Você está na página 1de 19

FACULDADE DE TECNOLOGIA SENAI MARIANO FERRAZ

CURSO SUPERIOR DE PÓS-GRADUAÇÃO EM AUTOMAÇÃO E


CONTROLE

Aplicação de Inteligência Artificial em Sistemas de Sinalização


Ferroviário.

Felipe Lopes Suzart

SÃO PAULO

2015
FACULDADE DE TECNOLOGIA SENAI MARIANO FERRAZ

CURSO SUPERIOR DE PÓS-GRADUAÇÃO EM AUTOMAÇÃO E


CONTROLE

Aplicação de Inteligência Artificial em Sistemas de Sinalização


Ferroviário.

Felipe Lopes Suzart*

RESUMO

Este trabalho apresenta os conceito de sistemas de sinalização ferroviária e o que


aplicação de inteligência artificial pode auxiliar na melhoria do sistema, bem como suas
características e fundamentação teórica.

Palavras-chave: Sinalização ferroviária, Inteligência Artificial, tração de trens, lógica


fuzzy, controlador.

*Felipe Lopes Suzart – NAI – Núcleo de Automação Industrial


Aluno do curso de Pós Graduação em Automação e Controle
Faculdade de Tecnologia SENAI Mariano Ferraz
Bacharel em Engenharia Elétrica
Fundação Instituto Tecnológico de Osasco – FITO
E-mail: felipe.suzart13@hotmail.com
1 - Introdução
Hoje o Brasil apresenta uma seria precariedade em seus sistemas de transportes, tanto
do ponto de vista do transporte de bens de consumo quanto de pessoas. Nos dias de hoje onde
a maioria das pessoas reside longe de seus locais de trabalho, de serviços públicos como
hospitais e escolas, necessitam se deslocar grandes distâncias, o que torna a política de
transportes dos pais vital, com a infraestrutura rodoviária já em colapso devido
engarrafamento das grandes metrópoles, precariedade em conservação de vias e falta de
administração pública. [1][2]. Os problemas não são somente na qualidade de transportes de
passageiros, o país vem passando por uma crise econômica grave, frente ao mercado
internacional o Brasil não consegue ser competitivo, devidos a vários problemas internos, mas
os gastos de transporte de bens de consumo são relativamente altos, os custos de logística
equivale a 5% do PIB do Brasil segundo Renato Oselame [3].[1][3].

A solução para esse sério problema do país apresentam potenciais soluções desde altos
investimentos até simples soluções de eficiência operacional, que através da aplicação de boa
engenharia de transportes e controle é possível definir tempos de serviço, diminuição de
intervalos e melhor aproveitamento de recursos. [2]. A demanda crescente no transporte de
passageiros nos trens metropolitanos faz surgir a necessidade de estudos nas áreas de
engenharia de transporte para se obter mais eficiência do sistema. Os sistemas de sinalização
ferroviária no país estão obsoletos, o que acarreta em altos custos operacionais e baixa
flexibilidade, afim de se obter soluções simples com investimentos baixos, a aplicação de
sistemas de controle baseados em inteligência artificial podem ajudar a reduzir custos com
manutenção, aumentar a eficiência, diminuição de intervalos e confiabilidade ao
sistema.[4][5].

O sistema de sinalização é vital para o funcionamento de trens em uma linha ferroviária,


todo o sistema de gerenciamento de trens, controle de velocidade e segurança dos trens contra
colisão fazem parte do sistema de sinalização. Pode se entender o sistema de sinalização
ferroviária como o tráfego automatizado de carros e semáforos, onde a velocidade com que
um carro anda depende de fatores como, aspecto do sinal , posição e velocidade do carro a
frente, todo controle de sinalização é baseado no controle clássico, em nível lógico, esse tipo
de controle apresenta baixa flexibilidade, extremamente complexo, porém apresenta excelente
nível de segurança, este presente trabalho visa mostrar a implementação de controle baseado
inteligência artificial, assim como no trânsito um motorista precisa de um conhecimento
específico para acelerar e frear um carro de acordo com as condições da via, o controle
baseado em inteligência artificial procura de forma intuitiva entender o sistema, assim como o
motorista em uma via, e a lógica fuzzy apresenta esse principio de controle baseado no
conhecimento do especialista, o que torna interessante sua aplicação em sistemas de
sinalização ferroviária. [5][6][7]
Por volta de 1840, os sistemas de sinalização ferroviária não eram como os de hoje,
onde o sistema informa ao maquinista as condições de via, posição e velocidade do trem a
frente, naquela época o controle era visual, a prática mostrou que era extremamente difícil de
parar um trem a uma curta distância apenas com o visual do maquinista, assim como qualquer
tecnologia a sinalização ferroviária passou a se desenvolver após acidentes catastróficos. [6]

Figura 1 – Acidente ferroviário na Gare de Montparnasse, em Paris, 1895 , imagem extraída do site
http://wp.clicrbs.com.br/almanaquegaucho/2012/01/20/a-caida-do-trem/?topo=13,1,1,,,77 , artigo a
Caída do Trem, Chaves, Ricardo. Acesso em 23/11/2015.

Os sistemas de sinalização ferroviários são baseados no trânsito de veículos


automotores, assim como nas ruas e avenidas existem semáforos para controlar o fluxo de
veículos, as linhas de trem possuem os sinaleiros, que são semáforos que assim como os de
rua, só que apresentam aspecto vermelho e amarelo, os trens circulam através de rotas e os
sinaleiros indicam se o trem pode avançar aspecto amarelo ou parar aspecto vermelho. [6]

O sistema baseado em sinaleiros mostrou eficaz, mas apresenta um sério problema, a


distância entre os sinaleiros, para resolver esse problema o trecho de linha férrea é dividido
em blocos, ou circuitos de via, até hoje são utilizados nas principais linhas de trens e metros
no mundo. [6]
Figura 2 – Esquema de Divisão de linha férrea em blocos ou Circuitos de Via , imagem adaptada do
site http://www.railway-technical.com/sigtxt1.shtml, artigo The Development and Principles of Uk
Signalling. Acesso em 23/11/2015

O esquema da figura 2 mostra de forma simplificada o principio de um circuito de via, o


Trem A é protegido pelo Sinal 3 devido este estar ocupando o circuito de via 3, o sinal 2
libera o Trem B que esta no circuito de via 1 para adentrar no circuito de via 2 que esta
livre.[6]

Os circuitos de via são constituído de divisões realizado nos trilhos, com a distância que
atendam os critérios de segurança e capacidade de trens na linha. São aplicados nos trilhos do
circuito de via uma tensão elétrica de nível baixo, os trilhos funcionam com um condutor, que
um gerador utiliza para alimentar um relé que opera os sinais de via, quando os rodilhos de
um trem passam sobre o circuito de via, este interrompe a corrente de alimentação de um relé
que muda o aspecto do sinal responsável pelo circuito de via. [6]

Figura 3 - Circuitos de Via desocupado, imagem adaptada do site http://www.railway-


technical.com/sigtxt1.shtml, artigo The Development and Principles of Uk Signalling. Acesso em
23/11/2015
Figura 4 - Circuitos de Via ocupado, imagem adaptada do site http://www.railway-
technical.com/sigtxt1.shtml, artigo The Development and Principles of Uk Signalling. Acesso em
23/11/2015

Hoje em dia os trens e rotas são controlados automaticamente, devido à flexibilidade


das vias, onde por questões de operação são bidirecionais, circulam com trens tanto em um
sentido quanto em outro, Intertravamentos são colocados no sistema para evitar rotas de trem
contra o outro e ainda condições de maquinas de mudança de via e outro equipamento de
sinalização ferroviária. [6] O sistema de Sinalização mais consagrado em todo o mundo é o
ATC (Automatic Train Control), esse sistema combina os conceitos de ATP (Automatic Train
Protection), responsável pela segurança e codificação de velocidade aos trens, o ATO
(Automatic Train Operation), responsável pela parada em estações e abertura de portas, e por
fim o ATS (Automatic train Supervisor), responsável pelo tempo de trajeto, tempo de parada
e intervalo entre trens. Tanto o ATP e ATO são controladores que compõem o sistema ATC.
[8]

Figura 5 - Arquitetura ATC, imagem adaptada do site:< http://www.railway-


technical.com/sigtxt6.shtml, artigo Automatic Train Control (ATC). Acesso em 29/11/2015
A Arquitetura do ATC é baseada na segurança do sistema, por isso sua grande aplicação
em sistemas de transportes urbanos, o ATP tem uma unidade de controle para cada circuito de
via, este recebe os dados de posição de cada trem, este retransmite ao controlador do circuito
de via anterior, que converte em um limite de velocidade que é transmitido para o circuito de
via, o trem adquiri os dados através de antenas que captam os sinais do trilho vindo dos
circuitos de via, essa informação é transmitida ao controlador de bordo do trem, a velocidade
permitida é verificada com a velocidade do trem, se a velocidade do trem for maior que a
velocidade permitida, automaticamente o controlador aplica os freios. [8][10]

Figura 6 – Aquisição de Codificação de Velocidade, imagem adaptada do site:< http://www.railway-


technical.com/sigtxt6.shtml, artigo Automatic Train Control (ATC). Acesso em 29/11/2015

Os dados de velocidade consistem em três tipos, velocidade máxima autorizada,


velocidade limitada e velocidade restritiva, estes códigos são fornecidos ao circuito de via por
sinais de radiofrequência, a imposição do código de velocidade é imposta pelo projeto de
intertravamento do sistema de sinalização. [8][9]

Figura 7 – Perfis de Codificação de Velocidade, imagem adaptada do site:< http://www.railway-


technical.com/sigtxt6.shtml, artigo Automatic Train Control (ATC). Acesso em 29/11/2015
O sistema de sinalização ATC, é caracterizado pelos circuitos de via fixos, outra versão
de circuitos de via móveis vem tomando espaço na área tecnologia ferroviária, um circuito de
via móvel é divido em áreas, cada qual controlada por um centro de controle, cada trem
transmite sua posição, velocidade e sentido de rota para o centro de controle, este realiza as
ações de controle para segurança do sistema e transmite os códigos de velocidade e rota para
o trem seguinte. Essa comunicação entre trens e centro de controle é realizada via rádio, e
como os circuitos de vias são móveis, as curvas de aplicação de freios e aceleração dos trens
se tornam dinâmicas., este tipo de sinalização é chamada de CBTC (Communications Based
Train Control).[4][10]

Figura 8 – Arquitetura CBTC, imagem adaptada do site:< http://www.railway-


technical.com/sigtxt6.shtml, artigo Automatic Train Control (ATC). Acesso em 29/11/2015

Os sistemas de sinalização ferroviários são todos baseados no controle clássico, que


apesar de seguros, apresentam problemas como limite de trens nas linhas, controle de tração e
freio causa degastes excessivos nos componentes de tração, e pouca flexibilidade de sentido
de rotas, baseado necessário vem surgindo estudo de aplicação de inteligência artificial em
sistemas de sinalização ferroviária, o Japão foi pioneiro na utilização de técnicas de
inteligência artificial baseado em lógica Fuzzy aplicado a trens de alta velocidade. O controle
baseado em lógica Fuzzy procura de forma intuitiva entender como processo funciona,
baseando-se nessas informações para o melhor ajuste do sistema. O controle Fuzzy é baseado
na lógica Fuzzy , ou lógica nebulosa(ou ainda lógica difusa), que envolve conceitos
probabilísticos e regras de implementação de funções.[5] [7][9][10]

A maioria dos controladores e computadores aplicados a sistemas de controle utilizam a


lógica clássica para definir os comandos de controle, em contra partida a lógica fuzzy utiliza
regras para processamento das variáveis de controle, a idéia da lógica nebulosa é copiar a
forma que um ser humano controla algo, que mesmo sem saber o modelo do sistema consegue
controla-lo. [11]

A lógica Fuzzy foi criada como uma alternativa á teoria da lógica clássica, em meados
da década de 20, Jan Lukasiewicz (1878-1956, filósofo e lógico polonênes) desenvolveu e
introduziu conjuntos com grau de pertinência, combinados aos conceitos da lógica clássica.[7]
Esse estudo possibilitou mais tarde, em 1965 que o professor de Engenharia da Computação
Lofti A. Zadeh publicasse os primeiros artigos sobre a aplicação de lógica fuzzy em sistema
de inteligência computacional.[7]

A lógica Fuzzy consiste em representar variáveis numéricas por variáveis linguísticas,


ou seja, uma variável expressa com palavras ao invés de números. Os conjuntos Fuzzy
admitem que uma variável pertença mais ou menos a ele, ou seja , devido a um grau de
pertinência parcial que pode variar entre zero e um.[12]

Tomemos como exemplo um ajudante que tem a tarefa de separar um conjunto de


maçãs de uma caixa em duas categorias, pequenas e grandes, ao iniciar a tarefa se viu em um
impasse, e não conseguia definir com clareza entre as duas opções, pois algumas maçãs eram
claramente grandes outras claramente pequenas, porém outras não eram nem tão grandes e
nem tão pequenas, ou seja, considerando a processo (planta) a “natureza”, ela não é linear,
pois há diversos tamanhos de maçãs. [13]

Se utilizarmos a lógica clássica para resolver este problema, temos somente dois
valores: verdadeiro ou falso, já na lógica Fuzzy é possível saber se as maçãs são muito
grandes, muito pequenas e ainda quantas eram pouco grandes ou pouco pequenas e até se
podiam ser classificadas como grande e pequeno. Figura 9.[13]

Figura 9 – Conjunto de Maçãs Grandes e pequenas, na teoria dos conjuntos fuzzy existe um grau de
pertinência de cada elemento a um determinado conjunto, função pertinência, imagem adaptadadas
notas de aula de Lógica Fuzzy de Mauro Rosenberg e Luciana Rech..

Isso possibilita analisar fatores importantes e resolver problemas onde a lógica clássica
não é suficiente para uma solução precisa, ou seja a aplicação de sistemas fuzzy se torna
interessante em problemas não lineares.[12]

Na lógica Fuzzy, não existe um limite abrupto que determina que os elementos
pertençam ou não há um determinado conjunto, como no caso dos conjuntos pequeno e
grande na separação de maçãs, mas os graus de pertinência dos elementos possuem variações
suaves no intervalo real [0,1]. [7].

Na teoria de lógica clássica, os elementos de um conjunto S em um universo X,


pertencem ou não aquele conjunto, e pode ser expresso pela função característica fS(x).[3]

( ) { }
Na lógica Fuzzy, um conjunto S definido no universo X é caracterizado por uma função
de pertinência µs, a qual mapeia os elementos de X para o intervalo, sendo expresso por S
[0,1]. [14].

µs:�→[0,1]

{( ( )) }

Desta forma, a função pertinência µs associa a cada elemento x pertencente a X um


número real µs (x) no intervalo [0,1], que representa o grau de pertinência do elemento x do
conjunto S, ou seja, o quanto é possível para o elemento x pertencer a S.[7]

A função pertinência µs (x) indica o grau de compatibilidade entre x e conjunto S:

Se µs (x)=1 , indica que x é totalmente compatível com o conjunto S;

Se µs (x)=0 , indica que x não pertence ao conjunto S;

Se 0 <µs (x)< 1 indica que x é parcialmente compatível com S, com um grau de


pertinência de µs (x).

Se compararmos o conjunto lógico [0,1] e transforma-lo em um conjunto fuzzy ,


teremos a função de pertinência µs , contendo µs ={0,1}, ou seja pertinência do tipo
verdadeiro e falso, também chamada de “ conjunto crisp”,portanto um Conjunto fuzzy é
totalmente caracterizado por sua função pertinência µs (x) FIGURA 10.[15][17]

Figura 10 – Determinar se uma pessoa é jovem ou idosa; imagem extraída das notas de aula de
Lógica Fuzzy de Mauro Rosenberg e Luciana Rech.

Exemplo, para um conjunto Fuzzy A={baixo}, no universo dos números positivos


menores ou iguais a 100, alguns valores para a função pertinência µA (x) poderiam ser:[15]

 Para µA (0)=µA (5)=µA (10)=µA (15)=1


 Para µA (25) =0,9
 Para µA (30) =0,8
 Para µA (45)= 0,1
 Para µA (50)=µA (55)=µA (60)=.....=µA (100)=0
O fator mais importante na representação de conjuntos Fuzzy é a escolha da função de
pertinência µS(x), a escolha dessa função depende do problema a ser modelado e também da
capacidade do controlador disponível para processar o que se deseja. Para problemas mais
complicados exigem funções de pertinência não lineares o que impactam muito mais na
capacidade de processamento do que as funções lineares. [16]

As funções de pertinência, função verdade ou membershipfunction (mf), mostram o


conhecimento que se tem em relação ao quanto o objeto analisado pertence ao conjunto fuzzy.
Funções de pertinência possuem várias formas dependendo do tipo de processo e aplicação,
geralmente são constituídas de funções não probabilísticas crescentes, decrescentes ou
subdividida em partes, para a representação computacional podem ser representadas de forma
contínua ou discreta, no caso na forma continua pode ser representada por uma função
matemática. [15][16]

O comportamento da variável Fuzzy é descirto pelas funções de Pertinência; uma


variável Fuzzy é uma variável linguística, diferente de uma variável clássica (booleana), onde
existem dois estados [0,1], uma variável linguística pode ilustrar vários valores, como por
exemplo, na aplicação de controle de velocidade de trens, se baseado no controle booleano, a
variável velocidade poderá ser aceleração ou freio, já considerando uma variável Fuzzy, esta
pode ser aceleração máxima , pouco aceleração, freio parcial , freio , freio emergêncial e
etc.[15][16]
A função das variáveis Fuzzy é oferecer uma maneira sistemática para caracterizar
sistemas não lineares e complexos, como a variável Fuzzy é uma variável linguística, esse
tipo de utilização de variável (que é a mesma empregada pelo raciocínio humano), ao invés de
variáveis quantificadas, permite uma melhor solução de sistemas não lineares com o uso de
ferramentas matemáticas convencionais. [7][15][16]
A dependência da variável Fuzzy em relação à outra é descrita como uma declaração
condicional Fuzzy, exemplo de uma operação com variável Fuzzy:[15][16].

SE erro é grande Negativo ENTAO saída é grande positiva. [15][16].

As regras Fuzzy são sentenças que utilizam os conectivos, se, então , e , ou , senão,
sistemas contendo somente regras condicionais e incondicionais não necessitam de cuidados
especiais, mas sistemas contém ambos há a necessidade de cuidados com a ordem de
execução das regras, regras incondicionais devem ser executadas primeiro, devido o sistema
não conseguir atrelar a uma regra condicional, entra em default para estabilidade do
sistema.[7][15].
Na determinação das regras Fuzzy, estas devem atender critérios como, qualquer
combinação de variáveis de entrada deve ativar pelo menos uma regra; duas ou mais regras
com as mesmas entradas devem ter saídas mutuamente exclusivas, senão são regras
inconsistentes; não devem existir regras com saídas cujas funções de pertinência não
apresentem interseção. [7][15] .
Figura 11 –Particionamento do Espaço de entrada representado por duas variáveis de entrada com
três regras estabelecidas , imagem extraída do Mini-curso de Sistemas Especialistas
Nebuloso,XXXVIII SBPO.

O processo de avaliação das entradas com o intuito de atrelá-las as regras Fuzzy ,e


aplicar a ação à saída que melhor se ajusta o sistema é chamado de Inferência Fuzzy. Esse
processo é realizado através de modelos de inferência, a escolha do modelo deve se ter levar
características do processo a ser modelado e tempo de processamento da informação pelo
controlador. Existem vários modelos de inferência Fuzzy, os mais aplicados em controle são
os métodos dos máximos e mínimos e o método de Mandami, este último sendo a base de
controladores Fuzzy.[14][15]

Para realizar as ações baseados em lógica Fuzzy, as variáveis de entrada do sistema


precisam ser mapeadas e cada condição da variável é atribuída um grau de pertinência com
base nas regras, ou seja, as variáveis de entrada numérica precisam ser convertidas em
variáveis linguísticas para processamento do controlador Fuzzy .FIGURA 12.[15][18]

Figura 12 – Processo de fuzzificação da variável de entrada U(t), e seus respectivos graus de


pertinência, imagem extraída do livro Lógica Fuzzy aplicada às Engenharias, Cavalcanti, José H.
Feitosa.

Para conseguir aplicar a ação de controle no sistema é necessário converter a variável de


saída do sistema Fuzzy em uma variável númerica, esse processos é chamado de
defuzzificação. Existem métodos de defuzzificação como média dos máximos, primeiro dos
máximos, último dos máximos e método do Centroide, este último sendo muito utilizado em
controle.FIGURA 13 [15][18].

Figura 13 – Processo de Defuzzificação da variável de entrada Uf para a variável de saída Y(t),


imagem extraída do livro Lógica Fuzzy aplicada às Engenharias, Cavalcanti, José H. Feitosa.

A técnica do Centróide consiste em, dado um universo discreto, a saída de controle Y é


dada pelo centro de gravidade do conjunto fuzzy consequente obtido pela aplicação das
regras, a fórmula é expressa da seguinte forma: [15][18].
n

 x . x 
i A i
Y i 0
n

  x 
i 0
A i

O valor n na equação representa o número de quantização da saída, o valor xi


representa o valor da variável de saída para o intervalo de i e µA(xi) representa o grau de
pertinência imposto. A precisão do método depende do intervalo, quanto menor o intervalo
menor a precisão, porém o tempo de processamento menor. [15][18]

Os controladores Fuzzy são baseados nos conceitos de Lógica Fuzzy, o primeiro


controlador Fuzzy foi proposto por Mamdani, a aplicação em escala industrial começou no
Japão, os controladores fuzzy foram utilizados nos sistemas de sinalização e controle de
velocidade dos trens japoneses, hoje já existem um série de aplicações que envolvem
controladores com lógica fuzzy:[12][15][16]

 .Máquinas de lavar Hitachi utilizam controladores fuzzy para verificar a carga de


diferentes tipos de roupa, tipo de tecido e intensidade de sujeira, ajustando
automaticamente os ciclos de lavagem.
 A Canon possui uma câmera fotográfica que ajusta o foco automaticamente através de
informações recebidas como claridade de imagem e etc.
 Mitsubishi possui um ar condicionando, que utiliza 25 regras de resfriamento e
aquecimento, o que possibilitou uma eficiência energética melhor.
No modelo japonês o controlador Fuzzy é utilizado no lugar do controlador
convencional para aplicar os esforços de aceleração e freio. Os critérios de segurança para
evitar colisão do ATC são mantidos, o controlador PID (Proporcional Integral Derivativo) que
faz o controle de tração e freio através da variável de entrada de posição do trem a frente, é
modificado por um controlador fuzzy que realiza o mesmo controle, mas as variáveis de
entrada são a posição e a velocidade do trem a frente [19]

Figura 14 – Arquitetura Básica de um Controlador Fuzzy em controle de tração de trens, imagem


adaptada do artigo Automatic Train Control baseado n the Multi-Agent Controlo of Cooperative
Systems, SIAHVASHI, Ali

A implementação do controlador fuzzy foi baseado no conhecimento de especialistas


em sistemas ferroviários, o que possibilitou uma redução dos custos de operação e
manutenção e melhor desempenho nos sistemas de sinalização e tração dos trens. O
Controlador Fuzzy para controle de tração é composto por uma base de regras, estas podendo
estar estruturadas em conectivos se, então, e, ou, senão, que com base na variável de entrada
aplica na variável de saída a ação de controle desejada, a FIGURA 15 mostra a estrutura
genérica de um controlador Fuzzy.[15][19][20]

Figura 15 – Arquitetura Básica de um Controlador Fuzzy, imagem extraída do Livro Fuzzy Control,
Passino, Kelvin M.
Figura 16 – Arquitetura Básica de um Controlador Fuzz segundo a norma IE61131-7C, imagem
extraída da norma IEC 61131-7:2000 Fuzzy control programming.

Os principais componentes do controlador Fuzzy são:[15]

 Fuzzificação converte os valores numéricos das variáveis de entrada em variáveis


fuzzy através de aplicação da(s) função (s) de pertinência.
 A Base de regras é formada pelas regras fuzzy que definem a estratégia de controle do
trem, junto a base de regras esta a base de dados que descreve como cada variável de
entrada e saída esta inferida com suas respectivas funções pertinência.
 A máquina de inferência é o núcleo do controlador fuzzy, é nele que se encontra o
algoritmo de controle que aplica as ações de controle baseado na base de regra e
dados.
 A defuzzificação compatibiliza os valores das variáveis fuzzy de saída e os converte
para aplicação nas ações de controle de aceleração e freio.

Com as variáveis quantizadas é a aplicada às ações de controle no trem de acordo com a


estratégia de controle, que está implícita nas regras fuzzy e base de dados do controlador, a
base de regra é representada por uma matriz µRn, o controlador aplica as ações de controle na
planta a partir dos valores de erro e variação de erro com base nas regras. FIGURA 17.[19]

Figura 17 – Base de Regras de um Controlador Fuzzy aplicado em controle de tração de trens,


imagem adaptada do artigo Automatic Train Control baseado n the Multi-Agent Controlo of
Cooperative Systems, SIAHVASHI, Ali
De acordo com a Figura 17, as variáveis fuzzy são:

nnnnn: Freio de Emergência;


nnnn: Freio (nível 4);
nnn: Freio (nível 3);
nn: Freio (nível 2);
n: Freio (nível 1);
m: Marcha Neutra;
p: Força de Tração (nível 1);
pp: Força de Tração (nível 2);
ppp: Força de Tração (nível 3);
pppp: Força de Tração (nível 4);
ppppp: Força de Tração Máxima.

Figura 18 –Variaveis de Saída de um Controlador Fuzzy aplicado em controle de tração de trens,


imagem adaptada do artigo Automatic Train Control baseado n the Multi-Agent Controlo of
Cooperative Systems, SIAHVASHI, Ali

A base de regras se baseia nos conectivos se, e e então:[19]

SE as entradas são Trem a frente longe E acelerando ENTAO saída é força de tração
máxima. [19]

SE as entradas são Trem a frente perto E parado ENTAO saída é Freio de Emergência.
[19]
2 - Conclusão
O uso de Inteligência Artificial em aplicações industriais vem crescendo, hoje em
com mercados mais competitivos e uma tendência a processos eficientes, torna o uso da
Lógica Fuzzy uma alternativa interessante em sistemas de sinalização ferroviário, visto que
sua implementação não necessita de modelos complexos e as ações de controle atuam de
forma precisa, baseados na forma do pensamento humano.[16]

As ações de controle são baseadas na combinação de regras do sistema de sinalização


ferroviária e de regras do controlador, o controlador pode ter a capacidade de
autoaprendizagem, testando condições limites, sem que estas atinjam valores de instabilidade
do sistema. Autores relatam que as aplicações de Controladores Fuzzy conseguiram obter
ganhos de desempenho e níveis de eficiência energética altos, provando que o uso deste tipo
de controlador se torna interessante em sistemas de sinalização ferroviária, o que torna o
estudo deste assunto interessante na aplicação desta topologia no caótico sistema de trens da
cidade de São Paulo. [4] [16][19]
3 - Referências
[1] MARCIEL, Vladmir Fernades, “Problemas e Desafios do transporte público urbano” – Disponível
em:< http://www.brtbrasil.org.br/index.php/sala-de-imprensa/artigos/35-art-4#.VltHFvmrSUl>.
Acesso em 29/11/2015.

[2] PENA, Rodolfo F. Alves. "Problemas no transporte público"; Brasil Escola. Disponível em
<http://brasilescola.uol.com.br/geografia/problemas-no-transporte-publico.htm>. Acesso em
29/11/2015.

[3]OSELAME, Renato; TURTELLI, Camila. “Desperdício logístico equivale a 5 % do PIB do Brasil,


estima Cosan”;O Estado de São Paulo. Disponível em:<
http://economia.estadao.com.br/noticias/geral,desperdicio-logistico-equivale-a-5-do-pib-do-brasil--
estima-cosan,10000003051> . Acesso em29/11/2015.

[4]BUENO, Sílvio;et alli. Estudo de redução de intervalo entre trens no trecho Brás-Barra Funda
através de implementação do Sistema de Sinalização CBTC. São Paulo, 2007. Dissertação de
Especialização em Sistemas Metro ferroviários – Escola Politécnica da Universidade de São Paulo.
Departamento de Engenharia de Sistemas de Comunicação.

[5] PASSINO, Kelvin M, “Fuzzy Control”, Editora Addison Wesley Longman, Inc. 1998.

[6] “The Development and Principles of Uk Signalling”. Artigo do site Railway Technical Web Pages;
2014 – Disponível em :< http://www.railway-technical.com/sigtxt1.shtml.>. Acesso em 23/11/2015.

[7]CHEN, G. Guanrong, “Introduction to fuzzy sets, fuzzy logic, and fuzzy control systems”, Editora
CRC Press,2000.

[8] “Automatic Train Control (ATC)”. Artigo do site Railway Technical Web Pages; 2014 –
Disponível em :< http://www.railway-technical.com/sigtxt6.shtml>. Acesso em 29/11/2015.

[9] “Metro Signalling”. Artigo do site Railway Technical Web Pages; 2014 – Disponível em :<
http://www.railway-technical.com/sigtxt2.shtml>. Acesso em 29/11/2015

[10]SANUKI, Walter Katsumi; YANO, Motohisa. Simulação de Marcha para Sistema de Sinalização
Ferroviária. São Paulo, 2004. Dissertação de Especialização em Sistemas Metro ferroviária – Escola
Politécnica da Universidade de São Paulo. Departamento de Engenharia de Sistemas de Comunicação.

[11] “Técnicas de controle aplicada na Indústria”, artigo publicado Revista Mecatrônica Atual; Ano:
12; N°65; NOV/DEZ – 2013.

[12] “Sistema Especialistas com Lógica Fuzzy”, artigo retirado do site FG controle e Otimização –
Disponível em:< http://fgcontrole.com.br/Logica-Fuzzy.php>, Acesso em 01/12/2015.

[13]CÂNDIDO, Marcondes da Silva. Informações sobre algoritmo fuzzy aplicado para indústria têxtil,
artigo extraído do relatório AD HOC – fevereiro de 2013, SEBRAE - Disponível em: <
http://api.ning.com/files/D7OtuoxqP96vytUjjLLlwUoQYHicJPGZrRw7nqXXrvDhosAvLMHag5Mu3
N*o5OPqbGzTKL1U3JmkHBYC0vRA3y5cJxtH0RbQ/ApostilaAlgoritmoFuzzyAplicadoparaIndstria
Txtil.pdf> . Acesso em 02/12/2015

[14]NETO, Luiz Biondi; et alli. “Minicurso de Sistema Especialista Nebuloso”, XXXVIII Simpósio
Brasiliero de Pesquisa Operacional(SBPO), 2006
[15]SIMÕES, Marcelo Godoy;SHAW, Ian S. Controle e Modelagem Fuzzy – São Paulo: Bluncher:
FAPESP,2007

[16]NASCIMENTO, Cairo Lúcio; YONEYAMA, Takashi. Inteligência Artificial em controle e


Automação – São Paulo:Bluncher:FAPESP, 2000.

[17] Roisenberg, Mauro ,Rech, Luciana, “Lógica Fuzzy”, notas de aula – Disponível em:
<http://www.inf.ufsc.br/~alvares/INE5633/Fuzzy.ppt> , Acesso em: 02/12/2015.

[18] Cavalcanti, José H. Feitosa, “Lógica Fuzzy aplicada às Engenharias”,


João Pessoa , PB,2012.

[19]SIAHVASHI, Ali; MOAVENI, Bijan. Automatic Train Control baseado n the Multi-Agent
Controlo of Cooperative Systems. Artigo extraído do site do Journal of Mathematics and Computer
Science – Disponível em: <
http://www.tjmcs.com/includes/files/articles/Vol1_Iss4_247%20%20257_Automatic_Train_Control_b
ased_on_the_Multi-Agent_Control_of_Cooperative_Systems.pdf.>. Acesso em: 10/12/2015

[20] IEC 61131-7:2000 Fuzzy control programming.

Você também pode gostar