FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA
Departamento de Engenharia El
etrica
MODELAGEM E CONTROLE DE SISTEMAS
FUZZY TAKAGI-SUGENO
TeseapresentadaaFaculdadede Engenhariade IlhaSolteirada UniversidadeEstadual Paulista
-UNESP,como parte dosrequisitosexigidospara aobtenc~ao dottulode DoutoremEngenharia
Eletrica.
por
Erica Regina Marani Daruichi Machado
Mestre em EngenhariaEletrica |FEIS/UNESP
Orientador: Prof. Dr. Marcelo Carvalho Minhoto Teixeira FEIS/UNESP
Co-Orientador: Prof. Dr. Edvaldo Assunc~ao FEIS/UNESP
Banca Examinadora
Prof. Dr. Marcelo Carvalho Minhoto Teixeira FEIS/UNESP
Prof. Dr. Pedro Luis Dias Peres FEEC/UNICAMP
Prof. Dr. Wagner Caradori do Amaral FEEC/UNICAMP
Prof. Dr. Jose Paulo Fernandes Garcia FEIS/UNESP
Agradecoa Deus,fontede tudo.
Ao meu marido, amigo e companheiro, Eduardo, pelo apoio em todos os momentos.
Aosmeus sobrinhos Kauana eLuis, queaolongo desta jornada tornaram-se nossos\lhos"
e pela fonte de alegria que s~ao e aos meus pais e irm~as por tudo que eles representam e
representaram para mim.
Ao Prof. Marcelo, pela orientac~ao e pelos ensinamentos humanos e cientcos, e sua
esposa, Vera, pela paci^encia e compreens~ao desprendida durante todos estes anos. E a
ambospelaatenc~aoe conselhos pessoaisdados nos momentosdifceis.
SougratatambemaoProf. EdvaldoAssunc~aopelaco-orientac~ao,apoioepelosconselhos
muito valiosos.
A Prof. Neusa, pelaamizade eapoio.
Ao tecnico Deoclecio, por sua invariavel disposic~ao e boa vontade em auxiliar-me, as
pessoas queduranteesses anos trabalharamcomigoe aos demais colegas,professores e
fun-cionarios, cujos nomes n~ao citarei, pelo motivo ja consagrado do possvel esquecimento de
alguns,e todos que direta ouindiretamente, conscienteou inconscientemente, contriburam
para a concretizac~ao deste trabalho, sintam-se contemplados pelos meus sinceros
Este trabalhoaborda o problema de modelageme controle de uma classe de sistemas n~
ao-linearesatraves dos modelos fuzzyTakagi-Sugeno (TS).
Primeiramentes~ao apresentados dois metodos de modelagemexistentes naliteratura. O
primeiroe ummetodode modelagemexata eosegundo, baseado emmodelos locaisotimos,
eutilizadoem todos os desenvolvimentos desta tese.
A seguir e proposto um novo metodo para se obter os modelos locais, baseado em
De-sigualdades Matriciais Lineares (LMIs-Linear Matrix Inequalities), utilizando os modelos
locais otimos com novos graus de liberdade eque permitemuma melhor aproximac~ao local
dosistema.
Novas func~oes de pertin^encia, que servem para combinar os modelos locais, s~aoobtidas
apartir da soluc~aode um problema de otimizac~ao(um dos metodos para obter a soluc~aoe
baseado em LMIs), que tem como objetivo minimizar a norma Euclidiana do erro entre o
modelo Takagi-Sugeno ea planta.
Um algoritmo para determinar quantos e quais modelos locais devem ser utilizados na
aproximac~ao, considerando o maximo erro de modelagem permitido, e desenvolvido. Este
algoritmotemcomopar^ametrooerrodemodelagem. Umexemploilustrativodestealgoritmo
eapresentado.
Utilizando a modelagem proposta foram desenvolvidos dois novos metodos de projetos
dereguladores fuzzy, baseadosemLMIs, queconsideramoerro de modelagem. Noprimeiro
projeto e utilizado um conjunto de pontos na regi~ao de operac~ao considerando somente as
componentes dovetor de estado quefazem partedas n~ao-linearidadesdosistema eos erros
de aproximac~aodasfunc~oes nestes pontos. Nosegundo projetoeutilizadaamaximanorma
Euclidiana do erro obtido no ponto onde a aproximac~ao e mais deciente. Estes metodos
permitema construc~ao de modelosfuzzy Takagi-Sugeno, emtermos donumero de modelos
locais, quando comparadoscom osmetodos descritos na literatura.
Astecnicasde projetopropostastambempermitemaespecicac~aodotransitorioatraves
O projeto e a simulac~aodo controle de um p^endulo invertido ilustramos metodos
estu-dados.
Eapresentadaumacomparac~aoentre osmetodosde modelagemecontrolepropostos
eometododeaproximac~aoexata, nosquaisosmetodosdesenvolvidos apresentaram
This work considers the problemof modeling and designing of a class of nonlinear systems
represented by Takagi-Sugeno(TS) fuzzy models.
Initially, two methods of modeling described in the literature are presented. The rst
one, is a method of exact modeling and the second one, based on optimal local models, is
utilizedin alldevelopment inthis thesis.
Anewmethod,basedonLMIs(LinearMatrixInequalities),toobtainbetterlocalmodels
using new degrees of freedom is proposed.
Newmembershipfunctions,thatcombinethelocalmodels,areobtainedstartingfroman
optimizationproblem (one method is based on LMIs), that has as the end to minimizethe
Euclidiannorm of the error between the Takagi-Sugeno fuzzy models and the plant model.
An algorithm to nd the number of local models, their operation points and matrices,
consideringthe maximummodelingerrosallowed, ispresented. This algorithmhas as
para-meterthe modelingerror and it isillustrated by anexample.
Takingintoaccounttheproposedmodelingmethods, twonewmethodsoffuzzyregulator
designsbased on LMIs were proposed, considering the modelingerrors.
In the rst design a set of points inthe region of operation is used considering only the
components of the state vector that compound the non-linearities of the system and the
modelingerror in these points.
The seconddesign method used the largestvalue ofthe Euclidiannorm ofthe modeling
error. These methods allow the construction of reduced TS fuzzy models, in terms of the
number of local models, when compared with the methods described in the literature. The
specication of the decay rate, constraints on control input and output are also described
by LMIs.
Thedesignandsimulationsofthenewcontrollawsforaninvertedpendulumillustratethe
studiedmethods. A comparison between the new design methods and the method of exact
modeling showed that the proposed methods allowed simpler controllers and, in general,
1 Introduc~ao 1
1.1 Sistemas Fuzzy: Breve Historico . . . 6
1.2 Organizac~aoe Contribuic~oes . . . 7
2 Sistemas Fuzzy e Modelos Fuzzy Takagi-Sugeno 10 2.1 Introduc~ao . . . 10
2.1.1 SistemasFuzzy . . . 10
2.1.2 Func~oes de Pertin^encia Tradicionais . . . 12
2.1.3 Metodos de Infer^encia . . . 14
2.1.4 Fuzzicadores . . . 14
2.1.5 Defuzzicadores . . . 15
2.1.6 Modelos Lingusticos . . . 15
2.2 Modelo Fuzzy Takagi-Sugeno . . . 17
2.3 Modelos Homog^eneos x Modelos Ans . . . 19
2.4 Representac~aode SistemasFuzzy Takagi-Sugeno . . . 20
2.5 Interpretac~ao de SistemasFuzzy Takagi-Sugeno . . . 22
2.5.1 Aproximac~oes Locais Ans . . . 23
2.5.2 Variaveis Premissas . . . 23
2.5.3 Func~aode Pertin^encia para SistemasFuzzy Takagi-Sugeno . . . 24
2.6 Compilac~aoBibliograca . . . 25
2.7 Discuss~oes Complementares . . . 31
2.8 Contribuic~oes . . . 31
3 Modelos Locais Fuzzy 32 3.1 Introduc~ao . . . 32
3.2 Forma Generalizada doSistema Fuzzy Takagi-Sugeno . . . 33
3.3 Modelos Locais Lineares Otimos . . . 38
SUMARIO viii
3.4 Obtenc~aode Modelos Locais Quando o Ponto de Equilbrio N~aoe a Origem 43
3.4.1 Simetriados Pontos de Operac~ao . . . 47
3.5 Construc~aode Modelos Locais com Novo Grau de Liberdade . . . 48
3.5.1 Soluc~aopor LMIs . . . 52
3.6 Discuss~oes Complementares . . . 58
3.7 Contribuic~oes e Perspectivas . . . 59
4 Modelagem e Func~oes de Pertin^encia 60 4.1 Introduc~ao . . . 60
4.2 Forma Generalizada doSistema Fuzzy Takagi-Sugeno . . . 61
4.2.1 Reduc~ao de Regras . . . 64
4.3 Func~oes de Pertin^encia Otimizadas . . . 73
4.3.1 Simetriadas Func~oes de Pertin^encia. . . 75
4.3.2 Soluc~aoAnaltica . . . 75
4.3.3 Soluc~aopor LMIs . . . 92
4.4 Erro de Modelagem . . . 99
4.4.1 Erro de Modelagempara aAproximac~aoOtimizada . . . 99
4.5 Numerode Modelos Locais . . . 100
4.6 Algoritmo de Aproximac~ao . . . 100
4.7 Discuss~oes Complementares . . . 119
4.8 Contribuic~oes e Perspectivas . . . 120
5 Projeto de Reguladores com Modelos Fuzzy Takagi-Sugeno 121 5.1 Introduc~ao . . . 121
5.2 Indices de Desempenho para Reguladores Fuzzy . . . 122
5.2.1 Condic~oes para aEstabilidade . . . 122
5.2.2 Taxade Decaimento . . . 124
5.2.3 Restric~aonaEntrada . . . 125
5.2.4 Restric~aonaSada . . . 125
5.3 Projeto de Reguladores com aFormaGeneralizada . . . 125
5.4 Projeto de Reguladores para Modelos Locais Otimos . . . 135
5.4.1 Projeto 1 . . . 135
5.4.2 Projeto 2 . . . 144
SUMARIO ix
6 Conclus~oes 158
6.1 Perspectivas para TrabalhosFuturos . . . 161
A Construindo o Modelo de Simulac~ao 163
B Construindo o Modelo de Projeto 167
C Propriedades Matematicas 170
D Complemento de Schur 171
2.1 Congurac~ao basica dos sistemasfuzzy puros. . . 11
2.2 Congurac~ao basica dos sistemasfuzzy com fuzzicador e defuzzicador. . . 11
2.3 Congurac~ao basica dos sistemasfuzzy TS. . . 12
2.4 Func~aode pertin^encia triangular. . . 13
2.5 Func~aode pertin^encia trapezoidal. . . 13
2.6 Func~aode pertin^encia emformade sino. . . 14
2.7 Exemplos de aproximac~ao com modelo TS (a) am e (b) homog^eneo: f(x) e a func~ao dosistema de simulac~ao;f f (x)e a func~ao de aproximac~ao obtida com modelos fuzzy e m 1 e m 2 s~ao aproximac~oes lineares em (b). Em (a) m 2 e a aproximac~aoam. . . 20
2.8 Ilustrac~ao da aproximac~ao da func~ao do modelo de simulac~ao pela func~ao obtida por modelos fuzzyTS. . . 25
3.1 Conjuntode pontos simetricos emrelac~aoa origem. . . 47
3.2 Sistema n~ao-linear com novograu de liberdade. . . 48
3.3 Exemplo deaproximac~aocommodeloTS com: (a)modelolocalotimoobtido com (3.45), dado por (3.49); (b) modelo com novo grau de liberdade dado por (3.109). f 2 (x 1 ) representa a func~ao do sistema; f f (x 1 ) e a aproximac~ao fuzzy destafunc~ao;f h2 (x 1 )e afunc~aon~ao-linearcom novograu de liberdade; f fh (x 1 ) e aaproximac~aofuzzydesta func~ao. . . 56
3.4 Func~oes de pertin^encia adequadas para a aproximac~ao. . . 56
3.5 Func~oes de pertin^encia inadequadas para aaproximac~ao. . . 57
3.6 Exemplo deaproximac~aocommodeloTS com: (a)modelolocalotimoobtido com (3.45),dado por(3.49);(b) modelocomnovograude liberdadedado por (3.109)efunc~oes de pertin^enciadadas em(3.111). f 2 (x 1 )representaafunc~ao do sistema; f f (x 1 ) e a aproximac~ao fuzzy desta func~ao; f h2 (x 1 ) e a func~ao n~ao-linear com novo grau de liberdade; f fh (x 1 ) e a aproximac~ao fuzzy desta func~ao. . . 57
4.1 Func~oes de pertin^encia do metodode representac~ao exata com dezesseis
mo-delos locais para ointervalo 60=180x
1
60=180rad. . . 65
4.2 Aproximac~ao fuzzy: aproximac~ao exata com dezesseis modelos locais para
o intervalo 60=180 x
1
60=180 rad; (-) curvas do modelo de
simulac~ao,(+) aproximac~oes com modelosfuzzy. . . 65
4.3 Aproximac~aofuzzy: aproximac~aocom reduc~ao dotermo A(2;1) parao
inter-valo 60=180 x
1
60=180 rad; (-) curvas do modelo de simulac~ao,
(+) aproximac~oes com modelos fuzzy. . . 68
4.4 Aproximac~aofuzzy: aproximac~aocom reduc~aodotermoA(4;1)para o
inter-valo 60=180 x
1
60=180 rad; (-) curvas do modelo de simulac~ao,
(+) aproximac~oes com modelos fuzzy. . . 70
4.5 Aproximac~aofuzzy: aproximac~aocom reduc~ao dotermo B(2;1)para o
inter-valo 60=180 x
1
60=180 rad; (-) curvas do modelo de simulac~ao,
(+) aproximac~oes com modelos fuzzy. . . 72
4.6 Aproximac~aofuzzy: aproximac~aocom reduc~ao dotermo B(4;1)para o
inter-valo 60=180 x
1
60=180 rad; (-) curvas do modelo de simulac~ao,
(+) aproximac~oes com modelos fuzzy. . . 73
4.7 Func~oes de pertin^encia simetricas emrelac~ao aorigem. . . 75
4.8 Func~oes de pertin^encia: soluc~aoanaltica direta para tr^esmodelos locais. . . 81
4.9 Func~oesde pertin^encia: soluc~aoanalticaparcialparaointervalo0x
f p
2
com dois modelos locais. . . 82
4.10 Func~oes de pertin^encia: soluc~ao analtica parcial para o intervalo p
2 x f p 3
, com dois modelos locais. . . 83
4.11 Func~oesde pertin^encia resultantesde soluc~oes parciaisparatr^esmodeloslocais. 83
4.12 Func~oes de pertin^encia: soluc~ao analtica para o intervalo 60=180 x
1
60=180rad, com dois modelos locais. . . 85
4.13 Aproximac~aofuzzy: soluc~aoanalticacomdoismodeloslocaisparaointervalo
60=180 x
1
60=180 rad. (-) curvas do modelo de simulac~ao; (+)
aproximac~oes com modelos fuzzy, () representa os modeloslocais . . . 86
4.14 Func~oes de pertin^encia: soluc~aoanalticapara ointervalo 106=180 x
1
106=180rad, com dois modelos locais. . . 88
4.15 Aproximac~aofuzzy: soluc~aoanalticacomdoismodeloslocaisparaointervalo
106=180 x
1
4.16 Func~oes de pertin^encia: soluc~aoanalticapara ointervalo 106=180 x
1
106=180rad, com tr^esmodelos locais. . . 90
4.17 Func~oes de pertin^encia para o intervalo 70=180 x
1
70=180 rad com
dois modeloslocais. . . 91
4.18 Func~oes de pertin^encia: soluc~ao analtica para os intervalos 106=180
x
1
70=180 rad e 70=180x
1
106=180rad com dois modelos locais. 91
4.19 Func~oes de pertin^encia para o intervalo 106=180 x
1
106=180 rad
com tr^es modelos locais: x
1 =0rad, x 1 =70=180rad e x 1 =106=180rad. 91
4.20 Aproximac~ao fuzzy: soluc~ao analtica parcial com tr^es modelos locais para o
intervalo 106=180 x
1
106=180 rad. (-) curvas do modelo de
simu-lac~ao,(+) aproximac~oes com modelos fuzzy, () representa os modeloslocais. 92
4.21 Func~oesdepertin^enciaobtidaspormeiodasoluc~aodeLMIsparaosintervalos
60=180 x
1
60=180rad, com dois modeloslocais. . . 95
4.22 Aproximac~aofuzzy: soluc~aoporLMIscomdoismodeloslocaisparaointervalo
60=180 x
1
60=180 rad. (-) curvas do modelo de simulac~ao, (+)
aproximac~oes com modelos fuzzy, () representa os modeloslocais. . . 95
4.23 Func~oesdepertin^encia: soluc~aoporLMIsparaointervalo 106=180 x
1
106=180rad, com dois modelos locais. . . 96
4.24 Aproximac~aofuzzy: soluc~aoporLMIscomdoismodeloslocaisparaointervalo
106=180 x
1
106=180 rad. (-) curvas do modelo de simulac~ao, (+)
aproximac~oes com modelos fuzzy, () representa os modeloslocais . . . 97
4.25 Func~oesdepertin^encia: soluc~aoporLMIsparaointervalo 106=180 x
1
106=180rad, com tr^esmodelos locais. . . 97
4.26 Aproximac~aofuzzy: soluc~aoporLMIscomtr^esmodeloslocaisparaointervalo
106=180 x
1
106=180 rad; (-) curvas do modelo de simulac~ao, (+)
aproximac~oes com modelos fuzzy, () representa os modeloslocais. . . 98
4.27 Algoritmode aproximac~ao: modeloslocaisnos extremos daregi~aode operac~ao.102
4.28 Algoritmo: exemplo de func~oes de pertin^encia
1 (x f ) e 2 (x f ) obtidos entre
os dois pontos extremos p
1 e p
2
com dois modelos locais. . . 103
4.29 Algoritmo: aproximac~aofuzzypara modeloslocais nos extremosdaregi~aode
operac~ao. . . 103
4.30 Algoritmo: erro de modelagempara dois modeloslocais. . . 104
4.31 Algoritmo: modelo local no ponto p
3
aproxi-4.32 Algoritmo: redenindotr^es modeloslocais. . . 104
4.33 Algoritmo: func~oesdepertin^enciaobtidaspormeiodeLMIsparatr^esmodelos locais. . . 105
4.34 Algoritmo: func~oes de pertin^encia obtidas de forma analtica entre a origem e o pontop 2 onde ocorreu o maiorerro de aproximac~ao. . . 105
4.35 Algoritmo: func~oes de pertin^enciaobtidade formaanalticaentre opontop 2 , onde ocorreuomaiorerro de aproximac~aoeopontop 3 , extremodaregi~aode operac~ao. . . 106
4.36 Algoritmo: aproximac~aofuzzy com tr^esmodelos locais. . . 106
4.37 Algoritmo: denic~ao doquarto modelo local. . . 107
4.38 Algoritmo: func~oes de pertin^enciapara quatro modelos locais. . . 107
4.39 Func~oes de pertin^encia: soluc~ao porLMIs para o intervalo x 1 rad, com dois modelos locais. . . 108
4.40 Aproximac~aofuzzy: soluc~aoporLMIscomdoismodeloslocaisparaointervalo x 1 rad;(-)curvasdomodelo de simulac~ao,(+)aproximac~oescom modelosfuzzy, ()representa osmodelos locais . . . 109
4.41 Erro de modelagem: soluc~ao por LMIs para o intervalo x 1 rad, com dois modelos locais. . . 110
4.42 Func~oes de pertin^encia: soluc~ao porLMIs para o intervalo x 1 rad, com tr^es modelos locais. . . 110
4.43 Aproximac~aofuzzy: soluc~aoporLMIscomtr^esmodeloslocaisparaointervalo x 1 rad. (-)curvasdomodelode simulac~ao, (+) aproximac~oes com modelosfuzzy, ()representa osmodelos locais . . . 111
4.44 Aproximac~aofuzzy dacurva f 2 (x 1 ): soluc~ao porLMIs para o intervalo x 1 rad. (-) curvas do modelo de simulac~ao, (+) aproximac~oes com modelosfuzzy, ()representa osmodelos locais. . . 112
4.45 Aproximac~aofuzzy dacurva f 4 (x 1 ): soluc~ao porLMIs para o intervalo x 1 rad. (-) curvas do modelo de simulac~ao, (+) aproximac~oes com modelosfuzzy, ()representa osmodelos locais. . . 113
4.46 Aproximac~aofuzzy dacurva g
2 (x
1
): soluc~ao porLMIs para o intervalo
x
1
4.47 Aproximac~aofuzzy dacurva g
4 (x
1
): soluc~ao porLMIs para o intervalo
x
1
rad. (-) curvas do modelo de simulac~ao, (+) aproximac~oes com
modelosfuzzy, ()representa osmodelos locais. . . 115
4.48 Func~oes de pertin^encia: soluc~aopor LMIs para o intervalo x
1
rad. 116
4.49 ErrodeModelagemparaointervalo x
1
rad. Erromaximo: Æ
vmax =
0:001. . . 117
5.1 Exemplo de um conjunto de 4 regras fuzzy:
1 (x 1 (t)), 2 (x 1 (t)), 3 (x 1 (t)), 4 (x 1 (t))2[0;1]e 1 (x 1 (t))+ 2 (x 1 (t))+ 3 (x 1 (t))+ 4 (x 1 (t))=1: . . . . 123
5.2 Forma Generalizada. Respostas de x
1 (t), x
3
(t), e u(t) com dezesseis modelos
locais para condic~ao inicial x(0) = [0:96 000] T
, intervalo 60=180 x
1
60=180rad e considerando-se ataxa de decaimento maxima. . . 130
5.3 Forma Generalizada. Respostas de x
1 (t), x
3
(t), e u(t) com dezesseis modelos
locais para condic~ao inicial x(0) = [0:96 000] T
; intervalo 60=180 x
1
60=180rad e considerando-se =380 e =20. . . 131
5.4 Func~oes de pertin^encia h
j (x
1
); j = 1;:::;16 para a forma generalizada com
dezesseis modelos locais e intervalo 70=180x
1
70=180rad. . . 132
5.5 Aproximac~ao fuzzy com a forma generalizada com dezesseis modelos locais
para o intervalo 70=180 x
1
70=180 rad; (-) curvas do modelo de
simulac~ao,(+) aproximac~oes com modelosfuzzy, ()representaaorigeme os
extremos daregi~aode operac~ao. . . 133
5.6 Forma Generalizada. Respostas de x
1 (t), x
3
(t), e u(t) com dezesseis modelos
locais para condic~ao inicial x(0) = [0:96 000] T
, intervalo 70=180 x
1
70=180rad e considerando-se ataxa de decaimento maxima. . . 134
5.7 (a) Erros de aproximac~ao: (+) jj
f (x 1 )jj 2 e (-) jj g (x 1 )jj 2 . (b) Erro de mo-delagem Æ v (x 1 ) para o intervalo 60=180 x 1
60=180 rad, com dois
modeloslocais. . . 138
5.8 Projeto1. Respostas de x
1 (t),x
3
(t),eu(t) comdois modeloslocais para
con-dic~aoinicial x(0) =[0:9600 0] T
, intervalo 60=180x
1
60=180 rad, e
considerando-se a taxa de decaimentomaxima.. . . 139
5.9 Projeto 1. Respostas de x
1 (t), x
3
(t), e u(t) com dois modelos locais para
condic~aoinicialx(0)=[0:96000] T
,intervalo 60=180x
1
5.10 Func~oes de pertin^encia para o intervalo 70=180x
1
70=180 rad, com
dois modeloslocais; (-)soluc~ao analtica, ()soluc~ao porLMIs . . . 141
5.11 Aproximac~ao Fuzzy com dois modelos locais para o intervalo 70=180
x
1
70=180rad. (-)curvasdomodelode simulac~ao, (+)aproximac~oescom
modelosfuzzy, ()representa osmodelos locais . . . 142
5.12 (a) Erros de aproximac~ao: (+) jj
f (x 1 )jj 2 e (-) jj g (x 1 )jj 2 . (b) Erro de mo-delagem Æ v (x 1
) para o intervalo 70=180 x
1
70=180 rad com dois
modeloslocais. . . 142
5.13 Projeto 1. Respostas de x
1 (t), x
3
(t), e u(t) com dois modelos locais para
condic~aoinicialx(0)=[0:96 000] T
,intervalo 70=180x
1
70=180rad
e considerando-se a taxade decaimento maxima.. . . 143
5.14 Projeto 1. Respostas de x
1 (t), x
3
(t), e u(t) com dois modelos locais para
condic~aoinicialx(0)=[0:96 000] T ,intervalo 70=180x 1 70=180rad e considerando-se =450 e=35. . . 144 5.15 Projeto 2. Respostas de x 1 (t), x 3
(t), e u(t) com dois modelos locais para
condic~aoinicialx(0)=[0:96 000] T
,intervalo 60=180x
1
60=180rad
e considerando-se a taxade decaimento maxima.. . . 150
5.16 Projeto 2. Respostas de x
1 (t), x
3
(t), e u(t) com dois modelos para condic~ao
inicial x(0) = [0:96 0 0 0] T , intervalo 60=180 x 1 60=180 rad e considerando-se =380 e =20. . . 150 5.17 Projeto 2. Respostas de x 1 (t), x 3
(t), e u(t) com dois modelos para condic~ao
inicial x(0) = [0:96 0 0 0] T
, intervalo 70=180 x
1
70=180 rad e
considerando-se a taxa de decaimentomaxima.. . . 152
5.18 Projeto 2. Respostas de x
1 (t), x
3
(t), e u(t) com tr^es modelos para condic~ao
inicial x(0) = [0:96 0 0 0] T , intervalo 70=180 x 1 70=180 rad e considerando-se =450 e =35. . . 153
4.1 Modelos Locais e Erros de Modelagempara o intervalo x
1
rad. . . 118
5.1
Indices de Desempenho para o intervalo 60=180 x
1 60=180 rad e x 0 =[0:96000] T ;sendo que I e I
s~aoosvaloresimpostosdas restric~oes de
entradaesadae
0 e
0
s~aoosvaloresobtidos,respectivamente;t
s
eotempo
de estabelecimento; e e ataxa de decaimento . . . 154
5.2
Indices de Desempenho para o intervalo 70=180 x
1 70=180 rad e x 0 =[0:96000] T ;sendo que I e I
s~aoosvaloresimpostosdas restric~oes de
entradaesadae
0 e
0
s~aoosvaloresobtidos,respectivamente;t
s
eotempo
BMIs: BilinearMatrix Inequalities(Desigualdades Matriciais Bilineares ).
CDP:Parallel DistributedCompensation(Compensac~ao Paralela Distrubda).
EMF:ElectromotiveForce (ForcaEletromotriz).
I: Input-Output (Entrada-Sada).
LMI: Linear MatrixInequalities (Desigualdades MatriciaisLineares).
MISO:MultiInput and SingleOutput (Multiplasentradas e UmaSada).
TS:TakagieSugeno.
TSK:Takagi,Sugeno e Kang.
PID: Proportional,Integral and DerivativeController (ControladorProporcional,
Introduc~ao
Nosultimos anos, houveum crescente interesseempesquisas de teoria eaplicac~oes de
siste-mas nebulosos, mais conhecidos como sistemas fuzzy. Este interesse se deve a similaridade
destessistemas com o comportamentohumanona soluc~aode problemas complexos. Assim,
os sistemas fuzzy permitem que o projetista utilize o seu conhecimento experimental para
elaborar o projeto de controle do seu sistema.
Se observarmos nossas atitudes do cotidiano, vericaremos facilmente que somos
cons-tantementeconduzidos a tomar varias decis~oes para resolver os mais variados tiposde
pro-blemas. Em geral, as decis~oes s~ao feitas em func~ao de algum aprendizado adquirido com
experi^encias anteriores, muitas vezes, similares. Entretanto, podemos ser submetidos a
si-tuac~oes inusitadas ou pouco convencionais, que podem nos deixar com duvidas, incertos
sobre qual atitude devemos tomar. Ent~ao, embora n~ao tenhamos absoluta certeza, temos
que tomar decis~oes que s~ao elaboradas a partir de uma interac~ao de aprendizados que
fo-ram adquiridosanteriormente, em situac~oes diferentes, mas que sejamas mais proximas da
situac~aoemquest~ao.
Os sistemas reais, em geral, s~ao complexos e esta complexidade surge de incertezas na
formadeambiguidades. Problemascaractersticosdecomplexidadeeambiguidades~ao
trata-dos de formasubconscientepelos humanosnasoluc~ao de varios problemas sociais, tecnicos,
biologicoseemocionais. Multidimensionalidade,estruturas hierarquicas, interac~oes mutuas,
mecanismosde realimentac~aoe din^amicasimprevisveiss~aoapenasparte das caractersticas
de taissistemas complexos.
Analisandoocomportamentohumanodiantede problemas,noinciodosanos60,
pesqui-sadorescomecaramaquestionarseoconceito deincertezas, ambiguidadeseoconhecimento
humanopoderiamser utilizadosparacompletar adescric~aoecompreens~aode sistemasreais
complexos.
tra-duc~ao em portugu^es e nebulosa ou difusa). Emseu artigo \Fuzzy Sets", (Zadeh, 1965) ele
formalizou suas ideias sobre uma nova ferramenta matematica que utiliza conhecimento e
incertezassemdescrev^e-lasemtermosdeprobabilidade. ApropostadeZadeheramodelaro
mecanismo dopensamentohumano, com valores lingusticosem lugar de numeros,levando
estesvaloresparaateoriadesistemasedesenvolverumanovaclassedesistemasdenominada
sistemas fuzzy.
Duasraz~oes principaismotivamoestudodateoriafuzzy. Aprimeiraequeesses sistemas
conjugam a capacidade de processar informac~ao de natureza incerta ou qualitativa com a
capacidade de aproximac~ao universal (Campello (2002); Kosko (1997)). A precis~ao com
que os sistemas fuzzy podem aproximar sistemas reais pode ser, em geral, estipulada pelo
projetista.
A segunda raz~ao esta relacionada com a exist^encia de varios modelos existentes,
ade-quados a diferentes tipos de aplicac~ao, indo dos modelos lingusticos na modelagem de um
determinadosistema,aosmodelosTakagi-Sugeno(TS),comestruturas adequadaspara
apli-cac~oes em controle. As contribuic~oes desta teseconcentram-se nos modelosfuzzyTS eest~ao
relacionadasa aproximac~aoe controle de sistemas n~ao-lineares.
O primeiro tema abordado e a interpretac~ao e representac~ao dos modelos TS e suas
principais aplicac~oes. Neste contexto procurou-se estudar o modelo TS e algumas de suas
caractersticas intrnsecas.
Uma outra ferramenta matematica, as LMIs (Linear Matrix Inequalities, cuja traduc~ao
paraoportugu^eseDesigualdadesMatriciaisLineares )(Boyd etal.,1994),tem sido
ampla-mentedifundidaem sistemasde controle. Muitos problemasde controlecomo asanalises de
estabilidadeeoprojeto,especicando, porexemplo,restric~oesnas entradasesadas,taxade
decaimentoerobustez, podemserreduzidosaproblemasdescritosporLMIs.
Numericamen-te, os problemas de LMIs podem ser resolvidos ecientemente por meio de algumas
ferra-mentaspoderosasdisponveisnaliteraturade programac~aomatematica(Boydetal.,1994).
Destaforma,encontrar a soluc~ao paraproblemas descritos porLMIs e equivalente a
encon-trar asoluc~ao para o problema original. Esta ferramenta sera utilizadana soluc~aode todos
ostopicos abordadosneste trabalho.
Ahabilidadepara controlarumsistema emum ambienteincertoouimprecisoeuma das
caractersticas mais importantes de qualquer sistema de controle inteligente. Mas,
normal-mente, para que um sistema seja controlado, e necessaria a sua descric~ao por um modelo
dor, e deve incluir todas as caractersticas relevantes do processo. Normalmente o modelo
de simulac~ao e complexo para o projeto de sistemas de controle. Assim, necessita-se de
um modelo simplicado, denominado \modelo de simulac~ao" (Friedland (1996),Pietrobom
(1999)). Omodelode projetodeve capturarascaractersticasessenciais doprocesso.
Quan-doaplantadosistemaedesconhecida,enecessarioutilizarumprocesso deidenticac~aodos
par^ametros (Teixeira et al. (1996); Teixeira et al. (1998); Teixeira, Daruichi e Assunc~ao
(2000); Ioannou e Sun (1996)). Nesta tese ser~ao estudados apenas sistemas com plantas
n~ao-lineares cujos modelos matematicoss~ao disponveis.
A tecnica mais comum para a obtenc~ao de um modelo de projeto para plantas n~
ao-linearese sem duvida a linearizac~aoda planta emum ponto de operac~aode interesse. Com
estemetodoomodelodeprojetoeemgeralumsistemalinearinvariantenotempo,oprojeto
de reguladorese relativamente simples em muitos casos e a teoria e bastante desenvolvida,
como, por exemplo, as tecnicas baseadas no root locus, diagramas de Bode e Nyquist e na
descric~ao atraves de variaveis de estado (Ogata (1997); Teixeira, Assunc~ao e Daruichi
(2003); Chen (1999), Teixeira, Assunc~ao e Avellar (2003)) . Entretanto, este modelo de
projeto descreve bem a din^amica do sistema somente em uma certa vizinhanca em torno
do ponto de operac~ao no qual o sistema foi linearizado. Assim, nos casos onde o sistema
pode operar em regi~oes distantes do ponto de operac~ao, este modelo de projeto n~ao e, em
geral, adequado. Neste caso deve-se adotar um modelo de projeto mais sosticado, que
considere adicionalmente a din^amica da planta em regi~oes distantes do ponto de operac~ao
mencionado. OsmodelosfuzzyTS (Takagie Sugeno(1985),Sugenoe Kang(1988))podem
facilmentesolucionaresteproblema. Aideiadestesmodelosconsistedadescric~aoaproximada
de um sistema n~ao-linear como a combinac~ao de um certo numero de modelos lineares (ou
ans)invariantes notempolocais,que descrevemaproximadamenteocomportamentodeste
sistema emdiferentes pontos do seu espaco de estados. Desta forma, pode-se interpretar a
tecnicatradicionaldelinearizac~aoemapenasumpontodeoperac~aocomoumcasoparticular
dos modelos fuzzy TS, consistindo apenas de um modelo local. Neste trabalho o modelo de
projeto sera obtidoatraves domodelo fuzzy TS com modelos locais lineares.
Uma formula para a obtenc~ao dos modelos locais foi desenvolvida em Teixeira e _
Zak
(1999). Com esta formulae possvel obter resultados mais atraentes que a tecnica de
line-arizac~ao,pois apresenta uma melhor aproximac~aodo modelo fuzzy com respeito ao modelo
de simulac~ao. Alguns pesquisadores t^emutilizadoesta formulapara obter as aproximac~oes
(Bergsten et al., 2002), Cao e Frank, no controle de um processo qumico com atraso de
transporte (Cao e Frank, 2000) e Kim, no controle de um p^endulo invertido, utilizando
sistemasfuzzy Singleton (Kim, 2001). A formulatambemtem sido empregada em sistemas
n~ao-lineares que n~ao utilizammodelos fuzzy como em Guo et al.(2000), para rastreamento
de orbitas de sistemas caoticos.
Esta tese prop~oeum novometodoparadeterminar osmodeloslocaisbaseado na tecnica
de Teixeira e _
Zak (1999). Estes modelospossuemnovos graus de liberdade es~ao obtidosa
partirda soluc~aode um problema de otimizac~aobaseado emLMIs.
Umadas principaiscontribuic~oesdestetrabalhorefere-seasfunc~oes depertin^enciafuzzy.
Estasfunc~oes, utilizadaspara combinar osmodeloslocais,t^empapelfundamentalno
desen-volvimentodoprojetode controle, poiss~aoelasque determinam,dadososmodelos locais,a
formade aproximac~ao domodelo fuzzy com relac~ao aomodelo de simulac~ao. As principais
func~oes de pertin^enciautilizadass~aoastriangulares,trapezoidaiseem formade sino
(gaus-siana)(vejaWang (1997),Yagere Filev(1994),Ross (1995)). Ospar^ametrosdestasfunc~oes
dependem do conhecimento do projetista sobre o comportamento dosistema ou podem ser
obtidas por um processo de identicac~ao. Entretanto, muitas vezes, determinar as func~oes
e os par^ametros que melhor se ajustam aosistema, nem sempree uma tarefa trivial. Uma
formasistematicapara determinarasfunc~oes de pertin^enciafuzzyeproposta. Estas func~oes
s~ao obtidas a partir de um problema de otimizac~ao que tem por objetivo minimizar o erro
entre a aproximac~ao fuzzy e o modelo de simulac~ao (Teixeira et al. (2002a), Teixeira et al.
(2002b)). A unicainformac~aonecessaria apriori s~aoos modelos locais.
Outrotema importanteabordadonotrabalhorefere-seaquest~ao doerro de modelagem,
que ocorre nas aproximac~oes. Neste desenvolvimento, o erro de modelageme um fator
de-terminante, pois eledene o numero de modelos locais utilizadose suas localizac~oes. Uma
aproximac~ao suciente ou desejada para efetuar o projeto de um sistema de controle esta
relacionadacomoerrodemodelagem,poisquantomaioronumerodemodeloslocais,melhor
a ader^encia do modelo fuzzy ao modelo de simulac~ao e menor se torna o erro. O numero
de regras ou de modelos locais necessarios para representar um sistema com determinada
precis~aopodesetornarexcessivamentegrandeemfunc~aodoaumentodonumerodeentradas
destesistema. Esse problemaeum dos principaisobstaculos aaplicac~aodesses modelos em
sistemasde grandeporte. Aimport^anciade seobtermodelosfuzzyTS compoucosmodelos
locais e a facilidadede implementac~aono projeto de controladores. Logo, a principal
de sistemas de controle (nesta tese ser~ao consideradosreguladores).
Taniguchi e seus colaboradores apresentaram um metodo de representac~aoexata de
sis-temasfuzzycomLMIs emTaniguchietal.(2001). Ometodoproporcionauma aproximac~ao
exata do sistemadentro de uma regi~aode operac~ao,utilizando2 s
regras,sendo que \s" eo
numerode func~oes n~ao-linearespresentes nosistema. Osmodelos locaiss~aoobtidosapartir
dosvaloresmaximosemnimosdasfunc~oes. Asfunc~oesdepertin^encias~aoobtidasutilizando
osmodeloslocaiseasfunc~oesn~ao-lineares. Ummetododereduc~aode regrasepropostopara
tentar minimizaro problema de dimensionamento. O erro de modelagem gerado nesta
re-duc~aoetratadocomoincertezasnaplantaeeconsideradonoprojetodocontrolador. Mesmo
com a reduc~ao proposta pelos autores, o numerode regras pode ser excessivamente grande
em alguns casos. Este metodo sera utilizado para comparar o desempenho da metodologia
proposta nesta tese.
Aareadecontroledesistemasfuzzyeumdosramosmaisativosequetemgeradodiversas
linhas de pesquisa. Durante a ultima decada o controle fuzzy tem atrado grande atenc~ao
e muitas aplicac~oes t^em sido feitas, por exemplo, na analise de novos sistemas de controle
para automoveis (Will et al., 1997), no controle de elevadores de alta velocidade (Tanaka,
Nishimura e Wang, 1998), na detecc~ao e isolamento de falhas (Ichtev et al., 2001) e no
controle de helicopteros (Kadmiry e Driankov (2001), Tanaka et al. (2001).
E uma das
maisuteisaproximac~oesparaseutilizaroconhecimentoqualitativodeumsistemaeprojetar
um regulador, mas muitas quest~oes permanecem para discuss~oes adicionais. A analise da
estabilidadee um dos conceitos mais importantes emsistemasde controle fuzzy.
E possvel
projetar teoricamente um regulador fuzzy se for disponvel um bom criterio para a analise
da estabilidade, adequado a estes sistemas. Recentemente muitos esforcos t^em sido feitos
nesta area (Tanaka e Sugeno, 1992), (Tanaka e Sano, 1994a), (Cao et al., 1997a), (Cao
et al., 1997b), (Tanaka, Ikeda e Wang, 1998a), (Kim e Lee, 2000), (Teixeira, Assunc~ao
e Pietrobom, 2001), (Teixeira, Assunc~ao e Avellar, 2001) . Esta tese trata das quest~oes
de estabilidade e projeto de reguladores fuzzye prop~oe dois novos metodos de projeto. S~ao
apresentados estudos e condic~oes sucientes para a estabilidade de sistemas e projeto de
reguladores fuzzy utilizando o metodo direto de Lyapunov. O erro de modelagem obtido
nas aproximac~oeseconsideradonos projetosenas analises de estabilidade. Desta forma,os
metodos propostos oferecem alternativas atraentes e rigorosas para o projeto metodico de
reguladorespara uma classe de sistemasn~ao-lineares.
Um sistema n~ao-linear, conhecido como p^endulo invertido,e o exemplo base utilizadopara
ilustrartodos ostopicos desenvolvidos.
1.1 Sistemas Fuzzy: Breve Historico
Inicialmente, a teoria fuzzy foi tema de muitas discuss~oes entre pesquisadores, pois
ma-tematicos com especializac~ao em estatstica e probabilidade armavam que os problemas
que poderiam ser resolvidos com a teoria fuzzy seriam igualmente resolvidos utilizando a
teoriadaprobabilidade. Com isto, nenhuma aplicac~aopraticareal foi iniciadaecou difcil
defendera nova teoria de um pontode vistapuramentelosoco.
Embora ateorian~aotenhasetornadopopular,nonaldos anos60muitospesquisadores
comecaram a se dedicar a este novo campo de forma independente e novos metodos fuzzy
forampropostos.
Depois de seu trabalho introdutorio de conjuntos fuzzy em 1965, Zadeh prop^os os
con-ceitos dos algoritmosfuzzy em 1968 (Zadeh, 1968), a elaborac~aode decis~oes fuzzy em 1970
(Bellmane Zadeh, 1970)e o ordenamento fuzzyem1971 (Zadeh, 1971).
Em1973, Zadeh estabeleceu a base para ateoria de controle fuzzy (Zadeh,1973)
intro-duzindo o conceito de variaveislingusticase propondo o uso de regras fuzzySe-Ent~ao para
formular oconhecimentohumano.
Dezanosaposaintroduc~aodateoriafuzzy,MamdanieAssilianestabeleceramaestrutura
basica decontroladoresfuzzyecontrolaramuma maquinaavaporcom umcontroladorfuzzy
(Mamdanie Assilian,1975). Depois,em1978, os controladores fuzzyforamutilizados pela
primeiravez em um processo industrialcompleto, o controle fuzzy de um forno de cimento.
Estas aplicac~oes mostraram que ocampoera promissor.
Entretanto, ao contrariodo esperado, nadecada de 70e 80o progresso neste campofoi
muito lento. Poucos conceitos novos e abordagens foram propostos neste perodo, porque
poucos pesquisadores se dedicaram apesquisa deste assunto.
Foram as aplicac~oes de controle fuzzy feitas principalmentepelos engenheiros japoneses
quemantiveram apesquisa naarea. Eles descobriramque os controladores fuzzys~ao muito
faceis de seremprojetados es~ao uteis nasoluc~ao de diversos problemas industriais.
Em1980,Sugenocomecou a criaraprimeiraaplicac~aofuzzynoJap~ao: ocontrole de um
puricador de agua. Em 1983, iniciou o trabalho pioneiro de um rob^o com controle fuzzy
Miyamoto, 1985). Este projeto foi concludo em 1987 e se tornou o mais avancado sistema
de metr^o da Terra (Yasunobu et al., 1987). Logo apos a conclus~ao deste trabalho, foi
realizada a segunda confer^encia internacional de sistemas fuzzy em Tokio. Hirota e seus
colaboradores (Hirota et al., 1989) apresentaram, em uma confer^encia, o controle fuzzy de
um braco de um rob^o que jogava Ping-Pong em tempo real e Yamakawa demonstrou um
sistemade controle fuzzy de um p^endulo invertido (Yamakawa, 1989).
Depois deste evento, o interesse por sistemas fuzzy aumentou e, no incio dos anos 90,
varios produtos baseados em sistemas fuzzy apareceram no mercado. Inicialmente as
apli-cac~oes de controle fuzzy foram em processos industriais, chuveiros, maquinas de lavar,
lim-padores a vacuo, lmadoras, maquinas fotogracas e condicionadores de ar. Estes e outros
produtosderamateoria de logicafuzzyuma maiorprojec~aonaarea de controleeestimulou
aexplorac~aode suas aplicac~oes em muitas outrasareas.
O sucesso de sistemas fuzzy no Jap~ao surpreendeu a comunidade cientca dos Estados
Unidos e da Europa. Alguns cientistas ainda criticaram a teoria fuzzy, mas muitos outros
mudaram sua forma de pensar e passaram a analisar a teoria fuzzy com mais seriedade.
Em1992,a primeiraconfer^encia de sistemasfuzzyinternacional doIEEE aconteceu em San
Diego,simbolizandoa aceitac~ao da teoriafuzzy pela maioriados engenheiros do IEEE. Em
1993, operiodico IEEE Transactions onFuzzy Systems foi inaugurado.
Muitos trabalhos forampublicados a partirde 1990. A partir de 1996 forampublicados
osprimeirostrabalhos deprojetode sistemasfuzzycomLMIs. Elest^empermitidoumsolido
progressodealgunsproblemasfundamentaisemsistemasfuzzyecontrole. Porexemplo,para
a determinac~ao das func~oes de pertin^encia e rigorosas analises de estabilidade de sistemas
de controle fuzzy. Apesar dos grandesavancos obtidos, muita pesquisa permanece para ser
feita.
1.2 Organizac~ao e Contribuic~oes
A organizac~ao dos captulos subsequentes junto as suas principais contribuic~oes e descrita
abaixo:
Captulo 2: Sistemas Fuzzy e Modelos Fuzzy Takagi-Sugeno:
apresenta uma compilac~ao bibliograca sobre os sistemas fuzzy Takagi-Sugeno, nos
quaissebaseia opresente trabalho. S~aodiscutidas ascaractersticasdestes sistemase
Captulo 3: Modelos Locais Fuzzy: refere-se aoproblema de modelagem
de sistemas complexos atraves dos modelos fuzzy TS. S~ao apresentadas duas tecnicas
paraadeterminac~aodos modeloslocais existentes naliteraturaeeproposta umanova
formapara a obtenc~ao dos modelos locais com um novo grau de liberdade. Principal
contribuic~ao:
1. Desenvolvimentode um novometodoparadeterminar osmodelos locais com um
novo grau de liberdade. Exemplos ilustram a melhoria na modelagem localque
este metodopode proporcionar.
Captulo4: Func~oesde Pertin^encia eModelagem: Abordaaquest~ao
das func~oes de pertin^encia. Apresenta-se uma metodologia para determinar um novo
conjuntodefunc~oes. Dene-seoerrodemodelagemobtidocomaproximac~aodomodelo
de projeto como modelo de simulac~ao. Um algoritmoe elaboradopara determinaros
modeloslocaiseasregrasfuzzyapartirdoerrodemodelagem. Principaiscontribuic~oes:
1. Desenvolvimento de uma nova metodologia para determinar as func~oes de
per-tin^enciafuzzyatraves de problemas de otimizac~aocujas soluc~oes podem ser
obti-das de formaanalticaou baseadas emLMIs;
2. Denic~ao de dois tipos de erro de modelagem, obtidos com as aproximac~oes. O
primeiro erro, obtido com as aproximac~oes das func~oes, e utilizado nos projetos
doscontroladores. Osegundoerroeobtidoapartirdeumproblemadeotimizac~ao
que visa minimizar a norma do erro das func~oes. Ele e utilizado como criterio
para determinar a localizac~aodos modelos locais.
3. Comparac~ao com tecnicas existentes na literatura. Exemplos mostram que o
metodoproposto pode modelar sistemas din^amicos com um numeroreduzido de
modelos locais, quando comparados com metodos descritos na literatura.
Captulo 5: Projeto de Controle: tratadaestabilidade,taxade
decaimen-to,erestric~oesnaentradaenasadadesistemaseprojetode reguladorescomsistemas
fuzzy TS. S~ao propostos dois metodos de projeto baseados nas func~oes de Lyapunov.
Oerro de modelagemeinserido noprojeto dos reguladores. Principaiscontribuic~oes:
1. Desenvolvimentode novosmetodos de projeto de reguladoresutilizandomodelos
pontodeste conjunto. No segundo metodo, o projeto considera a norma do erro
maximoobtido nas aproximac~oes.
2. Comparac~oes com um metodode modelagemexata, existente naliteratura.
Captulo 6: Conclus~oes e Perspectivas: apresentaas conclus~oes e
pers-pectivas para trabalhos futuros.
Esta introduc~ao foi inspirada em Campello (2002), Wang (1997), Ross (1995), Yager e
Sistemas Fuzzy e Modelos Fuzzy
Takagi-Sugeno
2.1 Introduc~ao
A principal caracterstica de um sistema fuzzy e o conhecimento condicionado por regras
fuzzy Se-Ent~ao. Uma regra fuzzy Se-Ent~ao e uma declarac~ao na qual algumas palavras
s~ao descritas por func~oes contnuas, conhecidas como func~oes de pertin^encia. O Modelo
Ling usticoeum modelofuzzyproposto porTong eeconstitudoporum conjuntode regras
Se-Ent~ao (Tong, 1978). Este modelo e utilizado para identicar sistemas a partir de um
conjuntode dadosdesuasentradasesadas. Oformatode umaregradoModeloLingustico
possui uma parte premissae uma parte consequentedo tipo:
Se x e A (premissa),
Ent~ao y e B (consequente);
(2.1)
sendoxey asvariaveisde entradae sada, respectivamente, eAe B s~aotermoslingusticos
associadosaosconjuntosfuzzyquedescrevemlinguisticamenteessasvariaveis. Paraumdado
valorde entrada, a sadacorrespondente ecalculada a partir doconjunto de regras atraves
de um metodode infer^encia.
2.1.1 Sistemas Fuzzy
Em geral ha tr^es tipos de sistemas fuzzy encontrados na literatura (Wang, 1997): sistemas
fuzzypuro,sistemafuzzycomfuzzicadoredefuzzicadoresistemasfuzzyTS.Estessistemas
ser~ao rapidamente descritos a seguir.
Sistemas fuzzy puros
A Figura2.1 ilustraa congurac~aobasica do sistemafuzzy puro:
Regras Fuzzy
Infer^encia Fuzzy
ConjuntosFuzzy ConjuntosFuzzy
emU
emV
Figura2.1: Congurac~aobasica dos sistemas fuzzy puros.
estas regras fuzzy Se-Ent~ao em um mapeamento dos conjuntos fuzzy no espaco de entrada
U R n
para conjuntos fuzzy no espaco de sada V R baseado nos princpios de logica
fuzzy. Se a linha tracejada na Figura2.1 existir, o sistema passa a ser denominadosistema
fuzzydin^amico.
Oprincipalcaractersticadosistemafuzzypuroequesuasentradasesadass~aoconjuntos
fuzzy, istoe, palavrasemlinguagem natural.
Sistemas com fuzzicador e defuzzicador
A Figura2.2 ilustraa congurac~aobasica do sistemafuzzy de sistemas com fuzzicador
edefuzzicador:
Regras Fuzzy
Infer^encia Fuzzy
Conjuntos Fuzzy ConjuntosFuzzy emU em V xemU y emV Fuzzificador Defuzzificador
Figura2.2: Congurac~ao basica dos sistemas fuzzycom fuzzicador e defuzzicador.
Nestes sistemas,um fuzzicador transforma uma variavel de valorreal emum conjunto
fuzzy, para a entrada, e um defuzzicador transforma um conjunto fuzzy em uma variavel
real, para asada.
Oprincipalcaractersticadosistemafuzzycomfuzzicadoredefuzzicadorepermitirque
Sistema Fuzzy Takagi-Sugeno
Umsistemafuzzyalternativo,comestruturaapropriadaparaengenhariafoipropostopor
Takagi-Sugeno(Takagie Sugeno, 1985). Nestes sistemas,asentradas esadas s~aovariaveis
reais,comonossistemascomfuzzicadoredefuzzicador. Entretanto,aoinvesdeconsiderar
asregras fuzzySe-Ent~aona forma(2.1), estes sistemas usamas regras naseguinteforma:
Se x e A(premissa),
Ent~ao y=cx (consequente):
(2.2)
Comparando (2.1) e (2.2), verica-se que a parte consequente, \Ent~ao", muda de uma
descric~aoque usa termoslingusticospara umasimples formulamatematica. Esta mudanca
torna mais facil combinar as regras. Assim, no sistema fuzzy TS e obtido um peso medio
dos valores nas partes \Ent~ao" das regras.
A Figura2.3 mostraa congurac~aobasica de uma sistemafuzzy TS.
Regras Fuzzy
Peso Medio
xemU
yem V
Figura 2.3: Congurac~aobasica dos sistemas fuzzyTS.
2.1.2 Func~oes de Pertin^encia Tradicionais
Um conjunto fuzzy A em um universo do discurso U e caracterizado por uma func~ao de
pertin^encia
A
que tem valores compreendidos no intervalo [0;1]. O conjunto fuzzy e uma
generalizac~aodoconjuntoclassico quepode ter apenas dois valores,\0" e \1". Portanto,as
func~oes de pertin^enciafuzzyemumconjuntofuzzys~aofunc~oes contnuas es~aolimitadaspor
\0" e por\1".
Asprincipaisfunc~oes de pertin^enciaencontradasnaliteraturas~aoastriangulares,
trape-zoidaise emformade sino (gaussianas). Estas func~oes est~ao representadas nas Figuras2.4,
2.5 e 2.6, respectivamente.
x v 1 v 2 v 3 1 (x)
Figura2.4: Func~ao de pertin^enciatriangular.
Matematicamente, a func~ao de pertin^encia triangularedenida por:
(x)= 8 > > > > > > > > > < > > > > > > > > > : x v 1 v 2 v 1 ; v 1 xv 2 ; v 3 x v 3 v 2 ; v 2 xv 3 ;
0; nos demais intervalos:
(2.3) x v 1 v 2 v 3 v 4 (x) 1
Figura2.5: Func~aode pertin^encia trapezoidal.
Os par^ametros da func~ao de pertin^encia trapezoidal s~ao denidos por v
1 , v 2 , v 3 e v 4 .
Matematicamente, a func~ao de pertin^enciatrapezoidale denida por:
(x)= 8 > > > > > > > > > > > > > > < > > > > > > > > > > > > > > : x v 1 v 2 v 1 ; v 1 xv 2 ; 1; v 2 xv 3 ; v 4 x v 4 v 3 ; v 3 xv 4 ;
0; nos demais intervalos:
(2.4)
x x p w p (x) 0 1
Figura 2.6: Func~ao de pertin^encia em forma de sino.
como descritoa seguir:
(x)= 1 1+ jx x p j 2mp w p !! (2.5) sendo x p o ponto medio, w p
a largura da func~ao sino e m
p
1, descreve a convexidade da
func~ao sino.
2.1.3 Metodos de Infer^encia
Na infer^encia fuzzy, os princpios de logica fuzzy s~ao usados para combinar as regras fuzzy
Se-Ent~aoem um mapeamentode umconjuntofuzzyA emU, paraum conjuntoB emV. A
seguirser~aocitados os metodos mais comuns da literatura.
Infer^encia \Produto";
Infer^encia \Mnimo" ;
Infer^encia \Lukasiewicz";
Infer^encia \Zadeh";
Infer^encia \Dienes-Rescher" ;
Infer^encia \Takagi-Sugeno".
Maiores detalhes podem ser encontradosem Wang (1997) e Ross (1995).
2.1.4 Fuzzicadores
O fuzzicador e denido como um mapeamento de um valor real x 2 U R n para um conjunto fuzzyA 0
FuzzicadorGaussiano;
FuzzicadorTriangular;
2.1.5 Defuzzicadores
O defuzzicador e denido como um mapeamento de um valor real B 0
2 U R para um
pontoy
2V. Os metodos de defuzzicac~ao s~ao:
Defuzzicac~ao Centro da
Area (tambemconhecido como Centrode Gravidade);
Defuzzicac~ao Centro doMaximo;
Defuzzicac~ao Media doMaximo.
2.1.6 Modelos Lingusticos
A principal caracterstica dos modelos lingusticos e a de serem qualitativamente
inter-pretaveis desde que os respectivos conjuntos de regras sejam claros e bem denidos. No
entanto, a obtenc~ao de um conjunto adequado de regras a partir de dados de um
siste-man~aoe uma tarefa simples, especialmenteporque as regras envolvemtermos de natureza
lingustica.
Tong prop^os um metodo o-line de tentativa e erro associado com heursticas e dados
estatsticosparatrataresse problema(Tong, 1978). Posteriormente, GrahameNewell
gene-ralizaramesta metodologiaatravesde um algoritmocom capacidadede gerac~aoautomatica
de regras e um gerenciamento heurstico de regras con itantes (Graham e Newell, 1989).
Embora limitadas,essas contribuic~oes expuseram acomplexidadedoproblemae motivaram
abusca por estrategias ecientes para aborda-lo.
Umadas abordagens mais conhecidase ecientes para esse problemaeouso de tecnicas
declustering(Sugenoe Yasukawa(1993); Setnesetal.(1998); Pedrycze Vasilakos(1999)).
Essas tecnicas, baseadas em otimizac~ao,foramcapazes de gerar automaticamente conjunto
deregrasfuzzyquepodemdescreverprecisamenteocomportamentodeentradaesadade
sis-temascomplexos. Contudo, osconjuntos fuzzyde regrasresultantes s~aousualmenteobtidos
aposterioripeloalgoritmo,en~aodenidos pelousuario. Consequentemente, osconjuntose
asrespectivasregras podemn~aopossuir um signicadolingusticoclaro (Guillaume,2001).
Outras abordagens s~ao encontradas naliteratura, destacando-se os Modelos Relacionais
e Filev, 1994). A vantagem dessa representac~ao e que nos modelos lingusticos tem-se um
conjunto de regras que devem ser determinadas, enquanto nos modelos relacionais tem-se
apenas uma matriz relacional que descreve a relac~ao fuzzy a ser estimada. Este modelo
apresenta caractersticas importantes tanto sob aspectos numericos quanto lingusticos.
Outros modelos com propositos especcos t^em sido propostos, como por exemplo, os
Celibate Fuzzy Models (Filev e Yager, 1997), desenvolvidos para a modelagem de
proble-mas que requerem soluc~oes exclusivas (n~ao combinaveis), taiscomo diagnosticos e algumas
aplicac~oes de tomada de decis~ao; os Fuzzy Multimodels(Pedrycz, 1996),desenvolvidos para
a modelagem de problemas que admitem multiplas soluc~oes tendo em vista a sua
nature-za mais relacional do que funcional; os Modelos Hierarquicos (Wang (1998); Campello e
Amaral (2002a); Wang (1999); Chen e Wang (2000)), desenvolvidos para tratar do
pro-blema de dimensionalidade em sistemas fuzzy, Modelos com Func~oes de Base Ortonormal
(FBO) (Campello e Amaral, 2002b) para a modelagem fuzzy de sistemas din^amicos sem
realimentac~aodos erros de previs~ao.
O modelo fuzzy TS (Takagie Sugeno, 1985) e uma abordagem alternativa para a
mo-delagem fuzzy. Este modelo tambem possui uma estrutura baseada em regras. Contudo,
os consequentes das regras n~ao s~ao conjuntos fuzzy como nos modelos lingusticos. Esses
consequentes s~aoformadosporfunc~oes crisp(n~aofuzzy) quemapeiamasentradasdo
mode-loem sua sada. Essas func~oes, tambem denominadas modelos locais, possuem usualmente
uma formaam emseus argumentos. Nesse caso o modelo TS e linear nos par^ametros das
referidasfunc~oes que por sua vez podem ser estimados utilizando algoritmosclassicos como
os algoritmosdos Mnimos Quadrados (Least Squares) e o ltro de Kalmam(Soderstrome
Stoica (1989), Ljung (1999)). Embora o modelo TS original seja am, a vers~ao linear e a
quetem sido mais utilizada.
Estesmodelospodemserconsideradoscomoumavers~aofuzzydometodode aproximac~ao
linearporpartes, que proporciona uma relac~ao linear(ou am) daentrada-sadapara cada
subespacopre-determinadodoespacodeentrada,possuindoavantagemdeseremcapazes de
combinar asdiferentes relac~oes correspondentes acada uma de suas regras. Essa habilidade
deinterpolac~aopermiteagerac~aode ummapeamentonal maissuave,reduzindo onumero
derelac~oes individuaisepar^ametrosdeprojetonecessariospararepresentarumsistemacom
precis~aoarbitraria.
Embora os modelos TS n~ao sejam interpretaveis no sentido qualitativo, ou seja, n~ao
con-mas din^amicos (Filev (1991); Johansen, Shorten e Smith (1998)), o que sera explorado no
Captulo 5.
Osmodelos fuzzyTakagi-Sugeno (TS) tambems~ao referenciadosnaliteraturacomo
mo-delos fuzzy Takagi-Sugeno-Kang (TSK). A raz~ao para isto e que este tipo de modelo foi
originalmente proposto por Takagi e Sugeno(Takagie Sugeno, 1985), mas Kang e Sugeno
(Sugeno e Kang(1986b), Sugeno(1988))desenvolveram importantes trabalhos em
identi-cac~ao de modelos fuzzy e por isso muitos pesquisadores t^em citado o modelo fuzzy original
de Takagi-Sugeno como TSK. Neste trabalho, como em Tanaka e Wang (2001), ele sera
denotado comoTS.
2.2 Modelo Fuzzy Takagi-Sugeno
OmodelofuzzyTakagi-Sugenopoderepresentarumaclassegenericadesistemasn~ao-lineares
din^amicos ou estaticos (Kim et al., 1997). Ele e baseado na partic~ao fuzzy do espaco de
entrada e pode ser visto como uma expans~ao da partic~ao linear por partes (piecewise). Os
modeloss~ao construdos por\r" implicac~oesfuzzy (regras)do seguinte formato:
R i : SEz 1 (t)eM i 1 E ::: Ez p (t)eM i p ; ENT ~ AOy i =f i (z 1 ;:::;z p ) (2.6) y 0 = r X i=1 ! i y i P r i=1 w i (2.7) sendo R i
(i=1;2;:::;r)denotaaregrafuzzyi. S~aorelac~oesfuzzyquedescrevemimplicac~oes
ques~ao calculadas atravesde uma func~ao de implicac~ao;
z
j
(t) (j =1;2;:::;p)e aentrada. S~aoas variaveis das premissas;
y i
e a sada da implicac~ao i. Por simplicidade, um sistema com multiplas entradas
e sada simples e assumido (MISO). No caso de um sistema com multiplas sadas,
diversas variaveisde sadataiscomo y i 1 ey i 2 s~aousadas. f i
(i=1;2;:::;r)s~ao func~oes querelacionam as entradas domodelo com a sada;
M i 1 ; M i 2 ;:::; M i p
s~ao as variaveis fuzzy sendo que cada func~ao de pertin^encia,
i
j (z
j
(t)) pode ser trapezoidal, triangular, tipo sino, ou outras func~oes que
represen-tem um subespacofuzzy noqual aimplicac~aoR i
Nos modelos TS a infer^encia de um valorde saday =y 0
a partir de um dado conjunto
de valores de entrada z 1 =z 0 1 ;:::;z p = z 0 p
e calculada como a media ponderada das sadas
individuais de cada implicac~ao, sendo que y
i = f i (z 0 1 ;:::;z 0 p ) e ! i e o nvel de ativac~ao da
enesima implicac~ao, istoe
! i = p Y j=1 i j (z 0 j ): (2.8)
Sugenoeseus colaboradores(Takagie Sugeno(1985); Sugenoe Kang(1986b); Sugeno
e Kang(1988);Sugenoe Tanaka(1991))propuseramautilizac~aodefunc~oesansnaspartes
consequentes das implicac~oes, ou seja:
f i (z 1 ;:::;z n )=q i 0 + p X j=1 q i j x j : (2.9)
Esta escolha (2.9) permite uma interpretac~ao matematica simples do modelo com uma
interpolac~aodediferentesmodelosanseimplicaqueasadaem(2.7)elinearnospar^ametros
q i 0 ;:::;q i n
. Logo, esses par^ametros podem ser estimados utilizando qualquer algoritmo de
estimac~ao(Soderstrome Stoica(1989);Ljung(1999);Teixeira etal.(1996); Teixeira etal.
(1998); Teixeira, Daruichi e Assunc~ao (2000)).
Assim, o modelo fuzzy TS e capaz de aproximar um sistema n~ao-linear com uma
com-binac~ao de varios sistemas lineares ans pela decomposic~ao de todo o espaco de entrada
em varios espacos parciaiserepresentar cada espacoentrada/sada(I/O) com umaequac~ao
linear.
No caso emque apenas os termos constantes s~ao considerados em(2.9), o modelo (2.7)
coincidecomomodelolingusticodotiposingleton(Kim,Kange Park(1999),Kim(2001)).
A estrutura do sistema fuzzy TS, equivale uma estrutura composta por uma infer^encia
dotipo produto,fuzzicador singletone defuzzicadorcom centro medio (Wang, 1997)
O algoritmo original de identicac~ao sugerido por Sugeno e seus colaboradores t^em os
seguintes passos (Takagi e Sugeno, 1985):
1. Escolhaa estrutura da premissae aestrutura da parteconsequente;
2. Estimeos par^ametros daestrutura determinada nopasso 1;
3. Avalieo modelo;
Entretanto, a implementac~ao de tal algoritmo n~ao e trivial (Wang e Langari, 1995b),
porque para determinar as variaveis das func~oes de pertin^encia otimasenecessario resolver
um problema de programac~ao n~ao-linear. Embora o algoritmo TS possa expressar uma
relac~ao funcional altamente n~ao-linear usando um pequeno numero de regras fuzzy e seu
potencialdeaplicac~aosejagrande,acomplexidadedoprocedimentodeidenticac~aoproposto
em Takagi e Sugeno (1985) pode dicultar o seu uso em aplicac~oes praticas (Kim et al.,
1997). Para resolver estes problemasvariosalgoritmost^emsido propostos(Kim, Park, Lee,
Jie Park (1996); Kim et al.(1997); Wang e Langari (1995); Kim etal. (1998)).
2.3 Modelos Homog^eneos x Modelos Ans
Omodelofuzzyoriginalproposto emTakagie Sugeno(1985)descritoem(2.6)eummodelo
am. EntretantoamaioriadostrabalhosqueadotamossistemasfuzzyTSutilizamomodelo
\homog^eneo".
O sistema fuzzy TS homog^eneo possui a parte consequente linear e n~ao tem um termo
biasconstante. Enquantoqueosistemafuzzyampossuiaparteconsequenteameotermo
biasn~aonulo.
Embora os sistemas ans sejammais naturaise atraentes para osseres humanosdoque
sistemashomog^eneos, s~aoestes ultimosque t^emdespertado maiorinteresse dacomunidade
cientca devido a sua facilidade de analise.
Omotivodestefatoeque,comestetipodemodelolocal,oprojetode controladores(por
exemplo de reguladores) pode ser feito com LMIs. Com o uso de modelos locais ans, em
geral, o problema so pode ser descrito por Desigualdades Bilineares Matriciais (em ingl^es,
BMIs) cuja soluc~aocomputacionale muito mais complexa.
Entretanto alguns pesquisadores t^em dedicado atenc~ao a analise de estabilidade de
sis-temas ans (Johansen, Hunt e Gawathrop (1998); Marin e Titli (1995); Johansson e
Rantzer (1998)).
Geralmente, o modelo fuzzyde um sistema fsico pode ser construdopor:
1. convers~ao direta daequac~ao n~ao-lineardomodelo fsico;
2. identicac~ao usandoo observador de dados I/O (entrada/sada).
Se o sistema fuzzy e diretamente convertido da equac~ao n~ao-linear como, por exemplo, em
Wang et al. (1996); Tanaka et al. (1996b) e Teixeira e _
A Figura2.7mostrauma aproximac~aode um sistemaporum modeloTS am eporum
modelo homog^eneo.
o
(a) f(x) f f (x) m 1 m 2 xo
x (b) f(x) f f (x) m 1 m 2Figura 2.7: Exemplos de aproximac~ao com modelo TS (a) am e (b) homog^eneo: f(x) e a
func~aodo sistemade simulac~ao;f
f
(x)e afunc~ao de aproximac~aoobtidacom modelosfuzzy
em
1 em
2
s~ao aproximac~oes lineares em(b). Em (a) m
2
e aaproximac~aoam.
2.4 Representac~ao de Sistemas Fuzzy Takagi-Sugeno
No metodo de modelagem e projeto propostos nesta tese, uma dada planta n~ao-linear e
representada pelomodelo fuzzy TS (Takagi e Sugeno, 1985) homog^eneo (o termo bias em
(2.9) e nulo, q i
0
= 0, i = 1;:::;p) atraves da convers~ao direta da equac~ao n~ao-linear do
modelo fsico. Osistema fuzzy TS edescrito pelas regras fuzzy Se-Ent~ao, que representam
localmenterelac~oes linearesentre aentrada e a sada de um sistema.
A descric~ao local da planta din^amica a ser controlada esta disponvel em termos dos
modeloslineares locais:
_ x(t) = A i x(t)+B i u(t); y(t) = C i x(t);
sendo i=1;2;:::;r, o vetor de estado x(t)2R n
, o vetor de entrada u(t) 2R m , o vetor de sada y(t)2 R q , A i 2 R nn , B i 2 R nm e C i 2R qn
. A informac~ao acimae ent~ao fundida
com asregras Se-Ent~ao disponveis, onde a enesima regra pode ter a forma:
Regrai : Sez 1 (t)eM i 1 E ::: Ez p (t)eM i p ; Ent~ao ( _ x(t)=A i x(t)+B i u(t) y(t)=C i x(t): (2.10) M i j
,j =1;2;:::;peoconjuntofuzzyjdaregraiez
1
(t);:::;z
p
(t)s~aoasvariaveispremissas.
Seja i
j (z
j
(t)) a func~ao de pertin^encia do conjunto fuzzy M i j , w i (z(t)) denido em (2.8) e z(t)=[z (t)z (t) ::: z (t)].
Como i j (z j (t))0 tem-se,para i=1;2;:::;r, w i (z(t))0 e r X i=1 w i (z(t))>0:
Umaescolhanaturalparaaobtenc~aode ummodelofuzzyTS parasistemasn~ao-lineares
e adotar z(t) =x(t), sendo x(t) o vetor estado do sistema n~ao-linear. Esta escolha e feita
em todos os desenvolvimentos teoricos deste trabalho.
Destaforma,dadoum par (x(t);u(t)),osistemafuzzy resultanteeobtidocomoamedia
ponderada dos modelos locais,e para i=1;2;:::;r; tem aforma:
_ x(t) = r X i=1 w i (x(t))(A i x(t)+B i u(t)) r X i=1 w i (x(t)) = r X i=1 i (x(t))(A i x(t)+B i u(t)) (2.11) = r X i=1 i (x(t))A i ! x(t)+ r X i=1 i (x(t))B i ! u(t) = A( )x(t)+B( )u(t):
A sadaedada por
y(t) = r X i=1 w i (x(t))C i x(t) r X i=1 w i (x(t)) = r X i=1 i (x(t))C i x(t) (2.12) = C( )x(t): Para i=1;2;:::;r, i (x(t)) = w i (x(t)) r X i=1 w i (x(t)) 0; e r X i=1 i (x(t)) =1: (2.13)
Observac~ao 1 Em algumaspassagens destadissertac~ao, x(t)serarepresentado apenas por
x, para facilitar a notac~ao. Mas em todos os casos citados, x e uma func~ao de t.
2.5 Interpretac~ao de Sistemas Fuzzy Takagi-Sugeno
conjunto fuzzy ouvalorconstante. Esta propriedade apresenta varias vantagens (Johansen,
Shorten e Smith,1998):
Da perspectiva de engenharia de controle, o uso de modelos locais lineares (ou local
linear) preenche a lacuna entre o controle fuzzy e o controle convencional. Existem
muitasferramentasnateoriadesistemaslinearesquepodemserparcialmenteaplicadas
paramodelosTS fuzzye controladores;
As partes consequentes, relativamente complexas, permitem que o numero de regras
fuzzy (modelos locais) seja muito pequeno em muitas aplicac~oes. Consequentemente,
omodelo fuzzy TSe menospropenso ao problema de dimensionamentodo queoutros
modelosfuzzy. Istoocorreporque nas regi~oes onde asn~ao-linearidadess~aomais
acen-tuadas,aspartes consequentes podem serfunc~oes maiselaboradaspararepresentarem
estasn~ao-linearidadese,conformeanecessidade, maisregras podem ser includas
nes-tas regi~oes. Por outro lado, nas regi~oes onde as n~ao-linearidades n~ao s~ao t~ao fortes,
pode-se utilizar func~oes de pertin^encia mais simples e o numero de regras pode ser
reduzido. Esta distribuic~ao das regras leva a uma melhor representac~ao do sistema
com um numeromnimo de modelos locais;
estrutura do modelo (partic~ao do espaco de estados e estrutura do modelo local) e
propriedadesdo modelo localpodem, emalgumasaplicac~oes, seremfacilmente
relaci-onadascom o sistema fsico. Isto simplicaodesenvolvimento domodelo e validac~ao.
Para muitas aplicac~oes, e importantequeo comportamentoglobal domodelo n~ao-linear
fuzzy seja similar ao comportamento global do sistema n~ao-linear que representa o sistema
fsico. Por exemplo, quando o modelo globale usado para predic~aon~ao-linear ouquando o
modelo globale usado emum modelo internode um controlador(Johansen, 1994).
Por outro lado, algumas vezes e necessario e frequentemente desejavel que os modelos
lineareslocaisfuzzysejamaproximac~oesprecisasdaslinearizac~oeslocaisdosistemareal. Este
e o caso quando o modelo fuzzy din^amico TS e usado como uma base para um controlador
fuzzy de ganho programado, ja que os modelos lineares locais s~ao usados para projetar
controladores lineares locais.
Entretanto, identicar modelos din^amicos que sejam boas aproximac~oes para
lineari-zac~oesdesistemasn~ao-linearesnemsempreetrivial(Yenetal.(1998);Shortenetal.(1999)).
Outraimportanteraz~aoequeaescolhadoalgoritmo(oalgoritmodosmnimosquadrados,
por exemplo) geralmente e feita com o objetivo explcito de selecionar os par^ametros dos
modeloslocais para otimizaro desempenho global.
Isto e frequentemente obtido com modelos locais que s~ao signicativamente diferentes
das linearizac~oes locais. Os problemas s~ao, na maioria das aplicac~oes praticas, ampliados
por restric~oes sobre o projeto experimental, que restringe a quantidade de informac~oes nos
dadostransientes. Umaconsequ^encia e quesepode determinarfacilmenteum modelofuzzy
TS, que fornece um bommodelo n~ao-linearglobal do sistema n~ao-linear, mas com modelos
locais que t^em pouco em comum com as linearizac~oeslocais.
EmShortenetal.(1999)emostradoqueomodelofuzzydin^amicoTSamcontem
excessi-vosgrausdeliberdadeedeveserinterpretadocuidadosamente. Oproblemadainterpretac~ao
tambem e discutido em Leith e Leithead (1999).
Muitos dosproblemas mencionadosacimaocorremsomenteparaamodelagemdin^amica
na identicac~ao. Logo, estes problemas n~ao ocorrem quando e feita a convers~ao direta do
modelo fsico (mapeamentos estaticos),como serafeito nesta tese.
2.5.1 Aproximac~oes Locais Ans
O modelo fuzzy TS din^amico e composto de multiplos modelos din^amicos locais ans (ou
homog^eneos).
E necessario para o proposito de analise e aplicac~aoque estes modelos locais
possam ser relacionados com aslinearizac~oes dosistema n~ao-linear.
Em Leith e Leithead (1999) e apresentado o Teoremada Aproximac~ao que mostra que
omodelo fuzzydin^amicoTS, considerandoque osmodelos din^amicos locais ans conduzem
auma aproximac~ao arbitrariadosistema din^amico, quando onumero de regras r!1.
2.5.2 Variaveis Premissas
Um objetivo comum do modelamento e obter uma parametrizac~ao mnima dos sistemas
din^amicos. Neste contexto de modelos de estruturas locais, representac~oes econ^omicas do
sistemas~ao algumasvezes difceis de obter devido aos problemas de dimensionamento.
As-sim,para reduziracomplexidadedomodelofuzzyTS,ecomum(quando possvel)restringir
asfunc~oes de pertin^encia para dependerem de um subconjunto de variaveis(x;u) .
Nos casos em que as n~ao-linearidades n~ao s~ao muito fortes, a tend^encia e minimizar o
numerode variaveispremissas para minimizaracomplexidade domodelo.
Emalguns casos onumero de variaveispremissas pode ser reduzido sem reduzira precis~ao,
mas este procedimento sacrica a interpretabilidade do modelo local como linearizac~oes
locais.
2.5.3 Func~ao de Pertin^encia para Sistemas Fuzzy Takagi-Sugeno
OmodelofuzzyglobalTS pode forneceruma aproximac~aosatisfatoriadosisteman~ao-linear
ate mesmo quando os modelos locais ans constituintes n~aos~ao convencionalmente
lineari-zados. Na pratica, os modelos TS s~ao construdos interpolando ospar^ametrosdos modelos
locais constituintes usando infer^encia fuzzy. A escolha da func~ao de pertin^encia e de
im-port^ancia crucial neste procedimento(Leith e Leithead, 1999). Esta escolha deve ser feita
para fornecer tanta precis~aodo sistema din^amico quanto possvel. Entretanto, em algumas
aplicac~oes,func~oes de pertin^enciaescolhidasparaaproximarasdin^amicasglobaispodemser
inadequadas quando o modelo e linearizado. No entanto, para aplicac~oes de controle que
requeremalinearizac~aodomodelodaplanta,adelidade domodelonavizinhancadoponto
de equilbrio daplantae de primordialimport^ancia.
A Figura2.8apresentauma ilustrac~aosimplicada domodeloTS. Uma aproximac~aode
umafunc~aof(x):R !R efeitacom doismodeloslocais linearesdenidas pelas constantes
a
1 ea
2
combinados com asfunc~oes de pertin^encia
1 (x) e 2 (x). f 1 =a 1 x f 2 =a 2 x f(x) f f (x) 0=x 0 x x 1 f(x)f f (x)= 1 (x)a 1 x+ 2 (x)a 2 x 1 2 f(x);f f (x) 1 0
Figura2.8: Ilustrac~aodaaproximac~aodafunc~aodomodelode simulac~aopelafunc~aoobtida
pormodelos fuzzy TS.
Considereafunc~aon~ao-linearf(x)descritanaFigura2.8. Notequeestafunc~aopode ser