Sistema de produção Neuro-Fuzzy em tempo real para a ITAIPU Binacional

• Autor(a) principal: Arnauts, Teresinha
• Data de Publicação: 2001
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-24012018-110431/
• topic: Não disponível; Not available

Nos últimos anos, tem-se dado grande enfoque à resolução de problemas utilizando-se redes neurais artificiais, principalmente devido às suas características de aprendizado e adaptação, generalização, processamento paralelo e distribuído, etc... Pesquisadores também têm proposto o desenvolvimento de sistemas híbridos, que consiste na união de mais de um paradigma, por exemplo, redes neurais, sistemas especialistas e sistemas fuzzy, num mesmo sistema, provendo uma solução melhor para um determinado problema. Neste trabalho, uma técnica para a modelagem de sistemas de produção através dos paradigmas conexionista e fuzzj está sendo proposta. Um sistema de produção neuro. fuzzy, que utiliza esta técnica para a detecção e previsão de falhas na Hidrelétrica de Itaipu, foi desenvolvido. Este sistema, chamado de Sistema de Produção NEUFI (NETJro Fuzzy para a Itaipu), permite a rápida tomada de decisões em emergências e melhor monitoração do sistema Itaipu em situações normais. Para este propósito, uma base de conhecimento baseada em regras, já em uso na operação da Usina pelo sistema R-TESE (Real Time Expert System Environment), foi utilizada como referência inicial. Além disso um simulador, denominado Simulador Neuro-Fuzzj, foi também desenvolvido para facilitar a modelagem das regras. A abordagem proposta, quando comparada com o sistema R-TESE, tem as seguintes vantagens. Primeiro, a incorporação de técnicas de redes neurais dá ao sistema NEUFI maior flexibilidade e fácil manutenção. Segundo, possibilidade de visualizar às regras através de estruturas neurais. Outra vantagem é a redução do número de regras devido a similaridade de algumas delas, que têm seu conhecimento implicitamente representado durante o treinamento da rede.