Controle e Modelagem Fuzzy

Marcelo Godoy Simões , Ian S. Shaw

2007 — 2ª edição

R$ 91,00

Disponível em estoque

Sobre o Livro

ISBN: 9788521204169
Páginas: 200
Formato: 17x24 cm
Ano de Publicação: 2007
Peso: 0.339 kg

Conteúdo

1. INTRODUÇÃO

2. O QUE É UM SISTEMA INTELIGENTE ?

3. MODELAGEM DE PLANTAS E PROCESSOS EM SISTEMAS DE CONTROLE
3.1. A necessidade de modelagem de sistemas
3.2. Método experimental
3.3. Método de modelagem matemática
3.4. Método heurístico
3.5. Por que é necessária a lógica fuzzy ?
3.6. Metodologia de modelagem convencional comparada ao controle inteligente
3.7. O controlador correto para a aplicação correta
3.8. Implementação fuzzy de estratégias de controle inteligentes
3.9. Aplicações bem sucedidas de controle fuzzy

4. PRINCÍPIOS BÁSICOS DE LÓGICA FUZZY
4.1. Bivalência
4.2. Multivalência
4.3. Números fuzzy
4.4. Implicação lógica e regras de inferência
4.5. Fuzzificação e defuzzificação natural
4.6. Um resumo qualitativo de lógica fuzzy

5. INTRODUÇÃO À TEORIA DE CONJUNTOS
5.1. Análise de sistemas sob o enfoque da teoria de conjuntos
5.2. Noções básicas sobre conjuntos
5.3. Probabilidade e possibilidade
5.4. Subconjunto
5.5. Pares ordenados
5.6. Definição de um conjunto
5.7. Conjunto vazio
5.8. Conjunto universal
5.9. Universo de discurso
5.10. Números fuzzy
5.11. Variáveis lingüísticas

6. OPERAÇÕES ENTRE CONJUNTOS NO MESMO UNIVERSO DE DISCUR¬SO
6.1. Operações entre conjuntos em geral
6.2. Intersecção de conjuntos booleanos
6.3. Conjuntos booleanos disjuntos
6.4. União de conjuntos booleanos
6.5. Complemento de conjuntos booleanos
6.6. Propriedades fundamentais de conjuntos booleanos
6.7. Vetores de possibilidade
6.8. Subconjuntos fuzzy
6.9. Intersecção de conjuntos fuzzy
6.10. Operadores de intersecção fuzzy gerais
6.11. União de conjuntos fuzzy
6.12. Operadores de união fuzzy gerais
6.13. Complemento de um conjunto fuzzy
6.14. Propriedades fundamentais de conjuntos fuzzy
6.15. Resumo
6.16. O teorema de aproximação fuzzy
6.17. Propriedades dos conjuntos fuzzy

7. OPERAÇÕES ENTRE CONJUNTOS EM UNIVERSOS DE DISCURSO DIFERENTES
7.1. Geral
7.2. Produto cartesiano de conjuntos discretos
7.3. Produto cartesiano de conjuntos fuzzy
7.4. Relação
7.5. Matriz relacional
7.6. Conjuntos fuzzy condicionados
7.7. A regra composicional de inferência
7.8. Relações fuzzy como base de conhecimento
7.9. Composição inversa

8. BLOCOS FUNCIONAIS, FUNÇÕES DE PERTINÊNCIA, FUZZIFICAÇÃO E DEFUZZIFICAÇÃO PARA CONTROLADORES FUZZY
8.1. Configuração básica de um controlador fuzzy 
8.1.1. Funções da interface de fuzzificação 
8.1.2. Base de conhecimento 
8.1.3. Lógica de tomada de decisões 
8.1.4. Funções da interface de defuzzificação
8.2. Estrutura do controlador fuzzy e funções de pertinência fuzzy
8.3. Funções de pertinência fuzzy
8.4. Fuzzificação
8.5. Vetor de possibilidades
8.6. Fuzzificação por tabela em memória
8.7. Defuzzificação
8.7.1. Defuzzificação Centro-da-Área (C-o-A) 
8.7.2. Defuzzificação Centro-do-Máximo (C-o-M)
8.7.3. Defuzzificação Média-do-Máximo (M-o-M)
8.7.4. O conceito de continuidade na defuzzificação 
8.7.5. Qual método de defuzzificação deve-se usar?

9. CONTROLADORES FUZZY BASEADOS EM REGRAS
9.1. Regras de inferência fuzzy
9.2. A escolha da inferência fuzzy
9.3. Exemplo de controlador fuzzy usando inferência máx-mín
9.4. Tabela (ou mapa) de regras fuzzy
9.5. Composições que não são s-normas
9.6. Vantagens de controladores industriais fuzzy baseados em regras
9.7. Controladores PID
9.8. Problemas com controle PID e com modelagem de processos em geral
9.9. Controladores PID fuzzy 
9.9.1. Controlador fuzzy proporcional 
9.9.2. Controlador proporcional-integral (PI) fuzzy 
9.9.3. Controlador proporcional-integral-diferencial (PID) fuzzy 
9.9.4. Observações gerais sobre controladores PID fuzzy 
9.9.5. Controlador fuzzy supervisório

10. CONTROLADORES FUZZY PARAMÉTRICOS
10.1. Princípios básicos
10.2. Comparação entre as abordagens fuzzy baseadas em regras e paramétrica
10.3. Aplicação à estimação de formas de onda em eletrônica da potência
10.4. Avaliação de desempenho

11. EQUAÇÕES RELACIONAIS FUZZY
11.1. Sistemas fuzzy baseados em equações relacionais 
11.1.1. Identificação de sistemas fuzzy 
11.1.2. Aprendizagem fuzzy 
11.1.3. Avaliaçã vantagens e desvantagens 
11.1.4. Estimação, defuzzificação e otimização heurística
11.2. Operações para a modelagem fuzzy com equações relacionais
11.3. Identificador fuzzy
11.4. Estimação fuzzy
11.5. Otimização heurística
11.6. Conexão entre sistemas fuzzy baseados em regras e em equações relacionais

12. IDENTIFICAÇÃO DE SISTEMAS BASEADOS EM REGRAS
12.1. De onde as regras fuzzy e as funções de pertinência são provenientes ? 
12.1.1. Entrevistas com operadores humanos 
12.1.2. Avaliação de princípios físicos 
12.1.3. Variáveis inerentemente fuzzy
12.2. Sistemas de aprendizado 
12.2.1. Aprendizado fuzzy
12.3. Sistema de aprendizado fuzzy baseado em regras 
12.3.1. Adaptando as regras 
12.3.2. Adaptando as funções de pertinência
12.4. Mecanismo de adaptação de sistemas de aprendizado fuzzy
12.5. Sistema fuzzy adaptativo baseado em regras por espaço de produtos
12.6. O postulado fundamental da previsibilidade
12.7. Síntese lingüística de uma função de entrada-saída 
12.7.1. Aplicação a um sistema de uma entrada e uma saída 
12.7.2. Aplicação a um sistema de duas entradas e uma saída

13. ESTABILIDADE DE SISTEMAS DE CONTROLE FUZZY
13.1. Introdução
13.2. Análise de estabilidade de um sistema fuzzy
13.3. O método do campo vetorial
13.4. Procedimento de análise

14. CONTROLADORES NEUROFUZZY 
14.1. Neurônios e redes neurais
14.2. Treinamento de uma rede neural
14.3. Fase de estimação
14.4. Reconhecimento de padrões na presença de ruído
14.5. Tolerância à falhas
14.6. Algoritmo de aprendizado "backpropagation" 
14.6.1. Uma descrição qualitativa do algoritmo "backpropagation" 
14.6.2. Descrição analítica do "backpropagation" 
14.6.3. Preparação dos dados de treinamento para o projeto de uma rede neural 
14.6.4. Diagrama de blocos e etapas de projeto de uma rede neural 
14.6.5. Critério de parada de treinamento 
14.6.6. Testes com a rede neural
14.7. Lógica fuzzy e redes neurais como ferramentas inteligentes
14.8. Redes neurais: pontos fortes e fracos 
14.8.1. Redes fuzzy neurais
14.9. Um resumo qualitativo das tecnologias neural e neurofuzzy

15. PROJETO DE CONTROLADORES FUZZY NA PRÁTICA
15.1. Software para o desenvolvimento de controladores fuzzy
15.2. Sistemas de desenvolvimento fuzzy baseados em software 
15.2.1. Manipulação gráfica em vez de programação 
15.2.2. Sintonia e "debugging" de controladores fuzzy 
15.2.3. Implementação em hardware de controladores fuzzy 
15.2.4. Características do sistema de desenvolvimento 
15.2.5. Configurações típicas de controladores 
15.3. Exemplo de simulaçã ponte rolante de contêineres 
15.3.1. Estrutura de controle 
15.3.2. Estrutura de regras 
15.3.3. Variáveis lingüísticas 
15.3.4. Modo de sintonia interativo 
15.3.5. Analisadores
15.4. Implementação industrial de controlador fuzzy de ponte rolante
15.5. Metodologia de projeto

16. EXEMPLOS DE CONTROLE FUZZY
16.1. Objetivo
16.2. Identificação de características específicas de plantas ou processos

17. MODELAGEM FUZZY DE CONTROLE POR OPERADORES HUMANOS
17.1. Atividades de operadores em malhas de controle
17.2. Modelo senoidal quase-linear
17.3. Modelo simplificado para freqüência de cruzamento
17.4. Por que modelar rastreamento de operadores humanos com lógica fuzzy?
17.5. Características de modelagem fuzzy de operadores
17.6. Identificação e validação de modelos fuzzy
17.7. Resultados
17.8. Variabilidade entre tópicos

18. APLICAÇÃO DE LÓGICA FUZZY EM CONTROLE DE ENERGIA ALTERNATIVA
18. Introdução
18.2. Princípios de otimização fuzzy
18.3. Controle fuzzy de uma turbina eólica 
18.3.1. Programação fuzzy do gerador de velocidade 
18.3.2. Programação do fluxo do gerador de indução 
18.3.3. Controle fuzzy da malha de velocidade do gerador
18.4. Geração de energia solar usando controle fuzzy

19. USANDO MATLAB PARA O PROJETO DE CONTROLADORES FUZZY

20. CONCLUSÕES

REFERÊNCIAS BIBLIOGRÁFICAS 

Sinopse

Este livro mostra a fundamentação de conceitos necessários para a implementação de sistemas inteligentes de controle, lógica fuzzy, redes neurais e sistemas neurofuzzy de forma teórica e prática, A lógica fuzzy (também chamada de difusa ou nebulosa) representa uma forma inovadora de traduzir informações vagas, imprecisas, em valores numéricos. Possibilita a inclusão da experiência humana em controle computadorizado, tornando possíveis decisões em problemas complexos. Ela pode ser agregada a sistemas de redes neurais (os sistemas neurofuzzy) aumentando o aprendizado e interface com dados numéricos. O sucesso mundial de sistemas de modelagem e controle em lógica fuzzy aplicados na indústria o recomendam como uma ferramenta eficiente na engenharia de controle industrial, manufatura, comunicação homem-máquina e sistemas de tomadas de decisão.

Ver maisVer menos

Depoimentos sobre o livro

Envie seu depoimento

Seja o primeiro a publicar um depoimento sobre o livro!