Plataforma Geradora de Controladores Fuzzy em FPGA

Transcrição

1 UNIVERSIDADE POSITIVO NÚCLEO DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA DA COMPUTAÇÃO GIOVANNI GERALDO SZYCHTA PEDRO ANDRIOW Plataforma Geradora de Controladores Fuzzy em FPGA Curitiba, Dezembro de 2011

2 GIOVANNI GERALDO SZYCHTA PEDRO ANDRIOW Plataforma Geradora de Controladores Fuzzy em FPGA Monografia apresentada junto ao Curso de Engenharia da Computação da Universidade Positivo, Núcleo de Ciências Exatas e Tecnológicas, como requisito parcial à obtenção do título de Bacharel. Orientador: Prof. Msc. Valfredo Pilla Júnior. Curitiba, Dezembro de 2011

3 GIOVANNI GERALDO SZYCHTA PEDRO ANDRIOW Plataforma Geradora de Controladores Fuzzy em FPGA Trabalho de Conclusão de Curso apresentado ao Curso de Engenharia da Computação, da Universidade Positvo, como requisito à obtenção do título de Bacharel. COMISSÃO EXAMINADORA Prof. Msc. Ederson Chichaczewski Universidade Positivo Prof. Msc. Gilmar Amilton Macohin Universidade Positivo Prof. Msc. Maristela Regina Weinfurter Universidade Positivo Prof. Msc. Valfredo Pilla Júnior Universidade Positivo iii

4 iv

5 UNIVERSIDADE POSITIVO Reitor: Prof. José Pio Martins Pró-Reitor de Administração: Prof. Arno Antonio Gnoatto Pró-Reitor Acadêmico: Prof.ª Márcia Sabastiani Coordenador do Curso de Engenharia da Computação: Prof. Leandro Henrique de Souza v

6 vi

7 A Deus por tudo que me proporciona na vida. À minha mãe e meu pai, os quais amo muito, pelo exemplo de vida e família. Aos encontros inesperados, por tornarem a vida mais divertida. Giovanni Geraldo Szychta Dedico esse trabalho a todos que estiveram ao meu lado, me ajudando, me apoiando, e me dando toda estrutura que precisei durante todo o curso. Pedro Andriow vii

8 viii

9 AGRADECIMENTOS Durante esse longo período de graduação, muitas pessoas passaram por minha vida. Deixaram muitas lições, muitas alegrias, proporcionaram novos conhecimentos e contribuíram para o meu crescimento. Entre estas pessoas, agradeço aos professores do curso de Engenharia da Computação, que contribuíram partilhando seus conhecimentos. Agradeço ao professor Valfredo Pilla Júnior, que além de professor e amigo, participou deste trabalho como orientador. Agradeço aos meus amigos, em especial os dos corredores e das salas de aula, por estarem presentes nos mais diversos momentos. Agradeço a minha namorada Amanda de Carvalho Nunes, por fazer novamente parte da minha vida, me apoiando e me enchendo de alegria a cada nova etapa deste trabalho. Agradeço finalmente e principalmente à minha família, em especial ao meu pai e minha mãe, por todo seu apoio, dedicação e esforço durante esta caminhada. Giovanni Geraldo Szychta ix

10 x

11 Ao longo de todo o curso de Engenharia da Computação muitas pessoas estiveram presentes, e todas elas contribuíram para o meu conhecimento e crescimento individual, não apenas em relação aos conteúdos vistos durante o curso, mas cada uma influenciando de uma maneira ou outra na minha vida. Antes de todos, gostaria de agradecer à minha família, por ter me dado todos os valores que eu tenho, por ter me apoiado durante a graduação, e por estar sempre ao meu lado, independente da situação. Agradeço à minha namorada, Elisiê Pepino, que acompanhou o processo desse trabalho sempre me apoiando, sendo compreensiva com as minhas ausências devidas a dedicação ao projeto, e sempre com aquele sorriso maravilhoso me dando novas forças a cada nova etapa. Agradeço também aos meus amigos que sempre estiveram presentes e muitas vezes ajudando e disponibilizando tempo sempre que precisei de alguma ajuda, ou mesmo quando precisei desabafar. Agradeço ao meu chefe e à empresa em que trabalho por sempre entender e sempre priorizar meus estudos, me liberando sempre que precisei de tempo para o desenvolvimento desse trabalho. Gostaria também de agradecer a todos os professores, e em especial ao nosso orientador, professor Valfredo Pilla Júnior, que com maestria compartilharam o conhecimento e sempre estiveram disponíveis para sanar minhas dúvidas ou mesmo para conversas, gerando ideias de novos projetos. Pedro Andriow xi

12 xii

13 E quando você pensa que tudo mais pode falhar. Lembre-se, coisas piores acontecem no mar. Confraria da Costa Coisas Piores Acontecem no Mar. xiii

14 xiv

15 RESUMO Resumo: A Lógica Fuzzy tem como principal finalidade o estudo dos princípios formais do raciocínio aproximado e pode ser empregado em inúmeras aplicações práticas tais como controle de temperatura, volume, iluminação, entre outros. Porém o processo de manual de geração das tabelas Fuzzy é um tedioso e sujeito a erros. Buscando facilitar esse processo propomos o desenvolvimento de uma estrutura em hardware que encapsule toda a complexidade da Lógica Fuzzy, deixando ao usuário apenas a tarefa de definir as tabelas de regras Fuzzy utilizando as variáveis linguísticas em formato IF-THEN de cada variável e definições básicas do tipo: valor mínimo de inferência, valor máximo e ponto em que a pertinência é a máxima. O hardware definido para o encapsulamento são as FPGAS, pois possui um maior poder de escalonamento do número de variáveis e paralelismo para a realização dos cálculos Fuzzy. Outra vantagem na utilização das FPGAS é a facilidade na integração com sistemas embarcados. O sistema desenvolvido é constituído por um módulo de processamento no qual o usuário define a tabela de regras, e define os arquivos de memória contendo os valores de pertinências. O sistema se adapta a essas novas diretivas e com esses dados gera a solução Fuzzy já tratada, assim a preocupação do usuário se limita à modelagem do sistema inicial. O sistema Fuzzy projetado é representado em um código VHDL (Very High Speed Integrated Circuits Hardware Description Language). Para validação da ferramenta projetou-se um controlador de temperatura no qual o usuário determina o valor de temperatura ideal e a tabela de regras. Nesta tabela define-se através de variáveis linguísticas qual a saída ideal do projeto teórico de refrigeração em que o sistema estaria funcionando. A busca das pertinências é realizada pelo circuito digital inferido pelo código VHDL de forma transparente ao usuário. O método de inferência Fuzzy utilizado consiste na leitura dos sensores, a partir desses dados realiza a busca da pertinência relativa à leitura na memória da FPGA, aplica a tabela de regras definida em VHDL no padrão IF-THEN e então aplica o método de centro de gravidade para defuzzificação. O usuário deve gerar os arquivos de memória contendo os valores das pertinências, utilizando o software de definição de pertinências, estes arquivos serão utilizados pela FPGA. A saída é feita na forma de uma máquina de estados implementada em VHDL que transmite as variáveis para um micro controlador externo, cuja função é a leitura dos sensores e o acionamento dos atuadores. Palavras-chave: Lógica Fuzzy, FPGA, VHDL xv

16 xvi

17 ABSTRACT Abstract: Fuzzy Logic has as main purpose to study the formal principles of approximate reasoning and can be used in numerous practical applications such as temperature control, volume, lighting, among others. But the manual process of generating fuzzy tables is a tedious and error prone. Seeking to facilitate this process we propose the development of a hardware structure that encapsulates the complexity of Fuzzy Logic, leaving the user only the task of defining the rules tables Fuzzy linguistic variables using IF-THEN format of each variable and the basic definitions type: minimum of inference, maximum and the point where the relevance is the maximum. The hardware package is set to the FPGAs, which has a greater power scaling of the number of variables and parallel to the calculations Fuzzy. Another advantage of using FPGAs is the ease of integration with embedded systems. The developed system consists of a processing module in which the user defines the rules table, and sets the memory files containing the values of relevance. The system adapts to these new policies and these data generates the solution treated as fuzzy, so the user's concern is limited to modeling the initial system. The fuzzy system designed is represented in a code VHDL (Very High Speed Integrated Circuits Hardware Description Language). For validation tool designed to a temperature controller in which the user determines the value of optimal temperature and the rules table.this table is defined by linguistic variables which the output of the ideal theoretical project in which the cooling system was working. The pertinence of the search is performed by the digital circuit inferred by VHDL code transparent to the user. The fuzzy inference method used consists of reading the sensors, from these data makes the search for relevance on the reading in memory of the FPGA, applies the rules table defined in the VHDL standard IF- THEN and then apply the method of center gravity for defuzzification. The user must generate the memory containing the values of relevance, using the software definition of relevance, these files will be used by the FPGA. The output is in the form of a state machine implemented in VHDL variables to which transmits an external microcontroller, whose function is to read the sensors and driving actuators. Key-words: Fuzzy Logic, FPGA, VHDL xvii

18 xviii

19 LISTA DE ILUSTRAÇÕES FIGURA 1 - CONTROLADOR FUZZY LÓGICO (LIU ET AL, 2011) FIGURA 2 - GRÁFICOS DE PERTINÊNCIA UTILIZADOS(LIU ET AL, 2011) FIGURA 3 - PERTINÊNCIA FUZZY TRAPEZOIDAL (KHUDHAIR ET AL, 2010) FIGURA 4 - PERTINÊNCIA FUZZY PONTUAL (KHUDHAIR ET AL, 2010) FIGURA 5 - ARQUITETURA GERAL DO SISTEMA FIGURA 6 - LÓGICA DO CÁLCULO FUZZY FIGURA 7- LÓGICA IMPLEMENTADA NO MICRO CONTROLADOR FIGURA 8 - INTERFACE DO SOFTWARE PARA GERAR OS ARQUIVOS DE MEMÓRIA FIGURA 9 - ALGORITMO DE CÁLCULO DE PERTINÊNCIA FIGURA 10 - GRÁFICO DE PERTINÊNCIAS GERADAS PARA O PROJETO FIGURA 11 - CONVERSÃO DA BASE DECIMAL PARA PONTO FIXO FIGURA 12 - RECEBIMENTO DOS DADOS DE FORMA PARALELA NO MICRO CONTROLADOR FIGURA 13 - CONVERSÃO DA BASE DE PONTO FIXO PARA BASE DECIMAL FIGURA 14 - FÓRMULA DE MÉDIA PONDERADA FIGURA 15 - TABELA DE REGRAS IMPLEMENTADA EM VHDL FIGURA 16 - CONTADOR DE MEMÓRIA IMPLEMENTADO EM VHDL FIGURA 17 - TELA DE RESUMO DA COMPILAÇÃO FIGURA 18 - CÁLCULO DO ERRO FIGURA 19 - CÁLCULO DO ERRO MÉDIO xix

20 xx

21 LISTA DE TABELAS TABELA 1 - TABELA DE REGRAS (LIU ET AL, 2011) TABELA 2 - TABELA DE REGRAS FUZZY TABELA 3 - IDS E DADOS A SEREM TRANSMITIDOS TABELA 4 - TABELA DE REGRAS FUZZY - CONTROLE DE TEMPERATURA TEÓRICO TABELA 5 - PORCENTAGEM DE ATIVAÇÃO REAL DO SISTEMA TABELA 6 - PORCENTAGEM DE ATIVAÇÃO SIMULADA DO SISTEMA TABELA 7 - TABELA COMPARATIVA REAL X SIMULADO TABELA 8 - COMPARAÇÃO DAS ATIVIDADES A SEREM DESENVOLVIDAS COM E SEM A PLATAFORMA xxi

22 xxii

23 LISTA DE ABREVIATURAS E SIGLAS FPGA Field programmable gate array VHDL VHSIC Hardware Description Language VHSIC Very High Speed Integrated Circuits Waveform Forma de onda resultada da simulação do software Quartus II FLC Fuzzy Logic Controllers ASIC Application Specific Integrated Circuit AGs Algoritmos Genéticos QEE Qualidade de Energia Elétrica PMLSM Permanent-Magnet Linear Synchronous Motor DSP Digital Signal Processor CPU Central Processing Unit PWM Pulse Width Modulation USB Universal Serial Bus LED Light Emitting Diode xxiii

24 xxiv

25 SUMÁRIO 1 INTRODUÇÃO FUNDAMENTAÇÃO TEÓRICA CONTROLE ATRAVÉS DA LÓGICA FUZZY ESPECIFICAÇÃO DO PROJETO OBJETIVOS CARACTERÍSTICAS DO PROJETO Requisitos ARQUITETURA Módulo de Processamento Módulo de Comunicação e Avaliação Módulo de Desenvolvimento, Configuração e Debug Uso da Plataforma TESTES DE VALIDAÇÃO DO SISTEMA Testes de validação de conversões do micro controlador Testes de validação da aplicação da lógica Fuzzy PROJETO HARDWARE FUZZY Recebimento dos Dados Busca de Pertinências Aplicação da Tabela de Regras Envio dos Dados Para Defuzzificação Digrama em blocos da FPGA MICRO CONTROLADOR Recebimento do Dado a Ser Tratado Conversão Para Base de Ponto Fixo Envio do Dado Para a FPGA Recebimento do Resultado Conversão do Resultado Para Base Decimal Defuzzificação Retorno do Resultado Em Decimal Para o Usuário RESULTADOS CASO DE TESTE CONFIGURAÇÕES DO PROJETO RESULTADOS DA MODELAGEM VHDL RESULTADOS MÓDULO DE PROCESSAMENTO RESULTADOS SISTEMA COMPLETO xxv

26 5.6 VALIDAÇÕES DOS VALORES CONCLUSÕES CONCLUSÕES GERAIS FUTURAS IMPLEMENTAÇÕES REFERÊNCIAS ANEXOS xxvi

27 27 1 INTRODUÇÃO Pode-se dizer que fatores como incerteza e ambigüidade na definição de parâmetros de um sistema são fatores que aumentam muito a complexidade da modelagem, tornando-a, em muitos casos inviável. Para o tratamento desses fatores foi desenvolvida, baseada na teoria clássica de conjuntos, a lógica Fuzzy. Este tipo de lógica permite que sejam quantificadas variáveis lingüísticas, ou seja, que não possuem valores precisos. Esta quantificação se dá através da teoria de conjuntos Fuzzy, a qual possibilita ter graus de pertinência entre um elemento e os conjuntos ao qual pode pertencer. Constrói-se uma base de regras onde os valores são lingüísticos (imprecisos), dando flexibilidade ao sistema (quanto a estados que este pode assumir) e facilitando a compreensão do problema (DA COSTA et al, 2003). Os sistemas Fuzzy são sistemas baseados em regras que utilizam variáveis lingüísticas difusas (conjuntos difusos) para executar um processo de tomada de decisão (ADILEA, 2003). Pois embora todo o potencial da lógica Fuzzy seja divulgado, na prática, sistemas complexos não são fáceis de implementar (SANTANA et al, 2005). Controladores de lógica Fuzzy (FLC Fuzzy Logic Controllers) oferecem um método simples para controle de sistemas altamente complexos e imprecisos, sem a necessidade de um modelo com precisão matemática detalhada da planta que será controlada. A lógica Fuzzy fornece um processo para lidar com as incertezas desses sistemas complexos usando um método de raciocínio humano, com o uso de variáveis lingüísticas que são avaliadas por um conjunto de regras do tipo IF-THEN. A semelhança entre o funcionamento da lógica Fuzzy, e os fundamentos do processo de pensamento humano, permite ao controlador capturar o conhecimento de especialistas humanos e transformá-lo em regras usadas para controlar o sistema (KHUDHAIR et al, 2010). Já a algum tempo, os controladores Fuzzy têm sido implementados através de métodos de software puros em um microprocessador de propósito geral, com uma arquitetura de hardware reconfigurável acoplado a fim de utilizar a flexibilidade do microprocessador com o desempenho do hardware reconfigurável (TEIXEIRA et al, 1995, ARANGUREN et al, 2002).

28 28 Este tipo de design proporciona uma grande flexibilidade com a definição dos parâmetros Fuzzy (funções de pertinência e regras de inferência), mas a demanda de alta potência, e da área necessária para a arquitetura completa, faz este tipo de projeto inadequado para aplicações nas quais o tamanho do controlador é um fator importante. Isso por si já inviabiliza a utilização em sistemas embarcados que demandam de processadores com uma área pequena, que tenham um consumo reduzido, e que também tenham um custo atraente. Projetos de hardware puro, por outro lado, têm a vantagem de satisfazer a área, potência e desempenho em uma escala de produção suficiente para obter um alto custo benefício (KHUDHAIR et al, 2010). A dificuldade na implementação de um sistema de controle em um ASIC (Application Specific Integrated Circuit), o tempo longo para o mercado, e o fato de que a modificação dos parâmetros de controle não é possível com projetos baseados em ASIC, têm incentivado os pesquisadores a olhar para as FPGAs (Field Programmable Gate Arrays) (KHUDHAIR et al, 2010). A progressão nas tecnologias de silício e microeletrônica permitiu também a redução do tamanho das FPGAs e, portanto, seu custo (SANCHES et al, 2007, WANG et al, 2006, ARANGUREN et al, 2002), permitiu também a disponibilidade de linguagens de nível de design do sistema, que têm simplificado o processo de desenvolvimento significativamente, possibilitando que as FPGAs sejam usadas não apenas como uma tecnologia de prototipagem, mas também como a solução final para os produtos, e, portanto, tem diminuído drasticamente o tempo de mercado para soluções de hardware (WANG et al, 2006). Buscando facilitar a implantação de sistemas baseados em lógica Fuzzy, este projeto trata do desenvolvimento de uma plataforma que possibilita a aplicação de lógica Fuzzy em hardware. A plataforma implementada em FPGA, realiza os cálculos matemáticos responsáveis pela interação da base de regras e a tabela de valores. Como resultado, a plataforma retorna as informações de pertinência, caracterizado por ser um valor entre 0 e 1, representando o resultado final do circuito. A operação realizada em hardware permite que o projetista do sistema Fuzzy foque no desenvolvimento e na modelagem do sistema e não no trabalho de desenvolvimento dos cálculos relativos à lógica Fuzzy.

29 29 2 FUNDAMENTAÇÃO TEÓRICA Lidar com fatores como ambigüidade, incerteza e informações vagas na resolução de problemas é uma característica do pensamento humano, que usa o conhecimento adquirido e experiências para lidar com esses fatores (KLIR,1997) (MUKAIDONO, 2001). Nos problemas de difícil solução, em que se faz necessário o auxílio matemático/computacional, modelar tais fatores é extremamente difícil. A modelagem computacional convencional não trabalha com ambigüidades, pois utiliza o conceito de verdadeiro ou falso (MUKAIDONO, 2001). A precisão computacional também é limitada, deixando sempre uma margem, por mínima que seja para a incerteza (KLIR, 1997). A vagueza de informações advinda da linguagem natural agrava ainda mais os fatores citados. Para lidar com isso de forma matemática, foi desenvolvida por Zadeh a Teoria dos Conjuntos Fuzzy (Conjuntos Nebulosos ou Difusos), teoria a qual permitia serem tratados níveis de incerteza e ambigüidade (DA COSTA et al, 2003). Na década de 60, um professor de Engenharia Elétrica e Ciência da Computação, chamado Lotfi Zadeh (1965) desenvolveu uma variação da tradicional teoria dos conjuntos e lógica booleana para tornar a análise e controle de sistemas complexos de controle mais tratáveis. Zadeh observou que muitas regras que as pessoas usavam para fazer inferências não eram conscientes, ou seja, não podiam ser explicadas pelas pessoas que as usavam. Por exemplo, podemos olhar para uma pessoa e dizer ele parece ter por volta de 35 anos, mas não se está preparado para explicar como sabemos disso (DA COSTA et al, 2003). A idéia de Zadeh levou-o a desenvolver o que é conhecido como lógica Fuzzy (RUSS, 1996). Apesar de ter sido criticada inicialmente, a lógica Fuzzy acabou sendo bem aceita por engenheiros e cientistas da computação, tornando-se comuns as suas aplicações. Do começo da ciência moderna até o fim do século XX a incerteza era geralmente indesejável, uma idéia a ser evitada. Esta atitude foi gradativamente mudada com o surgimento dos mecanismos estatísticos (DA COSTA et al, 2003). Para lidar com grandes complexidades de processos mecânicos no nível

30 30 molecular, mecanismos estatísticos permitiam o uso de médias e a teoria de probabilidade era aplicada com sucesso em várias áreas da ciência. Mesmo assim, a teoria de probabilidade não era capaz de tratar a incerteza em todas as suas manifestações (KLIR, 1997). Em particular é incapaz de tratar a incerteza resultante dos termos da linguagem natural vagos. Um exemplo disso é a palavra meia-idade (MUKAIDONO, 2001). É comum classificar uma pessoa de meia idade ou não, apesar de não se saber exatamente quando começa e termina esse período. Vamos assumir um exemplo de que o período de meia idade vai de 35 a 55 anos. Pela lógica tradicional, um homem de 34 anos só poderia pertencer ao grupo de meia idade depois do dia de seu aniversário de 35 anos. Da mesma forma, um homem de 56 anos não pertenceria mais a esse grupo. Mas não é desejado tamanha precisão em relação a este conceito, dado que o limite de meia idade não pode ser definido precisamente. Na verdade, se tem uma idéia vaga a respeito dos limites de meia idade (DA COSTA et al, 2003). Na teoria clássica de conjuntos são definidos os limites são requeridos para determinar a pertinência de um elemento a um conjunto com toda a certeza (KLIR, 1997). Porém a maioria dos conjuntos e proposições não pode ser caracterizada de maneira tão exata. Um exemplo é o conjunto de pessoas altas é um conjunto onde o limite exato não pode ser precisamente definido. Na lógica Fuzzy, a pertinência de um elemento a um conjunto ocorre gradativamente, expressa através de uma função de pertinência. Cada conjunto Fuzzy, A, é definido em termos de relevância a um conjunto universal, X, por uma função denominada de função de pertinência, associando a cada elemento x um número, A(x), no intervalo fechado [0,1] que caracteriza o grau de pertinência de x em A (KLIR, 1997). Pode-se dizer que os sistemas difusos são sistemas baseados em regras que utilizam variáveis lingüísticas difusas (conjuntos difusos) para executar um processo de tomada de decisão (ADILEA, 2003). Um FLC (Fuzzy Logic Controller) pode ser dividido em três seções: fuzzificação, o motor de inferência Fuzzy, e defuzzificação, como podem ser vistas na Figura 1. Durante a seção de fuzzificação os dados de entrada são convertidos em valores lingüísticos adequados, como grande ou pequeno, com funções de pertinência (LIU et al, 2011). O motor de inferência Fuzzy trabalha com a aplicação

31 31 da tabela de regras, e a defuzzificação trabalha com o resultado de forma a retornar um valor em porcentagem, ou em alguma outra forma que facilite a visualização do resultado (LIU et al, 2011). Figura 1 - Controlador Fuzzy Lógico (LIU et al, 2011) Como exemplo de um controle lógico Fuzzy, é possível citar um controlador Fuzzy para fontes chaveadas baseado em FPGA, que será utilizado abaixo como exemplo de utilização de Fuzzy. Três conjuntos linguísticos, ou seja, positivo (P), zero (Z) e negativo(n), foram escolhidos para as variáveis de entrada e (nt) e v(nt) são Funções de pertinência triangular como mostrado na Figura 2. Da Figura 2, as funções de pertence são igualmente espaçadas ao longo da faixa de operação de cada variável Fuzzy. Para a variável de saída, três valores (L, 0 e L-) são utilizados. De acordo com o conhecimento do sistema, regras de controle Fuzzy podem ser derivadas no motor de inferência Fuzzy da seguinte forma: Tabela 1 - Tabela de regras (LIU et al, 2011) Regra e(nt) v(nt) Saída R(1) en vn On R(2) en vp Oz R(3) ep vn Oz R(4) ep vp Op

32 32 Figura 2 - Gráficos de pertinência utilizados(liu et al, 2011) Neste exemplo, "Saída" é o controle Fuzzy da ação u(nt), "en" significa "erro negativo", "op" significa "saída positiva", etc. Na seção de defuzzificação, o Fuzzy Logic Controller (FLC) processa a saída Fuzzy das regras e gera um valor numérico. Usa o conhecido método de centro de gravidade (realizado através de uma media ponderada) para defuzzificação (LIU et al, 2011). 2.1 CONTROLE ATRAVÉS DA LÓGICA FUZZY O conceito básico fundamental de controle de lógica Fuzzy é descrever uma relação entre as entradas e saídas do sistema em termos de graus de adesão e um conjunto de regras Fuzzy do tipo IF-THEN. Com estes parâmetros de controle o controlador Fuzzy é capaz de estabilizar o sistema controlado. Para executar a operação de controle exigido, o controlador de lógica Fuzzy utiliza um conjunto de operações Fuzzy seguindo os estágios (KHUDHAIR et al, 2010): Interface de fuzzificação: Na lógica Fuzzy, existe uma série de funções de pertinência diferentes, como na (Figura 3) triangular, trapezoidal, sino, e formas pontuais (Figura 4). Estas funções de pertinência definem a pertinência do valor de entrada do sensor (KHUDHAIR et al, 2010).

33 33 Figura 3 - Pertinência Fuzzy Trapezoidal (KHUDHAIR et al, 2010) Figura 4 - Pertinência Fuzzy Pontual (KHUDHAIR et al, 2010) Inferência de regras Fuzzy: No controle de lógica Fuzzy, as regras são consideradas como o conhecimento do especialista. As regras de controle Fuzzy assumem a forma de uma declaração IF-THEN da seguinte forma: IF x is A and y is B THEN z is C (1) A regra vista em (1) descreve uma condição que a planta pode apresentar em um determinado ponto, utilizando variáveis (x e y), e conjuntos Fuzzy (A e B). O operador "E" na regra Fuzzy acima é a operação mínima entre os dois conjuntos Fuzzy. Esta regra é utilizada na fase de inferência de regra do FLC para calcular o grau em que os dados de entrada correspondem à condição de uma determinada regra. Estas regras são na sua maioria extraídas da experiência do projetista, ou o conhecimento da dinâmica das plantas. Vários tipos de técnicas de otimização são geralmente utilizadas para obter essas regras (como algoritmos genéticos (ZHANG et al, 2006, TABOADA et al, 2009), ou redes neurais (BIGARBEGIAN et al, 2008). Estes sistemas são geralmente referidos como sistemas de controle adaptativos Fuzzy (KHUDHAIR et al, 2010).

34 34 Interface de defuzzificação: A saída do estágio de inferência da regra é representada como conclusões com graus de adesão. Antes de a saída ser passada para a planta deve ser convertida para um valor de saída real, sendo necessário o estágio de defuzzificação. Dependendo do tipo de controle, precisão requerida e do tipo da função de pertinência de saída, existem três tipos principais de métodos de defuzzificação: o Metodo de Centro Maximo (COM) o Metodo do Centro de Gravidade (COG) o Metodo da Media Maxima(MOM) (KHUDHAIR et al, 2010) O método COG é um dos métodos de defuzzificação mais populares devido à sua precisão. Uma vez que funciona calculando a área sob as funções relacionadas, entretanto a alta precisão do método está no custo do aumento computacional, no tempo e na complexidade (KHUDHAIR et al, 2010). Recentemente muitos projetos vêm sendo trabalhados com a adição de lógica Fuzzy. Entre os projetos, podemos citar: controle de sistemas, aprendizado, detecção de objetos e padrões, inversores etc. Alguns projetos utilizando lógica Fuzzy também estão presentes na área médica, em que se pode trabalhar com o monitoramento de sinais vitais e também realizar a organização de dados resultantes de pesquisas médicas. Paralelamente temos ainda uma série de projetos que aliam lógica Fuzzy a outros paradigmas de inteligência artificial, como a rede neural e o algoritmo genético. Grande parte desses projetos vem sendo trabalhadas em FPGA. Utilizando FPGA é possível fazer um controle adaptativo Fuzzy para motores lineares síncronos permanentemente magnetizados. O PMLSM (Permanent-Magnet Linear Synchronous Motor) não utiliza engrenagens convencionais ou fusos de esferas, de modo que a carga sobre o motor afeta grandemente o desempenho de posicionamento (LIU et al, 2004). Para lidar com este problema, muitas técnicas de controle avançado (QINGDING et al, 2002, LIN et al, 2007, WAI et al, 2007), tais como o controle Fuzzy, redes neurais, e controle robusto, têm sido desenvolvidos e aplicados para o controle da posição da unidade PMLSM para obter um alto desempenho operacional. No entanto, a execução de uma rede neural ou controlador Fuzzy (FC) requer um alto esforço computacional para a implementação desses algoritmos de controle altamente complexos e dependem de em um PC

35 35 (Personal Computer) na maioria dos estudos (LIU et al, 2004, QINGDING et al, 2002). Nos últimos anos, os processadores de sinais digitais (DSP Digital Signal Processor) e as FPGA s fornecem uma solução possível neste assunto (KUNG, 2008, LIN et al, 2005). Comparando com as FPGA s, as técnicas inteligentes de controle usando DSP, fornecem uma habilidade flexível, em contrapartida sofrem de um longo período de desenvolvimento e esgotam muitos recursos da CPU (Central Processing Unit) (KUNG et al, 2009). Outro trabalho interessante envolvendo Fuzzy e FPGA é o desenvolvimento de um inversor multinível. Normalmente, o controlador e o modulador de inversores são separados. O inversor multinível proposto consiste em um controlador integrado com modulação por largura de pulso (PWM Pulse Width Modulation), ambos implementados em um FPGA. O controlador considera a diferença entre a tensão da linha de referência de energia (V ref ) e a tensão de saída do inversor (V output inverter ). Então, dependendo do estado do inversor, calcula o padrão a ser aplicado. Os parâmetros do controlador de entrada são AV dif f i.e (V output inverter - V ref ), que representa o erro entre a referência e o sinal de saída, e AV ntfilt que está relacionado com a saída do inversor antes do filtro passa-baixa. O projeto de um controlador de lógica fuzzy exige a definição de "funções de pertence" e "regras de inferência". As funções de pertinência escolhidas para os dois parâmetros de entrada, em que os rótulos"nb", "NS", "ZE", "PS" e "PB" significam: "NB" = negativa grande,"ns" = negativo pequeno, "ZE" = zero, e assim por diante (CECATI et al, 2009). Na área médica existem trabalhos que também aplicam Fuzzy em FPGAS para auxilio em Diagnósticos. Sistemas médicos de diagnóstico capazes de tomar decisões sobre o estado fisiopatológico dos pacientes com base em dados passados requerem processadores Fuzzy para fuzzificar adequadamente os dados coletados. Em tempo real, processos que usam uma grande quantidade de informação exigem alta velocidade de processamento Fuzzy. O trabalho tem por objetivo definir uma arquitetura de processador que explora plenamente o paralelismo inerente de inferências Fuzzy. Assim, reduzindo o número de regras processadas e permitindo que o processador também explore o fato de que apenas partes das regras têm um grau positivo de validação. O método reduz consideravelmente a quantidade de memória necessária para armazenar as regras ativas. O processador em questão é implementado em uma matriz de (FPGA). A implementação do processador em uma