CONTROLADOR PREDITIVO NEURAL PARA PROTÓTIPO DE HELICOPTERO COM DOIS GRAUS DE LIBERDADE

...

2.3 Instrumentos

∙ Protótipo de Helicóptero da Quanser

∙ Artigos, livros e manuais.

∙ Software computacional MATLAB

∙ Placa de aquisição de dados e controle da Quanser

∙ Módulos de força universal controlados da Quanser

∙ Cabos de controle e de força da Quanser

2.4 Procedimentos de pesquisa

Fase 1 – Estudos

Nesta fase o principal objetivo e adquirir conhecimentos através de leituras de livros, artigos e manuais para dominar os conceitos primordiais que serão utilizados no projeto.

Fase 2 – Identificação do sistema

Fazer reconhecimento pratico da planta didática através de testes em que os equipamentos serão interligados utilizando ferramentas computacionais para obter dados iniciais do sistema.

Fase 3 – Estratégia de controle

Após obter o modelo do sistema é preciso estudar estratégias de controle preditivo baseados em redes neurais que irá ser implementada no processo.

Fase 4 – Implementação do controle

Implementar o controle que se adequar melhor ao processo.

Fase 5 – Conclusão de resultados

Analisar os resultados obtidos com a realização do controle implementado no sistema.

2.5 Tabulação de dados

Durante o trabalho serão utilizados gráficos e tabelas para fazer comparações do método utilizado na realização do trabalho. Essas comparações de natureza quantitativa serão expostas e comparadas quando obtivermos os resultados do controle em questão.

---------------------------------------------------------------

3 REVISÃO TEORICA

Nesta seção serão apresentados conceitos sobre redes neurais artificiais e sobre controle preditivo neural para protótipo de helicóptero com dois graus de liberdade.

3.1 Redes Neurais Artificias

As redes neurais artificias são técnicas computacionais que tem como inspiração os sistemas nervosos biológicos que possuem uma grande quantidade de elementos interconectados, conhecidos como neurônios (FINOCCHIO, 2014, p.4). Os neurônios artificiais tem a habilidade de adquirir informação e de produzir saídas de acordo com os valores de referência do sistema mesmo quando estão em ambiente não estacionário (ASSIS, 2007, p.19).

“As Redes Neurais Artificiais (RNA’s) são sistemas computacionais com processamento altamente paralelo e distribuído, que apresenta a capacidade de aprender e armazenar conhecimento experimental” (POPOFF, 2009, p.21). Os sistemas possuem interconexões dos neurônios artificias que são nomeados sinapses, essas são caracterizadas por pesos sinápticos, que são valores inicialmente aleatórios e que por sua vez são alterados no processo de treinamento para obter um resultado melhor do sistema (HAYKIN, 2001, p. 36).

É notável a grande eficiência que possuem as redes neurais, em grande parte por sua generalização, que é a capacidade de produzir saídas adequadas para entradas que não estavam presentes no treinamento (HAYKIN, 2001, p. 28).

3.1.1 Processo de treinamento

Segundo Popoff (2009), na fase de treinamento a rede neural armazena conhecimento e extrai informações significativas de padrões de dados fornecidos.

No processo de treinamento faz-se necessário um grande poder computacional, pois são realizados inúmeros cálculos paralelos e gerações de valores atualizados de pesos sinápticos, diferente do controle após o treinamento onde o poder de processamento é reduzido (BARRETO, 2002, p.22).

As RNAs tem a capacidade de receber várias entradas simultaneamente e armazena-las para depois distribuí-las de maneira organizada por todas as unidades de processamento (FINOCCHIO, 2014, p.4).

O processamento de informação permite que a rede neural atualize seus pesos sinápticos. Para modificação dos pesos é preciso utilizar um algoritmo de treinamento que também pode ser chamado de algoritmo de aprendizagem. Com isso, a rede é capaz de se adaptar mesmo estando em ambientes desconhecidos (PAGANOTO, 2008, p.10).

O conhecimento adquirido pela rede neural dá-se pela atualização de valores internos sem a interferência externa, enquanto seus valores tendem a um menor erro de acordo com cálculos matemáticos pré-definidos em seu processo de treinamento.

A rede neural artificiais pode adquirir habilidades de adquirir informações com ou sem professor (HAYKIN, 2001, p.6). Os métodos de treinamento mais conhecidos são o aprendizado supervisionado (com professor) e o aprendizado não supervisionado (sem professor).

Aprendizado Supervisionado: neste método é utilizado um agente externo que indica de dados constituídos de um padrão de entrada para uma obter uma resposta desejada na saída (TAFNER, et al., 1996, p.77-78).

Figura 1 – Aprendizado supervisionado

[pic 1]

Fonte: (POPOFF, 2009, p.29)

Em um aprendizado supervisionado estrutura da rede neural artificial permite que ela realize um mapeamento de entrada-saída de um sistema dinâmico complexo e não linear. De tal forma que a rede ajustará os valores dos pesos sinápticos para que a saída do sistema seja adequada para a entrada, visando obter o menor erro possível durante o processo de treinamento (HAYKIN, 2001, p.29).

Aprendizado não supervisionado: o método em questão classifica padrões da entrada sem a utilização de um agente externo para definir os valores desejados na saída (TAFNER, et al., 1996, p.78).

Figura 2 – Diagrama de aprendizado não supervisionado

[pic 2]

Fonte: (POPOFF, 2009, p.29)

3.1.2 Modelo de um Neurônio

“Um neurônio é uma unidade de processamento de