Escolar Documentos
Profissional Documentos
Cultura Documentos
SBAI – Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 08-10 de Setembro de 1999
µUs(u) = f1[f2 (µE1(es) ∧ µCE1(ces), µU1(u)), ..... as mesmas em ambas as situações, prescindindo-se, assim, do
..., f2 (µEn(es) ∧ µCEn(ces), µUn(u))] (10) estágio de otimização proporcionado pelo algoritmo.
Como o processo requer, em sua entrada, valores não- No caso do misturador de fluidos, onde as variáveis podem ser
nebulosos, o conjunto nebuloso da saída do controlador deve desacopladas, duas estruturas neuro-fuzzy independentes são
ser defuzzificado, gerando-se, com isto um valor us. utilizadas para o controle de coloração e da altura de líquido no
tanque misturador. O processo de decisão requer informações
4 SISTEMA NEURO-FUZZY sobre erros de altura e de coloração, bem como sobre a vazão
de saída. Os conjuntos fuzzy e os universos usados para a
Os controladores neuro-fuzzy são implementados através do definição do erro necessária para a fase de aprendizado são
sistema NEFCON [4], que é capaz de aprender e otimizar de mostrados nas Figuras 4 e 5, enquanto que algumas regras
modo on-line a base de regras de um controlador fuzzy do tipo típicas, dentre 25 possíveis, para a descrição linguística do erro
Mamdani. Para isto, o algoritmo de aprendizado faz uso de para o controle de nível são:
uma medida fuzzy do erro. O modelo NEFCON é baseado Se o erro de nível é nb e a vazão de saída é z
numa rede de retropropagação, com uma camada escondida. então o erro é n
Um exemplo de uma estrutura neuro-fuzzy com 6 regras, 2 Se o erro de nível é nm e a vazão de saída é z
entradas e uma saída é mostrada na Figura 3. Os nós então o erro é n
escondidos representam as regras R1, R2, R3,...R6; os nós da Se o erro de nível é z e a vazão de saída é z
camada de entrada (ξ1, ξ2) representam os valores de entrada; o então o erro é nz
nó de saída (η) corresponde à saída de um controlador, por Se o erro de nível é pm e a vazão de saída é s
exemplo. Os pesos µr(i) representam os antecedentes Ar e os então o erro é pz
pesos vr(i) , o consequente Br. A regra 1 (R1), por exemplo, Se o erro de nível é pb e a vazão de saída é z
pode ser traduzida da seguinte forma: então o erro é pz
R1⇒ SE ξ1 é A1 e ξ2 é A2 ENTÃO η é B1 As regras para o aprendizado no caso do controle de coloração
Regras com os mesmos antecedentes (Ar) têm os mesmos são similares, com a adaptação óbvia das variáveis nebulosas.
pesos, assegurando a integridade da base de regras. Os consequentes das regras fornecem a informação de erro que
sistema neuro-fuzzy necessita para o aprendizado das regras de
controle.
µ1(1)
ξ1 R1
µ2(1)
v 1(1)
µ3(1)
.
. R2
v 2(1)
.
. .
. R3 . η
.
µ1(2) .
R4 .
µ2(2)
v 6(1)
µ3(2)
. R5
.
Figura 4 -Funções de pertinência para erro de nível no
. aprendizado de regras
ξ2 R6
GEh=0.3. Para se obter boa precisão na coloração e Na simulação foram utilizados o MATLAB e suas
considerando que o universos é [-2,2] para essa variável, o ferramentas SIMULINK e FuzzyToolbox. O diagrama de
fator de escala GEc é ajustado em 200; G∆Ec, em 1500 e simulação é mostrado na Figura 10.
G∆Qr , em 1/15.
Experimento 1: O comportamento da coloração da mistura
resultante é mostrado na Figura 11 para um degrau de
amplitude 0,3 como setpoint; o nível de líquido no tanque
misturador deve permanecer constante em 30 cm. A resposta
∆Qr NB NM Z PM PB obtida com o controlador neuro-fuzzy (NF) atinge o setpoint
mais rapidamente do que aquela obtida com o controlador
NVB NB NM NS Z
PB fuzzy convencional (F).
NVB NVB NVB NVB NVB
NB NM NS Z PS Experimento 2: O nível de líquido no tanque misturador é
PM
NVB NVB Z Z NVB mostrado na Figura 12, para degraus de 0 a 40 cm. e, então, de
NM NS Z PS PM 40 a 25 cm como setpoints. A coloração final deve ser mantida
Z invariante em 0,5. Nos dois casos o setpoint é atingido, mas a
NVB Z Z Z NVB
resposta obtida com o controlador neuro-fuzzy (NF) é
NS Z PS PM PB novamente mais rápida do que aquela obtida com o controlador
NM
PVB Z Z Z Z fuzzy simples (F).
Ec Z PS PM PB PVB
NB Experimento 3: As variações de coloração e nível são
PVB PVB PVB PVB PVB
mostradas na Figura 13 quando são simultaneamente aplicados
∆Ec à planta degraus de 0 a 0,3 e, então, de 0,3 a 0,15 como
setpoint para a coloração, e degraus de 0 a 40 cm. e, então, de
Tabela 2 -Bases de regras fuzzy (itálico) e neuro-fuzzy para 40 a 25 cm. como setpoint para o nível de líquido no tanque.
controle de coloração Como pode ser observado, a resposta fornecida pela estrutura
neuro-fuzzy para a coloração é mais rápida que no experimento
1. Isto se deve a uma vazão grande de entrada; o controlador de
nível tenta levar o sistema para o setpoint e a vazão de entrada
é a máxima ao mesmo tempo.
NF NF
F
F
7 CONCLUSÕES
Os experimentos realizados demonstram que a utilização de
dois controladores neuro-fuzzy independentes no controle de
uma planta mutivariável é capaz de produzir bons resultados. A
base de regras gerada através do processo de aprendizado,
embora diferente daquela definida por um especialista, opera
de forma adequada e permite que seja cumprido com boa
precisão o principal objetivo de se atingir uma determinada
coloração para o líquido no tanque misturador. O sistema
neuro-fuzzy é capaz de criar um conjunto de regras apropriado,
eliminando, assim, a eventual dificuldade de definição da base
de regras. As bases de regras para os controladores fuzzy e
neuro-fuzzy são similares em certos casos e em geral não
apresentam conflito em regiões próximas ao setpoint,
apresentando somente diferenças de "intensidade" das variáveis
nebulosas (ex: NVB ⇔ NM).
A definição do erro a ser fornecido ao sistema neuro-fuzzy
durante o aprendizado de regras deve ser efetuada com
cuidado, pois esta informação é crucial para se obter uma base
de regras coerente.
8 REFERÊNCIAS
[1] A. Iriarte Lanas, G.L. Mota, R. Tanscheit, M. Vellasco,
J.M. Barreto, Fuzzy control of a multivariable nonlinear
process, VIII IFSA World Congress (aceito), Taiwan, 1999.
[2] J.M. Barreto, Controle Hierárquico de um misturador de
fluidos, Ciência e Técnica, V.13, 1976, pp. 35-39.
[3] E. Lembessis, R. Tanscheit, The influence of implication
operators and defuzzification methods on the deterministic
output of a fuzzy rule-based controller, Proc. 4th IFSA
Congress, Brussels, 1991, pp. 109-114.
[4] A. Nürnberger, Neuro-fuzzy control based on the
NEFCON Model”, 2nd On-line World Conference on Soft
Computing in Engineering Design and Manufacturing ,
1997.
[5] J.M. Mendel, Fuzzy logic systems for engineering: a
tutorial”, Proc. IEEE, V. 3, pp. 345-376.
[6] D. Driankov, H. Hellendorn, M. Reinfrank, An
Introduction to Fuzzy Control, Springer, 1993.