CAPTULO 5

IDENTIFICAO DE SISTEMAS

O captulo descreve a Inteligncia Artificial aplicada a tcnicas de controle, especificamente em identificao e modelagem de sistemas.

5.1 Introduo

A identificao de sistemas uma rea que estuda tcnicas alternativas de modelagem matemtica de sistemas. A modelagem matemtica rea do conhecimento que estuda maneiras de desenvolver e implementar modelos matemticos de sistemas reais. A identificao de sistemas um dos problemas bsicos em teoria de controle. No caso de sistemas lineares, uma abordagem para identificao construir uma funo de transferncia representando o comportamento do processo, em tempo discreto ou contnuo, usando o Princpio da Superposio descrito abaixo [3, 61], sendo que o estado inicial suposto ser zero. As funes de transferncia so funes que modelam o comportamento dinmico de um par entrada-sada de um sistema, ou seja, descrevem como uma determinada entrada dinamicamente transferida para a sada do sistema. Princpio da Superposio: Considere um sistema que ao ser excitado pela entrada 1 (t ) produz a sada y1 (t ) e quando excitado por 2 (t ) produz y 2 (t ) . Se tal sistema satisfizer o princpio da superposio ento, quando excitado por a.1 (t ) + b. 2 (t ) , sua sada ser a. y1 (t ) + b. y 2 (t ) , sendo a e b constantes reais. Por definio, um sistema linear se ele satisfaz o princpio da superposio.

A identificao de sistemas no-lineares difcil, pois, o princpio da superposio no pode ser usado, e a relao entrada-sada pode depender do estado atual e/ou histrico do sistema. Alm disso, o sistema pode ter muitos estados para os quais a sada constante ou zero.

79

O processo de modelagem de um determinado sistema dinmico pode resultar num modelo de estrutura complexa. Em tais casos, mtodos de reduo de modelos podem ser utilizados para se obter uma representao mais simples do processo. Os sistemas hbridos inteligentes representam um direcionamento alternativo para a soluo de problemas em sistemas de controle e identificao, principalmente aqueles que envolvem no-linearidades.

5.2 Sistemas de Controle

Um sistema de controle dinmico envolve sempre o controle de um processo cujas variveis evoluem de acordo com um conjunto de equaes diferenciais especificadas pelas leis fsicas que as governam. Os objetivos do controle, neste caso, so disciplinar a evoluo destas variveis de acordo com certos critrios de engenharia: estabiliz-las ou impor trajetrias nominais ou de referncia [45]. A figura 5.1 apresenta uma representao bastante genrica de um sistema de controle dinmico. A entrada do sistema so os sinais que o processo recebe do meio externo. A sada a sua resposta, a qual comparada com uma trajetria de referncia. Na medida em que diferente desta, produz um erro, utilizado pelo controlador para determinar uma ao de controle, ou seja, eliminar este erro.

Entrada

Sistema ou

Sada Real

Processo

Controlador da Planta

Erro

Referncia Figura 5.1 Sistema de controle

80

O projeto de um controlador depende diretamente da descrio matemtica do processo, ou seja, a sua modelagem. No possvel projetar um controlador sem que se tenha alguma informao sobre a dinmica do processo. Este requisito aparentemente trivial pode no estar satisfeito a priori em uma classe ampla de problemas de interesse prtico. Para estes casos colocam-se os problemas de identificao de sistemas.

5.3 Identificao de Sistemas

A identificao pode ser colocada como o problema de determinar um vetor de parmetros tal que a sada do sistema (ydesejado ) e a sada do modelo (yobtido ) estejam prximas segundo algum critrio adotado, por exemplo: y desejado y obtido < . O critrio pode ser baseado em algum algoritmo apropriado, que procura identificar a parametrizao que mais adequadamente representa a dinmica do sistema. Esta medida de adequao atravs da minimizao do erro que usada para reajustar os parmetros do modelo de identificao (ver figura 5.2).

Sistema ou Processo

Sada Real

Entradas

Erro

Modelo de Identificao

+
Sada Obtida

Figura 5.2 Identificao de um sistema dinmico

O processo de iterao finalizado quando o erro de estimao significativamente pequeno e o modelo de identificao obtido pode ento ser usado como um modelo do sistema real [70].

81

O grau de conhecimento sobre o processo a ser identificado determina a classe de modelo a ser utilizado [3]. De acordo com nvel de informaes sobre o processo identificado podem-se classificar as classes de modelos em: Modelos Caixa-Branca: indicam que existe um conhecimento total sobre o processo, ou seja, se conhece toda a relao entre as variveis que descrevem o comportamento dinmico do sistema. Estes modelos no so realsticos porque, mesmo sabendo-se com exatido as equaes que regem a dinmica do processo, sempre existiro parmetros que tm seus valores modificados com o passar do tempo, como a temperatura, atrito, etc; Modelos Caixas-Cinzas: indicam que existe algum conhecimento sobre o processo, mas no se conhecem alguns parmetros ou algumas relaes entre as variveis que descrevem o comportamento dinmico do sistema. Estes modelos so mais realsticos que os modelos caixa-branca; Modelos Caixa-Preta: indica uma falta total de conhecimento sobre o processo. Pertence a uma famlia de estrutura de modelos com uma flexibilidade adequada e hbil em aproximar uma grande classe de relaes entrada/sada. Em outras palavras, o modelo caixa-preta uma estrutura padro que pode ser utilizada para aproximar uma grande variedade de sistemas.

De fato, estimar o nmero/valores de parmetros uma tarefa rdua que requer conhecimento sobre a complexidade do problema. Logo, as redes neurais artificiais tm sido empregadas em identificao por serem modelos de caixa-preta. O problema de identificao de sistemas dinmicos pode ser visto como mapeamento de um espao de entradas para um espao de sadas [48].

5.4 Inteligncia Artificial em Identificao de Sistemas

As redes neurais artificiais tm sido exploradas na identificao de sistemas dinmicos no-lineares devido a serem modelos caixas-pretas no-lineares, com habilidade de aproximar complexos mapeamentos [16, 19]. O tipo mais comum de rede neural usada para controle o perceptron multicamadas (MLP), com funo de ativao sigmoidal. Quando comparados a tcnicas desenvolvidas para o tratamento de problemas de identificao linear, o emprego de

82

redes neurais pode ser considerado como uma abordagem muito flexvel, inclusive por no requerer informao prvia do modelo. Para a tecnologia de identificao clssica, o usurio deve especificar a natureza do relacionamento entre as entradas e sadas. Utilizando redes neurais em identificao, o usurio deve somente especificar a topologia da rede que suficiente para descrever o mapeamento das entradas-sadas. Se h uma mudana no comportamento do sistema ou em seu ponto de operao, isto exigiria a readaptao dos parmetros do modelo de identificao, sob pena de o sistema de identificao sofrer uma degradao de desempenho. Para evitar isto, algumas redes neurais baseadas no esquema de identificao necessitam de leis de ajuste dos parmetros do modelo para o tempo de operao, mantendo-se fixa a dimenso da rede, a qual deve ser suficientemente elevada para contemplar todos os possveis requisitos de comportamento que podem se estabelecer [50, 58, 103]. Em [45] e [98] demonstrado que uma rede MLP com uma nica camada intermediria suficiente para aproximar uniformemente qualquer funo contnua que se encaixe em um hipercubo unitrio. O teorema afirma que um perceptron de mltiplas camadas com nica camada intermediria capaz de realizar uma aproximao uniforme, dado um conjunto de treinamento suficientemente significativo para representar a funo. Por outro lado, o teorema no afirma que uma rede MLP com uma nica camada timo no sentido de tempo de processamento, facilidade de implementao eficincia na representao [45, 98]. Os modelos convencionais de redes neurais artificiais apresentam limitaes, principalmente a trs fatores: No h um modo sistemtico para determinar a estrutura de modelagem requerida para um dado sistema; O algoritmo iterativo de aprendizagem (ajuste dos pesos), nem sempre leva convergncia em direo soluo global, ou a uma soluo local de boa qualidade; A caracterstica distributiva e no-linear do processamento dificulta e at pode impedir a anlise eficiente dos modelos conexionistas resultantes, durante e aps o treinamento da rede.

Na tentativa de propor solues para tais problemas, o trabalho apresenta um modelo hbrido inteligente, o Neo-Fuzzy-Neuron Modificado por Kohonen (NFN-MK), que mescla as

83

tcnicas de redes neurais artificiais e lgica fuzzy Neste modelo possvel associar um . conjunto de regras fuzzy, que permite a extrao de conhecimento na forma lingstica e tambm permite o modelo aprender por meio de exemplos, caracterstica das redes neurais. A implementao da rede de Kohonen tem o propsito de indicar a localizao inicial das funes de pertinncia mais apropriadas para cada aplicao. Logo, o modelo NFN-MK aplicado no contexto de aproximao de funes. A vantagem do modelo proposto o reduzido esforo computacional quando comparado s RNAs convencionais, com convergncia superior a estas. Este resultado evidenciado no captulo 7.

5.4.1 Aprendizado e Generalizao

O principal objetivo do aprendizado em RNAs e sistemas neurofuzzy a obteno de modelos com boa capacidade de generalizao tendo como base o conjunto de dados. Em problemas de aproximao, classificao e predio, o conjunto de treinamento composto por pares de entrada e sada (x, ydesejado ), sendo caracterizada previamente a sada desejada (ydesejado ) para um determinado vetor de entrada x. O ajuste de pesos deve modificar a sada yobtida de forma que a diferena entre yobtida e ydesejado, ou seja, o erro, diminua a cada iterao. No entanto, a minimizao pura e simples do erro pode no levar a resultados satisfatrios [25, 70, 98]. No modelamento da rede pode ocorrer um ou dois efeitos de resposta, conhecido como overfitting e underfitting. O overfitting uma situao que ocorre quando h sobreparametrizao da rede, ou seja, quando a rede tem mais parmetros (pesos) do que necessrio para a resoluo do problema. Por sua vez, o underfitting ocorre quando a rede tem menos parmetros do que necessrio. O objetivo do treinamento deve ser ento o de encontrar o ajuste ideal na fronteira entre o overfitting e o underfitting. No entanto, estimar o nmero de parmetros uma tarefa rdua que requer conhecimento sobre a complexidade do problema. Este conhecimento normalmente no est disponvel, principalmente tratando-se de problemas multidimensionais, pois muitas vezes este conhecimento que se deseja obter por meio do processo de modelagem [70, 98]. Qual deve ser o tamanho ideal do conjunto de treinamento? Como regra prtica, podese calcular o nmero de pesos na rede e tornar o seu dobro para obter o nmero mnimo de exemplos de treinamento. Dobre-se este valor novamente para se obter um tamanho melhor de exemplos de treinamento. Alguns cuidados so necessrios na escolha dos pares de

84

treinamento, como as variaes que a rede deve abstrair, principalmente sem esquecer de incluir casos fronteirios, muito prximos aos limites de deciso, para que a rede possa aprender a estabelecer estes limites. Seno, a rede pode responder com sadas que deixam dvida a que padro pertence entrada apresentada [52]. Aps a aprendizagem ser concluda, um outro conjunto de dados, o conjunto de teste, contendo pares de vetores de entrada e sadas desejadas, dever ser utilizada para testar a eficincia da rede. Caso deixe a desejar, provavelmente o conjunto de treinamento deve ter sido insuficiente, e ento se deve incluir novos exemplos no conjunto de treinamento e retreinar a rede.

5.4.2 Critrio de Convergncia

A aproximao de funo por RNA implica em vrios fatores como: nmero de neurnios e camadas escondidas, tempo de processamento (alto para mapeamentos complexos), modelo das funes de ativao, ganhos da funo de ativao, inicializao dos pesos e taxa de aprendizagem. A escolha indevida de alguns destes fatores (principalmente a inicializao dos pesos) pode implicar que o programa fique preso em um mnimo local (ml), onde o desejado o mnimo global (mg). A convergncia dos mtodos de otimizao no-lineares depende da condio inicial e do comportamento da funo objetivo. Por exemplo, a figura 5.3 apresenta a equao 6.1, que possu um mnimo local e seu mnimo global para [-2, 2]. x f ( x) = 3.x 4 15.x 2 3.x + 6

(5.1)

85

Funo Escalar
f(x) = 3.(x^4) - 15.(x^2) - 3.x + 6

40 Varivel de Sada 30 20 10 0 -10 -20 -3 -2 -1 0 Varivel x 1 2 3

Mnimo Local

Mnimo Global

Figura 5.3 Funo com mnimo local e global

O par do mnimo local para a equao 5.1 ml = (-1.528; -8.084); j do mnimo global mg = (1.628; -17.566). Como as redes neurofuzzy possuem a propriedade de aproximao universal, foi proposto o sistema Neo Fuzzy Neuron Modificado por Kohonen (NFN-MK). Do ponto de vista computacional o NFN apresenta tempo de processamento inferior s redes MLP e soluciona o problema de mnimos locais, porque a funo objetiva a ser minimizada no processo de treinamento quadrtica e convexa. A seguir ser discutido algum caso prtico envolvendo a aproximao de funes.

5.5 Concluso

Os modelos lineares tm sido amplamente usados em identificao de sistemas. Entretanto, muitos sistemas de controle encontrados na prtica so no-lineares. As aproximaes produzidas por modelos lineares no so convenientes para representar estes sistemas. O emprego do mtodo Neo Fuzzy Neuron Modificado por Kohonen (NFN-MK) pode ser considerado como uma abordagem flexvel, inclusive por no requerer informao prvia do modelo e impem poucas restries na definio do modelo, quando comparado s redes neurais artificiais e outras tcnicas de aproximaes.