Aplicação de redes neurais artificiais na identificação de sistemas não-lineares: estudo de caso em motor de indução

• Autor(a) principal: Frizzo, Leonardo Armando
• Data de Publicação: 2019
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNIJUI
• Texto Completo: http://bibliodigital.unijui.edu.br:8080/xmlui/handle/123456789/6561
• topic: Engenharia.; Engenharia elétrica.; Inteligência Artificial.; Sistemas Não-lineares.; Redes Neurais Artificiais.

Devido ao constante processo de evolução das máquinas, o homem sempre almejou desenvolver uma máquina que possibilitasse realizar tarefas sem a necessidade de intervenção do controle humano, que a mesma tivesse a habilidade de aprender e interagir com ambientes que por ela fossem desconhecidos, autodenominando-se de inteligente. As Redes Neurais Artificiais (RNA) são caracterizadas como modelos computacionais baseados em processamento paralelamente distribuídos, com propriedades características como a capacidade de aprender, generalizar, classificar e organizar dados. A pesquisa a respeito de RNA vem sendo amplamente analisada na bibliografia ao longo dos anos, com obras que destacam inúmeras aplicações em distintas áreas do conhecimento com casos diversificados. Dentre estas áreas pode-se citar o campo da Engenharia Elétrica. O presente trabalho trata da aplicação de Redes Neurais Artificiais na identificação de sistemas não-lineares, realizando análise de caso do sistema não-linear dinâmico representado pelo Motor de Indução Trifásico (MIT). Quatro RNA denominadas respectivamente de ANN 1, ANN 2, ANN 3 e ANN 4 foram projetadas e implementadas no ambiente MATLAB®, mais especificamente na caixa de ferramentas inclusa no mesmo, denominada de Neural Network ToolboxTM, por intermédio de linhas de comando. O treinamento das Redes Neurais Artificiais deu-se por meio do algoritmo de retropropagação (Backpropagation) e para que estas atingissem uma melhor convergência neste processo, utilizou-se o algoritmo de Levenberg-Marquardt no sentido de otimizar a razão de aprendizagem durante o treinamento. Os resultados obtidos demonstraram que o treinamento realizado por meio das quatro RNA projetadas, com o propósito de identificar a dinâmica de funcionamento do Motor de Indução Trifásico, atingiram os objetivos pré-determinados alcançando o critério de parada (erro mínimo tolerado) pré-estabelecido de 1x10-10.