Tópicos especiais em controle inteligente e distribuído Professor: Jorge Dantas de Melo Rafael Marrocos Magalhães
Controle Inteligente Solução de Problemas de Controle Industrial Inspiração Biológica
Sumário Controle Nebuloso (Lógica Fuzzy) Redes Neurais Sistemas Especialistas Algoritmos Genéticos Considerações
Controle Nebuloso (Lógica Fuzzy) 27.5⁰ 1h 15m 70% aberto 18Kg 211 cm
Controle Nebuloso (Lógica Fuzzy) Baixo Médio Alto Precisão Significância
Controle Nebuloso (Lógica Fuzzy) Quente ~ FrioRápido, Lento, Tarde Baixo Fluxo Extremamente Leve Grande, Comprido
Controle Nebuloso (Lógica Fuzzy) PrecisãoSignificânci a Precisão e Significância no Mundo Real Uma massa de 1000Kg está se aproximando da sua cabeça a 50m/s Sai daí!
Controle Nebuloso (Lógica Fuzzy) Processo Controle Fuzzy Fuzzificação Defuzzificação Mecanismo de Inferência Base de Regras Entrada de Referênci a r(t) Entradas u(t) Saídas y(t)
Controle Nebuloso (Lógica Fuzzy) Fuzzificador Transforma a entrada numérica da planta proveniente do processo para que o mecanismo de inferência possa tratá-lo adequadamente Base de Regras Um conjunto de regras sobre o tratamento do controle do processo
Controle Nebuloso (Lógica Fuzzy) Mecanismo de Inferência A partir de informações provenientes do fuzzificador decide sobre qual conjunto de regras deve ser aplicado para cada situação e forma conclusões sobre qual entrada a planta deve receber Defuzzificador Transforma a informação fuzzy em valor numérico apropriado para entrada do processo.
Controle Nebuloso (Lógica Fuzzy) Projeto de Controlador Fuzzy (pressupõe) A planta é observável e controlável (estado, entrada e saída) Existe conhecimento sobre Um conjunto de regras lógicas Senso comum de funcionamento Intuição Conjunto de entrada/saída do problema Existe solução
Controle Nebuloso (Lógica Fuzzy) Projeto de Controlador Fuzzy (pressupõe) O projetista do sistema está procurando por uma solução “boa o suficiente” e não necessariamente a solução ótima O controlador está sendo projetado com o melhor conhecimento disponível e com um grau de precisão adequado
Controle Nebuloso (Lógica Fuzzy) Ancoradouro Vel. Dist.
Controle Nebuloso (Lógica Fuzzy) Etapa - 1 Definição das funções de pertinência Proximidade: Distânte, Adequado, Próximo
Controle Nebuloso (Lógica Fuzzy) Etapa - 1 Definição das funções de pertinência Velocidade: Rápido, Médio e Lento
Controle Nebuloso (Lógica Fuzzy) Etapa - 1 Definição das funções de pertinência Prontidão: Não pronto, Pronto
Controle Nebuloso (Lógica Fuzzy) Etapa - 2 Definição das Regras Se (prox. é próximo) e ( vel. é lento) então (não pronto) Se (prox. é próximo) e ( vel. é médio) então (não pronto) Se (prox. é próximo) e ( vel. é rápido) então (não pronto) Se (prox. é adequado) e ( vel. é lento) então (pronto) Se (prox. é adequado) e ( vel. é médio) então (não pronto)... Se (prox. é distante) e ( vel. é lento) então (não pronto)
Controle Nebuloso (Lógica Fuzzy) Etapa – 3 Obtenção da superfície de atuação
Controle Nebuloso (Lógica Fuzzy) Revisando Conhecimento suficiente sobre a planta de controle, dinâmica e especificações do laço de realimentação Construção cuidadosa do conjunto de regras Perturbações e Robustez Tratamento heurístico não necessariamente baseado em modelo
Controle Nebuloso (Lógica Fuzzy) Aplicações Controle Convencional Fuzzy Tanques (Injeção, Volume) Térmica Multivariável Facilitar um controle complexo sem modelo
Redes Neurais
Modelo de Neurônio Artificial
Redes Neurais Modelo de Arquitetura MLP Modelo de Arquitetura Modular
Redes Neurais Matematicamente Função não linear de ordem elevada Computacionalmente Estrutura de dados e algoritmos
Redes Neurais Modelar resposta dinâmica de processos (aproximador de funções) Inferência em qualidade de processos Amostras e testes em laboratório Utilização de analisadores específicos Inferência (soft-sensors)
Redes Neurais C C P P SP u y ∑ RN Erro - + Controlador
Redes Neurais P P SP u y RN
Redes Neurais RN2 P P SP u y ∑ Erro - + RN1 Controle antecipatório inverso
Redes Neurais Detalhes Arquitetura (tamanho, modelo) Algoritmo de treinamento Conjunto de treinamento e validação Tempo de treinamento
Sistemas Especialistas Sistemas Baseados em Conhecimento
Sistemas Especialistas Programa Clássico Base de dados Estrutura com Sistema Especialista
Sistemas Especialistas Dados Motor de Inferência Algoritmos de busca Lógica e raciocínio Memória Decisão Planejamento Base de Conhecimentos Base de dados Representação de conhecimento Correlações Escopo Resultados
Sistemas Especialistas Acionamento automático de plantas (válvulas, insumos, execução, etc.) Segurança de plantas Controle de sistemas dinâmicos
Sistemas Especialistas Processo Controle Especialista Mecanismo de Inferência Base de Conhecimento Entrada de Referênci a r(t) Entradas u(t) Saídas y(t)
Sistemas Especialistas Problemas Tratamento das entradas Processamento Definição de conhecimento, dados, informação, expansão Criação de lógica e regras para o domínio Geração da saída
Sistemas Especialistas Domínio do Problema Planejamento Inteligente Objetivos O(n) Controle u(n) Saídas y(n) Distúrbios d(n) (Re)Planejamento Projeto Plano Definição de Problema Decisão de Plano Execução de Plano Monitora mento da execução Conj. Planos Falha Plano Escolha Planos
Algoritmos Genéticos
Teria da evolução Darwin Heurístico Otimização Cromossomo (binário) Solução Populações Evolução e Seleção
Algoritmos Genéticos Controlador Preditivo Controlador Preditivo Processo Simulação Algoritmo Genético Índice de Desempenho Controlador Preditivo
Considerações Finais Grande campo de atuação Área multidisciplinar Sistemas Híbridos (métodos) Convencional+Inteligente
Tópicos especiais em controle inteligente e distribuído Professor: Jorge Dantas de Melo Rafael Marrocos Magalhães