UNIVERSIDADE FEDERAL DE OURO PRETO

ESCOLA DE MINAS
COLEGIADO DO CURSO DE ENGENHARIA DE
CONTROLE E AUTOMAO - CECAU

RAFAEL PALMA DE BRITO

ANLISE DE DESEMPENHO DE UM NEUROCONTROLADOR PARA O

CONTROLE DE NVEL DE UM SISTEMA DE DOIS TANQUES ACOPLADOS

MONOGRAFIA DE GRADUAO EM ENGENHARIA DE CONTROLE E

AUTOMAO

Ouro Preto, 2014

RAFAEL PALMA DE BRITO

ANLISE DE DESEMPENHO DE UM NEUROCONTROLADOR PARA O

CONTROLE DE NVEL DE UM SISTEMA DE DOIS TANQUES ACOPLADOS

Monografia apresentada ao Curso de

Engenharia de Controle e Automao
da Universidade Federal de Ouro Preto
como parte dos requisitos para a
obteno do Grau de Engenheiro de
Controle e Automao.

Orientador: Prof. Dr. Agnaldo Jos da Rocha

Reis
Co-orientador: Prof. Me. Jos Alberto Naves
Cocota Jr.

Ouro Preto
Escola de Minas UFOP
Junho/2014

Monografia defendida e aprovada, em 10 de junho de 2014, pela comisso avaliadora

constituda pelos professores:

____________________________________________
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

redes neurais artificiais) para lidar com as

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.

Palavras chaves: identificao de sistemas, redes neurais artificiais, neurocontrolador,

controle de nvel.

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

Modelo autoregressivo com variveis exgenas

ARMAX

Modelo autoregressivo com mdias mveis e variveis exgenas

CC

Corrente contnua

CLP

Controlador lgico programvel

FTplanta

Funo de transferncia do modelo da planta

FTref

Funo de transferncia do modelo de referncia

Intervalo de apresentao de dados a uma RNA

IA

Inteligncia artificial

Intervalo de dados brutos

mm

milmetros

MQ

Estimador de mnimos quadrados

MQP

Estimados de mnimos quadrados ponderados

MSE

Erro mdio quadrtico

NARMA-L2

Modelo no linear autoregressivo com mdias mveis do tipo feedback

linearization

NARMAX

Modelo no linear autoregressivo com mdias mveis e variveis

exgenas

NARX

Modelo no linear autoregressivo com variveis exgenas

N4SID

Numerical algorithm for subspace state system identification

Pa

pascal

PI

Proporcional Integral

PID

Proporcional Integral Derivativo

PVC

Policloreto de polivilina

PWM

Pulse Width Modulation

RNA

Rede neural artificial

volt

Vcc

Tenso mdia

Vpp

Tenso de pico a pico

LISTA DE SMBOLOS

Vetor de parmetros estimados

Regressor

Matriz de regressores de dimenso nxn

Erro relativo

Funo custo de minimizao do erro quadrtico

Vetor de resduos de um sistema

Peso sinptico de uma conexo entre neurnios

Valor de limiar ou bias atribudo a um neurnio

Valor de entrada de uma RNA

Somatrio de pesos sinpticos e bias atribudos a um neurnio

Funo de transferncia de um neurnio

Taxa de aprendizagem de uma RNA

Ni

Horizonte que valida o incremento de controle e o erro de predio em

um neurocontrolador preditivo

Grau de influncia do termo de controle em um neurocontrolador

preditivo

Funo de desempenho de um neurocontrolador preditivo

(y)

Funo linear de pr-processamento de dados

-1 (y)

Funo linear inversa de pr-processamento de dados

y(k)

Sada de um modelo no instante k

u(k)

Sada do controlador no instante k

r(k)

Valor de referncia no instante k

yr(k)

Sada do modelo de referncia no instante k

(k)

Sada estimada de um modelo no instante k

(k)

Sada estimada do controlador no instante k

v(k)

Rudo do sistema no instante k

Porcentagem mxima de sobressinal

Tempo de acomodao

Coeficiente de amortecimento

Frequncia natural no amortecida

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

4.7 Validao de redes neurais artificiais ............................................................................. 45

5. NEUROCONTROLADORES.............................................................................................. 46
5.1 Introduo ....................................................................................................................... 46
5.2 Identificadores neurais.................................................................................................... 46
5.3 Neurocontroladores ........................................................................................................ 47
5.3.1 Neurocontrolador adaptativo por modelo de referncia .............................................. 48
6. CONTROLADORES PROPORCIONAL INTEGRAL - PI ................................................ 49
6.1 Introduo ....................................................................................................................... 49
6.2 Ao Proporcional-Integral ............................................................................................ 49
6.3 Mtodo da Curva de reao por Ziegler-Nichols ........................................................... 50
6.3 Mtodo do Lugar das razes............................................................................................ 51
7. DESENVOLVIMENTO ....................................................................................................... 53
7.1 Consideraes iniciais .................................................................................................... 53
7.1 Base de dados e identificao paramtrica do sistema ................................................... 53
7.2 Modelo de referncia ...................................................................................................... 57
7.2 Estrutura do Neurocontrolador ....................................................................................... 59
7.3 Treinamento do identificador neural .............................................................................. 60
7.4 Treinamento do neurocontrolador adaptativo................................................................. 62
7.5 Simulao do neurocontrolador ...................................................................................... 66
7.6 Aplicao do neurocontrolador na planta real ................................................................ 67
7.7 Projeto dos controladores PI ........................................................................................... 68
8. ANLISE DOS RESULTADOS ......................................................................................... 72
9. CONCLUSES .................................................................................................................... 76
REFERNCIAS BIBLIOGRFICAS ..................................................................................... 78

1. INTRODUO

1.1 Consideraes Iniciais

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

pouco ou nada se conhece sobre o modelo matemtico representativo do sistema a ser

controlado ou quando a sua obteno extremamente complexa (DINIZ; 2011).

Atravs das tcnicas mencionadas, se faz possvel a implementao de controladores baseados

em conhecimento e neurocontroladores capazes de efetuar o controle de sistemas de maior
complexidade, os quais o controle clssico seja incapaz ou ineficiente.

Sistemas de controle de nvel possuem caractersticas no lineares. Assim, a atuao de

malhas de controle que utilizam tcnicas lineares, para diversos pontos de operao destes
processos, pode no apresentar bons resultados. A partir disso, so empregadas estratgias de
controle diferenciadas que possam obter melhores resultados. Uma abordagem usual a
utilizao de informaes das variveis principais ou auxiliares do processo, como por
exemplo, a informao da sada do sistema, objetivando a atualizao dos ganhos dos
controladores utilizados (STRM E WITTENMARK, 1989).

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

1) Desenvolver um neurocontrolador adaptativo por modelo de referncia juntamente

com controladores PI sintonizados pelos mtodos lugar das razes e Ziegler-Nichols
para identificao e controle de nvel de um sistema de dois tanques acoplados.
2) Analisar o comportamento do neurocontrolador adaptativo por modelo de referncia
implementado, especificando quando a sua utilizao altamente desejvel, se
comparado aos outros controladores supracitados.

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. PROCESSO DE DOIS TANQUES ACOPLADOS

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.

2.2 Descrio da Planta

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

Figura 1.1 - Sistemas de dois tanques acoplados

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

dentro do reservatrio configurando, assim,um sistema fechado, no qual a massa do sistema

permanece constante durante o processo.

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)

Figura 2.2 - Configurao adotada para sistema de dois tanques acoplados

Utilizou-se o Controlador Lgico Programvel (CLP) GE Fanuc VersaMax, com

comunicao Ethernet, que possibilitou a aquisio de dados pelo MATLAB com o auxlio do
servidor OPC do software KEPServerEX. No desenvolvimento deste trabalho, o software
MATLAB verso 7.10.0.499 (R2010a) foi utilizado juntamente com a ferramenta integrada
SIMULINK para a implementao, seqenciamento de etapas e anlises acerca do
neurocontrolador adaptativo e dos controladores obtidos pelos mtodos Lugar das razes e
Ziegler Nichols.

19

2.3 Comunicao OPC

A comunicao entre os dispositivos de cho de fbrica e os sistemas de automao e

informao j podem se beneficiar do padro OPC (OLE for Process Control). Essa
tecnologia proporciona uma forma de conexo dos dispositivos de campo, sistemas de
controle e softwares para gerenciamento, visto que a integrao desses nveis utilizando
efetivamente a informao disponvel em cada um deles, de fundamental importncia para a
indstria. (FONSECA, 2002) A tecnologia OPC, que uma tecnologia para conectar
aplicaes Windows e equipamentos de controle de processos, oferece ao usurio final, uma
maior liberdade na escolha dos equipamentos independentemente da disponibilidade de
drivers de comunicao proprietrios.
O componente OPC constitudo de Cliente OPC e Servidores OPC. Um cliente OPC
tipicamente um usurio dos dados tais como uma interface de operao ou um sistema
supervisrio. Um servidor OPC uma fonte de dados que coleta ou gera dados a partir de um
processo, disponibilizando-os aos Clientes OPC. O Cliente OPC interage com o Servidor
OPC usando uma interface bem definida. Qualquer Cliente OPC pode se comunicar com
qualquer Servidor OPC, independentemente do tipo de dispositivo e do fabricante.
Neste trabalho, foi utilizado o KEPServerEx 5.3 do fabricante Kepware juntamente com o
cliente OPC do MATLAB. A Figura 2.3 ilustra a configurao utilizada no OPC-Server, na
qual na parte superior esquerda situam-se as conexes com o CLP e na parte da direita, os
itens que so coletados do CLP e enviados ao MATLAB.

Figura 2.3 - Configurao OPC-server

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)

2.4.1 Parmetros Gerais

Neste conjunto encontram-se os parmetros relacionados s grandezas fsicas ou aos ganhos

do sistema que no dependem de experimentos para identificao. Na Tabela 2.1, mostrado
os parmetros gerais da planta.

Tabela 2.1 - Parmetros Gerais da planta

Smbolo

Valor [unid.]

Descrio

1 , 2

1779,50 [2 ]

rea da seo transversal dos tanques

17,65 [2 ]

rea da seo transversal do dreno do tanque 1

7,75 [2 ]

rea da seo transversal do dreno do tanque 2

2,8 []

2,0 []

9787,9
[/ 2 ]

1,2

1/23 [ ]

dimetro de estrangulamento do fluxo da bomba na entrada do

tanque 1
dimetro de estrangulamento do fluxo da bomba na entrada do
tanque 2
acelerao da gravidade
ganho do mdulo de potncia da bomba
ganho do sensor para a amostragem do nvel na faixa de 0 a 230
[mm]

21

2.4.2 Parmetros identificados

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.

Tabela 2.2 - Parmetros Identificados da planta

Smbolo

Valor [unid.]

Descrio

1,0

95,4 []

nvel do tanque 1 no ponto de operao

2,0

32,18 []

nvel do tanque 2 no ponto de operao

1,0

6,56 []

1,0

7,88 []

3512 [3 ]

ganho da bomba

0,583

parcela do fluxo de gua da bomba para o tanque 1

0,728

constante de perda de carga do dreno do tanque 1

0,805

constante de perda de carga do dreno do tanque 2

tenso mdia aplicada na entrada do mdulo de potncia para o

ponto de operao
tenso mdia aplicada no motor da bomba (sada do mdulo de
potncia) para o ponto de operao (onde: 1,0 = 1,0 )

22

2.5 Modelagem do processo

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)

Aplicando-se a transformada de Laplace nas Equaes 2.3 e 2.4, encontram-se as funes de

transferncia de cada tanque, que podem ser expressas por:
2 () (1 1 )2
=
1 ()
(2 + 1)

(2.5)

23

1 ()
1 1 2 + 1
=
1 () (2 + 1)(1 + 1)

(2.6)

onde 1 () e 2 () so os sinais de sada referentes aos nveis dos tanques 1 e 2, 1 () o

sinal de entrada no sistema referente tenso aplicada na bomba, 1 = 1 /1 e 2 =
2 /2 , sendo as constantes de tempo dadas por:

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.

A modelagem caixa branca a modelagem clssica baseada integralmente na natureza ou na

fsica que rege o processo. Na maioria dos casos, nem sempre possvel conhecer a fsica
integral que rege o processo e este tipo de modelagem manual demanda tempo para o seu
desenvolvimento. J a modelagem caixa preta uma modelagem emprica onde nada se
conhece sobre a fsica ou natureza que rege o processo. Este tipo de modelagem tenta suprir
de certa forma as limitaes presentes em uma modelagem clssica. Por fim, a modelagem

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.

3.2 Medio e coleta dos dados

Para se utilizar tcnicas de identificao de sistemas, necessrio obter um conjunto de dados

de entrada e de sada provenientes de um sistema real que sejam capazes de representar
fatores importantes de sua dinmica. Segundo Ljung (2009), um bom experimento consiste na
medio das variveis certas, em entradas que excite o sistema de forma adequada, em uma
durao necessria para a obteno das constantes de tempo, em um tempo de amostragem de
medio de dados e de uma configurao de um sistema de aquisio de dados para uma
minimizao de rudos. (DINIZ, 2011)

3.3 Representao matemtica

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)

Em que o vetor de estado, o vetor de entradas, o vetor de sadas

medidas e A, B, C, D so matrizes constantes. Este sistema ser considerado multivarivel se
r > 1 e/ou p > 1. (ANTUNES, 2007)

A representao em tempo contnuo aplicada a sistemas que possuem dados de entrada e

sada apresentados de maneira contnua. Por outro lado, a representao em tempo discreto
apropriado para sistemas que possuem dados de entrada e sada apresentados aps um
determinado tempo de amostragem, o que o torna apropriado para o uso em identificao de
sistemas.

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)

Os polinmios caractersticos presentes na equao geral, Equao 3.3, so definidos

conforme as Equaes 3.4, 3.5, 3.6, 3.7 e 3.8, onde , , , e so os atrasos
mximos dos polinmios.

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
+
()

Figura 2.1 Diagrama de blocos de um modelo ARX

Fonte: AGUIRRE, 2007

(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.

O modelo ARMAX possui a seguinte representao:

+
()

(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.

Figura 3.2 Diagrama de blocos de um modelo ARMAX

Fonte: AGUIRRE, 2007
O modelo NARX utilizado para representar sistemas no lineares. Este modelo utiliza
valores prvios da entrada e tambm valores prvios da prpria sada (auto-regresso da
sada), reduzindo assim, o nmero de parmetros a serem determinados. O NARX pode ser
representado como uma funo que depende de valores passados de entrada e de sada do
sistema, conforme a Equao 3.11, sendo que , e so os maiores atrasos em , em
e o tempo morto, respectivamente.

= [ 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 , , ]

Em representaes no lineares, a dificuldade no desenvolvimento dos modelos alta, se

comparada aos modelos lineares. Em muitos casos, difcil encontrar uma funo que
represente os modelos NARX e NARMAX.

3.4 Estruturao do modelo

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

3.5 Estimao de parmetros

Continuando na ordem de execuo da identificao de sistemas, aps as escolhas da

representao matemtica do modelo e da estrutura do modelo, realizada a etapa de
estimao de parmetros. Nessa etapa determinado os valores adequados para os
parmetros do modelo atravs de um conjunto de dados experimentais de entrada e sada do
sistema a ser modelado, de uma estrutura e de um mtodo de identificao (AGUIRRE, 2007;
PAIVA, 1999).

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

Outros estimadores lineares so amplamente utilizados em identificao de sistemas como os

estimadores de Mnimos Quadrados Ponderados (MPQ) e estimadores regressivos, efetivos na
estimao de parmetros de modelos do tipo ARX.

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)

3.6 Validao do modelo

A validao de um modelo um passo importante do processo de identificao de sistemas.

Os testes de validao aplicados a um modelo indicam a sua capacidade de representar o
sistema original.

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.

Outra maneira de se validar um modelo com a utilizao de funes de correlao. Esta

tcnica se faz til quando a anlise grfica ineficaz, podendo-se avaliar a possibilidade de
uma correo do modelo sem que tenha que ser refeito todo o processo de identificao de
sistemas. Essa anlise pode ser aplicada aos resduos para a verificao de correlao linear e
no-linear. Se os resduos possurem alguma correlao, o modelo ser considerado
polarizado, uma vez que existem evidncias de dinmicas no modeladas contidas nos
resduos. Outros testes so as correlaes cruzadas, lineares e no-lineares, entre os resduos e
os dados de entrada e sada do sistema. (LJUNG, 1987; BOX, 1976; MARCIANO, 2011)

4. REDES NEURAIS ARTIFICIAIS

4.1 Introduo

As redes neurais artificiais so fundamentadas nos estudos sobre a estrutura do crebro

humano para tentar emular sua forma inteligente de processar informaes. De acordo com
Beale (1990), apesar de no se conhecer a maneira pela qual o crebro manipula informaes
complexas, sabe-se que a modelagem do conhecimento contido em um problema especfico
pode ser representada atravs de inter-conexes entre clulas nervosas. Estruturalmente, a
rede neural artificial, tambm conhecida por modelo conexionista de computao, se
assemelha rede neural biolgica pela composio de seus neurnios e pela conexo entre
eles. (WASSERMAN, 1989; CHANCHETTI, 2010)

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.

Wasserman (1989) afirma que as redes neurais apresentam um grande nmero de

caractersticas observadas no processo cognitivo humano a saber: aprendizado pela
experincia, abstrao de caractersticas essenciais de informaes que contm fatos
irrelevantes e a generalizao a partir de exemplos..

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

nas unidades de entrada de um modelo

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.

A abstrao de uma rede neural se refere a capacidade de alguns modelos de reconhecer

padres incompletos provenientes de uma base de dados apresentada.

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.

A arquitetura da rede, isto , a relao entre os neurnios e as conexes, est intimamente

ligada com o algoritmo de aprendizagem usado no treinamento, sendo assim, necessrio
fazer uma escolha criteriosa do mtodo de aprendizagem para a criao de uma rede neural
consistente. A validao de uma rede neural a forma de se constatar o alcance do seu

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.

4.2 Propriedades e potenciais

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:

No-linearidade - Um neurnio artificial pode ser linear ou no-linear. Uma rede

neural no linear quando estruturada por uma interconexo entre neurnios nolineares e a no-linearidade distribuda por toda a rede;

Mapeamento de entradas e sadas -Os valores relativos s conexes so ajustados

conforme a apresentao de dados de entrada com seus respectivos dados de sadas
desejados de modo que a rede efetue as devidas correes de modo a minimizar a
diferena entre a sada da rede e a sada desejada;

Adaptabilidade - Uma rede neural capaz de se adaptar diante modificaes no

ambiente;

Resposta s evidncias - Em situaes de classificao de padres, uma rede neural

capaz de fornecer informaes sobre qual padro utilizar e o grau de confiana diante
desta escolha;

Informao contextual - Cada neurnio de uma rede neural potencialmente afetado

pelas atividades globais dos demais neurnios;

35

Tolerncia a falhas - Redes neurais so robustas e tolerantes a falhas, porm seu

potencial pode ser reduzido conforme condies de operao;

Uniformidade em anlise e projeto - Universalidade no processamento de informaes

em todos os domnios que envolvem aplicaes em redes neurais;

Analogia Neurobiolgica - O desenvolvimento de redes neurais foi motivado pela

analogia ao sistema cerebral de modo a efetuar um processamento distribudo, paralelo
e tolerante a falhas. (DINIZ,2011)

4.3 Estrutura de um neurnio

Um neurnio uma unidade de processamento de informao que fundamental para a

operao de uma rede neural artificial. Como redes neurais biolgicas, uma rede neural
artificial pode ser organizada de muitas maneiras, ou seja, os neurnios podem estar
conectados de diferentes disposies. Sua estruturao se baseia em conexes provenientes de
dados de entrada ou de outros neurnios, que so designadas por pesos sinpticos que podem
ser fixos ou ajustveis, em um somador para efetuar a soma de todas as conexes de entrada
do neurnio e em uma funo de ativao responsvel por limitar a sada do neurnio.
(HAYKIN, 2001) Na Figura 4.1 mostrada a estrutura de um neurnio simples de mltiplas
entradas:

Figura 3.1 Modelo de um neurnio

Fonte: DEMUTH; BEALE; HAGAN, 2009

O neurnio artificial ou elemento de processamento, ou ainda, unidade de processamento,

denota um simples dispositivo capaz de calcular o somatrio de n entradas ponderadas cujo
resultado passa atravs de uma funo no-linear. Neste contexto, o somatrio n realizado

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.

4.4 Funes de ativao

No contexto das funes utilizadas em redes neurais artificiais, possvel distingui-las

basicamente em dois tipos de funes, a saber: funes para transferncia de sinais entre
neurnios e funes para aprendizado de padres. As funes de transferncia, tambm
conhecidas como funes de limiar ou funes de ativao, so aquelas responsveis por
determinar a forma e a intensidade de alterao dos valores transmitidos de um neurnio a
outro. De acordo com Diniz (2011), pode-se afirmar de maneira mais geral, que essas funes
tm como objetivo, determinar o valor de sada de um neurnio conforme sua finalidade, seus
parmetros e valores de entrada.. A seguir, mostrado alguns exemplos de funes que
podem ser utilizadas na definio de um neurnio.

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

Figura 4.2 Representao grfica de uma funo linear

Fonte: DEMUTH; BEALE; HAGAN, 2009

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.

Figura 4.3 Representao grfica de uma funo limiar

Fonte: DEMUTH; BEALE; HAGAN, 2009

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)

Na Figura 4.4 mostrada a representao grfica da funo sigmoidal de um neurnio.

Figura 4.4 Representao grfica de uma funo sigmoidal

Fonte: DEMUTH; BEALE; HAGAN, 2009

A funo de ativao sigmoidal de um neurnio pode ser representada segundo a Equao 4.5.

1
1 +

(4.5)

Funo tangente hiperblica - A funo de ativao tangente hiperblica uma variao da

funo sigmoidal usada em casos que preciso que a sada do neurnio esteja compreendida
entre o intervalo [1, +1]. A Figura 4.5 ilustra a representao grfica da funo tangente
hiperblica.

39

Figura 4.5 Representao grfica de uma funo tangente hiperblica

Fonte: DEMUTH; BEALE; HAGAN, 2009

A funo de ativao tangente hiperblica de um neurnio pode ser representada segundo a

Equao 4.6.
1
=
1 +

(4.6)

4.5 Arquitetura das redes neurais artificiais

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.

A direo de propagao dessa rede

unicamente da entrada para a sada. A Figura 4.6 apresenta um exemplo de rede neural do tipo
feedforward de uma nica camada.

40

Figura 4.6 Rede neural do tipo feedforward de uma camada

Fonte: Fonte: DEMUTH; BEALE; HAGAN, 2009

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

aumentam o poder computacional de processamento no linear e armazenagem da rede. Uma

rede neural feedforward multicamadas mostrada na Figura 4.7.

Figura 4.7 Rede neural feedforward multicamadas

Fonte: DEMUTH; BEALE; HAGAN, 2009

A Equao 4.8 representa a funo de ativao entre a combinao de redes neurais

feedforward de uma nica camada para formar a rede neural feedforward multicamadas.

= ( 3,2 2 2,1 1 1,1 + 1 + 2 + 3 )

(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

Figura 4.8 Rede neural com atraso de tempo

Fonte: DEMUTH; BEALE; HAGAN, 2009

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

Figura 4.9 Rede neural feedback com atraso de tempo

Fonte: DEMUTH; BEALE; HAGAN, 2009

4.6 Aprendizagem das redes neurais artificiais

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.

De modo mais geral, existem dois tipos de aprendizagem, a saber: aprendizagem

supervisionada e aprendizagem no-supervisionada. Na aprendizagem supervisionada,
fornecida rede um conjunto de valores de entrada e um conjunto com os respectivos valores
de sada, tornando-se assim o treinamento, um problema de otimizao dos pesos sinpticos,
para que a rede possa responder s entradas de forma consistente e estenda estes resultados
outros tipos de excitaes. No aprendizado no supervisionado, os pesos sinpticos so
ajustados utilizando conceitos de atrator e bacia de atrao utilizando somente os dados de
entrada. Existem diversos algoritmos de treinamento projetados para determinadas
arquiteturas neurais assim como, por exemplo, a tcnica de treinamento backpropagation que
uma aprendizagem supervisionada pelo erro.

O algoritmo de aprendizagem supervisionada backpropagation a mais utilizada em redes

neurais artificiais, desenvolvido por Paul Werbos, em 1974. A idia estabelecer valores
iniciais aleatrios para os pesos sinpticos da rede e, iterativamente, inserir um valor de

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

sobre todos os neurnios da camada de sada. O erro mdio

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

O algoritmo backpropagation, utiliza o mesmo princpio da Regra Delta, chamado muitas

vezes de Regra Delta Generalizada (Generalized Delta-Rule). A modificao principal em
relao a Regra Delta foi a utilizao de funes contnuas e suaves como funo de sada dos
neurnios ao invs da funo de limiar lgico. Como as funes de sada passaram a ser
derivveis, isto permitiu a utilizao da busca do gradiente-descendente tambm para os
elementos das camadas intermedirias. Essa regra representada pela Equao 4.12 onde
o parmetro da taxa de aprendizagem. (ZAMBIASI, 2011)

()
()

(4.12)

4.7 Validao de redes neurais artificiais

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.

5.2 Identificadores neurais

Identificadores neurais so arquiteturas de redes neurais artificiais desenvolvidas com o

objetivo de realizar a identificao de um sistema. A identificao de sistemas tratada como
um problema de otimizao que envolve algumas medidas para adequao do modelo para
representar o processo real, como, por exemplo, o conhecimento das no linearidades
intrnsecas no processo, os atrasos de transportes, a complexidade do sistema, a seleo da
medida do erro a ser minimizado e a presena de rudos. Devido a esses fatores, o uso das
redes se torna uma ferramenta robusta e eficaz para tais fins. (CARGAS, 2013)
O identificador neural deve ser treinado para ajustar os pesos sinpticos de tal forma que ele
seja capaz de minimizar o erro relativo entre a sada estimada do sistema e a sada real. Com a
utilizao do algoritmo de treinamento backpropagation, possvel se obter um erro relativo
(ou de modelo) mnimo. A Figura. 5.1 mostra uma representao geral de como a rede neural
deve ser projetada em uma malha de controle.

47

Figura 4.1 Diagrama de bloco de um identificador neural

Fonte: DEMUTH; BEALE; HAGAN, 2009

Na Figura 5.1, () a entrada da planta e () so os dados de sada. A arquitetura

disposta de tal modo que a entrada e a sada da planta so simultaneamente entradas do
identificador neural, que disposto destes dados, produz uma sada () que levada ao
clculo do erro relativo entre a sada da planta. O erro de modelo gerado pela diferena entre
( ) levado at o algoritmo de treinamento para que os pesos sinpticos da
rede sejam atualizados.
O identificador neural tambm capaz de ajustar os pesos sinpticos da planta de forma
offline de modo incremental, ou seja, os pesos so modificados a cada apresentao de um par
de dados de entrada e sada rede, adquiridos de um possvel ensaio do processo real.
5.3 Neurocontroladores

Neurocontroladores so arquiteturas de redes neurais artificiais multicamadas projetadas com

a finalidade de se controlar um determinado processo. Existem trs estruturas convencionais
de neurocontroladores: neurocontrolador preditivo, neurocontrolador NARMA-L2 e
neurocontrolador adaptativo por modelo de referncia. O identificador neural destes
neurocontroladores so idnticos, sendo dessa forma, a diferena entre estes controladores a
maneira como so desenvolvidos e estruturados.

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)

Figura 5.2 - Diagrama de blocos de um neurocontrolador adaptativo

Fonte: DEMUTH; BEALE; HAGAN, 2009

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.

O controle do modelo de referncia pode apresentar tanto o comportamento linear quanto o

no linear, sendo isto, representado por um conjunto de parmetros ajustados, devendo ser
escolhido a sua estrutura, para permitir identificao perfeita em condies ideais.
(DOURATSOS & GOMM, 2007; OLIVEIRA, 2011)

6. CONTROLADORES PROPORCIONAL INTEGRAL - PI

6.1 Introduo

A habilidade dos controladores Proporcional Integral (PI) e Proporcional Integral Derivativo

(PID) para compensar a maioria dos processos industriais prticos, resultou na larga aceitao
dos mesmos nas aplicaes industriais.(ODWYER, 2006) Neste ponto de vista, a maioria dos
controladores utilizados na indstria do tipo PID, representando mais de 90% das malhas
industriais em atividade. (STRM E HGGLUND,2001)

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

A ao de controle de um controlador proporcional e integral definida pela Equao 6.1

(OGATA, 2000):

= +

(6.1)

Ou pela funo de transferncia do controlador, representada na Equao 6.2:

()
1
= 1 +
()

(6.2)

O controlador Proporcional e Integral, alia a vantagem do controle proporcional, que se d por

uma resposta mais rpida, com a vantagem da ao integral, fazendo com que o erro seja nulo
em regime permanente. Uma ao puramente integral se consistiria em uma resposta de ao
muito lenta, visto que seu tempo de estabilizao muito longo.

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)

6.3 Mtodo da Curva de reao por Ziegler-Nichols

Ziegler-Nichols propuseram regras para a determinao do ganho proporcional Kp, do tempo

integral Ti e do tempo derivativo Td baseadas na caracterstica da resposta temporal de uma
dada planta. Existem dois mtodos denominados regras de sintonia de Ziegler-Nichols.
(OGATA, 2003; 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.

Figura 5.1 - Curva de resposta em S ao degrau unitrio

Fonte: MARTINS, 2006

51

A curva em forma de S pode se caracterizar por duas constantes, o tempo de retardo L e a

constante de tempo T. O tempo de retardo e a constante de tempo podem ser determinados
traando-se uma reta tangente curva no ponto de inflexo e determinando-se as intersees
com o eixo dos tempos e com a reta = . A funo de transferncia C(s)U(s) pode ser
aproximada de um sistema de primeira ordem com retardo de transporte como mostrado na
Equao 6.3:


=
() + 1

(6.3)

Os valores para , e sugeridos por Ziegler Nichols so representados pela Tabela 6.1:

Tabela 6.1 - Mtodo da Curva de reao por Ziegler-Nichols

Tipo de Controlador

PI

0,9

0,3

PID

1,2

2L 0,5L

6.3 Mtodo do Lugar das razes

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

Sendo os polinmios () e () respectivamente o numerador e o denominador da funo

de transferncia em malha aberta e . Todos os nmeros complexos que satisfazem a
Equao 6.3 pertencem ao lugar das razes. Na figura 6.2 mostrado um exemplo de
diagrama do lugar das razes de um sistema de terceira ordem com um zero em que variando o
ganho K, os polos se movem ao longo do diagrama, enquanto os zeros permanecem na mesma
posio. (FARIA, 2013)

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

7.1 Consideraes iniciais

Neste trabalho, o objetivo fundamental do neurocontrolador manter o nvel do tanque 1 em

torno do ponto de operao que mostrado na Tabela 1.2 e analisar a resposta deste
controlador ao ser aplicado um degrau, que de acordo com Goodwin et al. (2001), deve ser na
faixa de 10 a 20% do fundo de escala. Neste ponto de vista, admitiu-se um degrau de 1 V em
fundo de escala da bomba para as anlises de desempenho dos controladores, verificando seu
sobressinal mximo e o tempo de resposta.

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.

7.1 Base de dados e identificao paramtrica do sistema

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

Figura 6.1 - Dados coletados da planta

A representao do sistema por uma funo de transferncia necessria para o projeto do

modelo de referncia.

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

Figura 7.2 - Seleo de ordem do sistema

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

Figura 7.3 Grau de semelhana entre os dados estimados e a base de dados

A partir da funo de transferncia do sistema de dois tanques acoplados, realizado um teste

de variao de setpoint para anlise do comportamento dinmico sem nenhuma ao de
controle (malha aberta), mostrado na Figura 7.4.

Figura 7.4 Comportamento do sistema

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 Modelo de referncia

A seguir mostrado os dois modelos de referncia que proporcionaram um melhor

desempenho ao neurocontrolador. Esses modelos foram estimados a partir de parmetros-alvo
provenientes de testes realizados na planta e partir de sugestes da literatura. (OGATA
2003; DINIZ, 2011)

O primeiro modelo de referncia utilizado para a aquisio dos dados de treinamento do

neurocontrolador, foi desenvolvido a partir da forma padro da funo de transferncia de um
sistema de 2 ordem, a qual depende dos parmetros a saber: frequncia natural de oscilao
" ", e o coeficiente de amortecimento "" como mostrada na Equao 7.2.
()
2
=
()
+ 2 + 2

(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

Figura 7.5 Comportamento dinmico do modelo de referncia 1

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

Figura 7.6 Comportamento dinmico do modelo de referncia 2

(7.6)

59

7.2 Estrutura do Neurocontrolador

Com o modelo da planta estimado e o modelo de referncia calculado, definido a estrutura

do neurocontrolador adaptativo por modelo de referncia conforme a Figura 7.7. Neste
trabalho, a criao do neurocontrolador foi feita com o auxlio do Neural Network
ToolboxTM 6, desenvolvido por Howard Demuth, Mark Beale e Martin Hagan e com o
auxlio do System Identification ToolboxTM, desenvolvido por Lennart Ljung.

Figura 7.7 Diagrama de blocos do sistema de controle

Para realizar a comunicao do MATLAB/SIMULINK com o servidor OPC, utilizou-se o

bloco OPC Config Real-Time. Neste bloco feita a configurao entre o servidor e o cliente
OPC, sendo os blocos OPC Read e OPC Write, configurados para realizar a leitura de nvel
do tanque 1 e a escrita da tenso da bomba, respectivamente. Os blocos Step e Constante
fornecem o degrau de referncia do neurocontrolador e um regime permanente no ponto de
operao da bomba (6,565 V) antes de fazer a aquisio dos dados de controle.
Para um treinamento eficaz do neurocontrolador, os dados do setpoint so apresentados rede
em uma escala I: [-1,1] por meio dos blocos Conversao de escala e Dados processados. Para
tanto, um conversor de escala, funo linear, foi utilizado para converter os valores do
setpoint, contidos em um intervalo J: [0,100], para os valores contidos no intervalo I. O sinal
de controle, contido no intervalo I, convertido para a escala J por uma funo linear inversa
para ser transmitido ao CLP. A funo linear e linear inversa so representadas pelas
Equaes 7.6 e 7.7, respectivamente.
= 0,02 1

(7.6)

1 = 50 + 50

(7.7)

60

Para dar incio ao processo de treinamento do neurocontrolador, primeiramente deve-se

realizar a identificao do sistema atravs do identificador neural presente na estrutura do
mesmo, seguido do treinamento da rede neural referente ao modelo de referncia.
7.3 Treinamento do identificador neural

Para que o neurocontrolador efetue o devido controle de nvel no tanque 1, necessrio

realizar o treinamento do identificador neural que se encontra em sua estrutura. Na estrutura
do neurocontrolador possvel configurar os parmetros desejados em relao arquitetura
do identificador neural como nmero de neurnios na camada oculta, nmero de pocas,
dentre outros.
Para o treinamento do identificador neural foi utilizado uma massa de dados de 10.000 pares
de entrada (tenso da bomba) e sada (nvel do tanque), gerados a partir da funo de
transferncia mostrado na Equao 7.1. Os dados de entrada variam em torno de 20% para
mais ou para menos em torno do ponto de operao da bomba escolhido para este trabalho,
realizando assim, uma tentativa de uma melhor generalizao do neurocontrolador em torno
deste ponto, que onde de fato ocorrer o controle. Os dados de entrada do modelo estimado
variam em um intervalo de 70 segundos com uma taxa de amostragem de 1 segundo,
conforme a Figura 7.8.

61

Figura 7.8 - Dados gerados a partir do modelo estimado

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.

Com a base de dados para treinamento devidamente preparada e os parmetros do

identificador neural definidos, utilizou-se para o treinamento da rede, uma variao do
algoritmo backpropagation definida por Levenberg-Marquadt, de modo a otimizar a sintonia
dos pesos sinpticos da rede.

O resultado do treinamento do identificador neural foi

satisfatrio conforme mostram os grficos da validao da Figura 7.9.

62

Figura 7.9 - Validao do treinamento do identificador neural

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.

7.4 Treinamento do neurocontrolador adaptativo

Aps o treinamento do identificador neural, possvel efetuar o treinamento do

neurocontrolador de modo que ele tente seguir o modelo de referncia. De forma anloga ao
identificador neural, primeiramente foi gerado uma massa de dados de 10.000 pares de
entrada (nvel) e sada (nvel), gerados a partir das funes de transferncia das Equaes 7.5
e 7.6, variando os valores de entrada, de modo a abranger o caso proposto de setpoint (degrau
de 1 V em fundo de escala).

63

Para que um neurocontrolador em processo de treinamento consiga realizar um aprendizado

consistente, necessrio que seja apresentado a ele uma base de dados referente ao modelo de
referncia que possua diversas situaes de entrada (setpoint). Como o modelo de referncia
proposto possui uma resposta rpida, o sinal de entrada varia a cada 35 segundos, com uma
taxa de amostragem de 1 segundo, conforme as Figura 7.10 e 7.11.

Figura 7.10 - Dados do modelo de referncia 1

64

Figura 7.11 - Dados do modelo de referncia 2

Para a arquitetura do neurocontrolador, utilizou-se uma rede do tipo feedback multicamadas

com uma camada oculta de 8 neurnios que so ativados por 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.
Com a base de dados para treinamento devidamente preparada e os parmetros do
neurocontrolador definidos, utilizou-se para o treinamento da rede, uma variao do algoritmo
backpropagation.
O treinamento do neurocontrolador foi dividido em 60 segmentos para contornar o elevado
custo computacional referente utilizao do algoritmo bakpropagation, sendo que para cada
segmento, estabeleceu-se um limite de 5 pocas de treino. As Figuras 7.12 e 7.13 mostram o
comportamento do neurocontrolador frente a variaes de sua referncia, para os modelos de
referncia das Equaes 7.5 e 7.6 respectivamente, aps a sintonia e ajuste dos seus pesos.

65

Figura 7.12 - Validao de treinamento do neurocontrolador: Modelo de referncia 1

Figura 7.12 - Validao de treinamento do neurocontrolador: Modelo de referncia 2

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

7.5 Simulao do neurocontrolador

Com o treinamento do neurocontrolador realizado com sucesso, o funcionamento deste no

sistema foi simulado a fim de verificaes de desempenho. As simulaes foram efetuadas
aplicando uma variao de 1 V em fundo de escala da bomba, o que a partir de anlises de
simulaes referentes planta, equivale a um aumento de 33,12 mm da altura do tanque 1 a
partir do ponto de operao do sistema. A Figura 7.13 mostra a simulao do
neurocontrolador.

Figura 7.13 - Resposta ao degrau do neurocontrolador

A partir da simulao realizada, constatou-se um erro de 3% como mostrado na parte inferior

da Figura 7.13. Este valor de erro considerado um valor aceitvel, tendo em vista que o
neurocontrolador susceptvel erros em regime, o que no acontece com os controladores PI
ou PID que possuem o termo integrador, trazendo na maioria das vezes a garantia de um erro
em regime nulo.
Com base nos dados da simulao realizada, calculou-se os valores de mximo sobressinal e o
tempo de acomodao do neurocontrolador adaptativo por modelo de referncia, sendo estes:
= 5,3 % e = 16 segundos.
Como possvel observar na da Figura 7.12, para algumas faixas de valores de setpoint, o
neurocontrolador consegue fazer com que o nvel do tanque 1 fique prximo a referncia com

67

uma variabilidade muito pequena. Na Figura 7.14 mostrado o grfico da aplicao do

degrau para a faixa de nvel do melhor resultado obtido pelo neurocontrolador.

Figura 7.14 - Resposta ao degrau do neurocontrolador para 147,2 mm

A partir da Figura 7.14, constata-se um erro mximo de 1,4 % e valores de desempenho:

= 1,97 % e = 19 segundos. Neste contexto, pode-se constatar que o problema em
questo trata-se de um problema de pr-processamento de dados apresentados ao
neurocontrolador, sendo necessrio definir um intervalo aceitvel para converso dos valores
a serem apresentados ao mesmo. Porm, como o trabalho em questo avaliado em torno da
altura de operao, 1,0 = 95,4 , o desempenho do neurocontrolador ser analisado a
partir dos resultados obtidos para este ponto.
7.6 Aplicao do neurocontrolador na planta real

A aplicao do neurocontrolador na planta real ocorreu da seguinte forma: em modo manual

(sem ao do neurocontrolador), o nvel do tanque 1 foi levado at o ponto de operao.
Assim que o sistema entrou em regime permanente, o neurocontrolador foi colocado em
operao. A Figura 7.15 representa os resultados do teste.

68

7.7 Projeto dos controladores PI

7.7.1 Mtodo da curva de reao de Ziegler-Nichols

Neste trabalho optou-se por implementar o mtodo da curva de reao de Ziegler-Nichols

experimentalmente. Para tanto, com a planta em malha aberta, foi colocado de forma manual,
o nvel do tanque 1 no ponto de operao, ou seja, a sada da planta foi colocada em 1,0 para
uma entrada da planta dada por 1,0 . Aps alcanado o nvel de operao, aplicou-se um
degrau na entrada da planta de 1 V no fundo de escala, que alterou o sinal de entrada de 1,0
para 1,1 (linha tracejada em azul na Figura 7.16).

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

Com o sistema em regime permanente no ponto de operao, aplicou-se um degrau na entrada

do mdulo de potncia de 6,56 para 7,56 Vcc no instante t = 305 segundos. A aplicao deste
degrau deu origem a curva de reao apresentada nas Figuras 7.17
Com base na curva de reao do processo obtida aps a filtragem dos dados
experimentais, determinou-se o atraso de 4,59 segundos, e a constante de tempo de 15.48
segundos. O ganho direto (0 ) do processo encontrado para esse ensaio foi de 2,48.

Figura 7.17 - Determinao do atraso e da constante de tempo do sistema

A partir das constantes 0 , e , pode-se determinar os parmetros do controlador para

alcanar um amortecimento particular na resposta em malha fechada do sistema. O objetivo
desse mtodo obter uma razo de 4:1 do primeiro para o segundo pico na resposta do

70

sistema, dada uma referncia em degrau. Dessa forma, os parmetros do controlador PI

encontrados por esse mtodo foram: = 1,219 e = 13,79.

7.7.2 Mtodo do Lugar das razes

A partir da Equao 2.5, determinou-se a funo de transferncia do sistema em malha

fechada. Essa funo foi utilizada para esboar o lugar das razes desse sistema sem
compensao como mostrado na Figura 7.18. O sistema resultante estvel, possuindo o
lugar das razes no semi-plano esquerdo. Ao todo, o sistema sem compensao apresenta dois
polos (1 = -0,0991 e 2 =-0,08116) e um zero (1 = -0,1688).
Para que o sistema se comportasse de um modo particular, foi inserido um compensador que
implicou na alterao do lugar das razes. Como desejava-se projetar um controlador PI, um
polo foi inserido na origem, e o zero do compensador foi posicionado em 2 =-0,0814, para
anular a influncia do polo dominante sobre o comportamento do sistema. O lugar das razes
do sistema compensado ilustrado na Figura 7.19.
A partir das localizaes do polo e do zero do compensador, encontrou-se o ganho
proporcional ( = 2,79) necessrio para que o sistema atendesse o requisito de projeto, que
se consiste em uma rpida resposta com um sobre-sinal mximo de 2%.

Figura 7.18 - Lugar das razes do sistema sem compensador

71

Figura 7.19 - Lugar das razes do sistema compensado

A partir da comparao entre as funes de transferncias do compensador e do controlador

mostradas na Equao, encontrou-se a constante do tempo de integrao ( = 12,27).
1

( ) +
=

onde = , sendo dado por 2 = -0,0814.

(7.9)

8. ANLISE DOS RESULTADOS

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.

Tabela 8.1 - Valores de mximo e para os controladores propostos

Mtodo

Neurocontrolador

5,3%

16 [s]

Ziegler-Nichols

1,00%

18 [s]

Lugar das Razes

1,47%

12 [s]

73

Figura 7.1 - Dinmica do Neurocontrolador adaptativo por modelo de referncia

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

Figura 8.2 - Dinmica do controlador PI sintonizado pelo mtodo Ziegler-Nichols

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

A proposta deste trabalho, foi desenvolver um neurocontrolador adaptativo por modelo de

referncia para o controle de nvel de uma planta didtica de dois tanques acoplados
encontrada no laboratrio de Mquinas Eltricas da Universidade Federal de Ouro Preto Escola de Minas, bem como realizar a anlise de desempenho deste controlador.
Para atingir o objetivo proposto, apresentou-se anlises grficas visando o entendimento da
estrutura do neurocontrolador, seu comportamento e seu desempenho comparado a dois
controladores PI sintonizados pelos mtodos Curva de reao de Ziegle-Nichols e Lugar das
razes, amplamente utilizados na indstria para o controle de processos.
Para uma melhor compreenso da estrutura e do comportamento do neurocontrolador, foram
realizadas anlises grficas do treinamento e da validao do mesmo. As determinaes do
nmero de neurnios da camada oculta e do nmero de pocas para o treinamento foram
sendo alteradas de forma hipottica, a partir da anlise dos resultados obtidos com a
combinao dos parmetros de resultados insuficientes ou com menores desempenhos, uma
vez que no existe uma regra estabelecida para sintonia destes parmetros.
O neurocontrolador adaptativo por modelo de referncia capaz de controlar um sistema
tendo como referncia um modelo que possui um comportamento desejvel. A medida que o
sistema sofre alteraes em sua dinmica de processo, o mesmo capaz de adequar ou
cancelar parcialmente estas alteraes, objetivando sempre a minimizao do erro de controle
quadrtico. Neste ponto de vista, o neurocontrolador pode ser aplicado no controle de
sistemas dinmicos no-lineares ou processos onde h necessidades operacionais complexas,
dinmicas e com maior gama de funcionamento, o que torna este controlador uma ferramenta
muito poderosa.
A partir da anlise dos resultados alcanados mostrados na Tabela 8.1, observa-se que o
neurocontrolador adaptativo por modelo de referncia no atendeu o requisito de sobressinal
inferior a 2%, resultando em um sobressinal de 5,3%. Embora a literatura afirme que as regras
de sintonia experimentais no sejam adequadas para uma sintonia fina, fornecendo apenas
estimativas iniciais dos parmetros do controlador, neste trabalho, o mtodo de sintonia pela
curva de reao por Ziegler-Nichols, para as condies que foram submetidas o processo,
apresentou menor sobressinal do que os mtodos do Lugar das Razes e neurocontrolador.

77

Considerando-se como parmetro de desempenho dos controladores o tempo de acomodao

do sistema, o mtodo do Lugar das razes para o projeto do controlador PI, resultou no menor
tempo de acomodao do sistema de controle. Neste ponto de vista, ainda que o tempo de
acomodao do mtodo Lugar das razes foi consideravelmente menor comparado aos outros
dois controladores, concludo que o controlador PI sintonizado pelo mtodo da curva de
reao de Ziegler-Nichols possuiu o melhor desempenho para o controle de nvel da planta
supracitada.
Por fim, vale ressaltar o resultado mostrado na simulao do neurocontrolador que mostrou a
existncia de respostas com desempenhos diferentes para determinadas faixas de operao do
tanque. Neste contexto, foi mostrado que para uma altura 1,0 de 147,2 mm, o
neurocontrolador se mostrou mais competitivo comparado aos controladores convencionais,
possuindo valores de sobressinal e tempo de acomodao de 1,97% e 19 segundos
respectivamente, bem como um erro em regime muito prximo de zero.
Para trabalhos futuros, sugerido:

i) Realizar testes referentes ao modelo de referncia na tentativa de estender a melhor resposta

do neurocontrolador para todos os valores de nvel desejados. Para tanto proposto a anlise
da aplicao de uma funo de transferncia combinada com um controlador convencional
para potencializar os resultados da rede neural referente ao modelo de referncia;

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.

iii) Realizar o estudo de desempenho do neurocontrolador aplicado a um sistema de quatro

tanques acoplados;

iv) Realizar estudos comparativos em relao outras opes de controladores disponveis

como controladores nebulosos (fuzzy), reguladores lineares quadrticos ou controladores
preditivos;

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

LOPES, Jos S. B. et al. Um esquema de controle neural aplicado a um sistema de

tanques acoplados utilizando controlador lgico programvel. Congresso Brasileiro de
Automtica,

16.,

2006.

Disponvel

em

<http://www.dca.ufrn.br/~maitelli/FTP/artigos/CBA2006_Tanques.pdf>. Acesso em: 26 maio

de 2014.
MAITELLI, A. L., REZENDE, J. A. D. Um neurocontrolador com treinamento em tempo
real aplicado a uma planta de temperatura. Simpsio Brasileiro de Automao Inteligente,
5., 2001. Disponvel em <http://www.dca.ufrn.br/~maitelli/FTP/artigos/SBAI_temp.PDF>.
Acesso em: 20 mar. 2014.
MARCIANO, J. J. S. Computao paralela aplicada estimao bi-objeto de parmetros
de modelos narx polinomiais. 2011. Monografia (Mestrado em Engenharia Eltrica),
Universidade Federal de So Joo del-Rei, So Joo del-Rei, 2011.
MARTINS, Vinicius V. Estudo de uma planta piloto: Controle da temperatura em
funo da vazo. 2006. Monografia (Graduao em Engenharia de Controle e Automao)
Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2006.
NASCIMENTO JR., C. L.; YONEYAMA, T. Inteligncia Artificial em Controle e
Automao. 2. Ed. So Paulo: Edgard Blcher: FAPESP, 2004.
NISE, N. S. Engenharia de Sistemas de Controle. Trad. Bernardo Severo da Silva Filho. 3.
Ed. Rio de Janeiro, 2002.
OGATA, K. Engenharia de Controle Moderno, 4 Edio. In: Modelagem Matemtica de
Sistemas Dinmicos. So Paulo: Prentice Hall, 2003.
OLIVEIRA, J. C. P. Avaliao de controle neural a um processo de quatro tanques
acoplados. 2009. Tese (Doutorado em Engenharia Eltrica) Departamento de Engenharia
Eltrica, Universidade de Braslia, Braslia, 2009.
OLIVEIRA, Mrcio L. Controle de PH em torre de HCN stripper usando redes neurais.
Dissertao (Mestrado em Engenharia Eltrica). Universidade Federal do Paran, Curitiba,
2011.

81

PAIVA, R.P.P De Carvalho E. Identificao Neuro-difusa: aspectos de interpretabilidade.

1999. 163 f. Dissertao (Mestrado em Engenharia Informtica) Universidade de Coimbra,
Coimbra - Portugal, 1999.
RICCO, Rodrigo Augusto. Identificao de sistemas utilizando mtodos de subespaos.
Dissertao (Mestrado em Engenharia Eltrica). Universidade Federal de Minas Gerais, Belo
Horizonte, 2012.
ROSRIO, Joo Maurcio. Princpios de Mecatrnica. Editora Pearson Prentice Hall, So
Paulo, 2005.
SCHNITMAN, L. e FONTES, A. The basic ideas of neural predictive control. Em
Proceedings of the 7th Mediterranean Conference on Control and Automation (MED99), pp.
497510, 1999.
SILVA, I. N.; SPARRI, D. H.; FLAUZINO, R. A. Redes Neurais Artificiais para
Engenharia e Cincias Aplicadas: Curso Prtico. 1. Ed. So Paulo, 2010.
SOARES, L. H. G. Neurocontrolador Preditivo Aplicado a um Sistema Mecnico MassaMola No Linear. 2009. Monografia (Graduao em Engenharia de Controle e Automao)
Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2009.

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:

<http://www.gsigma.ufsc.br/~popov/aulas/rna/aprendizado/>. Acessado em: 26 de maio de

2014.