INSTITUTO MILITAR DE ENGENHARIA

PAULO CESAR CARNEIRO PADILHA

DESENVOLVIMENTO DE UMA METODOLOGIA DE SINTONIA DE
CONTROLADORES FUZZY UTILIZANDO REDES NEURAIS.
APLICAES EM PROCESSOS PETROQUMICOS


Dissertao de mestrado apresentada ao Curso de
Mestrado em Engenharia Eltrica do Instituto Militar
de Engenharia, como requisito parcial para obteno
do ttulo de Mestre em Cincias em Engenharia
Eltrica.
Orientador: Mrio Cesar M. M. de Campos - Dr. ECP
Co-orientador: Geraldo M. Pinheiro Gomes - Dr.ENSAE




Rio de Janeiro
2001


2
C2001

INSTITUTO MILITAR DE ENGENHARIA
Praa General Tibrcio, 80 Praia Vermelha
Rio de janeiro RJ CEP: 22290-270

Este exemplar de propriedade do Instituto Militar de Engenharia, que poder inclui-
lo em base de dados, armazenar em computador, microfilmar ou adotar qualquer
forma de arquivamento.
permitida a meno, reproduo parcial ou integral e a transmisso entre
bibliotecas deste trabalho, sem modificao de seu texto, em qualquer meio que
esteja ou venha a ser fixado, para pesquisa acadmica, comentrios e citaes,
desde que sem finalidade comercial e que seja feita a referncia bibliogrfica
completa.
Os conceitos expressos neste trabalho so de responsabilidade do autor e do
orientador.








P123 Padilha, Paulo Cesar Carneiro.
Desenvolvimento de uma metodologia de sintonia de controladores
fuzzy utilizando redes neurais: aplicaes em processos petroqumicos /
Paulo Cesar Carneiro Padilha. Rio de Janeiro : Instituto Militar de
Engenharia, 2001.
95 p. : il., graf., tab.

Dissertao (mestrado) Instituto Militar de Engenharia Rio de
Janeiro, 2001.

1. Sintonia de controladores fuzzy. 2. Controle robusto. 3.
Processo petroqumico. 4. Rede neural fuzzy. I. Instituto Militar de
Engenharia. II. Ttulo.


CDD 629.83
3
INSTITUTO MILITAR DE ENGENHARIA

PAULO CESAR CARNEIRO PADILHA

DESENVOLVIMENTO DE UMA METODOLOGIA DE SINTONIA DE
CONTROLADORES FUZZY UTILIZANDO REDES NEURAIS.
APLICAES EM PROCESSOS PETROQUMICOS

Dissertao de mestrado apresentada ao Curso de Mestrado em
Engenharia Eltrica do Instituto Militar de Engenharia, como requisito parcial
para obteno do ttulo de Mestre em Cincias em Engenharia Eltrica.
Orientador: Mrio Cesar Mello Massa de Campos Dr. ECP
Co-orientador: Geraldo Magela Pinheiro Gomes Dr.ENSAE
Aprovada em 03 de maio de 2001 pela seguinte Banca Examinadora:

Prof. Mrio Csar Mello Massa de Campos Dr. ECP, do IME - Presidente

Prof. Geraldo Magela Pinheiro Gomes Dr.ENSAE, do IME

Prof. Roberto Ades Dr. PUC Rio, do IME

Prof. Maurcio Bezerra de Souza Jnior D.Sc., da UFRJ

Rio de Janeiro
2001

4











A minha esposa pelo incentivo, apoio e pacincia.












5
AGRADECIMENTOS

A Deus.
Ao Instituto Militar de Engenharia pela oportunidade da minha participao neste
curso.
A CAPES pelo apoio material.
Aos professores Cel. Pinheiro, Cap. Ades, Leonardo, Luiz Antnio, Maj. Declio,
Nunes e Carla do Departamento de Engenharia Eltrica do IME, bem como aos
professores Joo Carlos Baslio e Afonso Celso da COPPE.
Aos colegas de mestrado Edilmar, Maurcio e Cap. Rebello pela camaradagem e
integrao.
Especial ao professor orientador Mrio Csar Mello Massa de Campos pelo
apoio integral, dedicao, interesse e pacincia.














6
SUMRIO


LISTA DE ILUSTRAES...........................................................................................9
LISTA DE TABELAS..................................................................................................12
LISTA DE ABREVIATURAS E SMBOLOS................................................................13
1 INTRODUO.............................................................................................17
1.1 Introduo.....................................................................................................17
1.2 Objetivos do Trabalho..................................................................................18
1.3 Desenvolvimento do Trabalho......................................................................18

2 CONTROLE FUZZY.................................................................................19
2.1 Introduo....................................................................................................19
2.2 Introduo lgica Fuzzy..........................................................................19
2.2.1 Subconjuntos Fuzzy...................................................................................19
2.2.2 Grau de Pertinncia......................................................................................20
2.2.3 Tipos de Funes de Pertinncia.................................................................21
2.2.4 Operao entre Subconjuntos Fuzzy.........................................................23
2.2.5 Relaes Fuzzy..........................................................................................24
2.2.6 Raciocnio Fuzzy........................................................................................25
2.3 Controle de Processo Fuzzy......................................................................26
2.3.1 Modelo Bsico do Controlador Fuzzy........................................................26
2.3.1.1 Exemplo de um controlador Fuzzy.............................................................28
2.3.1.2 Exemplo de CLF para um Processo simples (SISO)...................................30
3 REDES NEURAIS ARTIFICIAIS...................................................................38
3.1 Introduo.....................................................................................................38
7
3.2 Redes Neurais Artificiais..............................................................................38
3.3 Redes Neurais Artificiais Multicamada.........................................................38
3.4 Propriedade de Aproximao Universal das Redes Neurais.......................41
3.5 Generalidades sobre o Processo de Aprendizagem....................................41
3.6 Rede Neural com Base Radial (RNBR)........................................................44
3.7 Aproximao de Funes atravs de RNBR................................................45

4 REDES NEURAIS FUZZY............................................................................54
4.1 Introduo.....................................................................................................54
4.2 Redes Neurais Fuzzy (RNF)......................................................................54
4.3 Estrutura de RNF..........................................................................................56
4.4 Algoritmo de Aprendizagem.........................................................................59
4.4.1 Aprendizagem da Estrutura..........................................................................59
4.4.2 Aprendizagem Paramtrica..........................................................................63
4.5 Exemplo de Aplicao do Algoritmo de Aprendizagem...............................66
4.6 Exemplo de Aplicao: Coluna Desbutanizadora........................................73
4.6.1 Controlador Fuzzy......................................................................................74
4.6.2 Controlador Neuro Fuzzy...........................................................................75

5 CONCLUSES E PERSPECTIVAS............................................................79
5.1 Concluses...................................................................................................79
5.2 Perspectivas.................................................................................................80

6 REFERNCIAS BIBLIOGRFICAS............................................................82
7 APNDICES.................................................................................................85
7.1 APNDICE 1: Fluxograma do algoritmo.de aprendizagem.da RNF...........85
8
7.2 APNDICE 2: Diagrama do controlador Neuro Fuzzy do exemplo 4.5....86
7.3 APNDICE 3: Controle Fuzzy duplo para a Coluna Desbutanizadora.....87
7.4 APNDICE 4: Diagrama do Controlador Fuzzy (parte 4.6.1)...................92
7.5 APNDICE 5: Diagrama do Mod. Desbutanizador do Controlador Fuzzy
(parte 4.6.1)..........................................................................93
7.6 APNDICE 6: Diagramas dos erros normalizados de tp e tf (parte 4.6.1)..94
7.7 APNDICE 7: Diagrama que atualiza os valores iniciais para as funes de
transferncia (parte 4.6.2).....................................................95


9
LISTA DE ILUSTRAES

FIG. 2.1 Funes de pertinncia............................................................................20
FIG. 2.2 Funes de pertinncia da varivel temperatura....................................21
FIG. 2.3

A, B e C Funes de pertinncia triangular, trapezoidal e gaussiana....21
FIG. 2.4 Unio........................................................................................................23
FIG. 2.5 Interseo.................................................................................................24
FIG. 2.6 Complemento...........................................................................................24
FIG. 2.7 Controlador Fuzzy..................................................................................27
FIG. 2.8 Controlador convencional.........................................................................27
FIG. 2.9 Inferncia Fuzzy.....................................................................................29
FIG. 2.10 Funes de pertinncia das 3 variveis...................................................31
FIG. 2.11 Evoluo das variveis E e DE para definio das regras Fuzzy..........32
FIG. 2.12 Controlador Fuzzy (diagrama)...............................................................34
FIG. 2.13 Erro normalizado (diagrama)....................................................................34
FIG. 2.14 Ponto de Operao / sada do processo (controlador Fuzzy)................35
FIG. 2.15 Controlador PID........................................................................................36
FIG. 2.16 Ponto de operao / sada do processo (controlador PID)......................36
FIG. 3.1 Modelo de rede neural multicamada........................................................39
FIG. 3.2 Arquitetura do neurneo artificial i............................................................39
FIG. 3.3 Rede neural com retroalimentao..........................................................40
FIG. 3.4 Diagrama de aprendizagem.....................................................................43
FIG. 3.5 Modelo da rede nerual com Base Radial.................................................44
FIG. 3.6 Funo para aproximao (1
o
exemplo de 3.7).......................................46
FIG. 3.7 Aproximao da funo (1
o
exemplo de 3.7)...........................................47
FIG. 3.8 Evoluo da soma do erro quadrtico Funo para aproximao
(1
o
exemplo de 3.7)..................................................................................48
FIG. 3.9 Teste de aprendizagem Funo para aproximao (1
o
exemplo de 3.7).48
10
FIG. 3.10 Superfcie da funo (2
o
exemplo de 3.7)................................................49
FIG. 3.11 Evoluo do erro (2
o
exemplo de 3.7)......................................................50
FIG. 3.12 Superfcie de erro (2
o
exemplo de 3.7).....................................................51
FIG. 3.13 Diagrama para simulao do processo no MATLAB / SIMULINK
(3
o
exemplo de 3.7)...................................................................................52
FIG. 3.14 Padres de entrada e sada.....................................................................52
FIG. 3.15 Aproximao do processo (3
o
exemplo de 3.7)........................................53
FIG. 3.16 Evoluo do erro (3
o
exemplo de 3.7)......................................................53
FIG. 4.1 Estrutura da RNF......................................................................................58
FIG. 4.2 Fluxograma de Aprendizagem da Estrutura............................................63
FIG. 4.3 PO / sada do processo sem atualizao ( exemplo de 4.5)....................67
FIG. 4.4 PO / curvas de referncia ( exemplo de 4.5)............................................67
FIG. 4.5 Diagrama do Bloco REFERNCIA ( exemplo de 4.5)..............................68
FIG. 4.6 PO / limites de referncia / sada do processo aps 130 iteraes
(exemplo de 4.5).......................................................................................68
FIG. 4.7 FPs iniciais das variveis de entrada ( exemplo de 4.5)..........................69
FIG. 4.8 FPs da varivel erro ( exemplo de 4.5)....................................................69
FIG. 4.9 FPs da varivel variao do erro ( exemplo de 4.5)...............................70
FIG. 4.10 Nmero de regras X Iteraes ( exemplo de 4.5)..................................70
FIG. 4.11 FPs da varivel erro X Iteraes ( exemplo de 4.5).................................71
FIG. 4.12 FPs da varivel variao do erro X Iteraes ( exemplo de 4.5)............71
FIG. 4.13 E
EMQ
X Iteraes....................................................................................72
FIG. 4.14 Controle dual para a Coluna Desbutanizadora.........................................73
FIG. 4.15 Temperatura de topo (tp) e de fundo (tf) / POs (exemplo de 4.6.1)..........75
FIG. 4.16 Regies de referncia de tp / POtp e tf / POtf (exemplo de 4.6.2)............76
FIG. 4.17 POs / sada do processo (tp e tf) sem aprendizagem
(exemplo de 4.6.2).....................................................................................77
FIG. 4.18 Desempenho do Controlador Neuro Fuzzy (exemplo de 4.6.2)..............77
FIG. 4.19 Evoluo do desempenho do Controlador Neuro Fuzzy........................78
11
FIG. 7.1 Fluxograma do algoritmo de aprendizagem da RNF...............................85
FIG. 7.2 Diagrama do Controlador Neuro Fuzzy.................................................86
FIG. 7.3.1 Sistema Fuzzy (parte 4.6.1).....................................................................87
FIG. 7.3.2 Funo de pertinncia da varivel Erro (parte 4.6.1)..............................88
FIG. 7.3.3 Funo de pertinncia da varivel dErro (parte 4.6.1)............................89
FIG. 7.3.4 Funo de pertinncia da varivel de sada dU (parte 4.6.1)..................90
FIG. 7.3.5 Conjunto de regras Fuzzy (parte 4.6.1)..................................................91
FIG. 7.4 Diagrama do Controlador Fuzzy p/ Coluna Desbutanizadoa de
composio dupla.....................................................................................92
FIG. 7.5 Diagrama do Mod. Desbutanizador do Controlador Fuzzy...................93
FIG. 7.6 Diagramas dos erros normalizados de tp e tf............................................94
FIG. 7.7 Diagrama que atualiza os valores iniciais ................................................95














12
LISTA DE TABELAS


TAB. 2.1 Regras da base de conhecimento do Controlador Fuzzy.......................33
TAB. 4.1 Funes de transferncia da Desbutanizadora.........................................74































13
LISTA DE ABREVIATURAS E SMBOLOS

ABREVIATURAS
CNF - Controlador Neuro Fuzzy
EMQ - Erro Mdio Quadrtico
EMQtf - Erro Mdio Quadrtico da temperatura de fundo
EMQtp - Erro Mdio Quadrtico da temperatura de topo
FP - Funo de Pertinncia
MIMO - Multiple Input Multiple Output
PID - Controlador Proporcional Integral Derivativo
RNBR - Rede Neural com Base Radial
RNF - Rede Neural Fuzzy
SISO - Single Input Single Output
PO - Ponto de Operao
SMBOLOS
log
e
Logaritmo base natural
exp Base do logaritmo natural (2,718...)

A
(x) Funo de pertinncia
b
j
(x) Funo de pertinncia gaussiana
Parmetro de sintonia da RNF para deciso de criar uma nova FP
m Centro da funo de pertinncia gaussiana
Desvio padro da funo de pertinncia gaussiana
14
w Pesos das regras
E
k
Erro quadrtico

m
Taxa de aprendizagem dos centros das FPs gaussianas

Taxa de aprendizagem dos desvios padres das FPs gaussianas

w
Taxa de aprendizagem dos pesos das regras






15
RESUMO
Os sistemas de controle Fuzzy so atualmente ferramentas importantes para a
soluo de problemas complexos de controle em plantas industriais. O controlador
Fuzzy tem como caracterstica a capacidade de incorporar o conhecimento de
operadores e engenheiros especialistas na estratgia de controle valorizando desta
forma estas informaes.
O objetivo deste trabalho o desenvolvimento de uma metodologia para sintonia
de controladores Fuzzy utilizando uma arquitetura de Rede Neural. A associao
da teoria de subconjuntos Fuzzy com a Rede Neural combina a capacidade de
raciocnio dos Sistemas Fuzzy com a capacidade de aprendizagem das Redes
Neurais.
Neste trabalho apresenta-se inicialmente conceitos introdutrios da teoria da
lgica de subconjuntos Fuzzy bem como o modelo bsico de um controlador
Fuzzy, seguido de aplicaes ilustrativas.
Apresenta-se, em seguida, uma introduo s Redes Neurais com alguns
exemplos de aplicaes. Finalmente mostra-se a possibilidade de interpretar um
sistema Fuzzy atravs de uma rede especial utilizando os algoritmos de
aprendizagem desta ltima para a obteno dos parmetros de sintonia do
controlador Fuzzy. Esta metodologia aplicada para a sintonia (obteno dos
parmetros e da estrutura) de um controlador Fuzzy em um exemplo de processo
petroqumico.











16
ABSTRACT

The Fuzzy Control Systems are nowadays an important instruments for solution
of complex problems in industrial plants. The Fuzzy controller has as a characteristic
the capacity to incorporate the knowledge of specialized operators and engineers in
control strategy in order to give value on these information.
The purpose of this work is the development of a methodology for tuning the
Fuzzy controllers using a Neural Network architecture. The association of the Fuzzy
Subsets Theory with the Neural Network combines the capacity of reasoning of
Fuzzy System with the learning capacity of the Neural Networks.
In this work it is presented , initially , introductory concepts of Fuzzy Subsets
Logic Theory, as well as the basic model of a Fuzzy controller followed by illustrative
applications.
After that it is presented an introduction to the Neural Network with some
examples of applications. Finally, it is shown the possibility of interpreting a Fuzzy
System through a special network and to use the learning algorithms of this last one
to obtain the tuning parameters of the Fuzzy controller. This methodology is applied
for the tuning (obtaining the parameters and the structure) of the Fuzzy controller in
an example of a petrochemical process.




















17
1 INTRODUO

1.1 INTRODUO
Em sistemas complexos, tais como veculos areos no tripulados e processos
industriais petroqumicos, o uso de sistemas de controle inteligentes visa melhorar o
desempenho face a variaes das condies ambientais, interaes entre variveis,
no-linearidades e variaes de parmetros ao longo do tempo. Normalmente estes
sistemas so solicitados a operar em vrios pontos de operao necessitando
portanto de robustez, estabilidade e transies suaves entre estes possveis pontos
de operao. Um sistema de controle que fosse capaz de melhorar o desempenho,
se adaptando de certa forma a novos pontos operacionais, continua sendo uma rea
de pesquisa promissora (HARRIS et al, 1993).
O objetivo bsico do controle adaptativo manter o desempenho do sistema na
presena de incertezas ou variaes desconhecidas dos parmetros da planta
adaptando o controlador. Tipicamente, os controles adaptativos so desenvolvidos
para sistemas lineares MIMO, sistemas no lineares SISO e para certas classes de
sistemas no lineares MIMO (JAGANNATHAN, 1998) e (ZHANG et al,1997).
Atualmente, as Redes Neurais Fuzzy (RNFs) so usadas para implementar
sistemas lgicos fuzzy. As RNFs combinam capacidade de aprendizagem das
Redes Neurais com o alto poder de raciocnio e de deciso obtidos pelos sistemas
fuzzy (THEOCHARIS e VACHTSEVANOS, 1996). Existem diversas maneiras de
se implementar uma RNF (LEITO, 2000), (CAMPOS,1997). A obteno de um
modelo de RNF para uma relao entrada-sada desejada requer a aprendizagem
paramtrica e tambm a aprendizagem da estrutura da rede. A aprendizagem da
estrutura efetuada, por exemplo, modificando o nmero de parties do espao de
entrada e expandindo o conjunto de regras-base fuzzy enquanto a aprendizagem
paramtrica atua ajustando os pesos da rede. A construo de uma RNF pode ser
classificada em duas categorias : 1) estrutura neural fuzzy baseada no mtodo de
inferncia Takagi e Sugeno (TAKAGI e SUGENO,1985) com funo conseqente
linear (JANG,1992,1993) e 2) estrutura neural fuzzy e conseqentes fuzzy
[JANG, 1993].
18
A estrutura neural fuzzy proposta em (MINGZHONG e FULI, 1997)
considerada neste trabalho. Esta estrutura de RNF consiste em uma base de regras
fuzzy Takagi e Sugeno cujas partes conseqentes so polinmios lineares das
variveis de entrada (premissa). Ela contempla os dois tipos de aprendizagem: a da
estrutura e a dos parmetros que so usados para o desenvolvimento adaptativo
da RNF (THEOCHARIS e VACHTSEVANOS, 1996). A aprendizagem da estrutura
insere novas funes de pertinncia criando novas regras fuzzy e determina os
parmetros das novas regras baseadas nos dados de sada desejados. A
aprendizagem dos parmetros atualiza a mdia, o desvio padro das funes de
pertinncia gaussianas e os pesos dos conseqentes das regras atravs do
algoritmo de retro-propagao.

1.2 OBJETIVO DO TRABALHO
A motivao deste trabalho estudar a possibilidade de usar conceitos de
Redes Neurais Fuzzy (RNF) para o desenvolvimento de uma metodologia de
sintonia de Controladores Fuzzy aplicada a um processo petroqumico
multivarivel.

1.3 DESENVOLVIMENTO DO TRABALHO
No captulo 2 apresenta-se de forma sucinta alguns conceitos da lgica fuzzy;
mostra-se o modelo bsico do controlador fuzzy e a aplicao deste tipo de
controlador em exemplos simples de processo.
No captulo 3 apresenta-se informaes bsicas sobre redes Neurais Artificiais,
sua aplicao na aproximao de funes e alguns outros exemplos de aplicaes
de redes.
No captulo 4 apresenta-se um modelo de Rede Neural Fuzzy (RNF), os
mtodos de aprendizagem paramtrica e estrutural da mesma. Em seguida mostra-
se como a RNF pode ser usada para a sintonia de controladores Fuzzy. A
aplicao deste mtodo feita inicialmente em um modelo SISO simples e em
seguida a um processo petroqumico MIMO.
No captulo 5 apresenta-se alguns comentrios, anlises, concluses e
perspectivas.
19
2 CONTROLE FUZZY

2.1 INTRODUO
Neste captulo apresenta-se de forma sucinta alguns conceitos da lgica fuzzy;
mostra-se o modelo bsico do Controlador Fuzzy, bem como aplicaes deste tipo
de controlador em exemplos simples de Processos, comparando o desempenho
com o de controladores PID convencionais.
2.2 INTRODUO LGICA FUZZY
A teoria dos subconjuntos fuzzy foi proposta pelo Prof. Lotfi Zadeh em 1965
(ZADEH,1965). Fuzzy em ingls significa: difuso, nebuloso. A matemtica nebulosa
(fuzzy) realiza operaes com subconjuntos (nebulosos).
A teoria de subconjuntos fuzzy objetiva criar um sistema ou um ambiente que
permita representar conhecimentos complexos, incertos, contraditrios e
incompletos de maneira sistemtica e lgica (BOUCHON-MEUNIER, 1995). O
sistema fuzzy alia a flexibilidade do tipo simblico de representao dos
conhecimentos (normais nos sistemas especialistas convencionais) com o poder dos
clculos numricos das tcnicas baseadas em redes neurais (CAMPOS,1997).
2.2.1 SUBCONJUNTOS FUZZY
O subconjunto fuzzy A caracterizado pelo par (X ,
A
(X)), onde X a
varivel (discreta ou contnua) do universo em estudo e A(X) uma funo funo
de pertinncia cuja imagem pertence ao intervalo [0 , 1] , em que 1 representa o
conceito de pertinncia total e 0, o de no pertinncia, definida por:

A
: X [0 ,1]
A FIG. 2.1 mostra um exemplo de definio de funes de pertinncia que
caracterizam a varivel com valores prximos de zero (conjunto A
1
) e prximos de
4 (conjunto A
2
).


20


A(X)


1 A
1

A
2








0 4 8 varivel x

FIG. 2.1: Funes de pertinncia
A1
(x) e
A2
(x).

2.2.2 GRAU DE PERTINNCIA
Um elemento x pertence a um subconjunto fuzzy X={x} ,discreto ou contnuo,
se existe um grau de pertinncia normalizado
A
(x)

entre zero e um. Isto ,
A
(x)
associa cada elemento de X um grau de pertinncia entre zero e um com o qual x
pertence a A.
Exemplificando:
Ao observar um objeto x
i
pode-se decidir se ele grande, mdio ou pequeno e
atribuir graus de pertinncia a estes subconjuntos fuzzy. Grande pode ser uma
pertinncia 0,8 (
GRANDE
(x
i
)=0,8), pequeno pode ser uma pertinncia 0,2
(
PEQUENO
(x
i
)=0,2).
Os subconjuntos (fuzzy) grande e mdio, por exemplo, podem no ter
fronteira bem definida ,ou seja, tm fronteira nebulosa, pois podem existir vrios
elementos comuns aos dois subconjuntos, com graus de pertinncia diferentes .
Uma varivel lingstica definida pelo trio V, X e T
V
, onde V uma varivel
definida sobre um conjunto de referncia (domnio) X. O conjunto T
V
= {A
1,
A
2,...
},
finito ou infinito, contem os subconjuntos fuzzy normalizados de X que servem para
caracterizar V. Por simplicidade, usa-se a mesma notao para representar os
valores lingsticos A
i
(baixa, alta, etc.) e os subconjuntos fuzzy associados.
21
Um exemplo: dentro do intervalo [0 , 100] , pode-se definir a varivel
temperatura com trs valores lingsticos : A
1
=baixa ,A
2
=mdia e A
3
=alta. Estes
valores caracterizam subconjuntos fuzzy com as funes pertinncia (FP)
representadas na FIG. 2.2 cuja varivel conjunto T
V
:
T
Temperatura
={baixa, mdia, alta}

FP
1 baixa mdia alta


0 10 50 90 100 Temperatura (
0
C)
FIG. 2. 2 Funes de pertinncia da varivel temperatura.

2.2.3 TIPOS DE FUNO DE PERTINNCIA
Existem diversas formas de funes de pertinncia (FP) para representar
adequadamente os subconjuntos fuzzy. Algumas das mais utilizadas so a
triangular, trapezoidal e gaussiana que so mostradas nas FIG. 2.3 A, B e C.







FIG. 2.3A Funo de pertinncia triangular.
0 2 4 6 8 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
FP TRINGULAR
22









FIG. 2.3B Funo de pertinncia trapezoidal.










FIG. 2.3C Funo de pertinncia gaussiana.



0 2 4 6 8 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
FP GAUSSIANA
0 2 4 6 8 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
FP TRAPEZOIDAL
23
2.2.4 OPERAO ENTRE SUBCONJUNTOS FUZZY
Pode-se definir vrias operaes com subconjuntos fuzzy (unio, interseo,
complemento,...). A seguir so analisadas algumas destas operaes.
Unio:
Sejam A e B, subconjuntos fuzzy com funes de pertinncia
A
e


B.
A unio
entre os dois subconjuntos um subconjunto fuzzy C, tal que sua funo de
pertinncia definida como:

C
=A B

C
(x
i
) =max{A(x
i
) , B(x
i
)} ( x
i
X)

C(X)
A B C=A B


x x
FIG. 2.4 Unio entre subconjuntos fuzzy.


Interseo:
Sejam A e B os subconjuntos fuzzy definidos anteriormente. A interseo entre
os dois subconjuntos um outro subconjunto fuzzy C, tal que:

C
=A B

C
=min{A (Xi ), B(Xi)} ( x
i
X)


24

C(X)
A B C=A B


x x
FIG. 2.5 Interseo entre subconjuntos fuzzy.
O operador min pode ser usado para realizar a interseo entre subconjuntos
fuzzy (CAMPOS, 1997).
Complemento:
Seja A o subconjunto fuzzy anterior. O complemento do subconjunto tambm um
subconjunto fuzzy , tal que:

(x
i
)={1-A(x
i
)}

(X)
A =1 - A


x x
FIG. 2.6 Complemento entre subconjuntos fuzzy.

2.2.5 RELAES FUZZY
A relao entre subconjuntos fuzzy mostra as ligaes imprecisas ou graduais
entre os elementos destes subconjuntos (ZADEH,1973).
Um sistema dinmico pode ser interpretado como uma transformao entre
entradas e sadas . No caso de um sistema fuzzy, estas transformaes so
25
definidas entre os subconjuntos fuzzy dos diferentes domnios das variveis de
entradas e sadas atravs de uma implicao lingstica, do tipo:

A B, isto , SE {A(u)} ENTO {B(v)}

Um algoritmo fuzzy composto de N regras lingsticas:
R
1
: [SE {A1(u)} ENTO {B
1
(v)}]
R
2
: [SE {A2(u)} ENTO {B
2
(v)}]
:
R
N
: [SE {A
N
(u)} ENTO {B
N
(v)}]
A relao fuzzy R para este algoritmo tem funo de pertinncia
R
(u,v) ,
definida, por exemplo, utilizando operadores min e max em um subconjunto
fuzzy do produto cartesiano {Ai x Bi} de funo de pertinncia igual a:

R
(u,v)=
i=1,...N
{min(
Ai
(u) ,
Bi
(v))}

R
(u,v)=max
i=1,...N
{min(
Ai
(u) ,
Bi
(v))}
A composio de duas relaes fuzzy R
1
entre X e Y (XxY) e R
2
entre Y e Z
(YxZ) uma relao fuzzy R=R1
o
R2 entre X e Z (XxZ) com funo de
pertinncia definida utilizando operadores min e max como:

R
(x,z)=sup {min(
R1
(x,y) ,
R2
(y,z))} => (x,z) XxZ e yY

R
(x,z)=max {min(
R1
(x,y) ,
R2
(y,z))}

2.2.6 RACIOCNIO FUZZY
A lgica fuzzy permite um tratamento mais flexvel dos conhecimentos do que a
lgica clssica .
26
Por exemplo, se existir uma regra da forma SE {V A} ENTO {W B}; e se
uma medida ou sensor indicar que V est prximo de A , isto , V A ; o
raciocnio fuzzy conclui que W tambm deve estar prximo de B , ou seja, W B.
Aps esta breve introduo aos principais conceitos da lgica fuzzy, ser
descrito o controle de processo fuzzy.
2.3 CONTROLE DE PROCESSO FUZZY
Os mtodos de controle de processos clssicos so geralmente baseados na
hiptese de que os sistemas so lineares e estacionrios, e raramente consideram
as incertezas e as imprecises da planta (HARRIS, 1993). O regulador fuzzy no
precisa de um modelo analtico completo do processo. Ele calcula suas aes em
funo de uma base heurstica de conhecimentos do processo, e esta pode ser
complexa, mal conhecida (modelo impreciso) e incerta (BERENJI,1993). O controle
fuzzy opera com uma funo no linear entre as variveis de entrada e de sada, e
reflete os conhecimentos que os operadores e/ou engenheiros possuem do
processo.
Um sistema especialista clssico tem uma regra para cada situao. Um sistema
baseado na lgica fuzzy permite generalizar e inferir dentro do universo de
referncia de cada varivel controlada. Assim, o controle fuzzy pode considerar
vrios critrios de desempenho ao mesmo tempo, que podem ser colocados de uma
forma matemtica ou lingstica. So os seguintes os objetivos de um controlador
fuzzy:
Controlar e operar automaticamente processos complexos, no lineares e
multivariveis, com desempenho pelo menos igual ao manualmente obtidos pelos
operadores;
Respeitar as especificaes e restries operacionais;
Ser simples, robusto e operar em tempo real.
2.3.1 MODELO BSICO DO CONTROLADOR FUZZY
Uma das diferenas entre um sistema de controle fuzzy e um sistema de
controle convencional que no primeiro existe o elemento fuzzificador ou
codificador que converte as entradas em suas respectivas representaes difusas
27
(subconjuntos fuzzy). No controlador, os subconjuntos fuzzy (caracterizados por
seus respectivos valores lingsticos, do tipo do mostrado na figura 2.2) so
submetidos ao conjunto de regras que ativa o decodificador. O codificador converte
a sada difusa inferida, que tambm composta por subconjuntos fuzzy, em um
valor numrico e preciso (ao de controle). As FIG. 2.7 e 2.8 mostram os diagramas
de blocos dos dois tipos de controlador.









FIG. 2.7 Controlador FUZZY.





FIG. 2.8 Controlador Convencional.



Defuzzificador
Controlador
Fuzzificador
PROCESSO
Entrada
Conhecimento
Codificado



REGRAS



Subconjuntos
Fuzzy


Interface de
Sada
PROCESSO
Entrada
Controlador
Entrada
Sada
28
2.3.1.1 EXEMPLO DE UM CONTROLADOR FUZZY.
Seja um sistema que controlado ajustando uma vlvula de vapor de acordo
com a temperatura e a presso. Este sistema ser tomado como exemplo (TORRES
e SILVA, 1995). A FIG. 2.9 mostra as funes de pertinncia que representam os
valores das variveis fuzzy de entrada e de sada. So 7 os subconjuntos fuzzy
para ao da vlvula:
NG (negativo grande), NM (negativo mdio), Z (zero), PP (positivo pequeno),etc. Por
simplicidade vamos usar apenas 4 regras fuzzy que combinam as funes de
pertinncia das variveis de entrada do processo (parte premissa) com as aes de
controle sobre a vlvula (parte conseqente). As regras so as seguintes:
R
1-
SE Temperatura Fria E Presso Muito Baixa
ENTO Ao da vlvula PG.
R
2-
SE Temperatura Fria E Presso Baixa
ENTO Ao da vlvula PM.
R
3-
SE Temperatura Fria E Presso Correta
ENTO Ao da vlvula Z.
R
4-
SE Temperatura Fria E Presso Alta
ENTO Ao da vlvula NM.
A inferncia fuzzy converte o conhecimento contido nas regras em um valor
preciso do posicionamento da vlvula de vapor.
Tendo como base apenas as 4 regras apresentadas, se em um determinado
instante t
o
os sensores do Processo indicarem uma temperatura T(t
o
)

e uma
presso P(t
o
) como na FIG. 2.9. Ento a varivel T, neste instante, ativaria apenas
a funo de pertinncia Fria com grau de pertinncia 0,5. Por outro lado a varivel P
tem grau de pertinncia em dois subconjuntos fuzzy: Baixa (com grau de
pertinncia 0,6) e Correta (com grau de pertinncia 0,25). A atividade de atribuir os
graus de pertinncia chamada de codificao ou fuzzificao. Assim estas duas
entradas ativam, no tempo t
o
, as regras 2 e 3 como mostra a FIG. 2.9.
Para cada conexo E entre as funes de pertinncia da premissa usa-se, por
exemplo, o operador mnimo para se obter o resultado que ativa as funes de
pertinncia do domnio de sada: 0,5 (mnimo entre 0,5 e 0,6) para a 2
a
regra e 0,25
29
(mnimo entre 0,25 e 0,5) para a 3
a
. Por estas duas regras, as funes de
pertinncia da sada ativadas so: a PM ( assumindo o grau de pertinncia 0,5) e Z
(assumindo o grau de pertinncia 0,25). A seguir sero combinadas as duas regras.
Esta combinao produz uma funo de pertinncia para o domnio da sada que ,
ento inferida, atravs de umas das tcnicas de defuzzificao ou decodificao,
por exemplo, Centrode (centro de gravidade) isto :

Ao da vlvula=
( ) ( ) 0, 25 0 / 0, 5 360 /
240 /
0, 25 0, 5
mm s mm s
mm s
+
=
+

Onde: centro da funo PM=360 mm/s
centro da funo Z=0 mm/s
A cada instante os sensores cptam outros pares de valores (T e P) e o
controlador, ento, recalcula as novas aes de sada.

Muito Muito
Fria Fria Morna Quente Quente
1

0,5 Ativao das Regras 2 e 3

0 T

110 T(to) 220 330 1 NG NM NP Z PP PM PG
Temperatura em graus Celsius
0,5

Muito Muito 0,25
Baixa Baixa Correta Alta Alta
1 -600 0 240 360 +600
Ao da Vlvula em mm/s
0,6 0,25

0
100 P(to) 1200 2300
Presso em Pascal

FIG.2.9. Inferncia FUZZY



30
2.3.1.2 EXEMPLO DE UM CONTROLADOR FUZZY PARA UM PROCESSO
SIMPLES (SISO)
A dinmica do processo representada pela funo de transferncia G
p
abaixo:
( )
2
5
1
p
s G
s s
=
+ +

Deseja-se construir um controlador fuzzy para este processo. Os passos para
elaborao do controlador Fuzzy so:
1
o
Passo: Definio do domnio das variveis do controlador.
2
o
Passo: Normalizao, por exemplo, no intervalo [-1 , 1].
3
o
Passo: Definio das funes de pertinncia das variveis do controlador.
4
o
Passo: Elaborao das regras.
VARIVEIS DO CONTROLADOR:
ENTRADAS: Erro E(t)=(Ponto de Operao)-(sada do processo)=PO-y(t)
Variao do erro DE(t)=E(t)-E(t-1)
SADA: U
AO DE CONTROLE:
Varivel manipulada U
Que ir , por exemplo, abrir ou fechar uma vlvula.

FUNES DE PERTINNCIA.
Cada varivel ter 7 valores lingsticos (para as 3 variveis), sendo cada um
destes valores representado por uma funo de pertinncia:
{NG, NM, NP, Z, PP, PM, PG}
conforme mostra a FIG. 2.10.


31

FP
1 NG NM NP Z PP PM PG


0
-1 -0,66 -0,33 0 0,33 0,66 1
FIG.2.10 Funes de pertinncia das 3 variveis.

Como cada varivel tem 7 valores lingsticos, pode-se obter at 49 regras
(nmero de valores lingsticos elevado dimenso do espao de entrada 7
2
). Estas
regras so criadas em funo dos conhecimentos de um especialista em controle e
de um especialista do processo a ser controlado, a partir de uma resposta dinmica
desejada para o sistema. A FIG. 2.11 mostra a resposta dinmica do processo, que
ser usada para a definio das regras fuzzy.
A TAB. 2.1 mostra as 17 regras de controle obtidas pela anlise do pontos de a
at q da FIG. 2.11, considerando o comportamento aceitvel, segundo a anlise
qualitativa de um especialista do sistema, da varivel de sada para cada um destes
pontos. Por exemplo, no ponto b o erro entre a varivel de sada e o seu valor
desejado (Ponto de Operao) est prximo de zero (Z), mas a variao do erro
negativa e grande (NG), assim espera-se que sada se afaste do seu Ponto de
Operao, logo o controlador deve se antecipar e variar a sada de um forma
negativa e grande (NG) (Regra 2 da TAB. 2.1).




32




E(t)=(PO)-y(t)
DE(t)=E(t)-E(t-1)
























ERRO E + - - + + - - + + - - + + - - +
VAR.
ERRO
DE - - + + - - + + - - + + - - + +


FIG. 2.11 Evoluo das variveis E e DE para definio das regras Fuzzy.






0 1 2 3 4 5 6 7
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
PO
a
b
c
d
e
f
g
h
i
j
k
l
m
n
o
p
a
b
c
d
e
f
g
h j
k
l
m
n
o
p q
i
y(t)
33

TAB. 2.1 Regras da base de conhecimento do controlador Fuzzy.

E DE NG NM NP Z PP PM PG
NG NG
3
NM
16
PM
17
NM NM
15
NM
7

NP NP
11

Z NG
2
NM
6
NP
10
Z
13
PP
12
PM
8
PG
4

PP PP
9

PM PM
5

PG PG
1
PM
14



A FIG. 2.12 mostra o diagrama de simulao para o controlador fuzzy no
MATLAB / SIMULINK no qual destacam-se os blocos controlador fuzzy (com 17
regras) e Erro normalizado (FIG. 2.13). A variao do erro normalizado obtida
atravs dos blocos retardo 1 e sum 1. A sada do Controlador (U) processada
pelos blocos sum 2 e retardo 2 que compem a ao de controle (U).
Na sada do controlador existe um ganho (k
c
=3) que que pode ser usado para a
sintonia fina do controlador fuzzy.

34











FIG. 2.12 Controlador FUZZY.

Para obter um melhor desempenho foi colocado um amplificador para cada
varivel de entrada do controlador, cujo efeito o de sintonia , isto , ajuste dos
fatores de escala. O ajuste destes ganhos foram obtidos por tentativa e erro.







FIG. 2.13 Erro normalizado.
t
tempo
sp
set-point
saida
sada
z
1
retardo 2, st=1seg1
z
1
retardo 1, st=1seg
ex_contr_fuzzy
E En
erro normalizado
E
erro
Sum2
Sum1
Sum
Step
Scope4
Scope3
Scope2
Scope1
Scope
s +s+1
2
5
PROCESSO
Mux
Mux
3
Gain
1.3
Fator de
escala /dE
1
Fator de
escala /E
Clock
En= (2*(E-Emin)/(Emax-Emin))-1 ERRO NORMALIZADO
1
En -20
erro mn.
Emin
20
erro mx.
Emax
Sum2
Sum1
Sum
Product
2
Gain
1
Constant2
1
E
35
A FIG. 2.14 mostra a resposta do Processo (sada) a uma variao de 5 para 25
do Ponto de Operao (PO).













FIG. 2.14 Ponto de Operao / Sada do Processo

Para efeito de comparao, o mesmo processo controlado por um PID. O
controlador foi ajustado, atravs de um processo de tentativa e erro, com parmetros
k
P
=0,15
,
k
I
=0,11 e k
D
=0,18 ( para obteno do desempenho considerado
aceitvel em funo de uma anlise visual dos resultados da simulao). O
diagrama em blocos do sistema com controlador PID mostrado na FIG. 2.15.
A FIG. 2.16 apresenta a resposta do processo como controlador PID.


0 20 40 60 80 100
0
5
10
15
20
25
30
tempo(segundo)
P
O

(
v
e
r
d
e
)

/

s
a

d
a

(
v
e
r
m
e
l
h
o
)
36









FIG. 2.15 : Controlador PID.




















FIG. 2.16 Ponto de Operao / Sada do Processo




PROCESSO
t
tempo
sp
set-point
saida
sada
s +s+1
2
5
Sum
Step
Scope2
Scope1 Scope
PID
PID Controller
kp=0.15 ,ki=0.11, kd=0.18
Clock
0 20 40 60 80 100
0
5
10
15
20
25
30
tempo(segundo)
P
O
(
v
e
r
d
e
)

/

s
a

d
a
(
v
e
r
m
e
l
h
o
)
37
A comparao entre as FIG. 2.14 (desempenho do controlador FUZZY) e 2.16
(desempenho do controlador PID) indica que a resposta do controlador PID
apenas mais rpida do que a do FUZZY.
O desempenho do controlador FUZZY pode ser melhorado utilizando-se um
mtodo de sintonia dos seus parmetros, por exemplo:
redefinir o nmero de funes de pertinncia das variveis, posicionar
adequadamente seus centros e ajustar as respectivas larguras.

incluir novas regras, etc.
Este exemplo mostra que a sintonia de um controlador baseado na lgica
Fuzzy (CLF) necessita da definio de um nmero maior de parmetros, o que na
prtica s se justifica em problemas complexos, pois nos casos simples, algoritmos
do tipo PID podem apresentar um desempenho satisfatrio, com um custo bem
menor em termos de parmetros a serem sintonizados.
CONCLUSO

Neste captulo apresentou-se uma introduo aos CLFs, mostrando os diversos
passos para a construo do algoritmo:
Definio das variveis;
Definio das FPs;
Definio das regras.









38
3 REDES NEURAIS ARTIFICIAIS

3.1 INTRODUO
Neste captulo apresenta-se conceitos bsicos sobre redes Neurais Artificiais, e
sua aplicao na aproximao de funes. Por ltimo apresenta-se alguns exemplos
dessa aplicao.
3.2 REDES NEURAIS ARTIFICIAIS
As redes neurais artificiais so construdas a partir de vrios elementos simples
de processamento que so geralmente implementados usando componentes
eletrnicos ou atravs de simulao em computadores digitais.
As redes neurais artificiais so inspiradas no sistema nervoso biolgico. Elas
tentam modelar a maneira com que o crebro humano executa uma determinada
tarefa. Com esse objetivo as redes neurais so formadas usando uma alta
interconexo de clulas, que operam em paralelo, chamadas de neurnios artificiais.
As redes neurais artificiais tm sido utilizadas para solucionar problemas
complexos de controle, difceis de serem resolvidos pelos mtodos convencionais.
3.3 REDE NEURAL ARTIFICIAL MULTICAMADA
A rede neural multicamada um sistema artificial (ROSENBLANTT, 1962)
composto de clulas elementares, chamadas de neurnios, e organizada em
camadas sucessivas que so conectadas entre si. A FIG. 3.1 mostra um modelo de
rede neural multicamada.



39
Camada de Camada
Entrada de Sada

Recepo Deciso
do Sinal
Camada
Intermediria
FIG. 3.1 Modelo de rede neural multicamada.
O NEURNIO ARTIFICIAL
O elemento base de toda rede neural o neurnio artificial. Ele um
processador no linear (geralmente simulado no computador, e algumas vezes
implementado com circuitos eletrnicos) que a cada instante discreto k, calcula o
seu potencial v
i
(k) e a sua ativao z
i
(k) da seguinte maneira:
z
i
(k) =f
i
(v
i
(k)) onde v
i
(k)=
j Pi
(w
ij

x z
j
(k))
Pi o conjunto dos neurnios da rede conectados ao neurnio i. A ativao v
i
(k)
uma soma dos valores das atividades destas unidades ponderadas pelos
coeficientes de ponderao das conexes w
ij
. A funo de ativao do neurnio f
i

geralmente no linear. Ela pode ser uma funo de distribuio sigmoidal, radial, etc
(RIVALS et al.,1995). Um neurnio linear um simples somador, cuja funo de
ativao a identidade. A FIG. 3.2 ilustra um neurnio artificial.
Z
1
(k) W
i1
Z
2
(k) W
i2
Z
i
(k)=f
i
(v
i
(k))
Z
j
(k) W
ij
v
i
(k)=
j Pi

(W
ij
x

Z
j
(k))

FIG. 3.2 Arquitetura do neurnio artificial i.
j Pi

( )
.
i
f
40
Os neurnios artificiais so geralmente organizados em camadas. Cada uma
destas camadas totalmente conectada camada seguinte e a anterior. O sinal que
chega camada de entrada se propaga at a camada de sada. Todos os neurnios
de uma camada calculam suas sadas simultaneamente (paralelismo da rede neural
multi-camadas) (MINSKY e PAPERT, 1969 ). Desta forma, os parmetros que
caracterizam uma rede neural multicamada so:
nmero de camadas;
nmero de neurnios por camada;
escolha das conexes;
tipos de funes de ativao dos neurnios;
peso de cada uma das conexes.
Uma rede neural pode ter ou no uma retroalimentao. Uma rede em malha
aberta ou sem retroalimentao (esttica) se caracteriza por no possuir uma malha
fechada ou ciclo, e representa geralmente uma relao algbrica no linear entre
suas entradas e sadas. Uma rede fechada ou com retroalimentao (dinmica)
possui pelo menos uma malha fechada ou ciclo (RIVALS et al.,1995). Um exemplo
deste tipo mostrado na FIG. 3.3.

Sadas Variveis de estado
...... .......

Atraso
........ ........ Unitrio
Entradas
FIG. 3.3 Rede neural com retroalimentao.
REDE NEURAL
MULTI-CAMADAS
41
Resumindo, uma rede neural uma estrutura paralelamente distribuda de
processamento de informaes, consistindo de uma srie de neurnios artificiais
interconectados.

3.4 PROPRIEDADE DE APROXIMAO UNIVERSAL DAS REDES NEURAIS
A propriedade de aproximao universal das redes neurais pode ser formulada
da seguinte forma:
Para qualquer funo determinstica suficientemente regular, existe pelo menos uma
rede neural artificial sem retroalimentao, possuindo uma camada intermediria,
alm das camadas de entrada e de sada (neurnio linear), que aproxima esta
funo e suas derivadas sucessivas, no sentido dos mnimos quadrados, com uma
preciso arbitrria (RIVALS et al.,1995). Este teorema s se aplica quando as
funes de ativao dos neurnios das camadas intermedirias possuem certas
propriedades particulares que no sero desenvolvidas neste trabalho (as funes
sigmoidais satisfazem a esta condies).
Esta propriedade de aproximao universal no especfica das redes neurais:
os polinmios e as sries de Fourier, por exemplo, possuem esta mesma
caracterstica. O que diferencia as redes neurais dos outros aproximadores
universais sua economia ou parcimnia, isto , para obter um determinado nvel
de aproximao a rede neural utiliza menos parmetros que os outros
aproximadores (HORNIK et al.,1994). Esta vantagem reduz o tempo de clculo, e a
quantidade informaes necessrias estimao dos coeficientes da rede. Outra
vantagem das redes a sua capacidade de lidar com problemas de grandes
dimenses.

3.5 GENERALIDADES SOBRE O PROCESSO DE APRENDIZAGEM
A implementao de uma rede neural multicamadas passa geralmente por trs
etapas:
a definio das entradas e sadas da rede;
42
a escolha da arquitetura da rede (nmero de camadas, nmero de neurnios por
camada e escolha das conexes);
o ajuste dos pesos das conexes ou aprendizagem da rede.

Uma arquitetura muito simples corre o risco de subestimar a complexidade do
problema. E inversamente, a escolha de uma arquitetura muito complexa para o
problema, pode levar a uma rede extremamente boa para os pontos fornecidos para
treinamento, mas com pssimo desempenho para os novos pontos, isto , com uma
pssima capacidade de extrapolao. Este problema ligado a concepo de uma
rede neural conhecido como dilema da aprendizagem (DEFFUANT, 1992].
O ajuste dos pesos das conexes chamado de aprendizagem da rede e no
caso de uma aprendizagem supervisionada, consiste no seguinte procedimento :
Apresentar rede um conjunto de pontos (entradas e sadas desejadas);
Minimizar uma funo Custo (por exemplo, o desvio entre a sada da rede e o
valor desejado).
importante que o conjunto de dados (pontos) fornecidos rede durante o
processo de aprendizagem seja suficientemente rico de forma a cobrir, tanto quanto
possvel, todo o domnio esperado de funcionamento da rede. O nmero de pontos
pontos usados durante a aprendizagem tambm deve ser suficientemente grande
em relao ao nmero de coeficientes da rede. interessante observar que a
necessidade de se possuir um nmero suficiente de pontos representativos do
problema em questo, no uma limitao das redes neurais, mas uma limitao de
todos os mtodos estatsticos. Entretanto, como j foi mencionado, esta limitao
mais fcil de ser atendida, com o uso das redes neurais.
A aprendizagem de uma rede neural portanto, definida como um problema de
otimizao, que consiste em obter os coeficientes da rede que minimizam uma
funo custo J. Por exemplo, pode-se definir uma funo custo J na iterao i
pela equao:

( )
( ) ( ) ( ) ( )
1
, ,
,
T N
k
D k O k i Q D k O k i
J W i
N
=
| | | |
| |
\ \

=

43
onde w representa os coeficientes ou pesos da rede na iterao i, Q uma matriz
definida positiva, D(k) o vetor de sadas desejado para o ponto k, O(k,i) o vetor
de sadas da rede para o ponto k na iterao i, e N o nmero de pontos do
conjunto de aprendizagem. A FIG. 3.4 mostra o diagrama de aprendizagem para
uma rede.

Sada - +

Erro

FIG. 3.4 Diagrama de aprendizagem.
A aprendizagem consiste em determinar as conexes que so responsveis por
um erro da rede, e modific-los de forma a diminuir este erro. Este problema pode
ser resolvido pelo algoritmo da retro-propagao do gradiente (RUMELHART et
al.,1986), (MULLER e REINHARDT,1991), (CONDAMIN, 1995), que executa uma
busca guiada pelo gradiente para uma rede multicamadas. A cada iterao, isto ,
uma passagem por todos os pontos ou dados do conjunto de aprendizagem, o
algoritmo modifica as conexes ou pesos da rede segundo a frmula:

W
J
W

| |
|
|
\

A convergncia deste mtodo assegurada, em funo da escolha da taxa de
aprendizagem , mas o mnimo obtido local. Este mnimo local depende
fortemente das condies iniciais dos pesos da rede. Desta forma, utilizando-se este
algoritmo no se pode garantir que se tem a melhor rede aps a aprendizagem.
Resumindo, a maioria das redes aprende modificando os pesos das conexes. O
desafio desenvolver uma lei que guie efetivamente o vetor de pesos na direo do
melhor desempenho da rede.
A seguir descrita, brevemente, a Rede Neural com Base Radial e alguns
exemplos de aplicaes em aproximaes de funes e identificao de modelos.

DADOS
REDE
VALOR
ESPERADO

ALGORITMO DE
APRENDIZAGEM

44
3.6 REDE NEURAL COM BASE RADIAL (RNBR)
A Rede Neural com Base Radial uma rede de trs camadas:
a camada de entrada, a camada intermediria e a de sada.
Cada n da camada intermediria composto por funes de base radial, cuja
forma mais usada a gaussiana (com seu centro e varincia). Cada n desta
camada est associado a uma regio do espao (domnio) de entrada, desta forma a
sada do n corresponde ao grau de pertinncia da varivel de entrada dentro dos
limites da funo radial do n.
Os ns de sada constituem uma combinao linear das sadas de cada n da
camada intermediria, isto , uma soma ponderada das sadas destes ns. A FIG.
3.5 mostra um modelo de Rede com Base Radial (sem polarizao).


b
1
(x)
x
1
. w
1
. . .
. . y
. . .
x
N
. w
j
b
j
(x)

FIG. 3.5 Modelo da Rede Neural com Base Radial.
A funo com base radial Gaussiana da forma:

( )
2
2
exp
2*
j
j
j
x m
b x

(
(
(
(
(
(

=
45
onde:
x : vetor de entrada x=[x
1,
x
2
,...,x
N
]
T

j
: desvio padro do j-simo n ;
m
j
: vetor centro da funo Gaussiana do j-simo n ;
b
j
(x
I
) : sada do j-simo n da camada intermediria ;
O valor de cada sada dos ns b
j
(x) pertence ao intervalo [0,1] de tal forma que
quanto mais prximo do centro da funo Gaussiana c
j
,

estiver a entrada x, maior
ser a sada do n. Uma funo com base radial tem curva radialmente simtrica em
relao ao seu centro, como a funo Gaussiana. Desta forma a sada de cada n
da camada intermediria fornece o mesmo valor para valores de entrada com
distncias simtricas com relao ao seu centro. A sada y da rede obtida por:

1
NR
j j
j
y w b
=
=

onde :
y : sada da rede;
w
j
: peso associado ao j-simo n;
b
j
: sada do j-simo n da camada intermediria;
NR : nmero de ns da camada intermediria.

3.7 APROXIMAO DE FUNES ATRAVS DE RNBR
1
o
Exemplo: Como ilustrao mostra-se a seguir o projeto de uma RNBR para
aproximar a funo abaixo cujo grfico mostrado na FIG. 3.6.
y= exp(-x/10) seno(1,5 x)


46









FIG. 3.6 Funo para aproximao.

O domnio da varivel x para treinamento [-3,3], a distncia entre os pontos
de 0,1, assim o nmero total de pontos apresentados para treinamento 61.
A ferramenta utilizada para a aproximao da funo, isto , para o treinamento
da RNBR, a funo solverb do MATLAB da forma:
[W
1
,B
1
,W
2,
B
2
,NR,TR]=solverb (X,Y,dp)
onde:
X - matriz NxQ das N entradas de comprimento Q (N o nmero de entradas)
(Q o nmero de dados para treinamento de cada entrada).
Y - matriz SxQ (S o nmero de sadas).
dp conjunto de parmetros de projeto:
dp(1) - nmero iteraes entre cada apresentao da evoluo dos resultados.
dp(2) - nmero mximo de neurnios.
dp(3) - mxima soma do erro quadrtico.
dp(4) largura inicial da funo base radial (BR).

Aps o treinamento, a funo apresenta os seguintes resultados:
W
1
- matriz dos centros (NRxN) da camada das funes BR (NR=n
o
de neurnios).
B
1 -
vetor das larguras ou varincias (NRx1) para a camada das funes BR
W
2
- matriz de pesos (SxNR) da camada linear (S=n
o
de sadas)
B
2
- vetor de polarizao (Sx1) para camada linear.
-3 -2 -1 0 1 2 3
-1.5
-1
-0.5
0
0.5
1
1.5
x
Y
y= exp(-x/10) seno(1,5x)
47
NR - nmero de neurnios com base radial usados.
TR - vetor dos erros durante o treinamento.
O algoritmo solverb treina uma rede representada por uma topologia
semelhante da figura 3.3 acrescida das entradas B
2
(polarizaes) camada de
sada y, assim B
2
somado a y. O algoritmo a cada iterao, minimiza a soma do
erro quadrtico. A rede, desta forma, evolui pelo aumento do nmero de neurneos
e pelas alteraes das Bases Radiais

(de seus pesos, centros e larguras) e
polarizaes da camada de sada.
A matriz dos parmetros da funo utilizada foi a seguinte:
dp=[20, 100, 0.1, 1 ]
Os resultados para a funo da figura 3.4 so os seguintes:
Nmero de neurneos : NR=15
W
1
=[-3, -2.9, -2.8, -2.7, -0.8, -2.6, -2.2, 0.3, -2.5, -0.1, 1.8, -2.4, 3, -0.6, 2.9]
T
;
B
1
=[0.8326, 0.8326, 0.8326, 0.8326, 0.8326, 0.8326, 0.8326, 0.8326, 0.8326, 0.8326,
0.8326, 0.8326, 0.8326, 0.8326, 0.8326]
T
;
W
2
=[-0.0

518, 0.3432, -0.9858, 1.5822, 0, -1.5170, 0.0097, 0, 0.8441, 0, 0, -0.2248,
0, 0, 0]10
+9
; B
2
=-84.6771.
As FIG. 3.7 e 3.8 mostram o desempenho da rede na aproximao da funo
teste (FIG. 3.6) e a evoluo da soma do erro quadrtico respectivamente.







FIG. 3.7 Aproximao da funo.
-3 -2 -1 0 1 2 3
-1.5
-1
-0.5
0
0.5
1
1.5
APROXIMAO DE y=exp(-x/10) seno(1,5x)
x
S
A

D
A
:
(
-
)

,

O
B
J
E
T
I
V
O
:
(
+
)
48








FIG.3.8 Evoluo da soma do erro quadrtico.

Para teste da rede aumenta-se o domnio da funo para o intervalo X [-3.5,
3.5]. O ensaio realizado com a funo simurb do MATLAB. O resultado
mostrado na FIG. 3.9 em que Y a resposta da rede e Y
1
a resposta da funo.









FIG. 3.9 Teste da aprendizagem da rede.

0 5 10 15
10
-20
10
-15
10
-10
10
-5
10
0
10
5
NMERO DE ITERAES (NEURNIOS)
S
O
M
A

D
O
S

E
R
R
O
S

A
O

Q
U
A
D
R
A
D
O
EVOLUO
-4 -3 -2 -1 0 1 2 3 4
-25
-20
-15
-10
-5
0
5
X
Y
(
-
)




e





Y
1

TESTE DE APRENDIZAGEM
49
A anlise do resultado apresentado na FIG. 3.9 indica que a rede s apresenta
uma sada vlida para os pontos de entrada localizados no intervalo [-3,3]. Isto , a
rede no capaz de extrapolar alm da regio dos dados usados para treinamento.
Este resultado era esperado pois a RNBR composta de neurnios que s
apresentam sada vlida (1) em torno de seu respectivo centro.

2
o
Exemplo: para aumentar o grau de complexidade, mostra-se a seguir o projeto
de uma RNBR com objetivo de aproximar a funo abaixo (com duas variveis) cujo
grfico (superfcie) mostrado na FIG. 3.10.
y=10(x
1
3
)

- x
2
4











FIG. 3.10 Superfcie da funo.
O domnio das variveis x
1
e x
2
para treinamento [-5, 5]. A ferramenta utilizada
para a aproximao da funo, isto para o treinamento da RNBR, a
mesma funo solverb do MATLAB usada e descrita no exemplo anterior. O vetor
de parmetros utilizado foi o seguinte:
dp=[10, 200, 0.1, 11.5 ]
50
Os resultados so os seguintes:
Nmero de neurnios : NR=54.
Os primeiros 5 termos da matriz (54x2) dos centros das BR
s
das variveis so :
W
1
=[-4.5 5; 5 3.5; 1.5 4; -1.5 4.5; 5 5;...................................]
As larguras de todas as 54 BR
s
so iguais formando o seguinte vetor:
B
1
=[0,0724 ,.........................., 0,0724]
T
.
Os 5 primeiros termos da matriz (54x1) de pesos da camada linear so:
W
2
=[0.292; -0.3934; -0.4484; -0.0430; -0.1657;...........................]10
+11
A polarizao da camada linear :
B
2
=-7,8628x10
+3
.
A FIG. 3.11 mostra a evoluo da soma do erro quadrtico durante o
treinamento da rede.









FIG. 3.11 Evoluo do erro.
Para teste da rede aumenta-se o domnio de ambas as variveis x
1
e x
2
, para o
intervalo [-5.5, 5.5]. O ensaio realizado com a funo simurb do MATLAB. O
resultado gera uma superfcie de erro (Y-Y
1
) mostrada na FIG. 3.12 em que Y1 a
resposta da rede e Y resposta da funo.
0 10 20 30 40 50
10
-20
10
-15
10
-10
10
-5
10
0
10
5
10
10
NMERO DE ITERAES (NEURNIOS)
S
O
M
A

D
O
S

E
R
R
O
S

A
O

Q
U
A
D
R
A
D
O
EVOLUO
51









FIG. 3.12 Superfcie de erro.
A anlise do resultado apresentado na FIG. 3.12 indica, tal como no exemplo
anterior, que a sada da rede s vlida para uma regio de pontos que foi
contemplada durante o treinamento, isto , no intervalo [-5, 5].

3
o
Exemplo: mostra-se o projeto de uma RNBR para o processo (SISO) mostrado
na FIG. 3.13, e cuja funo de transferncia :

2
5
( )
1
p
G s
s s
=
+ +

A FIG. 3.14 mostra o padro de entrada para o treinamento da RNBR e a sada
do processo para esta entrada.



52









FIG. 3.13 Diagrama para simulao do Processo no MATLAB / SIMULINK








FIG. 3.14 Padres de entrada e sada.
A varivel u para treinamento foi trocada pela varivel t [0, 60]com distncia 1
entre os pontos. A ferramenta utilizada para a aproximao da funo, isto para o
treinamento da RNBR, a funo solverb do MATLAB usada e descrita no 1
o
exemplo. Para a simulao do modelo Simulink foi usada a funo sim do
MATLAB.
A matriz dos parmetros de projeto :
t
To Workspace2
u
To Workspace1
saida
To Workspace Sum
Step2
Step1
Step
Scope1
Scope
s +s+1
2
5
PROCESSO
Clock
0 10 20 30 40 50 60
0
10
20
30
U
(
v
e
r
m
e
l
h
o
)
0 10 20 30 40 50 60
0
50
100
150
tempo (segundo)
S
A

D
A
(
a
z
u
l
)
53
dp=[20, 200, 0.1, 1]
O nmero de neurnios resultante foi: NR=76.
A FIG. 3.15 mostra a aproximao do processo.







FIG.3.15 Aproximao do Processo.
A FIG. 3.16 mostra a evoluo do erro.








FIG. 3.16 Evoluo do erro.





0 10 20 30 40 50 60
-20
0
20
40
60
80
100
120
140
160
APROXIMAO do PROCESSO
5/S
ENTRADA
S
A

D
A
:
(
-
)

,

O
B
J
E
T
I
V
O
:
(
+
)
0 10 20 30 40 50 60 70
10
-20
10
-15
10
-10
10
-5
10
0
10
5
10
10
NMERO DE ITERAES (NEURNIOS)
S
O
M
A

D
O
S

E
R
R
O
S

A
O

Q
U
A
D
R
A
D
O
EVOLUO
54
4 REDES NEURAIS FUZZY

4.1 INTRODUO
Neste captulo apresenta-se um modelo de Rede Neural Fuzzy, o mtodo de
sua aprendizagem, a aplicao deste mtodo ao processo usado como exemplo nos
captulos anteriores e finalizando, a validao do mtodo em um processo
petroqumico.

4.2 REDES NEURAIS FUZZY (RNF)
A lgica fuzzy permite que o comportamento de um sistema possa ser descrito
com relaes do tipo se-ento. Na rea de sistema de controle, solues fuzzy
simples podem ser obtidas de forma direta e em menor tempo de projeto para as
tarefas de modelagem e controle de processos (CAMPOS et al., 2000). Alm disso,
a estrutura dos sistemas baseados na lgica fuzzy permite utilizar todo o
conhecimento especialista do processo para otimizao do seu desempenho de uma
maneira rpida e direta.
Em muitas aplicaes o conhecimento disponvel para descrio do
comportamento do sistema est restrito a um conjunto de dados experimentais.
Neste caso, o projetista tem que obter as regras fuzzy diretamente destes dados, o
que representa um esforo proporcional ao tamanho do conjunto de dados
fornecidos.
Quando um conjunto de dados experimentais contendo as informaes
necessrias para descrio de um sistema est disponvel, a implementao de
redes neurais surge como uma soluo suficiente para a tarefa de modelagem e
controle, devido a sua capacidade de auto-aprendizagem a partir de dados de
treinamento.
Pode-se definir um sistema neuro-fuzzy como um sistema fuzzy que utiliza um
algoritmo de aprendizado derivado ou inspirado na teoria de redes neurais para
55
determinar seus parmetros (subconjuntos e regras fuzzy) atravs do
processamento das amostras de dados.
Sistemas neuro-fuzzy so usualmente representados como redes neurais de
mltiplas camadas (JANG,1993), (JANG e SUN, 1995) e (BERENJI e KHEDAR,
1992). Entretanto, outras arquiteturas de redes neurais tambm so utilizadas, tais
como em (VUORIAMAA, 1994) onde os pesos das conexes e as funes de
ativao e propagao diferem das redes neurais mais comuns.
Embora existam vrias abordagens diferentes, normalmente utiliza-se o termo
neuro-fuzzy para as implementaes que apresentam as seguintes caractersticas
(NAUCK et al.,1997):
i) Uma estrutura neuro-fuzzy baseada em um sistema fuzzy
treinado por um algoritmo de aprendizado derivado da teoria de
redes neurais. O procedimento de aprendizado atua sobre regies
fuzzy restritas, baseando-se apenas em informaes locais.
ii) Um sistema neuro-fuzzy pode ser visto como uma rede neural de
3 camadas. A primeira camada representa as variveis de entrada,
a camada intermediria representa as regras fuzzy e a terceira
camada representa a camada de sada. Os subconjuntos fuzzy
so codificados como pesos das conexes entre os ns da rede.
Embora no seja estritamente necessrio representar um sistema
fuzzy desta forma, para se aplicar um algoritmo de aprendizagem,
ela apresenta a vantagem da representao explcita do
processamento dos dados no interior do modelo. Tambm so
comuns arquiteturas de redes com 5 camadas, onde os
subconjuntos fuzzy so representados na segunda e na quarta
camada.
iii) Um sistema neuro-fuzzy sempre pode ser interpretado como um
conjunto de regras fuzzy, isto , antes, durante e depois da
aprendizagem. Tambm possvel iniciar o sistema neuro-fuzzy
sob a forma de regras fuzzy atravs do conhecimento a priori das
caractersticas do processo (CAMPOS, 1997).
56
iv) Um sistema neuro-fuzzy aproxima uma funo n-dimensional que
parcialmente definida por seus dados de treinamento. As regras
fuzzy codificadas dentro do sistema representam amostras que
podem ser vistas como prottipos dos dados de treinamento.
Assim as RNFs combinam a capacidade de aprendizagem das redes neurais
com a capacidade de raciocnio dos sistemas fuzzy. Desta forma, elas formam uma
estrutura que atualiza seus parmetros em funo de uma relao entrada-sada
desejada.

4.3 ESTRUTURA DA RNF
A estrutura da RNF usada neste trabalho similar a apresentada por Rufus
(RUFUS et al., 1999) e mostrada na FIG. 4.1. Ela dividida em trs partes:
premissa, conseqente e de decodificao (defuzzificao). A estrutura consiste em
conjunto de regras fuzzy baseadas nas regras Takagi e Sugeno (TAKAGI e
SUGENO,1985) cuja parte conseqente formada por polinmios lineares das
variveis de entrada (premissa).
A parte premissa desta rede consiste das seguintes camadas:
Camada 1: cada n representa uma varivel lingistica do espao de
entrada com funo de pertinncia (FP) gaussiana; cuja sada um possvel
antecedente de uma das regras fuzzy.
Camada 2: cada n representa uma regra fuzzy, tendo como sada, a
ativao da regra para uma determinada entrada
1
[ ,..., ]
m
x x x = .
A parte conseqente desta rede consiste das seguintes camadas:
Camada 3: cada n representa um polinmio linear das variveis de entrada
cujos coeficientes so os pesos dos seus termos. A sada de um n desta
camada o peso de uma regra fuzzy associada, por
exemplo
1 01 11 1 1
. ... .
k k k k
m
m
f w w x w x = + + + o peso associado a
1
da
camada 2.
A parte de decodificao desta rede consiste das seguintes camadas:
57
Camada 4: a sada de cada n o produto da sada da camada 2 (ativao
da regra) pela respectiva sada da camada 3 (peso da regra).
Camada 5: a sada de cada n o somatrio das sadas da camada 2
(ativao das regras).
Camada 6: a sada de cada n o somatrio das sadas da camada 4.
Camada 7: cada n representa uma sada do Sistema que razo entre as
as camadas 6 e 5, por exemplo:
1
1
.
N
k
v v
v
N
v
v
k
f
y

=
=
=

O vetor de entrada da RNF x=[x
1
,......,x
m
]
T
e o de sada y=[y
1
,.......,y
p
]
T
.
A base de regras fuzzy da RNF um conjunto de regras da forma Takagi e
Sugeno (TAKAGI e SUGENO,1985), por exemplo:
R
(j)
: SE x
1
A
1j
E x
2
A
2j
E.......E x
m
A
mj
ENTO
f
j
1
=w
1
oj
+w
1
1j
x
1
+....+w
1
mj
x
m
E.......E f
j
p
=w
p
oj
+w
p
1j
x
1
+....w
p
mj
x
m

onde:

l
j
f a sada da j-sima regra associada ao l-simo componente de sada y
l
.
,..., ,...,
l l l
oj ij mj
w w w so os coeficientes polinomiais (pesos) que conectam linearmente
as variveis de entrada funo conseqente
l
j
f .
A
1j,...,
A
ij,...,
A
mj
so os termos lingisticos dos subconjuntos fuzzy no espao das
premissas associado j-sima regra R
(j)
. Cada termo A
ij


associado a uma funo
de pertinncia gaussiana
Aij
(x
i
) que determina o grau de pertinncia com que um
dado x
i
satisfaz a A
ij
.

2
2
( )
exp
2( )
ij
i ij
A
ij
x m

(
(
(
(

=
onde m
ij
e
ij
so a mdia e o desvio padro da funo de pertinncia gaussiana
respectivamente.
58








CAMADA 1

CAMADA 2
X
1
A
11
(X
1
)
1



CAMADA 5

A
1Q
(X
1
)
1
N
v
v

*


CAMADA 7
y
k


CAMADA 4
A
m1
(X
m
)

1
.f
1
k
X
m

N

CAMADA 6


A
mR
(X
m
)
1
N
k
v v
v
f
=

W
k
01
f
1
k
W
k
11
X
1 W
k
m1

N
.f
N
k



W
k
1N
W
k
0N

f
N
k
X
m W
k
mN

CAMADA 3 * OPERADOR DA INVERSA

FIG. 4.1 Estrutura da RNF.












1
INV



PREMISSA
DECODIFICAO
CONSEQENTE
59
A ativao de cada regra R
(j)
obtida pelo operador produto, isto :

( )
1 1
,..., ( ) ... ( )
ij mj
m m
j A A
x x x x =
Dado um vetor de entrada x, o k-simo componente de sada (y
k
)

do sistema
fuzzy inferido como:

1
1
.
N
k
j j
j
k N
j
j
f
y

=
=
=

( ) ( ) ( )
1
,...,
T
p
k k k
y t y t y t
(
(

=
A sada y
k
acima

obtida pelo mtodo da mdia ponderada de defuzzificao
pela estrutura da rede mostrada anteriormente, pode-se observar que a mesma
implementa um algoritmo fuzzy, ou melhor, que os parmetros da rede podem ser
interpretados como parmetros de um modelo fuzzy. Desta forma ao se utilizar um
algoritmo de aprendizagem para a rede pode-se gerar automaticamente o sistema
fuzzy desejado, como ser discutido a seguir.

4.4 ALGORITMO DE APRENDIZAGEM
O objetivo do processo de treinamento determinar a estrutura e os parmetros
adequados das partes premissa e conseqente da rede. Portanto, a aprendizagem
deve ajustar a estrutura neuro-fuzzy pelo acrscimo de novas funes de
pertinncia assim como de novas regras (em funo do desempenho da RNF) a
partir de um conjunto inicial de regras. A aprendizagem tambm deve atualizar os
parmetros (mdias e desvios padres) das funes de pertinncia gaussianas bem
como os pesos das regras atravs de um algoritmo equivalente ao da retro
propagao, para cada ponto de treinamento.
A seguir ser detalhado este algoritmo. Inicialmente ser discutida a
aprendizagem da estrutura da rede e a seguir a dos parmetros da mesma.
60
4.4.1 APRENDIZAGEM DA ESTRUTURA
Seja S
i
o conjunto de termos lingisticos fuzzy associado i-sima entrada (x
i
)
tendo Q
i
termos (n
o
de subconjuntos fuzzy) e N o nmero de regras no k-simo
ponto de treinamento (tempo discretizado). Cada regra descrita em termos de m
coordenadas cada uma associada a uma entrada x
m
.
R
(j)
:{A
1j
,...,A
mj
}, j=1,...,N onde A
ij
S
i.

As coordenadas A
ij
podem ser substitudas (traduzidas) por seus respectivos
nmeros de ordem dentro do subconjunto fuzzy de cada varivel (x
m
).

Desta forma,
o conjunto de regras do sistema pode ser representado por uma matriz REGRAS
(Nxm), por exemplo: REGRAS=[2 4 ; 1 3]. A primeira linha da matriz (2 4)
representa os antecedentes:
SE (x
1
A
12
) E (x
2
A
24
)
Seja x(t
k+1
) o vetor de entrada no tempo discretizado t
k+1
. O vetor de entrada
alimenta a RNF que calcula os nveis de ativao de todos os termos da camada 1.
Assim para cada entrada x
i
a RNF calcula:
*
*
,
max
1 1
,
max ( ( )), 1,..., ,
iv
i
i v
i
i
i i i i A A k k
i v
x t v Q x t

| |
| |
| ` |
|
\
\
)
+ +
= = = 1,..., i m =
O termo
*
max
,
i
i v
representa o valor mximo de pertinncia para a entrada x
i
(t
k+1
)
do conjunto de termos fuzzy S
i
. Sendo que este mximo grau de pertinncia
ocorre na
*
i
v -sima pertinncia
*
,
i
i v
A . Considerando o parmetro de sintonia
como o mais baixo nvel admissvel para
*
max
,
i
i v
, que se no for atingido deve-se
criar uma nova funo de pertinncia, o algoritmo de aprendizagem da RNF pode
ser resumido nos seguintes passos:
1) Verifique se os termos
*
max
,
i
i v
so menores ou maiores do que .
Se
*
,
i
i v
o conjunto S
i
deve permanecer inalterado (com seus Q
i
termos).
61
Se
*
,
i
i v
< uma nova funo de pertinncia deve ser adicionada ao conjunto e
seus parmetros determinados da seguinte forma:

, 1 i novo i k
m x t
| |
|
\
+
=

( )
, ,
,
2 log
i prox i novo
i novo
e
m m

+

=

, 0<<1
onde:
, i novo
m o centro da nova funo de pertinncia;

, i novo
o desvio padro da nova funo de pertinncia;

, i prox
m
+
o centro da funo de pertinncia mais prxima de x
i
(t
k+1
) que
pertence a S
i
;
um parmetro que determina o nvel de superposio da nova funo de
pertinncia
, i nova
A em relao mais prxima
, i prox
A
+
.
O desvio padro
, i novo
limitado em

( )
,max
2 log
e
i
i i
i
R R
Q

=


onde
i
R

e
i
R
+
so os limites inferior e superior do espao (domnio) de
i
x , isto ,
,
i i i
x R R
(
(

+
= .
2) Se nenhuma funo de pertinncia foi inserida, usar os nmeros de ordem
(posio
*
i
v ) do mximo de cada entrada x
i
em relao ao seu subconjunto para
formar uma possvel nova regra, arranjados da seguinte forma:
REGRA=[
* *
1
,...,
m
v v ].
Caso esta nova regra ainda no pertena ao conjunto N regras, ela deve ser
inserida na camada 2 da RNF (na ltima linha da matriz REGRAS que passar a ter
dimenso N+1 x m).
62
3) Se pelo menos uma funo de pertinncia foi criada (com parmetros
, i novo
m e
, i novo
) uma nova regra deve ser adicionada na ltima linha da matriz REGRAS da
seguinte forma:
=> acrescentar o par de novos parmetros matriz formada pelos centros e desvios
padres do algoritmo de aprendizagem, reorden-la pelos centros. Assim o ndice
(posio) da nova funo de pertinncia restabelecido. A nova regra obtida
atravs da combinao deste ndice com os ndices dos mximos
( )
*
i
v das outras
variveis e REGRA=
* *
1
,.., ,..,
m
NOVO
v v v
(
(

.
4) Se vrias funes de pertinncia foram criadas, e no somente uma, o
procedimento mesmo que o anterior e
REGRA=
* *
1 1 2
,.., ,.., ,..,
m
NOVO NOVO
v v v v

(
(

. Assim uma nova regra deve ser
adicionada na ltima linha da matriz REGRAS.
OBS: Para que no seja criada mais de uma regra para um mesmo ponto de
aprendizagem x(t
k+1
) foram estabelecidos graus de prioridade, desta forma o ltimo
critrio sempre prevalece sobre os anteriores e assim sucessivamente.

O valor
inicial dos pesos (parte conseqente) para nova regra (N+1) o seguinte:

0,( 1) 1
,( 1)
( ),
0
l d
N l k
l
i N
w y t
w
+ +
+
=
=

1,..., i m = ; 1,..., l p =
Onde
1
( )
d
l k
y t
+
denota a sada desejada da RNF para o ponto de treinamento
k+1 (tempo discretizado t
k+1
).
A FIG. 4.2 mostra o fluxograma de Aprendizagem da Estrutura.


63

FIG. 4.2 Fluxograma de Aprendizagem da Estrutura.

4.4.2 APRENDIZAGEM PARAMTRICA
A aprendizagem da RNF passa tambm pelo ajuste dos seus parmetros
(centros e desvios das funes de pertinncia gaussianas bem como dos pesos das
regras).
Seja S
T
o conjunto de dados de treinamento e T um nmero inteiro de pares
sada-entrada, da forma:
, , 1,...,
d
T k k
S x t y t k T

| |

| | | |
| ` | |
|
\ \
\
)
= =
R
(j)
:{A
1j
,...,A
mj
}, j=1,...,N => matriz REGRAS (N x m)
*
max
1
,
max ( ( )), 1,...,
iv
i i
i i i A k
i v
x t v Q
+


`

)
= =
Nova FP:
, i novo
m e
, i novo

Nova REGRA
=
* *
1
,.., ,..,
m
NOVO
v v v
(
(

Possvel nova REGRA=
[
* *
1
,...,
m
v v ]
[
* *
1
,...,
m
v v
] =>
matriz REGRAS
agora (N+1 x m)
Nova REGRA =>
matriz REGRAS agora
(N+1 x m)
Matriz REGRAS
Inalterada
*
,
i
i v

N S
[
* *
1
,...,
m
v v ] REGRAS
N
S
64
onde
1
,...,
T
d d
m
y
d
k k k
t t y t y
(
| | | | | |
( | | |
\ \ \
(

= o vetor de sada e

1
,...,
T
m
k k k
x t x t x t
(
| | | | | |
( | | |
\ \ \
(

= o vetor de entrada da RNF.
Pode-se definir:
o erro da RNF no k -simo ponto:
d
k k k
e y t y t
| | | |
| |
\ \
=
o erro quadrtico no k -simo ponto:
1
2
T
k k k
E e e
| |
| | | |
|
| |
|
\ \
|
\
=
o erro de referncia:
( ) ( )
d
R Rk k k
y t y t e =
onde
d
R
y uma faixa admissvel de valores em torno de
d
y .
Os parmetros da RNF sero atualizados da seguinte forma:

( ) ( )
1
k
m
ij ij
ij
E
m t m t t
m

| |
|
\

+ = +

( ) ( )
1
k
ij
ij
j i
E
t t t

| |
|
\

+ = +

( ) ( )
0 0
0
1
k k
j j k
j
k
w
w
E
t w t t
w

| |
|
\

+ = +

( ) ( )
1
k k
ij ij
k
ij
k
w
w
E
t w t t
w

| |
|
\

+ = +

onde: 1,..., i m = ;
1,...,
i
j Q = ;
1,..., k p = ;

m
,

,
w
so as taxas de aprendizagem dos centros, desvios e pesos
(so tambm parmetros de sintonia do algoritmo de aprendizagem).
65
Os gradientes de
k
E em relao aos parmetros so calculados, para cada
varivel de entrada da seguinte forma:
( )
( )
, 2
1
1
i
j
p
i ij k
q
l k
q
Rk l l k N
ij l q I ij
v
v
x t m
E
e f y t
m

=
=
| |
| |
| |
|
|
|
|
| | \ | |
|
| | |
| \
\
|
|
|
| \
\

( )
( )
, 3
1
1
i
j
p
i ij k
q
l k
q
Rk l l k N
ij l q I ij
v
v
x t m
E
e f y t

=
=
| |
| |
| |
|
|
|
|
| | \ | |
|
| | |
| \
\
|
|
|
| \
\

,
0
1
E
j
k
e
Rk l N l
w
j
v
v

=

,
1
E
j
k
e x t
i
Rk l k N l
w
ij
v
v

| |
|
\

=

onde: 1,..., i m = ;
1,..., j N = ;
1,..., l p = ;

i
j
I o conjunto de regras fuzzy no k-simo ponto de aprendizagem e
l
q
f
o peso da regra q.O apndice 1 mostra o fluxograma que descreve o
algoritmo de aprendizagem da RNF.


66
4.5 EXEMPLO DE APLICAO DO ALGORITMO DE APRENDIZAGEM
O algoritmo de aprendizagem da RNF ser agora aplicado ao Processo que foi
usado como exemplo nos captulos anteriores:

( )
2
5
1
p
G s
s s
=
+ +

parmetros iniciais: varivel erro =>E=[-1,1]
7 funes de pertinncia
centros => [-1,-0.67,-0.33,0,0.33,0.67,1]
desvios => [1/7,1/7,1/7,1/7,1/7,1/7,1/7]
varivel variao do erro =>E=[-1,1]
7 funes de pertinncia
centros => [-1,-0.67,-0.33,0,0.33,0.67,1]
desvios => [1/7,1/7,1/7,1/7,1/7,1/7,1/7]
Regras => 13 regras (matriz 13 x 2):
[7,4; 4,1; 1,4; 4,7; 6,4; 4,2; 2,4; 4,6; 5,4; 4,3; 3,4; 4,5; 4,4]
Pesos => matriz 13 x 3
[1,0,0; -1,0,0; -1,0,0; 1,0,0; 0.67,0,0; -0.67,0,0; -0.67,0,0;
0.67,0,0; 0.33,0,0; -0.33,0,0; -.033,0,0; 0.33,0,0; 0,0,0]
Estes parmetros (iniciais) foram feitos, tanto quanto possvel, iguais aos do
exemplo 2.3.1.2 onde as FPs so triangulares e com 17 regras. Neste exemplo as
FPs so gaussianas e com 13 regras que so um subconjunto daquelas 17.
A simulao realizada no MATLAB/SIMULINK. Primeiro verifica-se o
desempenho da RNF sem a aprendizagem, isto , s com os parmetros iniciais.
So usados 100 pontos para a aprendizagem da RNF correspondentes a simulao
do tempo 1 ao tempo 100 (y
d
(t), u(t)).
A FIG. 4.3 apresenta o resultado da simulao apenas com os parmetros
iniciais (sem aprendizagem) para a iterao dos 100 pontos que produziu erro
mdio quadrtico EMQ=0,086.
67







FIG. 4.3 PO / sada do processo. Sem atualizao.
Para o processo de aprendizagem foram criadas regies de trajetrias de
referncia em torno do Ponto de Operao. Se a varivel controlada y(t) estiver
nesta regio o sistema para de alterar seus parmetros. A FIG. 4.4 mostra o Ponto
de Operao e as curvas de referncia que limitam a excurso da sada. Esta regio
de referncia um parmetro de sintonia do algoritmo.
O uso de regies de referncia aumenta a robustez do algoritmo de
aprendizagem pois diminui a tendncia do processo instabilizar, em funo de uma
escolha do objetivo y
R
d
(t
k
) mais realista. Neste caso, a FIG. 4.5 mostra como foram
implementadas no MATLAB / SIMULINK estas curvas de referncia. O apndice 2
mostra o diagrama completo do simulador para este sistema.







FIG. 4.4 PO / Curvas de referncia.
0 20 40 60 80 100
-5
0
5
10
15
20
25
P
O
(
v
e
r
m
e
l
h
o
)
/
s
a

d
a
(
a
z
u
l
)
t(seg)
0 20 40 60 80 100
-5
0
5
10
15
20
25
30
P
O
(
v
e
r
m
e
l
h
o
)
/
r
e
f
e
r

n
c
i
a
s
(
m
a
g
e
n
t
a
)
t(seg)
68








FIGURA 4.5 : Diagrama do Bloco REFERNCIA
Aps 130 iteraes do processo de aprendizagem os parmetros da RNF
evoluram de tal forma que o desempenho o mostrado na FIG. 4.6. comparando-se
com o desempenho inicial (FIG 4.3) pode-se observar que o sistema foi capaz de
melhorar bastante o seu desempenho e respeitar as regies de referncia.









FIG. 4.6 PO / limites de referncia / sada do processo aps 130 iteraes.
As funes de pertinncia iniciais da RNF para as variveis de entrada so
mostradas na FIG. 4.7.
0 20 40 60 80 100
-5
0
5
10
15
20
25
30
P
O
(
v
e
r
m
e
l
h
o
)

/

s
a

d
a
(
a
z
u
l
)
/
r
e
f
e
r

n
c
i
a
(
m
a
g
e
n
t
a
)
t(seg)
referncia 1
2
ref1/ref2
1
E_U
1.0
s +1.5s+1
2
referncia 2
Transport
Delay1
Transport
Delay
1
1.5s+1
Scope
MATLAB
Function
REFERNCIA
Mux
Mux1
Mux
Mux
Demux
Demux
2
y
1
sp
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
3
3
3
3
1
1
69









FIG. 4.7 FPs iniciais das variveis de entrada.

As FIG. 4.8 e 4.9 mostram as FPs das variveis de entrada da rede aps as 130
iteraes de aprendizagem. Para a varivel erro houve o acrscimo 3 FPs (total de
10) e para a varivel variao do erro foi usada mais 1 FP (total de 8).









FIG. 4.8 FPs da varivel erro.
-1.5 -1 -0.5 0 0.5 1 1.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Variveis Erro / DErro
FP
-1.5 -1 -0.5 0 0.5 1 1.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Varivel ERRO
FP
70









FIG. 4.9 FPs da varivel variao do erro.
A FIG. 4.10 mostra a evoluo do nmero de regras da RNF durante as 130
iteraes. Como se pode observar a partir de 53 iteraes o nmero

de regras
permanece inalterado em 42. Este resultado mostra que no ocorre uma exploso
exponencial do nmero de regras ao longo das iteraes com o uso desta estratgia
de aprendizagem.







FIG. 4.10 N
o
de REGRAS x Iteraes
As FIG. 4.11 e 4.12 mostram a evoluo dos nmeros de funes de pertinncia
das duas variveis de entrada com o nmero de iteraes.
-1.5 -1 -0.5 0 0.5 1 1.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Varivel DERRO
FP
0 20 40 60 80 100 120 140
20
25
30
35
40
45
NMERO DE ITERAES
N

M
E
R
O

D
E

R
E
G
R
A
S
71









FIG. 4.11 FPs da varivel erro x Iteraes.








FIG. 4.12 FPs da varivel variao do erro x Iteraes.
A FIG. 4.13 mostra a evoluo do erro mdio quadrtico (
EMQ
E ) com nmero
de iteraes.


0 20 40 60 80 100 120 140
7
7.5
8
8.5
9
9.5
10
NMERO DE ITERAES
N

M
E
R
O

D
E

F
P

d
a

v
a
r
.

E
R
R
O
0 20 40 60 80 100 120 140
7
7.1
7.2
7.3
7.4
7.5
7.6
7.7
7.8
7.9
8
NMERO DE ITERAES
N

m
e
r
o

d
e

F
P

s

d
a

v
a
r
.

D
E
R
R
O
72








FIG. 4.13
EMQ
E x Iteraes.
Os parmetros finais, isto , aps a sintonia do algoritmo de aprendizagem da
RNF, foram os seguintes:
- parmetro 0, 2 = ;
- parmetro
m
=0,05;
- parmetro

=-0,05 ;
- parmetro
w
=0,01;
- nmero mximo de FPs para cada varivel: 12;
- critrio de parada usado: nmero

de iteraes, 130.


O desempenho da RNF permanece praticamente inalterado aps 90 iteraes e
dentro dos limites de variao permissveis adotados. Aps 22 iteraes os
nmeros de FPs das variveis j eram os finais, 8 e 10.
Observando-se as FIG. 4.7 e 4.8 pode-se ver que para as duas variveis h a
superposio de FPs.
Uma das possveis perspectivas para trabalhos futuros melhorar a sintonia do
algoritmo na hora de definir a superposio entre as novas e antigas funes de
pertinncias.
0 20 40 60 80 100 120 140
0.08
0.082
0.084
0.086
0.088
0.09
0.092
0.094
0.096
NMERO DE ITERAES
V
A
R
I
A

O

D
O

E
R
R
O

A
O

Q
U
A
D
R
A
D
O
73
4.6 EXEMPLO DE APLICAO: COLUNA DESBUTANIZADORA
Para validao do mtodo de sintonia do controlador fuzzy usa-se como
exemplo a Coluna Desbutanizadora.. A Coluna Desbutanizadora usada para
separar a mistura de hidrocarbonos em duas correntes: gs liqefeito de petrleo
(GLP) e nafta (gasolina). Os produtos de topo da torre so o GLP e o gs
combustvel, e o produto de fundo a nafta.
A estratgia de controle baseada numa estrutura onde o refluxo usado para
controlar a temperatura de topo da torre, e um fluido de leo quente (HCO Heavy
Cycle Oil) usado para controlar a temperatura de fundo. Esta estratgia ilustrada
na FIG. 4.14.













FIG. 4.14 Controle dual para a Coluna Desbutanizadora.
O modelo (identificado ) est reportado em (FREITAS, CAMPOS, LIMA, 1993).
A TAB. 4.1 a seguir, mostra as funes de transferncias identificadas.
FC
TC
FC
TC
SP
SP
ALIMENTAO
NAFTA
GS
GLP
HCO
74
TAB 4.1 Funes de transferncia da Desbutanizadora
FUNES DE TRANSFERNCIA MODELO DINMICO
Temp. topo / Refluxo
11
1, 7719
71, 4 1
G
s

=
+

Temp. fundo / Refluxo
21
0, 0401
25,1 1
G
s

=
+

Temp. topo / HCO
12
0,1172
7, 6 1
G
s
=
+

Temp. fundo / HCO
22
0,1441
6, 8 1
G
s
=
+

Temp. topo / Alimentao
1
0, 3755
18, 4 1
F
G
s

=
+

Temp. fundo / Alimentao
2
0, 2731
19,1 1
F
G
s

=
+

O objetivo do controle manter, as variveis controladas (sadas) que so as
temperaturas de fundo (tf) e de topo (tp) nos valores desejados. As variveis
manipuladas so o refluxo de topo (rt) e a vazo de HCO que o fluido quente do
refervedor de fundo. A perturbao do processo a vazo de alimentao (F).


4.6.1 CONTROLADOR FUZZY.
Em primeiro lugar, para efeito de comparao, o controle do processo feito
atravs de um controlador Fuzzy duplo, isto , um para controlar a temperatura de
fundo e outro para a de topo. Cada controlador possui 26 regras. As variveis de
entrada de cada um so: o erro (E) e a variao do erro (dE) da varivel controlada.
A varivel de sada a variao da ao de controle (dU), isto , vazo de refluxo
para a temperatura de topo e vazo de HCO para a temperatura de fundo. O
apndice 3 mostra o sistema Fuzzy, as funes de pertinncia das variveis de
75
entrada, a funo de pertinncia da varivel de sada e o conjunto das 26 regras
respectivamente. Os diagramas de simulao (SIMULINK) do controlador, do
processo e do erro normalizado so mostrados nos apndices 4, 5 e 6
respectivamente. A sintonia do controlador realizada atravs dos ganhos dos
amplificadores das variveis de entrada de cada um dos controladores fuzzy, de
uma forma heurstica (tentativa e erro).
A FIG. 4.15 mostra o desempenho do controlador, isto , as temperaturas de
topo e de fundo comparadas com os respectivos valores desejados (POs).









FIG. 4.15 Temperaturas de topo (tp) e de fundo (tf) x POs.

4.6.2 CONTROLADOR NEURO FUZZY.
Em seguida o processo da Coluna Desbutanizadora submetido ao controle da
RNF (dupla / paralela) para que esta seja treinada. Existem tambm duas RNF,
sendo uma para a temperatura de topo e outra para a de fundo.
A RNF tem o mesmo conjunto de regras iniciais (26 regras) usado no controlador
Fuzzy; as funes de pertinncia gaussianas usam os mesmos centros mas com
desvios equivalentes aos usados no controlador Fuzzy do item 4.6.1. Os valores
dos POs foram mantidos os mesmos da simulao no item 4.6.1 deste trabalho.
0 20 40 60 80 100
80
82
84
86
88
tempo
P
O
t
p

/

t
p
DESEMPENHO DOCONTOLADOR. FUZZY
0 20 40 60 80 100
125
130
135
140
145
tempo
P
O
t
f

/

t
f
76
Foram estabelecidas regies de referncia em torno de cada PO bem
conservadoras, apenas com a finalidade de testar o processo de aprendizagem da
rede. Quando as duas variveis controladas (tp e tf) estiverem dentro das suas
respectivas regies de referncia o sistema de aprendizagem no mais altera os
parmetros e regras do controlador Fuzzy (RNF). A FIG. 4.16 mostra as duas
regies de referncia e os respectivos POs.









FIG.4.16 Regies de Referncia de tp / POtp e tf / POtf
Para aumentar a velocidade de processamento, o Controlador Neuro Fuzzy
(CNF) implementado atravs de um programa, que simula todo o controlador
multivarivel, e est associado a um diagrama SIMULINK que, a cada ponto de
treinamento simula o processo. Isto , o CNF atualiza as condies iniciais das 6
funes de transferncia do processo e o SIMULIK fornece as tp e tj atuais. Este
diagrama mostrado no apndice 7.
A FIG. 4.17 apresenta o resultado da simulao apenas com os parmetros
iniciais (sem aprendizagem) para a iterao dos 100 pontos que produziram erro
mdio quadrticos de EMQtp=0,0012 e EMQtf=0,0012.

0 20 40 60 80 100
75
80
85
90
REFERNCIAS DE tp / POtp
R
E
F
t
p
(
M
G
)
/
P
O
t
p
(
V
M
)
0 20 40 60 80 100
125
130
135
140
145
REFERNCIAS DE tf / POtf
R
E
F
t
f
(
M
G
)
/
P
O
t
f
(
V
M
)
tempo
77









FIG. 4.17 POs / sadas do processo (tp e tf). Sem aprendizagem.
Aps 11 iteraes a rede se estabilizou (cessou sua aprendizagem), isto , no
criou mais regras nem alterou os seus parmetros, j que o desempenho do
controlador ficou dentro dos limites estabelecidos pelas referncias como mostra a
FIG. 4.18. A FIG. 4.19 evidencia a evoluo da aprendizagem do controlador.








FIG. 4.18 Desempenho do Controlador Neuro Fuzzy.

0 20 40 60 80 100
75
80
85
90
R
E
F
t
p

/

P
O
t
p

/

t
p
(
o
C
)
tp
0 20 40 60 80 100
125
130
135
140
145
tf
R
E
F
t
f

/

P
O
t
f

/

t
f
(
o
C
)
tempo
0 20 40 60 80 100
75
80
85
90
95
R
E
F
t
p

/

P
O
t
p

/

t
p
(
o
C
)
tp
0 20 40 60 80 100
120
130
140
150
tf
R
E
F
t
f

/

P
O
t
f

/

t
f
(
o
C
)
tempo
78










FIG. 4.19 Evoluo do desempenho do Controlador Neuro Fuzzy.

Ao final das 11 iteraes, os erros mdios quadrticos das variveis foram
EMQtp=0,000170 e MQtf=0,000279.
O nmero de regras correspondentes a ambas variveis de sada passou de 26
(inicial) para 28.
No houve aumento do nmero de FPs para todas 4 variveis de entrada.
Os resultados mostrados nas FIG. 4.15 e 4.17 diferem pelo fato das funes de
pertinncia do controlador Fuzzy serem triangulares (assimtricas) e no caso do
controlador Neuro Fuzzy, gaussianas equivalentes.

0 20 40 60 80 100
75
80
85
90
95
R
E
F
t
p

/

P
O
t
p

/

t
p
(
o
C
)
tp
0 20 40 60 80 100
120
130
140
150
tf
R
E
F
t
f

/

P
O
t
f

/

t
f
(
o
C
)
tempo
79
5 CONCLUSES E PERSPECTIVAS

5.1-CONCLUSES
Do captulo 2, atravs do exemplo da parte 2.3.1.2, pode-se concluir que para
problemas simples (controle de sistemas SISO, linear e de ordem reduzida) uma
boa soluo continua ainda sendo o uso de controladores clssicos do tipo PID. Isto
decorre do fato do desempenho ser razovel, e deste algoritmo ter um nmero de
reduzido parmetros a serem ajustados.
No captulo 3 constatou-se que as redes neurais so ferramentas eficazes para a
aproximao de funes e identificao de processos.
No captulo 4 mostrou-se uma Rede Neural Fuzzy e seu algoritmo. Os
resultados obtidos tanto na parte 4.5 (processo SISO) quanto na parte 4.6 (processo
MIMO) demonstraram a evoluo do desempenho e do aprendizado da RNF.
Para o sucesso do desempenho e aprendizagem da RNF necessrio
inicialmente uma adequada escolha dos domnios das variveis de entrada, dos
parmetros das funes de pertinncia e do conjunto bsico de regras.
Na RNF da parte 4.6.2 foram usados como parmetros iniciais os mesmos
parmetros utilizados no controlador Fuzzy da parte 4.6.1, isto , os mesmos
centros, regras e pesos das regras. Os desvios das funes de pertinncia da RNF
foram feitos, tanto quanto possvel, equivalentes aos usados no controlador Fuzzy,
j que nos dois casos so utilizados tipos diferentes de funes de pertinncia:
uma do tipo gaussiana e a outra do tipo triangular (assimtrica). Este fato
facilitou a sintonia da RNF.
Uma vez arbitrados os parmetros iniciais da RNF, por tentativa / erro,
conveniente que se estabelea um procedimento para a sintonia. A metodologia
usada neste trabalho foi a seguinte:
1- Antes de iniciar a aprendizagem da RNF, ajustar os ganhos
correspondentes a todas as variveis de entrada e de sada visando o
melhor desempenho.
80
2- Com os valores obtidos em 1 so liberados para a aprendizagem somente
os centros e desvios. Pela observao do desempenho das RNFs so
definidos os sinais de
m
e

. Depois so ajustados os respectivos

valores absolutos.
3- Com os valores obtidos em 1 so liberados para a aprendizagem somente
os pesos das regras. Pela observao do desempenho das RNFs so
definidos os sinais de
w
e logo aps os seus respectivos valores
absolutos.
4- Com os valores obtidos em 1, 2 e 3 so liberados para a aprendizagem os
centros, desvios, pesos das regras e o algoritmo de criao das regras
para a primeira iterao. As RNFs evoluem at que sejam satisfeitos os
seus limites de referncias
Observou-se que as pr sintonias efetuadas em 1, 2 e 3 minimizam o
nmero de regras. A cada resultado considerado positivo eram redefinidos os
limites das referncias. Isto , os limites iam ficando progressivamente mais
rigorosos.
Os resultados apresentados pela RNF foram bons, e no houve uma exploso
exponencial do nmero de regras, nem do nmero de funes de pertinncia, graas
a estratgia de usar limites ou regies de referncia para definir os objetivos.
5.2- PERSPECTIVAS
Pela observao dos resultados da parte 4.5 (FIG. 4.7 e 4.8) pode-se ver que
uma perspectiva para futuros trabalhos, consiste em melhorar a sintonia do
algoritmo quando da definio da superposio entre as novas e as antigas funes
de pertinncia.
Os resultados das partes 4.6.1 e 4.6.2 indicam interaes entre as variveis de
sada (tp e tf). Para futuros trabalhos, em processos MIMO, sugere-se estudar o uso
de um mtodo de desacoplamento como o apresentado, para o mesmo processo
(Desbutanizadora) em (FREITAS, CAMPOS, LIMA, 1993). Uma outra possibilidade
estudar um controlador Fuzzy MIMO, ao invs dos dois controladores
independentes (um para a o topo e outro para o fundo) como os estudados neste
trabalho.
81
Como perspectiva de trabalhos futuros tambm sugere-se testar a metodologia
proposta em um caso real.

82
6 REFERNCIAS BIBLIOGRFICAS

BERENJI, H. R. e KHEDAR, P., Learning and Tunning Fuzzy Logic Controllers
through reinforcements, IEEE Trans. Neural Network, vol. 3, 724 740, 1992.
BERENJI, H. R., Fuzzy and Neural Control dans Antasaklis, P. et Passino, K. ,
An Introduction to Intelligent and Autonomous Control, Kluwer Academic
Publishers, 1993.
BOUCHON-MEUNIER, B., La Logique Floue et ses Application, Ed.Addison-
Wesley, France, 1995.
CAMPOS, M. C., La simulation Dynamique et L Intelligence Artificielle
Delaboration de Strategies de Controle-Commande Multivariable Flou.
Aplication a une Unite de Cracage Catalytique en Phase Fluide, Tese de
doutorado, Paris, 1997.
CAMPOS,M.C., Sistemas Inteligentes para Controle e Automao de
Processos, Notas de Aula, IME, 2000.
CONDAMIN, L., Extraction et Intgration des rgles sur un rseau neuro-
mimtique. Aplication lharmonisation de la cotation la banque de
France, Tese de doutorado, Ecole Centrale Paris, fvrier, 1995.
DEFFUANT,G., Rseaux connexionnistes auto-construits, Tese de doutorado
de lEHESS Paris VI, juin, 1992.
FREITAS,M. S., CAMPOS, M, C. e LIMA, E. L., Dual Composition Control of a
Debutanizer Column, ISA, Individual Paper Preprint, vol. 295, pp. 501 509,
1993.
HARRIS, C. J. , MOORE, C. G. e BROWN, M., Intelligent Control Aspects of
Fuzzy Logic end Neural Nets, World Scientific Publishing, 1993.
HORNIK, K., STINCHCOMBE, M., WHITE, H. e AVER, P., Degree of
approximation results for feedforward networks approximating unknown
mappings and their derivatives, Neural Computation, 6, 1262-1275, 1994.
JAGANNATHAN, S, Adaptative Fuzzy Logic Control of Feedback Linearizablel
Discrete-Time Dynamical Systems Under Persistence of Exitation,
Automatica, vol. 34 no.11,pp.1295 1310, 1998.
83
JANG, J, S, R, Self Learning Fuzzy Controllers Based on Temporal Back
Propagation, IEEE Transactions on Neural Networks, vol. 3 no. 5, pp. 714
723, 1992.
JANG, J, S, R, ANFIS: Adaptative-Network-Based Fuzzy Inference System,
IEEE Transactions on Systems, Man, and Cybernetics, vol. 23 no. 3, pp. 665
685, 1993.
JANG, J.R. e SUN, C.T., Neuro-Fuzzy Modeling and Control, Proc. IEEE, vol.
83, N.3, 1995.
LEITO, F,O, Metodologia para Implementao de Controladores Fuzzy em
Processos Petroqumicos Utilizando Redes Neurais, Tese de Mestrado,
IME, 2000.
MINGZHONG, L e FULI, W, Adaptative Control of Black-Box Nonlinear Systems
Using Recurrent Neural Networks, Proceedings of the IEEE Conference on
Decision and Control, San Diego, California, pp. 4165 4170, 1997.
MINSKY, M. e PAPERT, S., Perceptrons, MIT Press, MA, 1969.
MULLER, B. e REINHARDT, J., Neural Networks: An introduction, Springer-
Verlag, NY, 1991.
NAUCK, D., KLAWONN, F. e KRUSE, R., Foundations of Neuro-Fuzzy
Systems, Wiley, Chichester, 1997.
RIVALS, I., PERSONNAZ, P., DREYFUS, G. et PLOIX, J. L., Modlisation,
Classification et Commande par rseaux de neurones: Principes
fondamentaux, methodologie de conception et illustrations industrialles,
dans CORRIOU, J. P., Rseaux de Neurones pour la modlisation et la conduite
de procds, Recents Progress en Gnie des Procds, 9 , (37), 1-37, 1995.
ROSENBLATT, F., Principles of Neurodynamics, Spartan Books, NY, 1962.
RUFUS, F., VACHTSEVANOS, G. e HECK, B., Real Time Adapation of Mode
Transition Controllers, AIAA, Journal of Guidance, Control and Dynamics,
1999.
RUMELHART, D. E., HINTON, G. E. et WILLIAMS, R. J., Learning
representations by back-propagation erros, Nature, n
o
323, 533-536, 1986.

84

TAKAGI, T. e SUGENO, M., Fuzzy Identification of Systems and its Aplication
to Modeling and Control, IEEE Trans. Systems, Man and Cybernetics, vol 15,
pp 116 132, 1985.
THEOCHARIS e VACHTSEVANOS, G., Adaptative Fuzzy Neural Networks as
Identifiers of Discrete-Time Nonlinear Dynamic Systems, Journal of
Intelligent and Robotic Systems, vol. 17 pp. 119 168, 1996.
TORRES, G. L. e SILVA, L.E.B. Estacionamento de um Veculo Utilizando
Tcnicas de Controle Difuzzo Revista Unitau, 31-38, dezembro 1995.
VUOIRIMAA, P., Fuzzy Self-Organizing Maps, Fuzzy Sets and Systems, vol. 66,
223 238, 1994.
ZADEH, L. A., Fuzzy Sets, Information and Control, 8, 338-353, 1965.
ZADEH, L. A., Outline of a New Approach to the analysis of Complex Systems
and Decision Process, IEEE Trans. Systems, Man and Cybernetics, 3, 28
44, 1973.
ZHANG, T.S.S. GE e HANG, C.C., Neural-Based Direct Adaptive Control for a
Class of General Nonlinear Systems, International Journal of Systems
Science, vol. 28 no 10, pp 1011 1020, 1997.



85
7 APNDICES
7.1 APNDICE 1: Fluxograma do algoritmo de aprendizagem da RNF.



I=N
o
de iteraes
F=N
o
mximo de iteraes
t=N
0
de pontos de aprendizagem
t
f
= N
0
total de pontos
de aprendizagem
=valor mximo do somatrio
do erro mdio ao quadrado



































FIG. 7.1 Fluxograma do algoritmo de aprendizagem da RNF.
PROCESSO
SIMULINK
VARIVEIS DE ENTRADA:
, , ,
R
E E E t
MATRIZES INICIAIS:
, , , Re m w gras
I=0 , F , t
f
,
CLC. ATIVAES
DAS FPs : ( )
mj m
A x
CLC. ATIVAES
DAS REGRAS:
j

CLC. PESO DAS
REGRAS:
k
N
f
SOMATRIO ATIVAES
DAS REGRAS:
1
j
v
v

CLC. DEFUZIFICAO:
k
y
AO DE CONTROLE SIMULINK
N
S
S
ATUALIZAO
MATRIZ: CENTROS
ATUALIZAO
MATRIZ: DESVIOS
ATUALIZAO
MATRIZ: PESOS
ATUALIZAO
MATRIZ: REGRAS
SOMATRIO:
ATIVAES x PESO

1
j
k
v v
v
f
=

FIM
t<t
f

tt0
t=0
e
Q
=0
N
N
N S
e
Q
= e
Q
+E
2
E
Q
=e
Q
/t
f
, I=I+1
I=F
Q
E
S
86


7.2 APNDICE 2: Diagrama do Controlador Neuro Fuzzy do exemplo 4.5.


















FIG. 7.2 Diagrama do Controlador Neuro Fuzzy.



















ref
set-point1
sp set-point
E En
erro normalizado
Zero-Order
Hold3
Zero-Order
Hold2
Zero-Order
Hold1
Zero-Order
Hold
z
1
Unit Delay1
z
1
Unit Delay
1
1
Transfer Fcn1
s +s+1
2
5
Transfer Fcn
t
To Workspace2
saida
To Workspace
Sum3
Sum2
Sum1
Sum
Step2
Step1
Step
Scope6
Scope5
Scope4
Scope3
Scope2
Scope1
Scope
sp
y
E_U
ref1/ref2
REFERNCIA
Mux
Mux
.2
Ganho do Erro
de Aprendizagem
1
Gain2
1
Gain1
1
Gain
Clock
MATLAB
Function
ex_fun_neuro_fuz_sintonizado9_1
87
7.3 APNDICE 3: Controle Fuzzy duplo para a coluna Desbutanizadora (parte
4.6.1).










FIG. 7.3.1 Sistema Fuzzy (parte 4.6.1).
.

















88





FIG. 7.3.2 Funo de pertinncia da varivel Erro (parte 4.6.1).























89







FIG. 7.3.3 Funo de pertinncia da varivel dErro (parte 4.6.1).








90








FIG. 7.3.4 Funo de pertinncia da varivel de sada dU (parte 4.6.1).














91








FIG. 7.3.5 Conjunto de regras Fuzzy (parte 4.6.1).





92
APNDICE 4. Diagrama do Controlador Fuzzy p/ Coluna Desbutanizadoa de
composio dupla (parte 4.6.1).








































FIG. 7.4 Diagrama do Controlador Fuzzy p/ Coluna Desbutanizadoa de
composio dupla







-K-
vl vula
refluxo
k=-1500
-K-
vl vula
hco
k=1000
t
tempo
tf
t.fundo
set-point 1
set-point
erro Etp Entp
erro normalizado
erro Etf Entf
erro
normalizado1
alimentao m3/min
7500/(24*60)
z
1
Unit Del ay3
z
1
Unit Delay2
z
1
Unit Delay1
z
1
Unit Delay
sptf
To Workspace3
sptp To Workspace2
tp
To Workspace
Sum5
Sum4
Sum3
Sum2
Sum1
Sum
Scope8
Scope7
Scope6
Scope5
Scope4
Scope3
Scope2
Saturation
de -1 at 1
Saturation
de -1 a 1
Mux
Mux1
Mux
Mux
refluxo.
hco
alimentao
temperatura de topo
temperatura de fundo
Mod.Debut anizador
.01
Gain3
.03
Gain2
.01
Gain1
.03
Gain
Cont rol Fuzzy
26 regras 1
Cont rol Fuzzy
26 regras
Clock
93



APNDICE 5: Diagrama do Mod. Desbutanizador do Controlador Fuzzy (parte
4.1.6).


























FIG. 7.5 Diagrama do Mod. Desbutanizador do Controlador Fuzzy






















2
temperatura
de fundo
1
temperatura
de topo
Sum1
Sum
80
PO da temp. detopo
140
PO da temp. de fundo
-0.2731
19.1s+1
Gf2
-0.3755
18.4s+1
Gf1
6.8s+1
0.1441
G22
-0.0401
25.1s+1
G21
7.6s+1
0.1172
G12
-1.7719
71.4s+1
G11
3
alimentao
2
hco
1
refluxo.
94


APNDICE 6: Diagramas dos erros normalizados de tp e tf (parte 4.6.1).













































FIG. 7.6 Diagramas dos erros normalizados de tp e tf







1
Entf
Sum2
Sum1
Sum
Product
2
Gain
-10
Etfmin
10
Etfmax
1
Constant2
1
erro
Etf
1
Entp
Sum2
Sum1
Sum
Product
2
Gain
-6
Etpmin
-110
6
Etpmax
1
Constant2
1
erro
Etp
95
APNDICE 7: Diagrama que atualiza os valores iniciais para as funes de
transferncia (parte 4.6.2).









dy1_du1
d_tt_rt
dy1_du2
d_tt_rf
dy1_dd
d_tt_c
dy2_du1
d_tf_rt
dy2_du2
d_tf_rf
dy2_dd
d_tf_c
du1
Refluxo_topo
du2
Refervedor
Mux
Mux7
Mux
Mux6
Mux
Mux3
Mux
Mux2
Mux
Mux1
Mux
Mux
s
1
Integrator6
s
1
Integrator5
s
1
Integrator4
s
1
Integrator3
s
1
Integrator2
s
1
Integrator1
MATLAB
Function
GF2
MATLAB
Function
GF1
MATLAB
Function
G22
MATLAB
Function
G21
MATLAB
Function
G12
MATLAB
Function
G11
dy1_du2_ini
Constant8
dy2_du1_ini
Constant7
dy1_du1_ini
Constant6
dy1_dd_ini
Constant4
dy2_dd_ini
Constant11
dy2_du2_ini
Constant10
dd
Carga
FIG. 7.7 Diagrama que atualiza os valores iniciais