ESCOLA DE MINAS
COLEGIADO DO CURSO DE ENGENHARIA DE
CONTROLE E AUTOMAO - CECAU
Ouro Preto
Escola de Minas UFOP
Junho/2014
____________________________________________
Agnaldo Jos da Rocha Reis - Professor Orientador
____________________________________________
Paulo Marcos de Barros Monteiro - Professor convidado
____________________________________________
Danny Augusto Vieira Tonidandel - Professor convidado
AGRADECIMENTOS
__________________________________
Em primeiro lugar, agradeo a Deus por mais essa conquista, pois sem Ele nada disso seria
possvel.
A minha me pelo apoio e exemplo de vida.
Aos meus irmos, pela cumplicidade, carinho e auxlio.
A Iara, que tanto me apoiou e me aconselhou nos momentos mais difceis.
Ao meu orientador Professor Dr. Agnaldo e Co-Orientador Professor Me. Cocota pelo
aprendizado, pacincia e dedicao.
Aos professores e funcionrios da Universidade Federal de Ouro Preto.
"Conserve os olhos fixos num ideal sublime, e lute sempre pelo que
deseja, pois s os fracos desistem e s quem luta digno de vida."
(Desconhecido)
RESUMO
A automao industrial tornou-se uma necessidade diretamente ligada ao aumento de
produtividade e qualidade nas atividades que requerem controle de processos e
sequenciamento de aes, estando presente no cotidiano das indstrias. De forma similar, o
controle de nvel tambm tem ganhado cada vez mais espao na linha de produo dos mais
diversos bens. Controladores clssicos so comumente utilizados para tais fins. Porm, nem
sempre so capazes de compreender a complexidade da dinmica do processo ou lidar com a
presena de no-linearidades. A utilizao de tcnicas de inteligncia artificial (lgica
nebulosa, sistemas especialistas ou
inconvenincias presentes na maioria dos processos se mostra como uma alternativa a ser
analisada. Neste contexto, proposto a utilizao de um neurocontrolador adaptativo por
modelo de referncia para o controle de nvel de dois tanques acoplados em uma planta real
encontrada na Escola de Minas - UFOP. O desempenho desse neurocontrolador comparado
com o desempenho de controladores PI sintonizados a partir dos mtodos de curva de reao
por Ziegler-Nichols e Lugar das razes.
ABSTRACT
The Industrial Automation has become a necessity directly connected to the increase of the
productivity and quality in activities which demand process control and sequencing of
actions, thus becoming present in the daily routine of the industries. In a similar way, the
level control has also gained significant ground in the line production of the most varied
kinds of goods and products. Classic controllers are commonly used for such purposes.
However, these controllers are not always capable of understanding the complexity of the
process dynamics or deal with the presence of nonlinearities. The usage of artificial
intelligence techniques (fuzzy logic, expert systems or artificial neural network) in order to
deal with the inconveniences found in most processes, can be considered an alternative with
potential to be analyzed. In this context, it is here proposed the usage of an adaptive
neurocontroller, using reference model, to perform the level control of two coupled tanks in a
real blueprint found at Escola de Minas UFOP. The performance of this neurocontroller is
compared with the performance of PI controllers synchronized by the reaction curve method
by Ziegler-Nichols and Root Locus.
Keywords: system identification, artificial neural networks, neurocontroller, level control.
LISTA DE ABREVIATURAS
ARX
ARMAX
CC
Corrente contnua
CLP
FTplanta
FTref
IA
Inteligncia artificial
mm
milmetros
MQ
MQP
MSE
NARMA-L2
NARMAX
NARX
N4SID
Pa
pascal
PI
Proporcional Integral
PID
PVC
Policloreto de polivilina
PWM
RNA
volt
Vcc
Tenso mdia
Vpp
LISTA DE SMBOLOS
Regressor
Erro relativo
Ni
(y)
-1 (y)
y(k)
u(k)
r(k)
yr(k)
(k)
(k)
v(k)
Tempo de acomodao
Coeficiente de amortecimento
SUMRIO
1. INTRODUO .................................................................................................................... 13
1.1 Consideraes Iniciais .................................................................................................... 13
1.2 Objetivos ......................................................................................................................... 14
1.3 Justificativa ..................................................................................................................... 15
2. PROCESSO DE DOIS TANQUES ACOPLADOS ............................................................. 16
2.1 Introduo ....................................................................................................................... 16
2.2 Descrio da Planta ........................................................................................................ 16
2.3 Comunicao OPC ......................................................................................................... 19
2.4 Parmetros ...................................................................................................................... 20
2.4.1 Parmetros Gerais ........................................................................................................ 20
2.4.2 Parmetros identificados.............................................................................................. 21
2.5 Modelagem do processo ................................................................................................. 22
3. IDENTIFICAO DE SISTEMAS ..................................................................................... 24
3.1 Introduo ....................................................................................................................... 24
3.2 Medio e coleta dos dados ............................................................................................ 25
3.3 Representao matemtica ............................................................................................. 25
3.4 Estruturao do modelo .................................................................................................. 29
3.5 Estimao de parmetros ................................................................................................ 30
3.6 Validao do modelo ...................................................................................................... 31
4. REDES NEURAIS ARTIFICIAIS ....................................................................................... 32
4.1 Introduo ....................................................................................................................... 32
4.2 Propriedades e potenciais ............................................................................................... 34
4.3 Estrutura de um neurnio ............................................................................................... 35
4.4 Funes de ativao ........................................................................................................ 36
4.5 Arquitetura das redes neurais artificiais ......................................................................... 39
4.6 Aprendizagem das redes neurais artificiais .................................................................... 43
1. INTRODUO
O controle de nvel em tanques vem se destacando a cada dia e j de grande interesse tanto
no mbito acadmico, quanto na rea industrial. Embora tenha uma conceituao
relativamente simples, o controle de nvel requer muitas vezes a utilizao de artifcios e
tcnicas apuradas para que seja realizado. A ttulo de exemplo, em ambientes industriais,
muitos processos necessitam que os nveis de lquidos sejam mantidos dentro de valores prestabelecidos para o bom funcionamento da produo, assim como para fins de clculos de
custos e de estoques.
Por outro lado, grande parte dos processos industriais ou est sendo automatizado,
possuindo assim vrias malhas de controle instaladas nesses ambientes. Os chamados
Controladores clssicos com termos Proporcional, Integral e/ou Derivativo (i.e.
Controladores PID) so largamente utilizados. Porm, esses dispositivos nem sempre so
capazes de compreender a complexidade da dinmica do processo ou de lidar com a presena
de no linearidades. Isso implica que o comportamento da malha de controle na qual ele se
encontra inserido poder no atender s especificaes desejadas, o que acarretar problemas
no processo produtivo em maior ou menor grau. Alm disso, devido complexidade dos
atuais processos industriais, as tcnicas de controle clssico podem se tornar ineficazes e at
obsoletas em alguns casos, sendo necessrio buscar alternativas de controle (SOARES, 2009).
Uma das alternativas plausveis para alguns sistemas no lineares seria a utilizao de
modelos linearizados dentro de certos limites (OGATA, 2003). J uma outra alternativa
classe de controladores do tipo PID a utilizao de tcnicas de Inteligncia Artificial (IA)
(e.g. lgica nebulosa, sistemas especialistas, redes neurais artificiais etc.) na concepo de
controladores que tero habilidade para lidar melhor com as no linearidades e com eventos
no esperados presentes na maioria dos processos (DINIZ, 2011). Esses controladores podem
emular a capacidade humana de resoluo de problemas. Dois exemplos de tais dispositivos
so os controladores baseados em redes neurais artificiais (ou neurocontroladores) e os
controladores baseados na Lgica Fuzzy. Essas tcnicas so aplicveis em processos onde
14
Neste contexto, torna-se relevante realizar um estudo comparativo entre alguns mtodos de
projeto de controladores. Dessa forma, se apresenta neste trabalho a anlise do desempenho
de um neurocontrolador adaptativo por modelo de referncia que tem seu desempenho
comparado com controladores obtidos pelo Mtodo do Lugar das Razes e Ziegler-Nichols,
para o mesmo ponto de operao do processo de dois tanques acoplados.
1.2 Objetivos
15
1.3 Justificativa
O processo de automao industrial cada vez mais importante em todo o mundo e dever
crescer continuamente, acarretando com isso, um aumento considervel na sua complexidade
em termos de sequenciamento de aes e de estratgias de controle. O uso de estratgias de
controle baseadas em IA realidade no ambiente industrial (e.g. METSO, 2012; CEMI, 2012).
A necessidade de se conhecer o modelo matemtico que rege o processo grande, visto que a
escolha do controlador apropriado depende da dinmica e do comportamento do sistema em
que o modelo seja capaz de representar.Esta barreira pode ser quebrada pelo uso de tcnicas
de controle em conjunto com redes neurais artificiais para a identificao e controle de
processos, considerando ainda a grande possibilidade de presena de no-linearidades e o
grande nmero de variveis em que seja desejvel o controle.Tcnicas de controle que
envolvem recursos ligados a otimizao e conhecimento computacional tendem ao
aprimoramento e desenvolvimento em controle de processos industriais avanados. (DINIZ,
2011) Neste contexto, a implementao do neurocontrolador abre inmeras possibilidades de
estudos e anlises de situaes que podero ser encontradas na prtica.
2.1 Introduo
O processo de tanques acoplados bastante adequado para ser utilizado no escopo deste
trabalho, basicamente por dois motivos: primeiro, porque bastante comum em escala
industrial, principalmente nos ramos qumico, petroqumico, de celulose e de alimentos
(GARCIA, 1997); e segundo, porque de fcil construo e de modelagem relativamente
simples, permitindo que diferentes controladores possam ser projetados, implementados e
testados de forma rpida e eficiente.
A bancada experimental desenvolvida foi baseada no kit Coupled Tanks fabricado pela
empresa Quanser. Para a elaborao do sistema de dois tanques acoplados, disps-se,
conforme a Figura 2.1, de dois tanques de PVC com dimenses de 47,6 mm de dimetro
interno e 250 mm de altura, fixados em um painel de acrlico, juntamente com um
reservatrio com capacidade para aproximadamente 14 litros.
17
O atuador utilizado na planta supracitada foi uma moto-bomba composta por um motor de
corrente contnua de 12 Vcc, um dissipador de calor e uma bomba de engrenagens acoplada
ao eixo do motor. Esse atuador acionado por um mdulo de potncia, cuja entrada um
sinal analgico de 0 a 10 Vcc, e cuja sada um sinal modulado por largura de pulsos (PWM)
de 0 a 12 Vcc.
O fluxo de gua da planta regulado por essa bomba, no contendo vlvulas de controle. A
gua bombeada para os dois tanques, conforme a configurao apresentada na Figura 2.2.
Os dois tanques deste sistema so montados de forma que o fluxo de sada do tanque superior
(2) flua para dentro do tanque inferior (1) e o fluxo de sada do tanque inferior (1) flua para
18
A medio de nvel dos tanques indireta, sendo realizada pela presso diferencial por meio
do sensor MPXM2010GS da Motorola. Este sensor baseado no efeito piezo-resistivo e
possui compensao de temperatura e sua sada linear em uma faixa de 0 a 10 kPa. O sensor
possui um encapsulamento MPAK, que permite que um tubo lhe seja conectado, isolando-o
do contato direto com a gua. (JNIOR, 2009)
19
20
2.4 Parmetros
Para o sistema de dois tanques acoplados, foram identificados alguns parmetros por meio de
experimentos em malha aberta, como o caso do parmetro relacionado parcela de fluxo
direto (1 ) da bomba para o tanque inferior (tanque 1), resultante dos estrangulamentos
localizados no divisor de fluxo (conexo T) e o ganho da bomba ( ) que foram obtidos a
partir de experimentos de carga de gua dos tanques. J os coeficientes de perda de carga nos
drenos ( ) foram estimados por comparao dos resultados experimentais com a simulao
do sistema em regime permanente no ponto de operao. (JNIOR, 2009)
Smbolo
Valor [unid.]
Descrio
1 , 2
1779,50 [2 ]
17,65 [2 ]
7,75 [2 ]
2,8 []
2,0 []
9787,9
[/ 2 ]
1,2
1/23 [ ]
21
Na Tabela 2.2 encontram-se os parmetros identificados para o ponto de operao que foi
escolhido para o processo de dois tanques acoplados. Estes parmetros so necessrios para o
clculo dos modelos no linear e linear do sistema representados pelas Equaes 2.1, 2.2, 2.3
e 2.4. Para aquisio desses parmetros, realizou-se dois ensaios na planta, a saber: Ensaio do
ganho da bomba e Gamma e o ensaio de perda de carga.
O ensaio do ganho da bomba consiste em tampar as sadas dos tanques 1 e 2 enchendo-os por
um determinado tempo at um dado ponto de operao da bomba em volts e comparando os
utilizando os valores de tempo e altura mxima da coluna d'gua para o clculo do K e do
Gamma. Vale ressaltar que o ponto de operao escolhido levado at o fim do trabalho.
O ensaio de perda de carga feito de forma a se colocar a bomba na tenso de operao por
determinado perodo de tempo. Neste trabalho, o tempo escolhido foi de 600 segundos. De
posse dos dados experimentais do ensaio, realizou-se a estimao dos valores de perda de
carga para os tanques 1 e 2 de modo que os dados tericos coincidissem com os dados
experimentais.
Smbolo
Valor [unid.]
Descrio
1,0
95,4 []
2,0
32,18 []
1,0
6,56 []
1,0
7,88 []
3512 [3 ]
ganho da bomba
0,583
0,728
0,805
22
Segundo Libbi (2003), quando um lquido em um tanque submetido a uma descarga por um
orifcio de sada com rea da seo transversal muito menor que a rea da seo transversal do
tanque ( ), a hiptese de escoamento do fluido sem atrito e em regime quase
permanente pode ser empregada. Essa hiptese possibilita o uso da equao de Bernouli no
centro da superfcie do fluido e no centro da seo do dreno. Assim, o modelo no linear, que
descreve a dinmica do nvel dos tanques em funo das vazes de entrada e de sada, foi
obtido a partir da lei de conservao para escoamentos incompressveis e da lei de Bernoulli.
mostrado nas Equaes 2.1 e 2.2 os modelos no lineares.
2
1 1
2
=
1 2
22
2
2
(2.1)
1
2
1
1
= 2
22 + 1 1
21
2
1
1
(2.2)
Dessa forma, o modelo linear mostrado nas Equaes 2.3 e 2.4 pode ser obtido pela expanso
em srie de Taylor das equaes 2.1 e 2.2, desprezando-se os termos de segunda ordem e
superiores, e assumindo-se as variveis de desvio = , ,0 e = , ,0 .
2
1 1
2
=
1 2
2
2 22,0 2
(2.3)
1
2
1
1
= 2
2 + 1 1
2 22,0
1
1 21,0 1
(2.4)
(2.5)
23
1 ()
1 1 2 + 1
=
1 () (2 + 1)(1 + 1)
(2.6)
2,0
, = 1,2
(2.7)
3. IDENTIFICAO DE SISTEMAS
3.1 Introduo
Um dos grandes desafios na histria da cincia tem sido obter sistemas anlogos aos
processos e fenmenos observados no universo. Por sistema anlogo entende-se um sistema
capaz de reproduzir algumas caractersticas do fenmeno observado, assim como uma
maquete reproduz as escalas, propores e cores de uma construo real. Quando o anlogo
um sistema matemtico, ele constitui um modelo matemtico do fenmeno observado.
(AGUIRRET et al., 1998)
A identificao de sistemas busca a obteno de uma relao de causa e efeito presente nos
dados de forma aproximada e em partes para a obteno do modelo matemtico vlido. Aps
a coleta de dados, necessrio definir um modelo de representao matemtica do sistema,
bem como sua estruturao e a escolha de um algoritmo para a determinao de seus
parmetros. Aps a obteno de um modelo candidato a um modelo matemtico
representativo do sistema, o mesmo deve ser submetido a testes e comparaes para a sua
validao (AGUIRRE, 2007).
De uma forma geral, existem dois tipos de tcnicas para a modelagem, a saber: modelagem
pela fsica do projeto e modelagem a partir de testes, sendo a segunda de acordo com Ljung
(1987) mais conhecida por identificao de sistemas. A grande diferena das duas tcnicas
supracitadas se resume na quantidade de conhecimento sobre o processo real utilizado na
obteno dos modelos. Sendo assim, as tcnicas para a modelagem de sistemas so
geralmente agrupadas em trs grupos: modelagem caixa branca, modelagem caixa preta e
modelagem caixa cinza.
25
caixa cinza um meio termo entre a modelagem caixa branca e a modelagem caixa preta,
portanto, ela consiste em uma modelagem semi-emprica onde pouco se conhece sobre a
fsica ou natureza que rege o processo, mas no o suficiente para se utilizar tcnicas de
modelagem clssica. So utilizadas tcnicas de estimao de parmetros com auxlio do
conhecimento do sistema existente.
A expresso de um modelo matemtico pode ser representada de diversas formas, tanto para
sistemas lineares quanto para sistemas no-lineares, de modo contnuo ou discreto. Em
sistemas lineares, o modelo representado atravs de funes de transferncia de primeira,
segunda e terceira ordens, conforme as caractersticas do sistema, que so utilizadas para
caracterizar a relao entre a transformada de Laplace do sinal de sada e a transformada de
Laplace do sinal de entrada, conforme a Equao 3.1, considerando que todas as condies
iniciais so nulas.
0 + 1 + +
()
=
=
()
0 + 1 + +
(3.1)
A partir Equao 3.1, pode-se encontrar os zeros e os polos de H(s), que so respectivamente
os zeros do polinmio N(s) e os zeros do polinmio D(s). A ordem de H(s) igual ao nmero
de polos.
26
Um sistema complexo pode ter muitas entradas e muitas sadas, e estas podem estar
interrelacionadas de uma maneira complicada. Para analisar tal sistema, essencial reduzir a
complexidade nas expresses matemticas, bem como recorrer a computadores para realizar
os clculos complexos provenientes desses modelos. A abordagem de Espao de Estados para
anlise de sistemas mais adequada sob este ponto de vista. De acordo com a necessidade,
sistemas no lineares e multivariveis podem ser representados em espaos de estados,
conforme a Equao 3.2.
= +
= +
(3.2)
A Equao 3.3 representa um modelo geral dado como uma representao polinomial por
operadores de atraso 1 , onde o valor de r(k) corresponde entrada do sistema, o valor de
y(k) corresponde sada do sistema e v(k) corresponde aos distrbios do sistema.
+
()
(3.3)
27
= 1 1 1
(3.4)
= 1 1 + +
(3.5)
= 1 + 1 1 + +
(3.6)
= 1 + 1 1 + +
(3.7)
= 1 + 1 1 + +
(3.8)
Dependendo de quais dos termos apresentados acima so utilizados, diversos modelos podem
ser definidos, a saber: modelo autoregressivo com entradas exgenas (ARX), modelo
autoregressivo com mdia mvel e entradas exgenas (ARMAX), modelo no linear
autoregressivo com entradas exgenas (NARX) e modelo no linear autoregressivo com
mdia mvel e entradas exgenas (NARMAX).
A Equao 3.9 representa o modelo ARX obtido pela substituio dos polinmios C(q), D(q)
e F(q) por constantes unitrias na equao de representao geral. A Figura 3.1 representa o
modelo ARX em diagrama de blocos.
1
+
()
(3.9)
28
O modelo ARX o mais simples de ser estimado, mas apresenta a desvantagem do polinmio
A(q) representar a dinmica do sistema e as propriedades do rudo, em que v(k) aparece
diretamente na Equao 3.9.
+
()
(3.10)
Este modelo semelhante ao ARX e obtido do modelo geral considerando-se D(q) = F(q) =
1 e A(q), B(q) e C(q) polinmios arbitrrios. Este modelo fornece uma flexibilidade maior
para a modelagem do rudo em relao ao anterior. O diagrama de blocos mostrado na
Figura 3.2.
= [ 1 , , , , , ( )
(3.11)
29
O modelo NARMAX o modelo NARX com termos de rudo includos. A sua representao
inclui termos que combinam entradas, sadas e o erro do sistema modelado, conforme a EQ.
3.12. (ANTUNES, 2007)
= [ 1 , , , ,
(3.12)
, , 1 , , ]
Para modelos lineares, o que deve ser feito nessa etapa a escolha do nmero de polos e zeros
do modelo e determinar o atraso puro de tempo. Porm, esta escolha no to simples quanto
parece, podendo trazer incoerncia na determinao de parmetros do modelo, caso seja
escolhido uma ordem maior que a verdadeira ou a incapacidade de descrio das
caractersticas reais do processo, caso seja escolhido uma ordem menor que a real.
Para modelos lineares, existem facilidades para lhe dar com estes tipos de problemas, como
por exemplo, o uso do cancelamento de polos e zeros, caso a ordem escolhida para o modelo
seja maior que a ordem real do sistema.
Para modelos no-lineares, a escolha da ordem mais complexa. Nestes modelos, o nmero
de termos presentes grande e, devido presena de no-linearidades, muitas tcnicas
propostas para modelos lineares no so vlidas nestes casos. Existem mtodos estatsticos de
estimao de modelos que podem ser, de certo modo, aplicveis em representaes nolineares.
30
O mtodo dos Mnimos Quadrados (MQ), um dos mtodos mais utilizados para a estimao
de parmetros. Este mtodo aplicvel sistemas lineares e consiste em encontrar uma
estimativa para o vetor de parmetros para que o somatrio dos quadrados das distncias
entre cada ponto observado e seu valor estimado pelo modelo seja mnima. Na Equao 3.13
mostrada a frmula para calcular de um modelo linear, onde o vetor de sada do sistema
e uma matriz de regressores n x n contendo as n observaes de valores de entrada ,
conforme Equao 3.14. (CORRA, 1997)
= [ ]1
(0)
(1)
=
( 1)
(1)
(0)
( 2)
(3.13)
( + 1)
( + 2)
(0)
(3.14)
O somatrio dos quadrados dos erros entre as medies e as predies de um passo frente
a funo custo a ser minimizada, descrita na Equao 3.15.
=1
(3.15)
31
No caso de modelos no lineares do tipo NARX e NARMAX, podem ser utilizados alguns
algoritmos baseados em estimao por mnimos quadrados. obtida uma equao matricial
de regressores , aplicando-se N vezes a equao do estimador MQ linear. Este mtodo
aplicvel quando as colunas da matriz de regressores contiverem valores conhecidos e
dependentes de y(k) e r(k). (DINIZ, 2011)
Uma das tcnicas para se validar um modelo, por meio de grficos, comparando-se os
comportamentos real e estimado do sistema a ser validado. importante um cuidado maior na
utilizao desta tcnica de validao, podendo-se utilizar uma base de dados diferente da
utilizada para a determinao do modelo estimado, obtendo-se assim uma validao
generalizada do modelo.
4.1 Introduo
De uma maneira mais exata, pode-se definir uma rede neural artificial como sendo um
conjunto de neurnios interconectados por meio de um arranjo, que determinam uma funo
de transferncia ajustvel e no linear, que pode ser relacionado a mltiplos valores entre as
conexes e os neurnios. A rede neural composta por unidades de processamento reunidas
por meio de canais de comunicao com determinado peso, em que a inteligncia da rede
proveniente das interaes das unidades de processamento.
O aprendizado definido por Carbonell (1989) como sendo uma habilidade de realizao de
tarefas novas ou aprimoramento de tarefas antigas como resultado de alteraes no
comportamento resultantes do processo de aprendizado. Neste contexto, as redes neurais
artificiais podem modificar seu comportamento em resposta aos estmulos produzidos pelo
ambiente, regulando a fora da conexo entre unidades de processamento adjacentes pela
adaptao dos pesos sinpticos, reconhecendo as informaes apresentadas s suas unidades
visveis. (WASSERMAN, 1989; CHANCHETTI, 2010)
33
No contexto da generalizao, de vital importncia que uma rede neural consiga se adaptar
s novas situaes, gerando valores de sada consistentes. Essa adaptao possvel dada a
sensibilidade variaes que podem ocorrer
conexionista, que reconhece sinais de rudo e distrbios. De acordo com LECUN (1989), um
bom desempenho da generalizao de uma rede neural, depende do nmero de parmetros
livres existentes nesta, sendo desejvel uma diminuio do tamanho das conexes sem que o
tamanho da rede seja reduzida ao ponto que esta no consiga executar a funo proposta.
O projeto ou treinamento de uma rede neural artificial tem como objetivo a adaptao para
atingir a funcionalidade desejada a partir de estratgias de aprendizado que atuam sobre os
parmetros ajustveis da rede. Este projeto depende da formatao dos dados apresentados, da
escolha do conjunto de neurnios a serem utilizados, de uma disposio definida dos
neurnios, de como eles so conectados entre si, da determinao do algoritmo de
aprendizagem ou de treinamento que determina os parmetros ajustveis da rede e da
validao do treinamento. importante definir como ser feito o treinamento, uma vez que
determinadas aplicaes necessitam de caractersticas diferenciadas de treinamento para que o
objetivo alvo da aplicao seja atingido. (DINIZ, 2011)
Na etapa de aquisio dos dados para o treinamento da rede neural, preciso se tomar
cuidados especiais na escolha dos mesmos, sendo de vital importncia que os dados
representem o processo para o qual a rede neural est sendo projetada. A escolha errada
desses dados pode acarretar em resultados no desejados. As funes de pr-processamento
de dados so utilizadas para alterar os valores a serem apresentados a rede, para um
determinado intervalo, normalmente I=[-1;1], sendo essa alterao de faixa objetivando a
otimizao da rede neural.
34
objetivo, sendo esta validao se consistindo na apresentao de uma nova massa de dados
que no foi utilizada na etapa de treinamento, comparando os dados de sada com a sada real
do processo modelado, constatando assim, o desempenho da rede neural artificial.
Como dito anteriormente e de acordo com Haykin (1999), evidente que uma rede neural
deriva seu poder de computao por meio de sua massiva estrutura paralela e distribuda e de
suas habilidades de aprender e, ento, generalizar.
Com o poder da generalizao, uma rede neural capaz de resolver problemas de alto grau de
complexidade, onde se necessita conhecer um conjunto de dados de sada para um novo
conjunto de dados de entrada, sem a necessidade de se projetar uma estrutura de
aprendizagem computacional para tais fins.
Segundo Haykin (1999) e Rodrigues (2009), o uso de Redes Neurais oferece as seguintes
propriedades e potencialidades:
35
36
somando um valor limiar (bias), designado por b, com as conexes de um vetor coluna de
entradas multiplicados por pesos sinpticos (1, ), podendo ser fixos ou ajustveis. O
somatrio n representado pela Equao 4.1.
1, +
(4.1)
=1
De maneira geral, a relao entre os pesos sinpticos, valor limiar, valores de entrada e sada
podem ser expressos de acordo com a Equao 4.2.
= ( + )
(4.2)
A funo de ativao, tambm conhecida como funo restritiva, tipicamente uma funo
linear, limiar ou sigmoidal, sendo a escolha de uma destas, dependendo das caractersticas do
problema.
Funo linear A funo de ativao linear calcula a sada do neurnio como sendo seu
prprio argumento. A Figura 4.2 ilustra a representao grfica de uma funo linear de um
neurnio.
37
A funo de ativao linear de um neurnio pode ser representada segundo a Equao 4.3.
(4.3)
Funo limiar A funo de ativao limiar calcula somente duas sadas para o neurnio, a
saber: 0, se o argumento de entrada do neurnio menor do que 0 e 1, se o argumento de
entrada maior ou igual a zero. A representao grfica da funo limiar mostrada na
Figura 4.3.
A funo de ativao limiar de um neurnio pode ser representada de acordo com a Equao
4.4.
= +1, 0
= 0, < 0
(4.4)
38
Funo sigmoidal A funo de ativao sigmoidal, cujo grfico tem a forma de S, a funo
mais utilizada na construo de redes neurais. Ela exibe um balanceamento adequado entre
comportamento linear e no linear. Esta funo logartmica converte o argumento de entrada,
que pode variar entre o intervalo [, +] , para valores de sada compreendidos no
intervalo 0,1 . (DINIZ, 2011; CARGAS, 2013)
A funo de ativao sigmoidal de um neurnio pode ser representada segundo a Equao 4.5.
1
1 +
(4.5)
39
(4.6)
A maneira que os neurnios de uma rede neural artificial esto interconectados est
intimamente relacionada ao algoritmo de aprendizagem a ser utilizado para trein-la. Em geral
possvel distinguir trs classes fundamentais de arquiteturas: redes feedforward de uma
nica camada, redes feedforward de mltiplas camadas e redes recorrentes.
A rede feedforward de uma nica camada, resume o caso mais simples de uma rede em
camadas, onde existe uma camada de entrada com neurnios nos quais suas sadas alimentam
a ltima camada da rede. Geralmente os neurnios da camada de entrada so propagadores
puros, ou seja, repetem o sinal de entrada, ao contrario da camada de sada, que fica
responsvel por processar o sinal de entrada.
unicamente da entrada para a sada. A Figura 4.6 apresenta um exemplo de rede neural do tipo
feedforward de uma nica camada.
40
A partir da anlise da Figura 4.6, possvel observar que a rede neural artificial ilustrada
possui um vetor P com R dados de entrada, um conjunto de S neurnios em uma nica
camada e um vetor A de S dados de sada.
Em estruturas que possuem diversos neurnios distribudos em camadas, os pesos so
representados na forma matricial cuja dimenso depende do nmero de neurnios da camada
de entrada e do nmero de dados de entrada da rede neural. (DINIZ, 2011)
Considerando a rede neural artificial ilustrada na Figura. 4.6, a matriz de pesos, de modo mais
genrico, pode ser definida pela Equao. 4.7.
1,1
2,1
=
,1
1,2
2,2
,2
1,
2,
(4.7)
A matriz da Equao 4.7, tambm pode ser utilizada para uma representao das conexes
entre duas camadas, no caso de uma rede de camadas mltiplas, sendo neste caso, sua
dimenso dependendo diretamente do nmero de camadas de neurnios.
As redes neurais do tipo feedforward de mltiplas camadas, se distingue da primeira pela
presena de uma ou mais camadas intermedirias (camadas ocultas). Estas camadas extras
41
(4.8)
Em algumas situaes, atrasos de tempo no conjunto de entrada da rede neural podem ocorrer.
Esta tcnica consiste em apresentar a rede um mesmo dado em um determinado estado, bem
como os seus antecessores, conforme Figura 4.8. Em aplicaes que envolvam controle
adaptativo, a utilizao de atrasos de tempo fundamental. (CARGAS, 2013)
42
Redes neurais do tipo recorrente ou feedback, diferem das redes neurais feedfoward por
apresentarem pelo menos um lao de realimentao. Por exemplo, uma rede feedback pode
consistir em uma nica camada de neurnios com cada neurnio alimentando seu sinal de
sada para a entrada dos outros neurnios. A recorrncia causa um grande impacto na
capacidade de aprendizagem e no desempenho da rede.
A Figura 4.9 um exemplo de rede neural feedback, em que a realimentao representada
por uma conexo, com atraso de tempo D, entre a sada e entrada do neurnio.
43
Uma rede neural aprende basicamente atravs da atualizao de seus pesos (bias), de modo a
se obter uma rede neural treinada e especializada para desempenhar uma certa funo ou
classificao. De acordo com Haykin (1998), aprendizagem o processo pelo qual os
parmetros livres de uma rede neural so adaptados atravs de um mecanismo de
apresentao de estmulos, fornecidos pelo ambiente no qual a rede est inserida.
44
entrada na rede e process-lo, camada a camada, at obter o valor de sua sada. O erro entre o
valor esperado para a sada e o valor obtido ento calculado e propagado no sentido
contrrio ao da rede para ajuste dos pesos. (WINANDY et al., 2007)
Na Equao 4.9 mostrado o clculo do erro, obtido da sada estimada pela rede,
representada por entre a sada real, representada por .
() = () ()
(4.9)
A retro-propagao do erro das sadas se repete, camada por camada, at que todos os
elementos da rede receba um sinal de erro e atualize seus pesos sinpticos. Essa atualizao
dos pesos realizada de modo a fazer a rede convergir para um estado que permita a
codificao de todos os padres do conjunto de treinamento.
O valor instantneo da soma dos erros quadrticos (), representado pela Equao 4.10,
obtido somando-se
()
2
quadrtico (MSE), , a soma dos valores instantneos divididos pelo nmero total de
entradas , conforme Equao 4.11. O MSE a funo de todos os parmetros livres, isto ,
pesos sinpticos e nveis de polarizao. Para um dado conjunto de treino, a funo de
custo a ser minimizada pelo algoritmo. (CARGAS, 2013)
1
2
2 ()
(4.10)
1
=
1
()
(4.11)
=0
Com base nas Equaes 4.10 e 4.11, pode-se observar que a atualizao dos pesos alcanada
aplicando-se uma correo ao peso sinptico , que proporcional a derivada parcial
do erro () em relao ao peso , tendo como base a direo contrria do gradiente local
da superfcie de erro () relativo ao peso.
45
()
()
(4.12)
A validao de uma rede neural artificial realizada de forma similar validao proposta em
identificao de sistemas. Nesta validao apresentada rede, uma base de dados de entrada,
obtendo-se uma base de dados de sada estimada que comparada de maneira grfica com os
dados de sada reais do sistema modelado. Na maioria das vezes, a utilizao do algoritmo de
treinamento backpropagation traz um forte poder de generalizao para a rede neural artificial.
5. NEUROCONTROLADORES
5.1 Introduo
De acordo com Maitelli e Rezende (2001), dentre as tcnicas de controle inteligente, uma que
tem ganhado mais espao e se mostra como uma das mais promissoras para as prximas
dcadas a de Neurocontrole. Tomando como base tambm os estudos de Schnitman e Fontes
(1999), um Neurocontrolador caracterizado por usar uma rede neural artificial, encontrado
no sistema de controle, sendo este, o prprio controlador ou um modelo do processo usado
para inferir uma ao de controle.
Segundo Demuth, Beale e Hagan (2009), redes neurais artificiais esto sendo aplicadas com
sucesso na identificao e controle de sistemas dinmicos. Para isto, necessrio duas etapas
com utilizao de redes neurais, a saber: a identificao do sistema, denominada de
identificador neural e o modelo de referncia do controlador. A arquitetura envolvendo o
identificador neural e o modelo de referncia do controlador, destinado a controle de
processos denominado de neurocontrolador.
47
48
Para o trabalho proposto, o enfoque ser dado em neurocontroladores adaptativos por modelo
de referncia, visto que o mesmo se adapta a apresentao de perturbaes e mudanas no
ambiente em que o sistema se encontra inserido, atendendo as necessidades para este trabalho.
5.3.1 Neurocontrolador adaptativo por modelo de referncia
O neurocontrolador adaptativo por modelo de referncia uma estrutura composta por duas
redes neurais, uma para realizar a identificao do sistema e outra para controlar o processo,
de forma a seguir um modelo de referncia, tendo como ndice de desempenho a minimizao
do erro de controle relativo sada do modelo de referncia e do modelo identificado. Este
neurocontrolador deve atender as mudanas de setpoint de forma eficiente e robusta. Na
Figura 5.2 mostrada a estrutura do neurocontrolador adaptativo. (DINIZ, 2011; CARGAS,
2013)
O controle neural fornece o sinal de controle para o processo a fim de manter a sua sada o
mais prximo possvel da sada desejada especificada pelo modelo de referencia. O erro entre
o modelo de referencia e a sada do processo usado pelo adaptador para ajustar os
parmetros do controlador.
6.1 Introduo
Como a dinmica do sistema de controle proposto neste trabalho lenta e desejvel evitar
problemas de amplificao de rudos provenientes dos sensores de nvel, optou-se por
implementar controladores do tipo PI. Com o intuito de comparar o desempenho do
neurocontrolador adaptativo por modelo de referncia, foram sintonizados dois controladores
PI obtidos por diferentes mtodos, a saber: mtodo da curva de reao de Ziegler-Nichols e
mtodo do Lugar das Razes.
6.2 Ao Proporcional-Integral
= +
(6.1)
(6.2)
50
De acordo com Bega (2003), a existncia da ao integral no garante que o processo seja
estvel, garante sim, que no haver erro quando o processo atingir um estado estvel. Como
para os valores de tempo integral o erro ser eliminado, o ajuste do valor de tempo integral
ser funo, basicamente, do ajuste da componente proporcional. O valor do tempo integral a
ser utilizado dever ser tal que elimine o erro no menor tempo possvel, sem afetar,
significativamente, a taxa de amortecimento. (MARTINS, 2006)
O primeiro mtodo se aplica somente quando se obtm uma curva em "S', referente a uma
resposta experimental do processo ao controlar uma excitao em degrau unitrio A Figura
6.1. representa uma curva em S dada a um degrau unitrio.
51
(6.3)
Os valores para , e sugeridos por Ziegler Nichols so representados pela Tabela 6.1:
Tipo de Controlador
PI
0,9
0,3
PID
1,2
2L 0,5L
O mtodo do Lugar geomtrico das razes, ou LGR, uma tcnica que tem por objetivo
representar graficamente o deslocamento dos plos de malha fechada de um sistema linear
quando sujeito a variao de um ou mais parmetros. Para controlar um sistema em malha
fechada, introduzido no controlador um ganho K varivel para que seja possvel uma
sintonia da malha de controle. O efeito da introduo desse ganho a alterao das razes do
denominador da funo de transferncia que descreve o sistema em malha fechada. A
Equao 6.4 representa o denominador do sistema realimentado:
1+
()
=0
()
(6.3)
52
Figura 6.2 - Lugar das Razes de um sistema com funo de transferncia de terceira ordem
Fonte: FARIA, 2013
Por meio do mtodo do Lugar geomtrico das razes possvel determinar onde cada polo de
malha aberta ficar posicionado em malha fechada, em funo do ganho K. Outra
possibilidade a determinao de valores para K em que o sistema realimentado seja estvel
ou instvel, bem como, melhorar o desempenho do sistema.
7. DESENVOLVIMENTO
O resultado alcanado neste trabalho, decorrente de diversos testes no que se diz respeito a
coleta de dados, preparao dos dados e ajustes de parmetros do neurocontrolador. Neste
contexto, apresentado os conceitos gerais sobre os procedimentos tomados, bem como os
principais testes realizados fim de se encontrar o neurocontrolador que melhor se ajustasse
ao processo proposto.
A base de dados utilizada para a identificao da planta foi adquirida por meio de um ensaio
em modo normal, ou seja, sem qualquer tipo de controle ou interveno humana, no qual
excitou-se a planta com sinais de tenso com amplitudes diferentes e de mesma frequncia.
Para tal, considerou-se uma base de dados composta por 3100 pares de entrada (tenso) e
sada (nvel do tanque 1). Para facilitar o trabalho do identificador neural bem como da
identificao do sistema, foi realizada uma converso dos dados de forma que os valores de
tenso e nvel que inicialmente se encontravam na faixa de 0 10 V e de 0 a 230 mm,
respectivamente, passassem a ser representados na faixa de 0 100%. A Figura 7.1 ilustra os
dados coletados sem nenhuma filtragem ou modificao de escala.
54
Para obter uma base de dados consistente para a identificao do sistema, foi necessrio
realizar uma filtragem dos dados referentes ao nvel do tanque adquiridos no ensaio. Essa
filtragem foi realizada atravs da funo smooth() do MATLAB, que usa uma mdia mvel
para reduzir os rudos de alta frequncia.
A identificao do sistema foi realizada por meio do mtodo N4SID (Numerical algorithm for
subspace state system identification) de estimao de parmetros de modelos por subespaos
de estados (maiores detalhes, ver Van Overschee e De Moor (apud CLAVIJO, 2008, p. 4854)). Os dados so apresentados ao mtodo e de acordo com a contribuio relativa dos
estados para o comportamento do sistema, a ordem do mesmo determinada, conforme
Figura 7.2. A barra vermelha indica que o sistema de 2 ordem representa os estados que mais
contribuem para o comportamento da planta. (RICCO, 2014)
55
A equao 7.1 mostra a funo de transferncia encontrada partir dos dados devidamente
preparados provenientes do ensaio. O grau de semelhana entre os dados estimados pelo
modelo da planta e os dados reais so de 98,8%, conforme a Figura 7.3.
0.01501 + 0.0005345
+ 0.01311 + 0.0007312
(7.1)
56
A partir da Figura 7.4, nota-se uma inconsistncia dos primeiros valores de sada do modelo,
sendo esta, causada pelo fato de o sistema no possuir um valor anterior de nvel. Neste ponto
de vista, necessrio realizar o corte dos primeiros dados adquiridos para o identificador
neural e para o modelo de referncia. Essa preparao dos dados foi realizada a partir de uma
rotina criada no MATLAB.
57
(7.2)
A partir da Equao 7.2, possvel determinar uma funo de transferncia de tal modo a
estipular um mximo sobressinal ( ) e um tempo de acomodao ( ), considerando este
tempo como sendo o tempo para que a resposta do sistema excitado por um degrau chegue a
98% da resposta em regime permanente. As Equaes 7.3 e 7.4 mostram as relaes entre ,
, e .
= ( /
1 2 )
(7.3)
(7.4)
Foi constatado a partir dos testes realizados, que uma porcentagem de sobressinal igual a
1,18% e um tempo de acomodao de 10 segundos se tornaram valores consistentes para a
realizao da anlise de desempenho do neurocontrolador. A Equao 7.5 representa a funo
de transferncia encontrada e a Figura 7.5 mostra o comportamento dinmico do modelo.
=
0.0576
+ 0.392 + 0.0576
(7.5)
58
O segundo modelo de referncia utilizado, um sistema tipo caixa branca de 1 ordem com
parmetros constantes, considerando o regime de fluxo laminar (linear). (OGATA, 2003) Este
modelo possui um comportamento rpido e estvel, sendo estes, parmetros desejveis em
uma planta real. A Funo de transferncia do modelo supracitado, foi proposta por Diniz
(2011) em seu trabalho referente ao controle de nvel de um sistema reservatrio simples.
Nesse trabalho proposto atender alguns requisitos do processo estudado, como variabilidade
da varivel de processo e rpida resposta. A Equao 7.6 representa a funo de transferncia
do segundo modelo de referncia utilizado nos testes do neurocontrolador e a Figura 7.6
mostra o comportamento dinmico do modelo.
=
1
0.5 + 1
(7.6)
59
(7.6)
1 = 50 + 50
(7.7)
60
61
Utilizou-se como arquitetura do identificador neural, uma rede neural do tipo feedforward
multicamadas, contendo uma camada oculta de 10 neurnios que so ativadas atravs de
funes do tipo tangente hiperblica.
Na camada de sada utilizou-se um nico neurnio sendo o valor estimado de sada da rede
ativado por meio de uma funo do tipo linear. So utilizados ainda no identificador neural,
um atraso em relao aos valores de sada do neurocontrolador em relao aos valores de
sada da planta. Na tentativa de minimizar o erro relativo mdio quadrtico entre a sada real
da planta e a sada estimada pelo identificador neural, foi estabelecido um treinamento com
at 500 pocas.
62
A Figura 7.9 composta de quatro grficos sendo que da esquerda para a direita e de cima
para baixo representam: os dados utilizados na validao da estimao do modelo por meio do
identificador neural, a sada real da planta para as suas respectivas entradas em tenso, a
anlise do erro, sendo este estimado conforme os dados de sada da planta e os dados de sada
do identificador neural, e a sada estimada pelo modelo treinado pelo identificador neural.
63
64
65
A partir das Figuras 7.12 e 7.13, pode-se perceber que o neurocontrolador consistente em
seu controle apesar de variaes inesperadas em algumas respostas, estas que so aceitveis
devido a grande oscilao do sinal de sada do controlador em relao ao sinal proveniente do
modelo de referncia. Neste mesmo ponto de vista, possvel perceber que as variaes
ocorridas com a utilizao do modelo de referncia 2 proposto na equao 7.6, so menores
que as variaes ocorridas com a utilizao do modelo de referncia 1, proposto na equao
7.5. Neste contexto, o neurocontrolador adaptativo por modelo de referncia utilizado para
aplicao real na planta foi treinado com o modelo de referncia 2.
66
67
68
A resposta transitria da planta a esse degrau foi amostrada, at que se alcanou um novo
valor em regime permanente (1,1 ), associado a nova entrada constante da planta (1,1 ).
Como resultado, obteve-se uma curva com formato em S, similar da Figura 7.16, que
conhecida como curva de reao do processo. A partir dessa curva, pode-se identificar o
69
ganho direto (0 ), o atraso () e a constante de tempo () do sistema. O ganho direto pode ser
representado pela Equao 7.8:
0 =
1,1 1,0
1,1 1,0
(7.8)
Figura 7.16 - Determinao do atraso e da constante de tempo do sistema pela curva de reao
70
71
( ) +
=
(7.9)
Uma vez projetados os ganhos dos controladores pelos mtodos supracitados, e efetuados os
ensaios e simulaes dado uma variao no sinal de referncia de 95,4 mm para 128,9 mm, no
instante t = 300 segundos, possvel analisar o desempenho dos controladores.
Nas Figuras 8.1, 8.2 e 8.3, tem-se as respostas dos sistemas de controle obtidos pelo
Neurocontrolador adaptativo por modelo de referncia e pelos mtodos da curva de reao por
Ziegler-Nichols e do lugar das Razes, respectivamente. Os parmetros utilizados para a
anlise do desempenho dos controladores foram o mximo sobressinal ( ) e o tempo de
acomodao ( ) para o critrio de 2%, conforme apresentado na Tabela 8.1.
Mtodo
Neurocontrolador
5,3%
16 [s]
Ziegler-Nichols
1,00%
18 [s]
1,47%
12 [s]
73
A figura 8.1 mostra o modelo simulado ( linear, em preto) e o processo real (em verde) em
malha fechada, para Neurocontrolador adaptativo por modelo de referncia, dado um degrau
na referncia (em azul) do ponto de operao.
74
A figura 8.2 mostra o modelo simulado ( linear, em preto) e o processo real (em verde) em
malha fechada, para o controlador PI ( =1,219 e =13,79) obtido pelo mtodo de ZieglerNichols, dado um degrau na referncia (em azul) do ponto de operao.
75
Figura 8.3 - Dinmica do controlador PI sintonizado pelo mtodo Lugar das razes
A Figura 8.3 mostra o modelo simulado ( linear, em preto) e o processo real (em verde) em
malha fechada, para o controlador PI (Kp=2,79 e i=12,27) obtido pelo mtodo do lugar das
razes, dado um degrau na referncia (em azul) do ponto de operao.
9. CONCLUSES
77
ii) Implementar um bloco para filtragem em tempo real dos dados da planta para que o
neurocontrolador possa ser executado nas mesmas condies de treinamento.
REFERNCIAS BIBLIOGRFICAS
AGUIRRE, L.A. Introduo Identificao de Sistemas: Tcnicas Lineares e NoLineares Aplicadas a Sistemas Reais. 3 Ed. rev. e ampliada. Belo Horizonte: UFMG, 2007.
ANTUNES, Flvia. Uma nova abordagem para representaes e identificaes de classes
de sistemas dinmicos no-lineares. 2007. Monografia (Mestrado em Engenharia Eltrica),
Universidade Federal de Itajub, Itajub, 2007.
BEALE, R; JACKSON, T. Neural Computing : an Introduction. Bristol : Adam Hilger,
1990.
BEGA, E. A. Instrumentao Aplicada ao Controle de Caldeiras. 3.ed. Rio de Janeiro:
Editora Intercincia, 2003. 179 p.
BOX, G. E. P. e JENKINS, G. M. Time Series Analysics-Forecasting and Control. Holden
Day, San Francisco, 1976.
CARGAS, B. M. T. Controle de nvel de um sistema de tanques acoplados utilizando
redes neurais artificiais. 2013. Monografia (Graduao em Engenharia de Controle e
Automao) Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2013.
CHANCHETTI, Flvio R. Redes Neurais. 2010. Monografia (Mestrado em Tecnologia),
Faculdade de Tecnologia da Universidade Federal de Campinas, Limeira, 2010.
CLAVIJO, D. G. Mtodos de subespaos para identificao de sistemas: Propostas de
alteraes, implementaes e avaliaes. 2009. Dissertao (Mestrado em Engenharia
Eltrica) Departamento de Mquinas, Componentes e Sistemas Inteligentes, Universidade
Estadual de Campinas, Campinas, 2008.
CORRA, Marcelo Vieira. Identificao de sistemas dinmicos no-lineares utilizando
modelos NARMAX racionais - Aplicao a sistemas reais. Dissertao (Mestrado em
Engenharia Eltrica). Universidade Federal de Minas Gerais, Belo Horizonte, 1997.
DEMUTH, H.B., BEALE, B.H. e HAGAN, M. T. Neural Network Toolbox 6, User's
Guide. The MathWorks Inc., 2009.
DINIZ, D. R. M. Anlise da aplicabilidade de um neurocontrolador adaptativo por
modelo de referncia: um estudo de caso. 2011. Monografia (Graduao em Engenharia de
79
Controle e Automao) Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto,
2011.
DOURATSOS, I., & GOMM, J. B. Neural Network Based Model Reference Adaptive
Control for Process with time Delay. International Journal of Information and Systems
Sciences , 161-179, 2007.
FARIA, Rafael O. Controle de nvel de um tanque sujeito a pertubaes e mudanas do
valor de referncia. 2013. Monografia (Graduao em Engenharia de Controle e Automao)
Escola Politcnica, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2013.
FONSECA, Marcos de Oliveira. Comunicao OPC - Uma abordagem prtica. VI
Seminrio de Automao de Processos, Associao Brasileira de Metalurgia e Materiais.
Vitria-ES,
2002.
Disponvel
em:
<http://www.cpdee.ufmg.br/~seixas/PaginaSDA/Download/DownloadFiles/OPCMarcosFons
eca.PDF>. Acessado em: 26 de maio de 2014.
FONSECA, Fbio F.; REIS, Agnaldo J. R.; Amaral, Mnica. Identificador neural de
comandos vocais para o acionamento sem fios de um rob lego mindstorms. 2009. Anais
do IX Congresso Brasileiro de Redes Neurais /Inteligncia Computacional (IX CBRN) Sociedade Brasileira de Redes Neurais, Ouro Preto, 2009.
GARCIA, C. Modelagem e Simulao de Processos Industriais e de Sistemas
Eletromecnicos. Editora da Universidade de So Paulo, So Paulo, 1997.
HAYKIN, S. Redes neurais: princpios e praticas. Traduo de Paulo Martins Engel. 2
Edio. Rio de Janeiro: Bookma, 2001.
JNIOR, Jos. A. N. C. Modelagem e controle de nvel de um sistema de quatro tanques.
2009. Monografia (Mestrado em Engenharia Eltrica) - COPE, Universidade Federal do Rio
de Janeiro, Rio de Janeiro, 2009.
LENNART, L. System Identification Toolbox 7, User's Guide. The MathWorks Inc, 2009.
LJUNGj, L. System identification - Theory for the user. Prentice-Hall International, New
Jersey, USA, 1987.
LJUNG, L. System Identification. 2.ed. Prentice Hall, New Jersey, USA, 2009.
80
16.,
2006.
Disponvel
em
81
WASSERMAN, Philip D. Neural Computing : Theory and Practice. New York : Van
Nostrand Reinhold, 1989.
WINANDY C. E.; FILHO E. B.; BENTO L. V. Algoritmos para aprendizagem
supervisionada. CT215 - Inteligncia Artificial, Seminrios, 2007. Disponvel em:
<http://winandy.voila.net/IA_ApSuperv_NotasAula.pdf>. Acessado em: 26 de maio de 2014.
ZAMBIASI, Saulo P. Aprendizado de redes neurais artificiais. Universidade Federal de
Santa
Catarina,
UFSC,
2011.
Disponvel
em: