4.1 – Introdução
O objetivo básico dos Sistemas Nebulosos (Fuzzy), segundo Zadeh (1965), é modelar o comportamento de especialistas. Não se trata de uma modelagem matemática, e sim de um sistema que procura imitar as ações de um especialista para a solução de problemas, sem necessariamente chegar aos níveis de detalhes obtidos com o desenvolvimento de um modelo matemático. A estratégia básica deste sistema é a obtenção do conhecimento através de observações e do próprio processo de aprendizado.
A forma mais usual de se modelar o conhecimento é através de representações lógicas baseadas em estruturas simbólicas. Porém, esta estratégia encontra problemas no tratamento de incertezas e informações vagas. Já os Sistemas Nebulosos e as Redes Neurais Artificiais apresentam-se como uma ferramenta conveniente para a solução destes problemas, pois permitem tratar com mais facilidade incertezas e informações vagas [Rosenblatt (1958),
Rosenblatt (1962), Mamdani (1975), Takagi (1979), Sugeno (1988), Braga et alli (2000)]. A
rapidez de desenvolvimento, além da facilidade e o baixo custo de implementação são algumas das características destes sistemas. Em contrapartida, os modelos obtidos para os referidos sistemas são geralmente aproximações dos sistemas reais [Nauck (1997)].
Além disto, nos últimos anos, o potencial de manuseio de incertezas e de controle de sistemas complexos, tornados possíveis pela teoria dos sistemas nebulosos, estão sendo
características, a capacidade de adaptação e aprendizagem. Desta combinação, surgem os Sistemas Neurofuzzy.
Dentro da perspectiva de controle, várias aplicações de sistemas nebulosos são encontradas associadas à funções para ajuste de controladores PI’s. Miki et alli (1993) apresentam um método de auto-sintonia dos controladores PI’s de um sistema de controle vetorial de motor de indução, onde o processamento nebuloso é utilizado na determinação
offline dos ganhos destes controladores a partir de testes de resposta ao degrau de velocidade.
Após os ajustes dos ganhos destes controladores, uma nova alteração dos mesmos só é possível através de uma nova bateria de testes e ajustes offline, o que implica necessariamente na parada do equipamento.
Hong-Wen et alli (2003) utilizam controladores fuzzy em substituição aos controladores
por histerese utilizados em estratégias de Controle Direto de Conjugado (DTC). Nenhum esquema especial de aprendizado é apresentado no sentido de proporcionar ao sistema uma maior adaptabilidade às variações do processo sob controle.
Kouzi et alli (2003) propõem um controlador fuzzy com adaptação de ganhos, aplicados
ao controle vetorial indireto do motor de indução. Este esquema apresenta um melhor desempenho quando comparado ao controlador fuzzy convencional (sem capacidade de aprendizado). Porém, estas comparações têm como base apenas simulações digitais.
Em relação às RNA, somente a partir do trabalho de Rumelhart (1986), com o desenvolvimento do algoritmo de treinamento conhecido como backpropagation, iniciou-se efetivamente o desenvolvimento de controladores baseados em RNA. Características de aproximadores universais de funções [Hornik et alli (1989)], além da capacidade de aprendizagem destas redes e inerente tolerância a falhas, devido ao potencial de paralelismo de sua estrutura interna, favorecem a utilização das mesmas em sistemas de controle. Como fator negativo pode-se citar uma característica geralmente apresentada por estas redes, que é a dificuldade de interpretação física de sua estrutura e de utilização de conhecimento prévio, podendo serem vistas como “caixas pretas”.
Conforme discutido por Justino (2004), em um sistema de controle neural, a RNA é utilizada na geração do sinal de controle, direta ou indiretamente. A sua atuação pode ser na estimação de parâmetros para um controlador convencional, como um PI, ou assumindo o papel do próprio controlador. Diversos trabalhos de aplicações das RNA em controle são encontrados na literatura [Jang et alli (1997), Maia et alli (1998), Parma (2000), Justino (2004)]. Entre eles, Justino (2004) apresenta duas propostas de utilização de RNA no controle do motor de indução. Na primeira proposta de controle neural, a RNA é utilizada como filtro não-linear adaptativo que tem como função a minimização do erro entre a saída da planta e o valor
desejado. São utilizadas duas redes do tipo MLP, uma responsável pelo controle de fluxo do motor e a outra responsável pelo controle da velocidade. A outra proposta de controle utiliza um controlador PID com ganhos variáveis, ajustados automaticamente em função dos pesos da RNA. Apesar dos bons resultados obtidos, principalmente em relação a estratégia que utiliza a RNA como filtro não-linear adaptativo, é discutida a dificuldade de ajuste das taxas de aprendizagem, bem como a definição da estrutura da própria rede.
Em relação às redes neurofuzzy, os controladores que se baseiam neste tipo de estrutura se propõem a agregar algumas das características positivas dos controladores nebulosos e dos controladores neurais. Assim, a possibilidade de utilização de conhecimento prévio e a capacidade de adaptação de sua estrutura proporcionam ao controlador neurofuzzy um grande apelo para sua aplicação em sistemas de controle.
Uma classe de estruturas neurofuzzy bastante difundida são as redes ANFIS (Adaptative Neuro-Fuzzy Inference System) [Jang et alli (1997)]. Apesar de sua utilização em diversas aplicações, incluindo sistemas de controle, estas redes têm como desvantagem o fato do número de regras (neurônios) aumentar exponencialmente com o número de entradas, o que pode implicar em uma estrutura relativamente complexa, além da possibilidade de demandar um considerável esforço computacional. Por outro lado, as redes NFN (Neo Fuzzy
Neuron) [Yamakawa (1992)] apresentam uma estrutura bem mais simples que as redes ANFIS,
tendo sido utilizadas com sucesso em diversas aplicações, destacando-se trabalhos na área de identificação de falhas em sistemas dinâmicos [Caminhas et alli (1996 a), (1996 b)], identificação e previsão de sistemas [Yamakawa (1992), Caminhas et alli (1998), Landim et alli
(2000)]. Nesta estrutura o número de regras ativas varia linearmente com o número de
entradas.
Observa-se porém, uma lacuna em relação à aplicação das redes NFN em sistemas de controle. Desta forma, neste capítulo será apresentada uma nova proposta de controlador
neurofuzzy, que tem como base a estrutura NFN. Este controlador tem como principal
característica, além da simplicidade de sua estrutura, a utilização do erro entre a saída desejada e saída real do sistema, tanto como entrada, quanto para correção online de seus pesos (parâmetros livres).