Você está na página 1de 7

th

THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009

1

Aplicação de Extração de Regras para Análise
de Transformadores de Potência
M. A. B. Amora, O. M. Almeida, A. P. S. Braga, F. R. Barbosa, S. S. Lima, L. A. C. Lisboa


Abstract--As redes neurais artificiais representam modelos
computacionais eficientes que são amplamente utilizados para
resolver problemas de difícil solução em Inteligência Artificial.
A maior dificuldade associada à utilização de redes neurais
artificiais se deve ao fato das mesmas serem, também,
consideradas “caixas-pretas”, devido à dificuldade de se obter
conhecimento sobre o comportamento da rede neural. Este
trabalho apresenta um breve histórico dos métodos de extração
de conhecimento, sendo detalhado um método de extração de
regras que estabelece uma relação de igualdade entre certas
classes de redes neurais e sistemas baseados em regras fuzzy,
com modificações que permitem a obtenção de regras coerentes
com o domínio das variáveis do problema. O método de extração
de regras de conhecimento é aplicado para a identificação de
faltas incipientes em transformadores de potência, utilização
dados de gases dissolvidos no óleo do transformador.
Index Terms-- Diagnóstico de faltas em transformadores,
Extração de regras de conhecimento, Redes neurais artificiais,
Sistemas baseados em lógica fuzzy.

óleo isolante do transformador. Nesta aplicação, será utilizado
o método proposto em [1] de igualdade entre alguns tipos de
RNAs e SRFs, permitindo representar o conhecimento de
uma RNA como sentenças fuzzy, mais fáceis de serem
interpretadas.
Para garantir um maior grau de compreensão das regras
obtidas é aplicada uma modificação proposta em [2] para a
obtenção de regras fuzzy coerentes.
Na seção 2 é apresentada uma análise sobre os métodos de
extração de informações. Comentários gerais sobre RNAs e
SRFs são apresentados nas seções 3 e 4, respectivamente. A
igualdade entre SRFs e RNAs é discutida na seção 5. A
obtenção de proposições fuzzy coerentes e a utilização do
operador lógico fuzzy  n são abordadas na seção 6. A
u

interpretação dos valores de bias obtidos da RNA é discutida
na seção 7. Na seção 8 é apresentado o problema de
identificação de faltas incipientes em transformadores,
utilizando o método de extração de regras. Finalmente, as
conclusões do artigo são apresentadas na seção 9.

I. INTRODUÇÃO

R

edes Neurais Artificiais (RNAs) são muito utilizadas
para resolver problemas complexos de Inteligência
Artificial e de engenharia, e são conhecidas por sua
característica de paralelismo. Entretanto, são consideradas
também como “caixas-pretas”, pois determinar o porquê de
uma solução particular obtida de uma RNA é uma tarefa
difícil.
Sistemas baseados em Regras Fuzzy (SRFs) representam
uma ferramenta poderosa para resolver problemas de controle
(controlador fuzzy) e para modelar conhecimento.
Pesquisas para a extração de conhecimento de RNAs vêm
crescendo em importância. Neste trabalho é apresentado um
breve histórico dos métodos para a obtenção de regras de
conhecimento.
Neste trabalho é apresentada a obtenção de regras, mais
fáceis de serem analisadas, a partir de uma RNA projetada
para classificar faltas incipientes em um transformador de
potência, utilizando informações dos gases dissolvidos no

II. TÉCNICAS DE EXTRAÇÃO DE CONHECIMENTO
A. Representação do Conhecimento
Diversas formas de representação do conhecimento foram
empregadas pelas técnicas de aprendizado em RNAs. Um
sumário é apresentado a seguir [3].
Regras convencionais: Representa uma expressão em duas
partes. A primeira parte contém os antecedentes e a segunda
parte a conseqüência, ou seja, a conclusão se os antecedentes
são verdadeiros. A forma dessas regras será:
SE ( x1 ≤ t1 ) E ... E ( xp ≥ tp ) ENTÃO C;
onde xi são variáveis contínuas, ti são variáveis reais e C é
uma classe designando um conceito. Note que as variáveis
discretas são um caso especial das variáveis contínuas.
Regras M de N: São regras similares as regras
convencionais, entretanto uma regra M de N é equivalente a
um conjunto de regras convencionais:
SE M de ( x1 ≥ t1 ) E ... E ( xN ≤ tN ) SÃO

M. A. B. Amora, O. M. Almeida, A. P. S. Braga, F. R. Barbosa, e S. S. Lima
são filiados ao Departamento de Engenharia Elétrica da Universidade Federal do
Ceará, Caixa Postal 6001 - Campus do Pici- Bloco 705 - 60.455-760 Fortaleza CE - Brasil. E-mails: {marcio,fabio,sergio,arthurp,otacilio}@dee.ufc.br.
L. A. C. Lisboa trabalha na Companhia Hidro Elétrica do São Francisco
(CHESF), Rua Delmiro Gouveia, 333 - Bongi, 50761-901, Recife, PE. Email:lcalmon@chesf.gov.br.

VERDADE ENTÃO C;
Regras oblíquas: São regras da forma:

SE c01 c11x1 ... cn1 xn  0 E ... E

.. F x1 . os algoritmos são denominados como apenas descritivos. [2] As RNAs são constituídas. São muito utilizados em programas que analisam e geram regras gramaticais para linguagens. atuando de maneira diferente da lógica Boolena que aceita apenas situações de Verdade total ou Falso total. . Os algoritmos que usam informações do método tipo “caixa-preta” utilizado... Na Tabela 1 é apresentada a classificação para alguns algoritmos de extração de conhecimento. REDES NEURAIS ARTIFICIAIS sendo que xi representa um neurônio de entrada e cij são número reais. BIOCART. entretanto permitem criar uma borda de separação não paralela no espaço de entrada. por dois elementos físicos: conexões e nós de processamento (neurônios artificiais). usualmente. e m neurônios na camada de saída (y1. B. SVM [20]... são denominados métodos dependentes. máquinas de vetor suporte. Fig. .. Em relação ao critério de uso. As funções de ativação dessa rede exemplo são gA e fA. as regra oblíquas são mais difíceis de entender.. os métodos podem ser classificados em preditivos e descritivos. para os neurônios da camada escondida e para os neurônios da camada de saída.  j valores de bias para os neurônios zj da camada escondida. Preditivos TREPAN [7]. Os algoritmos preditivos realizam extração de regras que permitem ao especialista fazer uma fácil predição para cada possível observação a partir do espaço de entradas. além das camadas de entrada e de saída. Existem ainda outros componentes (não-físicos) das redes neurais. A RNA vai representar uma função de rede que: F : n  m . BUR [21]. xn) na camada de entrada.. h neurônios escondidos (z1..th THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION . Os padrões são os dados que servirão para o treinamento. . RAFNE [11]. Autômatos de Estado Finito: Apresenta um processador central de capacidade finita e é baseado no conceito de estado.NeuroLinear [22]. podemos obter com sucesso a reprodução do comportamento de um sistema físico desde que tenhamos um conjunto suficiente. Na Fig. os algoritmos podem ser de regressão ou de classificação.. ANN. dependência com o método de solução tipo “caixa-preta”. 1 é apresentado um exemplo de uma RNA do tipo feedforward com uma única camada escondida. Castro et [13] al. ym   h     z j  jk   k   j 1  com: y k  g A   n  z j  f A   xi wij   j   i 1  (1) (2) Em [5] é demonstrado que uma RNA com apenas uma camada escondida tem a capacidade de aproximar qualquer função. independente de sua complexidade.. zh). ITER. xn    y1 . 1.. e jk o peso da conexão entre o neurônio zj e o neurônio yk.. Regras fuzzy: Essas regras utilizam funções de pertinência para lidar com verdades parciais. Em relação ao formato das regras extraídas. cnm xn  0 ENTÃO C III. também. Em relação ao segundo critério. não decrescentes e não-lineares. G. REFANN REX [8]. E ( xp é fp ) ENTÃO C.CLAGTEE 2009 c 0m c1m x1 . RE-RX [19] [23] STARE [10]. RNA feedforward [6]. e formato das regras extraídas. se o mesmo for totalmente independente do modelo tipo “caixa-preta” adotado (RNA. onde fi e C são definidos como conjuntos fuzzy. FERNN [17]... RN2 RE [9] DT [14] [18].. validação e teste da rede. C4. CART. respectivamente. GFung [16]. As regras fuzzy apresentam a forma: SE ( x1 é f1 ) E . Sendo wij o peso da conexão entre um neurônio xi da camada de entrada e um neurônio zj. com determinada precisão. contínuas. em termos quantitativos e .. Onde existem n neurônios (x1. Existem alguns algoritmos que podem ser aplicados para os dois casos. Portanto.. Essas funções são. e outros). Taxionomia dos Algoritmos de Extração de Regras Nesta seção é utilizada a taxionomia apresentada por [4] que utiliza três critérios para classificação dos algoritmos de extração de regras: escopo de uso. ym). tais como: os padrões e os algoritmos de treinamento. um algoritmo é considerado independente.. como por exemplo.REX [8]. VIA Descritivos GEX [12]. com designação lingüística. Caso essa análise não possa ser feita diretamente. Nessa rede são considerados.. e k bias para os neurônios yk de saída. Em comparação com as regras convencionais.5. o G-REX [4]. TABELA 1 TAXIONOMIA DE ALGUNS MÉTODOS DE EXTRAÇÃO DE REGRAS Classificação Regressão 2 Classificação Regressão Barakat [15]. basicamente.

vjk. xn são as entradas. m saídas. de amostras para o processo de treinamento da rede neural. mais acessíveis ao entendimento humano e mais fáceis de serem interpretadas. xn  (5) j 1 onde vjk representa o valor de ativação (peso) da regra j para a saída k.... denominadas regras do tipo TakagiSugeno-Kang (TSK): R jk : SE  xi  wij   j é A ENTÃO y k   jk (6) i 1 sendo A um valor fuzzy em  . máquina de inferência. ao invés de exatos. Os Sistemas Fuzzy Aditivos (SFAs) apresentam regras com a seguinte expressão. IV. assim como a própria lógica fuzzy. Isso permitiu a utilização de SRFs em aplicações que vão desde o controle de processos complexos até o reconhecimento de padrões. y é a saída. A seguir será apresentada uma breve demonstração do método. baseada na referência. Nesta lógica. SISTEMAS BASEADOS EM REGRAS FUZZY A lógica fuzzy suporta os modos de raciocínio que são aproximados. n será dado por A  xi wij   j  . para que essa equivalência ocorra com um elevado grau de precisão. portanto. E xn é Ani ENTÃO y é Bi (3) i i onde x1. O desenvolvimento da teoria dos conjuntos nebulosos. A equivalência ente RNAs e SRFs já foi estudada por diversos autores no passado.. Fig. xn) uma função linear das entradas. e. e a saída do sistema é um  i 1  vetor com os componentes dados por: h  n  y k   A  xi wij   j    jk j 1  i 1  (7) Através de (6) e (7). é acrescentada a regra: n O processo de fuzzificação converte valores reais em valores fuzzy. Para descrever um sistema fuzzy é necessária apenas a base de regras. Pois as redes não apresentam uma explicação satisfatória para o seu comportamento. Nas SRFs o conhecimento é representado utilizando expressões lingüísticas relacionadas com valores numéricos. xn) (4) sendo pjk (x1. onde a função de pertinência é simplesmente a função de ativação fA dos neurônios da camada escondida. e A1 .. Então yk é calculado da seguinte maneira: lk y k   v jk  p jk x1 .. As funções que definem os intervalos das variáveis lingüísticas são representadas na base de dados.E xn é Ajkn ENTÃO yk é pjk (x1.. para cada par de neurônios entre as camadas escondida e de saída... Entretanto.CLAGTEE 2009 qualitativos. A defuzzificação transformar o valor de saída fuzzy do sistema em um valor numérico real. e vice-versa [1]. Muitos desses estudos estabelecem essa equivalência através de processos de aproximação.. um SRF é composto de quatro partes: fuzzificação. Como o sistema fuzzy é aditivo. pode ser facilmente checado que a saída yk do SFA é exatamente a mesma obtida com uma RNA. introduziu uma classe de objetos na qual a transição entre a pertinência e a nãopertinência se dá de forma gradual ao invés de abrupta. sendo baseada na teoria dos conjuntos nebulosos.th THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION . A máquina de inferência calcula a saída fuzzy... (zj e yk)... .. sendo interpretado como um processo de composição nebulosa. base de conhecimento... e defuzzificação. . a função de rede calculada será contínua. definidos por conjuntos fuzzy. o disparo da regra Rjk. muitos pesquisadores apresentam criticas a utilização de RNAs. EQUIVALÊNCIA ENTRE RNAS E SRFS Quando as funções de ativação em uma RNA são contínuas... é necessário um número elevado de regras para um SRF aproximar uma RNA. 2. Como indicado na Fig. devido às mesmas apresentarem um comportamento qualificado como de “caixas-pretas”. Considerando um sistema com n entradas.. Então uma RNA pode ser aproximada por um SRF. Diagrama de blocos de um SRF [6]. Empregando regras do tipo Takagi-Sugeno-Kang (TSK). As regras fuzzy apresentam a seguinte forma: Ri: SE x1 é A1i E x2 é A2i E . 2.. Então existe um SFA que calcula a mesma função da rede neural [1]. . 3 Rjk: SE x1 é Ajk1 E x2 é Ajk2 E . em [1] é demonstrado que um SFA pode representar a mesma função de uma RNA com um número finito de regras e igualdade nos resultados matemáticos. junto com as regras fuzzy. o raciocínio exato corresponde a um caso limite do raciocínio aproximado. e regras fuzzy do tipo multi-entradas e saída simples (MISO – Multiinput Single Output) com lk entradas de regras para a saída k. An e Bi são variáveis lingüísticas. Entretanto. No entanto. Considerando uma rede neural de três camadas do tipo feedforward com uma função de ativação logística nos neurônios da camada escondida e função identidade para os neurônios da camada de saída. V.

9 para total ausência de ativação e total ativação. w1j+0) não é maior que aproximadamente 2..wij)=λij . 3.wij+0) não é maior que aproximadamente 2. os conjuntos fuzzy A podem ser entendidos como “maior que aproximadamente r”. 3. a seguinte regra é acrescentada: Rjk: Se –T(x1.1  j  h 2 e u 4 . e  não é maior que aproximadamente λij(x)=fA((6. As regras obtidas podem ainda serem alteradas para permitir uma interpretação mais fácil.2+u. Desde que as funções logísticas podem variar de 0 até 1. entretanto muitas vezes essas regras não vão estar no domínio das variáveis de entrada. Fig.x-4). foram utilizadas simples regras do tipo “SE z é A ENTÃO y = v” onde v   e z são novas variáveis obtidas por uma mudança de variável nas n entradas.. este passo consiste dos cálculos: 0   .. w(p+1)j . conforme ilustrado na Fig.2 un1 . uma regra fuzzy “R0k: Se VERDADE então yk = k” é acrescentada à base de regras.2 un1 T(x(p+1).2/ λij). Este novo operador apresenta uma série de propriedades..1  i  n.anu  1  a1  . e  não é maior que aproximadamente λij(x)=fA((6.. an   1 a1u . 3) Para cada par de neurônios das camadas escondida e de saída (zj. b) T(xi . xn é Ajkn ENTÃO yk = jk maior que aproximadamente 2. xn é maior que aproximadamente λnj un1 j Então yk = jk .2” [2].2+u. De modo a resolver este problema foi utilizada neste trabalho a metodologia para modificação das regras fuzzy descrita em [2]. que: wij < 0 para 1  i  p e wij > 0 para p  i  n. Para isso. T(xn. 0)/(u. yk). descritas em [2].2 un1 j Então yk = jk . (8) wnj .CLAGTEE 2009 Neste desenvolvimento..2 xi é maior que aproximadamente (2.. dificultando a interpretação das mesmas. wpj+0) não é Rjk: SE x1 é Ajk1  x2 é Ajk2  . Portanto: Rjk: Se x1 não é maior que aproximadamente λij un1 . é usual na literatura considerar os valores (níveis) 0.2 xi não é maior que aproximadamente (2.. xp não é maior que aproximadamente λpj un1 x(p+1) é maior que aproximadamente λ(p+1)j un1 . respectivamente. wij) = 6. O operador é definido por: un a1 . wij)=λij .0) é maior que aproximadamente 2.2/(-u...1 e 0.wij) = 6. i Onde: VI. como ilustrado na Fig.. sem perda de generalização. Também. Este método utiliza um novo operador lógico na ligação das premissas das regras fuzzy obtidas da RNA.anu 1 u 1 –T(xi .wij-0) é maior que aproximadamente 2.. –T(xp. 0 Esses parâmetros serão utilizados na função T(x) = u. onde r é um número real positivo obtido de um valor de corte préestabelecido. Para obter regras fuzzy com um mesmo operador  un .th 4 THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION . que podem ser reescritas: 2) Para cada neurônio de saída yk. dos pesos wij e dos valores de bias j. O procedimento para transformar as regras fuzzy para o domínio das variáveis de entrada do problema consistirá dos seguintes passos: 1) Transformar os domínios das variáveis de entrada. Portanto.x e no operador  un . 1 a1u . O método descrito em [2] consiste na mudança dos intervalos de definição das variáveis fuzzy do problema. que permite a obtenção de novas regras fuzzy de acordo com o domínio das varáveis de entrada do problema analisado. adotando que alguns pesos wij são positivos e outros negativos.x-4).. Também. Considerando uma RNA multicamada com uma única camada escondida.. assintoticamente.2/ λij).. podemos proceder à decomposição das premissas das regras.2 un1 . PROPOSIÇÕES FUZZY COERENTES O método descrito na seção anterior permite a obtenção de regras fuzzy a partir de uma RNA treinada.. 1.. um valor comum de u deve ser utilizado para todas as transformações. com  sendo um conectivo lógico e Ajk sendo novos valores de conjunto fuzzy obtidos de A.1  an  1 a) u 1 (9) . 0)/(u. c) j = fA(T(j – p. de modo.0)). úteis a finalidade de obter conhecimento de regras fuzzy adquiridas de uma RNA...0 + (n-p)..0) é maior que aproximadamente 2. Função de pertinência para “aproximadamente maior que 2.2/(u. min wij .

contendo onze regras: Regra 1: SE VERDADE ENTÃO Y = -4.378771 2.0074 194 194 4 4 . elas apenas modificaram os valores default de saída.1386   0. Estas regras fornecem um valor default para cada saída yk. Os valores de bias k geram as regras do tipo “R0k: Se VERDADE então yk = k” no SRF.0086  4 6.    k    4. foi considerando uma aplicação baseada na análise de falhas incipientes em transformadores.. Se as demais regras forem ativadas. 59 R2 não é maior que aproximadamente 0. 59 R2 não é maior que aproximadamente 0. 2 para Falta Térmica de Alta temperatura.8484.00448 194 194 4 4 .777081    0.110015 0. ANÁLISE DE TRANSFORMADORES Ilustrando o procedimento demonstrado neste artigo. As constantes j fornecem um valor default.1935   6.h) associados aos neurônios escondidos. R2 = C2H2/C2H4 e R5 = C2H4 /C2H6. A partir de um banco de dados com amostras de gases coletados de transformadores de potência foi treinada uma RNA com 3 entradas.275689  0.56*10-69 ENTÃO Y = -0.288286    0.   W t  wij t   0.9712. 59 maior que aproximadamente 0.054748  0.7633864   0.0564  4 R5 não é 194.7463  . 3 para Descarga Parcial de Baixa Energia. .331852  0. 59 não é maior que aproximadamente 0.17523 194 194 4 4 194.110725 0. para o valor de disparo da regra Rjk. As proposições fuzzy remanescentes apenas modificam o valor default de disparo da regra.006 194 R5 194 4 4 194.0084 194 1 ENTÃO Y 4 = -3. 59 Regra 5: SE R1 é maior que aproximadamente 0. o diagnostico é realizado através da interpretação dos resultados de laboratório por um especialista.271477    0.1174  4 1 ENTÃO Y = 0.th 5 THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION .480831   1. 59 R5 é maior que aproximadamente 0.274797   3. 59 R2 é maior que aproximadamente 0.18724  3. Portanto. A saída da RNA poderá indicar o código numérico 1 para Falta Térmica de Baixa Temperatura..CLAGTEE 2009 VII.0009 0. .7320  1. Os métodos de diagnósticos em transformadores com base em DGA (Dissolved Gas Analysis) são amplamente utilizados..8912 B t   jk t  0.. 95 amostras foram utilizadas para o treinamento da rede e 40 para a validação da mesma. Estes métodos baseiam-se na análise de tipos de concentração e taxa de produção de gases gerados e dissolvidos no óleo do transformador. 59 Regra 7: SE R1 é maior que aproximadamente 0.0082 .0336  1.3250     3.9712  0. e procuram associar o tipo de falha ao gás presente.7624. 4 para Descarga Parcial de Alta Energia e 5 para Degradação da Celulose.0585.   j      1. 59 maior que aproximadamente 0.2896 194 194 4 4 . uma topologia compatível com o método demonstrado neste artigo. 1u  j  . descargas elétricas levam à geração de acetileno enquanto a presença de dióxido de carbono está associada ao sobreaquecimento da celulose. .327245 4.125491   2.. 59 R2 não é maior que aproximadamente 0. 59 Regra 4: SE R1 é maior que aproximadamente 0.0082 194 4 . Convencionalmente.1487  4 1.1156 .0899 194 4 194.3725. Isso é coerente com o processo de raciocínio humano onde um valor default é modificado quando uma nova informação é considerada. 59 .3175. 59 maior que aproximadamente 0.9239      1. 59 R5 é maior que aproximadamente 0. A entrada da RNA treinada é através das razões de gases: R1 = CH4/ H2 .868009   0. Os bias j geram as constantes j que aparecem nos antecedentes das regras fuzzy Rjk.3544984  5. foi construído um SRF. 10 neurônios na camada escondida e um neurônio na camada de saída..7624 Aplicando a metodologia apresentada neste artigo.214268   0. INTERPRETAÇÃO DOS VALORES DE BIAS Dois tipos de valores de bias aparecem na RNA descrita na Fig.. Regra 3: SE R1 não é maior que aproximadamente 0.1058      1.565215  5.24293 . 59 R2 é maior que aproximadamente 0. 59 R2 não é maior que aproximadamente 0.. 59 .8484 0. utilizado dados coletados de gases dissolvidos no óleo isolante do transformador. equivalente a RNA treinada.1154      0. 59 .022798  0. 59 R2 é maior que aproximadamente 0. VIII.1268   1.m) e os bias  j (j = 1. Regra 6: SE R1 não é maior que aproximadamente 0. 59 R5 não é maior que aproximadamente 0. 59 .3175  1.807768  0. composto de 135 amostras. Após o treino e validação da RNA foram obtidos os seguintes valores de pesos e bias: Regra 2: SE R1 não é maior que aproximadamente 0.02152 .0336.33527  4.181829  6. 1: os valores de bias relacionados aos neurônios de saída k (k = 1.131158   1.776136 7.0585  0.9477073   0.33*10-133 ENTÃO Y = -0. 59 . 59 R2 não é maior que aproximadamente 0.0284 . Por exemplo.041112    16.006 .0073 194 R5 não é 4 194. Regra 9: SE R1 não é maior que aproximadamente 0.96*10-24 ENTÃO Y = 16.7971  0.3725 5.0394  4 6.66*10-103 ENTÃO Y = -1.8866752   3.80546   3. Para os neurônios da camada escondida foi utilizada uma função logística e para o neurônio de saída uma função linear.0181 194 4 .17017  4 4.0045 194 R5 não é 4 194.4821     0.697832   0.8912.0410 194 1 ENTÃO Y 4 = -1. Do conjunto de dados utilizados. Regra 8: SE R1 não é maior que aproximadamente 0.

6245. Fazendo a 1 análise da influência dos valores de bias nas regras extraídas foi observado que três regras do conjunto original poderiam ser omitidas: Regra 4. portanto a Regra 10 também pode ser omitida. Regra 11: SE R1 não é maior que aproximadamente 0. a RNA e o SRF conseguem gerar corretamente o resultado numérico de diagnóstico do transformador analisado. R2= -0. IEEE Trans.6245. a mesma apresenta o valor -0. Belgium.0000 R1= -0. C. Castro. no. TABELA 2 RESULTADOS DE SIMULAÇÃO Valores RNA SFA Resultado Meta R1= -1. 1997. R5= 1. Tabela 2. XI. 59 . comprovando a influência reduzida das regras omitidas. vol. Leuven. G.2191 R1= -0.0000 R1= -0. observando o valor de saída da regra extraída a partir do neurônio nove da camada escondida da RNA treinada.6288. um novo teste foi realizado para os valores indicados na SFA -0.2283. o conhecimento de uma RNA associado às conexões e pesos sinápticos poderá ser expresso através de regras fuzzy.4160 Como pode ser observado da comparação dos resultados das Tabelas 2 e 3. A coluna Resultado indica os valores obtidos da RNA sem considerar a normalização. R2= -0. R5= -0.3772 -0. Melhorando o entendimento das regras. atestando a eficácia do método de igualdade utilizado neste trabalho.4159 1. M. IX. Vanthienen.0016 3. 59 R2 é maior que aproximadamente 0. Considerando a retirada dessas quatro regras que apresentam uma pequena influência no resultado do sistema fuzzy. As modificações permitem um melhor entendimento das regras extraídas. R5= 0. Regra 7 e Regra 11. Castro.19*104 19 ENTÃO Y = 5.6242.0009 (valor do peso que interliga o neurônio com a saída da RNA). muitos destes métodos obtêm regras a partir de RNAs. R2= -0. que é praticamente igual ao obtido da RNA. Esta influência pode ser avaliada de . as premissas das regras obtidas apresentaram valores na faixa das variáveis de entrada do problema. 1156–1164. Benitez.2213 1.2190 -0. and I. TABELA 3 NOVOS RESULTADOS DE SIMULAÇÃO Valores RNA R1= -1. 2003. J.0009. Duas importantes conclusões podem ser observadas da igualdade estabelecida entre sistemas SRFs e RNAs. CONCLUSÕES Neste trabalho foi apresentada uma breve discussão sobre métodos de extração de conhecimento. vol. Nas simulações realizadas foi observada a influência dos termos associados aos valores de bias dos neurônios nas regras extraídas.0152 194 R5 194 4 4 -119 194. Baesens and J.CLAGTEE 2009 . 28. em particular. a exclusão das quatro regras do conjunto original não alterou significamente o resultado do SRF. 2006. Analisando os valores de bias obtidos no treinamento da RNA e que influenciam os termos  das regras extraídas. X. Primeiro. Os valores numéricos obtidos da RNA treinada e do SRF desenvolvido são sempre iguais. 59 .7154. 101–116. “Are artificial neural networks black boxes?”. pp. Os valores de R1. IEEE Trans.3772 R1= -0. Indicando que certas regras podem ser omitidas sem prejuízo para o resultado numérico. Department of Decision Sciences and Information Management. . 5. 59 não é maior que aproximadamente 0. and J. J.4159 Regra 10: SE R1 é maior que aproximadamente 0.2190 1.0000 Com a aplicação do método apresentado. Katholieke Universiteit Leuven. Foi observado que valores de bias que resultaram em valores  extremamente pequenos indicam uma baixa influência da regra em questão no resultado numérico da aplicação do conjunto de regras.6242. R2= 0. “Using rule extraction to improve the comprehensibility of predictive models”. Mantas. L. Portanto.9797 -0.7154.3772 4. e a Meta indica os valores esperados.4721 -0. Também foi demonstrado.775 . Huysmans. 8. 141-163. 13. Benitez.9956 2. O valor de  = 194.. Requena. que representa um valor muito pequeno quando comparado as demais saídas obtidas. tudo descoberto para um modelo poderá ser aplicado no outro modelo. J. Segundo. R2= -0. Sep. 59 não é maior que aproximadamente 0. REFERÊNCIAS [1] [2] [3] [4] J.0050 1. 59 maneira simplificada através da relação 194 . M.0336 . R5= -0. pp.1105  4 1. pp. 59 R5 não é maior que aproximadamente 0. permitindo uma melhor compreensão desse conhecimento. Jan. L.2539 194 2. 2002. ELSEVIER Artificial Intelligence in Medicine no. A Tabela 2 apresenta alguns resultados obtidos.7971. Bologna.0155 4. com os novos resultados sendo apresentados na Tabela 3. B. R5= 1.6288. “A model for single and multiple knowledge based networks”.0155  4 1 ENTÃO Y = -0. R2= 0.th 6 THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION . Neural Netw. As demais regras foram consideradas significativas para a obtenção dos resultados numéricos do SRF.59 e os valores associados aos termos independentes (bias) nas regras foram calculados conforme demonstrado na seção 6. 1. Neural Netw. “Interpretation of artificial neural networks by means of fuzzy rules”. no.2283. AGRADECIMENTOS Os autores são gratos ao apoio fornecido pela Companhia Hidro Elétrica do São Francisco (CHESF) na realização deste trabalho.9797 -0.0284. R5= 0.6955.6955. com alterações que permitem obter valores coerentes com o domínio das variáveis de entrada do problema para os intervalos de avaliação nas premissas das regras. Também. um método de obtenção de um SRF a parti de uma RNA treinada. 59 R2 é maior que aproximadamente 0. J.0050 1..4721 -0.19*10 ENTÃO Y = 0. R2 e R5 indicados são exemplos retirados do banco de dados de transformadores de potência utilizado.3659 -0.4159 3.0841 194 R5 194 4 4 194.

Gouws. Angulo and A. em 1972. Zurada. Leow and J. Brasil. Tem experiência na área de Engenharia Elétrica. 2002. Atualmente. mestrado em Engenharia Elétrica pela Universidade de São Paulo (1998). 2000 R. Atualmente é professor adjunto da Universidade Federal do Ceará.-Q. Fábio R. atuando principalmente nos seguintes temas: 7 diagnóstico de faltas incipientes em transformadores. Hornik. Otacílio M. M.CLAGTEE 2009 [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] K. Institut fur Informatik III. Barakat and J. 16(1):3-15. “Rule extraction from support vector machines”. pósdoutorado pela Universidade de São Paulo/São Carlos . E. B. redes neurais. Stinchcombe. Leow and J. R. 2004. Chumieja. doutorado em Engenharia Elétrica [S. International Journal of Computational Intelligence.-F. M. Lisboa possui graduação em Engenharia Eletrônica pela Universidade Federal de Pernambuco (2002). Niklasson. XII. Saito and R. G. Y. Advances in Neural Information Processing Systems. Tem experiência em pesquisas de Inteligência Artificial aplicadas à Engenharia Elétrica. Zhou. J. C. Z. 2002. Aldrich and F. 2005. International Journal of Hybrid Intelligent Systems. R. Setiono and H. “Rule extraction from trained neural networks using genetic programming”. San Francisco. 11(3):448-463. Rao. pages 13-16. editors. Luciano A. Craven and J. 2003. Z. Quinlan. European Journal of Operational Research. Català. é bolsista de pós-graduação da CAPES e desenvolve pesquisas no campo de monitoramento e diagnóstico de transformadores de potência imersos em óleo isolante como doutorando do Programa de Pós-Graduação do Departamento de Engenharia Elétrica da Universidade Federal do Ceará. IEEE Transactions on Neural Networks. 12(1-2):15-25. Atuando principalmente nos seguintes temas: Aprendizagem por reforço. Neural Networks. White. IEEE Transactions on Neural Networks. “Extracting symbolic rules from trained neural network ensembles”. 2002. Neural Computing. Chen. Tem experiência na área de Engenharia Elétrica. Mozer and Michael E. geração eólica. 10(6):1392-1401. é bolsista do Laboratório do Grupo de Pesquisa em Automação é Robótica (GPAR) do Departamento de Engenharia Elétrica da Universidade Federal do Ceará. pelo Centro Federal de Educação Tecnológica do Ceará (1999) e graduação em Engenharia Elétrica pela Universidade Federal do Ceará (2004). com ênfase em Automação Eletrônica de Processos Elétricos e Industriais.SENAI. ICANN/ICONIP 2003. Atualmente é Professor Adjunto da Universidade Federal do Ceará. análise de carregamento de transformadores.P. Barbosa nasceu em Fortaleza-CE. vol. “Risk management using recursive neural network rule extraction”. Michael C. “An approach to generate rules from neural networks for regression problems”. Brasil. S. Ghosh.th THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION . König and L. In European Symposium on Artificial Neural Networks (ESANN). 1997. Simon Fraser University.Y. “Diagnóstico Inteligente de Falhas Incipientes em Transformadores de Potência Utilizando Análise dos Gases Dissolvidos em Óleo”. “Rule extraction from linear support vector machines”. Possui graduação em Engenharia Elétrica pela Universidade Federal do Ceará (1995). Sistemas e Controles Eletrônicos. 2004. C. Atualmente é professor assistente da Universidade Federal do Ceará. Setiono. F. USA. H. e desenvolve pesquisas no campo de monitoramento e diagnóstico de transformadores de potência imersos em óleo isolante. Possui título de Mestre em Engenharia Elétrica pelo Programa de Pós-graduação do Departamento de Engenharia Elétrica da Universidade Federal do Ceará (2008). Núñez. Zurada.K.USP/SC (2005) e pósdoutorado pela Universidade de São Paulo/São Carlos . Liu. Setiono and B. S. 2006. Exerceu atividades de consultoria na área de automação industrial e controle lógico programável junto ao Serviço Nacional de Aprendizagem Industrial do Ceará . 2005. Almeida. com ênfase em Eletrônica Industrial. Applied Intelligence. U. Sérgio S. Diederich.5: Programs for Machine Learning”.K. . pp. Universität Bonn. Braga nasceu em Natal-RN. “Extraction of rules from artificial neural networks for nonlinear regression”.K. “ANN-DT: An algorithm for extraction of decision trees from artificial neural networks”.W. máquinas elétricas industriais e controladores inteligentes. “Extracting regression rules from neural networks”. 1999. S. IEEE Transactions on Neural Networks. 2005.L. R. Thong. Master's thesis. controle de processos.. 2(1):5962. IEEE Transactions on Knowledge and Data Engineering. em 1971.S. Fortaleza-CE.-H. Dissertação de Mestrado. “Multilayer feedforward networks are universal approximators” Neural Networks.-H. 3. Taha and J. Submitted to Management Science.USP/SC (2006). Chen and Z. 15(10):1279-1288.-F. Atualmente é Engenheiro da Companhia Hidro Elétrica do São Francisco. Technical report iai-tr-93-5. W. 1(34):153-163. “Discovering the mysteries of neural networks”. Shavlik. Lima S. agente autônomo. pages 107-112.R. Carlos] pela Universidade de São Paulo (2004). Tem experiência na área de Engenharia Elétrica. Johansson. S. 155(1):239-250. CA. 2003. R. “C4. em 1979. Setiono. Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks. Touretzky. Zhou. 1989. BIOGRAFIAS Márcio A. Lima possui graduação em Informática pela Universidade de Fortaleza (2000). Tem experiência na área de Engenharia Elétrica. 2. Leow. Baesens. análise de estabilidade transitória. 1993. C. N. “Symbolic interpretation of artificial neural networks”. R. In David S. “FERNN: An algorithm for fast extraction of rules from neural networks”. 1999. Thrun. 17(1):1-24. “Extraction of rules from artificial neural networks for nonlinear regression”. mestrado em Engenharia Elétrica pela Universidade Estadual de Campinas (1990) e doutorado em Engenharia Elétrica pela Universidade Federal de Santa Catarina (2002).M. 1996. com ênfase em Redes Neurais.J. Setiono and J. Hasselmo. Chen. The MIT Press. controladores pid. com ênfase em Inteligência Computacional Aplicada. pages 24-30. 13(3):564-577. Fung. 1993. “Neurolinear: From neural networks to oblique decision rules”. U. In Joint 13th International Conference on Artificial Neural Networks and 10th International Conference on Neural Information Processing. 2002. Mapas auto-organizáveis. 2000. “Extracting tree-structured representations of trained networks”. 359– 366. Nakano. G. Possui graduação em Engenharia Elétrica pela Universidade Federal do Pará (1997) e mestrado em Engenharia Elétrica pela Universidade Federal do Pará (2001). Possui graduação em Engenharia Elétrica pela Universidade Federal do Ceará (1987).B. Morgan Kaufmann Publishers Inc. W. I. U. inteligência artificial. Setiono and W. Atualmente. “Eclectic rule-extraction from support vector Machines”. pages 32-40. volume 8. Jiang and S. “A statistics based approach for extracting priority rules from trained neural networks”.M. Possui nível médio técnico em Eletrotécnica. Amora nasceu em Fortaleza-CE. AI Communications. Chen. Sandilya and R.W. Arthur P. and H. Markowska-Kaczmar and M. 2004. “Extracting provably correct rules from artificial neural networks”. Brasil. Schmitz. “Learning accurate and understandable rules from SVM classifiers”. UFC/CT/DEE. K. R. atuando principalmente nos seguintes temas: controladores industriais. In 11th ACM SIGKDD international conference on Knowledge discovery in data mining.