Artigo

NEURAL NETWORKS FOR CONTROL SYSTEMS ENGINEERING

RAMALHO, Vinicius da Silva1; MEZA, Gilberto Reynoso2;

Resumo

Introdução:A modelagem adequada de um processo é uma das principais etapas para o sucesso de um projeto de engenharia de controle, e apartir de uma rede neural pode-se realizar uma boa aproximação de um fenômeno real. Por isso, nesse trabalho é utilizado técnicas de otimização multiobjetivo e tratamento de redes neurais disponíveis atualmente no desenvolvimento de novas metodologias para melhorar o desempenho de uma rede neural quanto a sua capacidade de modelagem.

Objetivo:Os objetivos de pesquisa são os seguintes: (1) Implementar ferramentas disponíveis/propor melhorias, para desenvolver ferramentas/metodologias para a engenharia de controle; (2) Realizar benchmarks, para validar as melhorias obtidas; y (3) Aplicar a nova metodologia em um caso real.

Metodologia:Dois benchmarks foram estudados. O primeiro deles foi um problema artificial para adquirir experiencia no manejo das ferramentas computacionais e fazer um primeiro teste misturando otimização multiobjetivo e redes neurais. O segundo deles é um benchmark industrial: 9568 medições coletadas de uma usina elétrica de ciclo combinado ao longo de 6 anos (2006-2011). As variáveis medidas são: Temperatura, Pressão Ambiente, Umidade Relativa, Vácuo de Escape e a Energia Elétrica produzida.

Resultados:Ao comparar os dois benchmark fica evidente logo de início que, para dados de treino aleatórios, deve-se utilizar datafitting, pois fica claro uma proximidade muito maior dos outputs e targets do conjunto de pesos originais no benchmark 2, se comparado ao benchmark 1, graças a este método. E além disso, não se deve culpar o algoritmo de otimização pelo baixo ganho de desempenho adiquirido, pois o algoritmo se preocupa com os dados que foram utilizados nos treinos e não com os dados de validação, logo, caso utilize os dados de treino para validar, obviamente, a rede otimizada responderá muito melhor do que a original. Isso mostra um ponto negativo no método proposto.

Conclusões:É evidente o poder tremendo que uma rede neural possui para realizar modelagens e simulações, porém o método de otimização proposto neste trabalho só seria indicado caso houve-se uma quantidade de dados extremamente grande e que cobrissem todas as situações do processo que se deseja modelar, ou então, tenha certeza que nada diferente ocorra. Pois, como discutido anteriormente, ao fornecer novos dados (situações) a rede otimizada tem sua performace pouco melhor ou até pior que a rede original. Logo, é possível concluir que haverá sim melhora de desempenho caso utilize o método abordado, porém quanto mais dados e mais variados forem os dados fornecidos melhor será os ganho obtidos.

Palavras-chave:Redes neurais. Otimização multiobjectivo. Identificação de sistemas.

Legendas

    1. Estudante
    2. Orientador