Motor de inferência
4. Módulo de defuzzificação

O módulo de fuzzificação recebe entradas do sistema na forma de valores numéricos nítidos (em oposição a difusos). O sinal de entrada de valor nítido é dividido em um conjunto de categorias geralmente representadas por valores linguísticos (por exemplo, frio, quente, quente).

Figura 1. Um gráfico de três funções de filiação representando ruim, bom e excelente. Imagem usada cortesia da Mathworks

O valor fuzzy para cada categoria é a probabilidade de que o valor crisp se enquadre nela. Os valores difusos também podem ser considerados como um "grau de verdade":um carro viajando a 95 mph poderia estar "viajando rápido com um grau de verdade de 0,75". O processo de fuzzificação real é realizado por um conjunto de funções de pertinência, sendo as mais comuns triangular, trapézio, guassiano ou sigmóide.

A base de conhecimento contém um conjunto de regras se-então com base no raciocínio humano e informado por um especialista na área de assunto. Aqui está um exemplo de como isso pode ser:

• SE a temperatura for alta E a velocidade baixa, THEN Alert_Level =moderada
• SE a temperatura for alta E a velocidade for Very_High, THEN Alert_Level =baixa
• SE a velocidade for baixa E a temperatura for alta OU a aceleração for ALTA, então Alert_Level =Alta

O mecanismo de inferência usa as regras da base de conhecimento para os valores difusos de maneira semelhante a como faria um especialista no assunto humano. O resultado é outro valor fuzzy e, neste caso.

Finalmente, o módulo de defuzzificação converte a saída do mecanismo de inferência em um valor nítido, muito parecido com o reverso do módulo de fuzzificação. Neste exemplo, o nível de alerta pode chegar a 0,8, o que ajuda os técnicos a priorizar as tarefas de manutenção preventiva.

Como a lógica difusa é usada

A lógica difusa é amplamente utilizada e muitas pessoas se beneficiam de seus recursos sem perceber. O processamento de linguagem natural, onde comandos de voz são usados ​​para interagir com objetos, é uma área onde a lógica difusa é aplicada. No processamento de linguagem natural, há um nível de incerteza quanto ao que um indivíduo está dizendo. Ainda assim, a lógica difusa pode lidar com esses dados barulhentos ou imprecisos para interpretar o que é dito com um alto grau de precisão.

Figura 2. A lógica difusa e as redes neurais podem identificar várias regiões em imagens de satélite, incluindo instalações de petróleo offshore.

Os engenheiros usam a lógica fuzzy como parte de seu sistema de apoio à tomada de decisão e pode ser encontrada integrada ao marketing e publicidade. Além disso, os sistemas de lógica difusa podem ser combinados com redes neurais como parte dos sistemas de visão de máquina para identificar a possível diferenciação entre terras agrícolas, áreas urbanas, florestas e água em imagens de satélite.

Uma área onde a lógica difusa encontrou aplicações extensas, entretanto, são os sistemas de controle.

Lógica Fuzzy e Sistemas de Controle

Em automóveis, pode haver um sistema de lógica difusa que controla o sistema de frenagem. Os veículos autônomos dependem muito do controle lógico difuso (FLC) para sistemas como velocidade, direção e controle de cruzeiro adaptativo. E mesmo os automóveis não autônomos provavelmente utilizarão o FLC para o sistema de frenagem. Os sistemas de ar condicionado também dependem frequentemente da lógica difusa como parte dos termostatos inteligentes para manter a temperatura ambiente e a velocidade do ventilador em níveis confortáveis, otimizando o consumo de energia.

No entanto, esses são apenas dois exemplos de seu uso. O FLC pode ser encontrado em diversos setores, incluindo automação industrial, manufatura biomédica, processamento petroquímico, manufatura automotiva e energia nuclear.

Bombas, motores, ventiladores e trens de força podem ser controlados usando lógica difusa, recebendo dados de uma série de sensores como entrada. O controle de movimento extremamente preciso pode ser obtido utilizando FLCs, daí seu uso em sistemas de usinagem de controle numérico computadorizado (CNC). Sua capacidade de controlar efetivamente as temperaturas é evidenciada pelo uso em fornos e fornos de tratamento térmico que dependem de ciclos de temperatura altamente precisos. O FLC também pode supervisionar interações de sistema extremamente complexas, como aquelas vistas na robótica de enxame.

Figura 3. A tecnologia por trás do desenvolvimento de sistemas robóticos de enxame, como este desenvolvido pelo Laboratório de Pesquisa de Eletrônica do MIT, aproveitando o poder dos sistemas de controle difusos. Imagem usada cortesia do MIT

O FLC também é inestimável em sistemas que dependem de visão de máquina e tornou muitos avanços em automação industrial, IIoT e Indústria 4.0 possíveis e eficazes.

Os sistemas de controle tradicionais dependem de dados e regras muito precisas que podem não levar em consideração a experiência dos operadores e especialistas. Por outro lado, a lógica difusa é ideal para aplicações onde os dados são ruidosos, imprecisos ou parcialmente ausentes. Sua base de conhecimento pode alavancar o insight e a experiência de pessoas reais para simular seu processo de tomada de decisão.