Professional Documents
Culture Documents
Resumo
Este trabalho apresenta o desenvolvimento, e testes, de um software para identificao de dinmicas no lineares,
utilizando Redes Neurais Artificias, do tipo perceptron de mltiplas camadas, utilizando o algoritmo de treinamento de
retropropagao do erro, conhecido como backpropagation. Como estudo de caso foi utilizado um sistema de tanques
acoplados. A estrutura de modelagem utilizada foi do tipo NNARX (Neural Network Autoregressive, exogenous input).
Para a validao do modelo foram realizados testes com o sistema em malha aberta e malha fechada. Para encapsular todo
o processo de identificao, desde a coleta de dados at a validao do modelo neural obtido, de uma forma simples,
direta e intuitiva, o software foi desenvolvido em mdulos, que iram auxiliar a identificao no linear de sistemas
dinmicos inclusive na presena de atrasos, como podemos verificar nos resultados apresentados.
Abstract
This paper presents a software to identify nonlinear, with time delay, dynamic systems using artificial neural networks.
This software is, didactically, divided into modules to provide a simple, functional and very intuitive user interface. The
implemented neural network was a Multilayer Perceptron, by using Backpropagation error learn method. A real didact
system of coupled tanks was used to demonstrate the software utilization. A neural model to the coupled tanks was,
satisfactorily, obtained, as it can be seen in validation curves. The results shown in this paper confirm the capability of the
developed software to identify nonlinear, with time delay, dynamic systems on a simple and intuitive way, as it was
proposed.
1. Introduo
Desde o surgimento da matemtica, os homens tentam estudar e compreender fenmenos e sistemas que os
auxiliem a solucionar problemas do seu cotidiano. Para isso faz-se necessrio uma representao matemtica desses
sistemas, ou seja, um modelo matemtico. O modelo matemtico pode ser representado a partir de equaes que
descrevem a fsica do processo, mas existem casos onde a descrio do sistema complexa ou no se possvel obter uma
representao com base nos fenmenos fsicos. Uma possvel soluo para esse problema a obteno do modelo
matemtico a partir do processamento de dados coletados do sistema, possibilitando a descrio de sua dinmica. Este
procedimento denominado de identificao de sistemas.
Segundo AGUIRRE et al., (1998), 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. Esses sistemas anlogos so denominados de modelos, e
existem diversas formas de se obter esses modelos. NUNES (2006), afirma que a modelagem matemtica de sistemas
adquire importncia especial na soluo de problemas de engenharia. Atravs de modelos matemticos pode-se predizer o
______________________________
1
Graduando, Universidade Federal do Rio Grande do Norte
2
Doutor Universidade Federal do Rio Grande do Norte
2. Fundamentao Terica
Lucena (2005), apresenta diversas estruturas baseadas em redes neurais apropriadas para identificao de
sistemas no lineares, estas so generalizaes das estruturas de identificao linear. Elas so caracterizadas pelo seu
vetor de regresso, ou seja, pelo vetor que contm os valores passados das variveis usadas para se estimar a sada do
sistema. Algumas estruturas de identificao linear so: FIR (Finite Impulse Response), ARX (AutoRegressive,
eXogenous input), ARMAX (AutoRegressive, Moving Average, eXogenous input), OE (Output Error) e SSIF (State
Space Innovations Form). Dependendo da escolha do vetor de regresso, diferentes estruturas de modelo neural emergem.
Se o vetor de regresso for selecionado de forma similar utilizada pelo modelo ARX, a estrutura de modelagem neural
ser chamada NNARX (Neural Network ARX). Do mesmo modo, temos as estruturas NNFIR, NNARMAX, NNOE e
NNSSIF. Segundo Nrgaard et al. (2001), os modelos de estrutura NNARX e NNFIR so sempre estveis, pois
representam puramente relaes algbricas entre as variveis do modelo. Essa caracterstica pode ser observada, pois
esses modelos so BIBO (Bounded Input, Bounded Output) estveis por no possurem realimentao da sada estimada.
No modelo NNFIR, o vetor de regresso formado apenas por medies passadas das variveis de entrada do processo.
No modelo NNARX, so acrescentados ao vetor de regresso valores de medies passadas das variveis de sada do
processo.
2
Devido a esses motivos, a estrutura escolhida para identificar a planta foi a NNARX. A expresso matemtica da
estrutura no-linear estendida NNARX descrita como:
y(k,) = f[ (k ),]
(1)
(2)
'
[
a
,...,
a
;
b
,...,
b
]
(3)
No entanto, f[.] uma funo no linear, aproximada por uma estrutura especfica, como por exemplo, uma rede
MLP. Dessa forma, de maneira geral, a equao que define a estimao obtida por meio dessas estruturas no lineares
pode ser representada pela Equao.
y
(
k
)
f
(
y
(
k
1
),...,
y
(
k
),
u
(
k
d
),...,
u
(
k
))
(4)
sendo os valores de y(k-i) e u(k-j) dados por regressores, utilizados como entrada da rede.
transporte, a ordem da sada, a ordem da entrada, y a sada e u a entrada da planta. Pode-se notar a aplicao de
regressores neste modelo, fazendo com que a sada presente da rede esteja relacionada com valores passados de entrada e
sada do sistema a ser identificado. A utilizao de regressores de fundamental importncia, uma vez que a estrutura
projetada com o intuito de identificar a dinmica existente em um sistema fsico.
3. Metodologia
Uma caracterstica importante no mtodo de identificao o grau de conhecimento a priori do sistema.
Normalmente no se pressupe qualquer conhecimento prvio do sistema, neste caso classifica-se a identificao como
caixa-preta como dito por Sjberg et al. (1996). Com o passar do tempo, surgiu necessidade de haver mtodos que no
3
5. Resultados
O estudo de caso escolhido, para demostrar uma aplicao do software desenvolvido, foi um sistema de tanques
de acoplados, com dinmica no linear e atraso de transporte. Tratasse de uma planta didtica da Quanser (Apkarian,
1999), composta por dois tanques acoplados, contendo ainda uma bomba, e um reservatrio. Os dois tanques contm um
orifcio na sua base, que permite o fluxo de gua. O tanque superior receber a gua bombeada do reservatrio, sendo
assim o tanque superior alimenta o tanque inferior pelo orifcio em sua base e o tanque inferior fecha um ciclo com a gua
voltando para o reservatrio, pelo seu orifcio. Os tanques tm altura de 30 cm, dessa forma o nvel do liquido pode variar
em uma faixa de 0 a 30 cm. A bomba recebe uma tenso que pode variar na faixa de -3 a 3 volts, para valores negativos a
bomba suga o liquido do tanque e para valores positivos a bomba faz o bombeamento do liquido para os tanques. Na
figura 6, podemos ver uma representao do sistema de tanques acoplado, assim como o esquemtico de comunicao da
planta, que ser descrito posteriormente. A comunicao do software desenvolvido com a planta feita atravs de um
servidor TCP/IP, que est conectado a uma placa de aquisio de dado, tornando possvel a leitura dos sensores e a escrita
de um sinal eltrico na bomba.
6. Concluso
Neste trabalho foi desenvolvido um software com uma interface simples e intuitiva, que auxiliou no processo de
identificao de sistemas dinmicos, mesmo na presena de atraso de transporte. O software facilitou todo procedimento
de identificao. Ele possibilitou a coleta de dados e a anlise do mesmo atravs de sua interface, permitiu a montagem
automtica do conjunto de treinamento a partir de informao da ordem e atraso do modelo identificado, foi
implementado o algoritmo de treinamento do backpropagation bsico e com momentum, mas a forma modular como o
software foi desenvolvido permite a implementao de outros mtodos de treinamento, o software genrico
possibilitando ao usurio fazer vrios ensaios com quantidades diferentes que ele desejar de camadas escondidas e
nmero de neurnio, nele possvel alterar as funes de ativao e ainda fazer uma anlise da curva de aprendizagem
atravs de sua interface. O software permite fazer a validao de duas formas diferente, podendo ser com o sistema em
malha aberta ou em malha fechada, possibilitando ainda a realimentao do modelo com dados reais ou dados estimados
do modelo. Para demostrar a aplicao do software, foi identificado um sistema de tanques acoplados. O modelo foi
validado de duas formas: com o sistema em malha aberta e com o sistema em malha fechada. Para ambos os casos a
resposta do modelo neural se mostrou satisfatrio, como demostrado na seco de resultados.
9
7. Agradecimentos
ANP, MCT, FINEP e Petrobras pelo apoio financeiro por meio do projeto PRH-PB-220.
8. Referncias
AGUIRRE, L. A.; RODRIGUES, G. G.; JCOME, C. R. F. Identificao de sistemas no-lineares utilizando modelos
narmax polinomiais uma reviso e novos resultados. SBA Controle e Automao, Campinas, v. 9, n. 2, p. 90-106,
1998.
Apkarian, J. (1999). Coupled water tanks experiments manual.
DRUMMOND, A. C. Identificao e controle de sistema pendular inverso sobre carro utilizando redes neurais
artificiais. 1999. 152 f. Dissertao (Mestrado em Engenharia Eltrica) Departamento de Engenharia Eltrica,
Universidade de Braslia, Braslia. 1999.
Fernandes, Raphaela Galhardo, et al. "Identificao neural de um sistema de nveis em ambiente foundation
fieldbus." Congresso Latino Americano de Automtica. 2006.
Fernandes, Ricardo AS, Ivan N. da Silva, and Mrio Oleskovicz. "Identificao de cargas lineares e no-lineares em
sistemas eltricos residenciais usando tcnicas para seleo de atributos e redes neurais artificiais." SBA-Controle &
Automao 21.4 (2010): 389-405.
HAYKIN, S. Redes neurais: Princpios e prticas. 2 ed. Porto Alegre: Bookman, 2001. 900 p.
Johansen, T. A. (1994), Operating Regime Based Process Modeling and Identification, Technical Report 94-109-W, Dr.
Ing. Thesis, Department of Engineering Cybernetics, Norwegian Institute of Technology, Trondheim, Norway.
JNIOR, J. M. A. Identificao no linear usando uma rede fuzzy wavelet neural network modificada. 2014. 108 f. Tese
(Doutorado em Engenharia Eltrica) Universidade Federal do Rio Grande do Norte, Natal. 2014.
Linhares, L. L. S., Arajo Jr, J. M. e Arajo, F. M. U. (2007). Redes neurais artificiais para identificao da frao molar
de pentano na composio do GLP, Anais do VIII Simpsio Brasileiro de Automao Inteligente (SBAI). Florianpolis
SC, Brasil.
Lindskog, P. & L. Ljung (1994), Tools for Semi-Physical Modeling. Report LiTH-ISY-R-1599, Department of Electrical
Engineering, Linkping University, Linkping, Sweden.
Lucena, P. B. Anlise de um Controlador Baseado no Jacobiano Estimado da Planta Atravs de uma Rede Neural,
Dissertao de Mestrado, Universidade Federal do Rio Grande do Norte, UFRN, Natal, RN, 2005.
Nrgaard, M., Ravn, O., Poulsen, N. K. e Hansen, L. K. Neural Networks for Modeling and Control of Dynamic
Systems, Springer-Verlag London Limited, Londres, Inglaterra, (2001).
NUNES, M. F. Estudo comparativo sobre mtodos de identificao para levantamento de modelos a partir de dados de
resposta em frequncia. 2006. 105 f. Dissertao (Mestrado em Engenharia Eltrica) Instituto Militar de Engenharia,
Rio de Janeiro. 2006.
Sjberg, J., Zhang, Q., Ljung, L., Beneviste, A., Deylon, B., Glorennec, P.Y., Hjalmarsson, H. e Juditsky, A. (1996).
Nonlinear Black-Box Modeling in System Identification: A Unified Overview. Automatica. pp.: 1691-1724.(1996)
1
0