[pt] Os benefícios trazidos pela aplicação de Sistemas Multi-Agentes (SMA) são diversos. Através da computação paralela, agentes podem trabalhar em conjunto para explorar melhor a estrutura descentralizada de uma determinada tarefa e acelerar sua conclusão. Além disso, agentes também podem trocar experiências se comunicando, fornecer alto grau de escalabilidade, através da inclusão de novos agentes quando necessário, e ainda fazer com que agentes assumam as atividades de outros agentes em casos de falha. Vários modelos de agentes desenvolvidos até o momento usam o aprendizado por reforço como algoritmo base no processo de aprendizado. Quando o agente está inserido em ambientes pequenos ou discretos, os resultados obtidos com o uso de métodos como Q-learning são satisfatórios. No entanto, quando o ambiente é grande ou contínuo, o uso de métodos de aprendizado por reforço torna-se inviável, devido à grande dimensão do espaço de estados. Nos SMA, este problema é consideravelmente maior, já que a memória necessária passa a crescer exponencialmente com a quantidade de agentes envolvidos na aplicação. Esta tese teve como finalidade o desenvolvimento de um novo modelo de aprendizado autônomo para Sistemas Multi-Agentes (SMA) visando superar estas limitações. O trabalho foi realizado em três etapas principais: levantamento bibliográfico, seleção e implementação do modelo proposto, e desenvolvimento de estudo de casos. O levantamento bibliográfico contemplou o estudo de agentes inteligentes e Sistemas Multi-Agentes, buscando identificar as propriedades e limitações dos algoritmos já desenvolvidos, as aplicações existentes, e as características desejadas em um SMA. A seleção e utilização de um modelo neuro-fuzzy hierárquico da família RL-NFH foi motivada especialmente pela importância de se estender a autonomia e aprendizado de agentes através do quesito inteligência, e pela sua capacidade de superar limitações presentes em algoritmos de aprendizado por reforço tradicionais. Inicialmente, ao modelo anterior foram adicionados os conceitos de satisfatoriedade e não-dominação, com a finalidade de acelerar o processo de aprendizado do algoritmo. Em seguida, o novo modelo multi-agente foi criado, viabilizando o desenvolvimento de aplicações de natureza tanto cooperativa como competitiva, com múltiplos agentes. Os estudos de caso contemplaram situações distintas de cooperação e competição entre agentes autônomos. Foram implementadas três aplicações distintas: uma aplicação benckmark do jogo da presa-predador (Pursuit-Game); um leilão energia elétrica, em que os fornecedores de energia fazem ofertas para atender à previsão de demanda em um período de tempo determinado; e uma aplicação na área de gerenciamento de projetos, onde agentes inteligentes são criados com o objetivo de fornecer estimativas de duração de atividades e automatizar alguns processos realizados pelo Gerente de Projetos. Em todos os Estudos de Caso, os resultados foram comparados com técnicas convencionais e/ou com o desempenho de outros Sistemas Multi-Agente. Os resultados alcançados pelo novo modelo se mostraram promissores. Os testes evidenciaram que o modelo teve a capacidade de coordenar as ações entre agentes totalmente autônomos em diferentes situações e ambientes. Além disso, o novo modelo mostrou-se genérico e flexível, podendo ser usado no futuro em outras aplicações envolvendo múltiplos agentes. / [en] There are several benefits provided by Multi-Agent Systems (MAS). Through parallel computing, agents can work together to better explore the decentralized structure of a given task and speed up its completion. In addition, agents can also exchange knowledge through communication, provide scalability by adding new agents when appropriate, and replace troubled agents in cases of failures. A great number of existing agent models is based on reinforcement learning algorithms for learning. When the agent works in small or discrete environments, the results obtained with methods such as Qlearning are satisfactory. However, when the environment is large or continuous reinforcement learning methods become unfeasible due to the large state space. In MAS, this problem is considerably greater, since the required memory begins to grow exponentially with the number of agents involved in the application. The main objective of this thesis is to develop a new model of autonomous learning for multi-agents in order to overcome these limitations. The study consisted of three main stages: literature review, new model development and implementation, and case studies. Literature review included the study of intelligent agents and Multi-Agent Systems, seeking to identify the properties and limitations of the algorithms already developed, existing applications, and desired features in the new MAS. The choice of a neuro-fuzzy hierarchical model of the family RL-NFH as a basis was especially motivated by the importance of extending the autonomy and learning of the agents through intelligence. And also, because of its capacity to overcome some of the limitations present in traditional reinforcement learning algorithms. Initially, the concepts of satisficing and non-domination were incorporated into the previous model to accelerate the learning algorithm. Then, the new multi-agent model was elaborated and implemented, enabling the development of cooperative and competitive applications, with multiple agents. Case studies have covered different situations of cooperation and competition between autonomous agents. Three applications were considered: the Pursuit-Game benckmark game, an electricity auction, where energy suppliers make offers to meet forecast demand in a given period of time, and an application in project management area, where intelligent agents are created to provide activity duration estimates and to automate some processes done usually by the Project Manager. In all case studies, results were compared with conventional techniques and/or the performance of other MAS. The results achieved by the new model are encouraging. The tests showed that the new system has the capacity to coordinate actions between fully autonomous agents in different situations and environments. Moreover, the new model is strongly generic and flexible. Due to these properties, it can be used in future in several other applications involving multiple agents.

Este projeto consiste em um sistema de navegação autônomo baseado em redes neurais nebulosas modulares capacitando o robô a alcançar alvos, ou pontos metas, em ambientes desconhecidos. Inicialmente, o sistema não tem habilidade para a navegação, após uma fase de experimentos com algumas colisões, o mecanismo de navegação aprimora-se guiando o robô ao alvo de forma eficiente. Uma arquitetura híbrida inteligente é apresentada para este sistema de navegação, baseada em redes neurais artificiais e lógica nebulosa. A arquitetura é hierárquica e costitiui-se de dois módulos responsáveis por gerar comportamentos inatos de desvio de obstáculos e de busca ao alvo. Um mecanismo de aprendizagem por reforço, baseada em uma extensão da lei de Hebb, pondera os comportamentos inatos conflitantes ajustando os pesos sinápticos das redes neurais nos instantes de captura do alvo e de colisão contra obstáculos. A abordagem consolidada em simulação é validada em ambientes reais neste trabalho. Para tanto, este sistema foi implementado e testado no simulador Saphira, ambiente de simulação que acompanha o robô Pioneer I e que denota um estágio anterior aos testes em ambientes reais por apresentar comportamentos do robô similares aos comportamentos do robô móvel. Modificações na arquitetura híbrida foram necessárias para adaptar o sistema de navegação simulado ao sistema incorporado no Pioneer I. Experimentos em ambientes reais demonstraram a eficiência e a capacidade de aprendizagem do sistema de navegação, validando a arquitetura híbrida inteligente para aplicação em robôs móveis / This project consists in a autonomous navigation system based on modular neuro-fuzzy networks that is able to guide the robot in unknown environments from a initial point to the goal. Initially, the system is not able to navigate, but after a trial and error period and some collisions, it improves in guiding the robot to the goal efficiently. A intelligent hybrid architecture is presented for this naviga tion system based on artificial neural networks and fuzzy logic. This architecture is hierarquical and consists in two modules that generate innate behaviors, like obstacles avoiding and target reaching. A reinforcement learning mecanism, based on the extended Hebb law, balances this conflicting innate behaviors adjusting the neural network synaptic weights as obstacle and collision avoidance and target reaching takes place. In this project, the approach is consolidated in simulation and validated in real environments. To this end, this system has been implemented by using Saphira simulator and Pioneer I simulation environment. This simulated evironment is a previous stage of tests performed real time and presents simulated robot behaviors similar to real mobile robot behaviors. The hybrid architecture was modified to adapt the simulated navigation system into Pioneer I software. Experiments in a real environments show the efficiency and learning capabilities of the navigation system, validating the intelligent hybrid architecture for mobile robots applications

Sistemas de predição de desempenho de cadeias de suprimento são constituídos por indicadores que visam estimar o desempenho da empresa-foco em decorrência também do desempenho dos indicadores dos fornecedores. Na literatura são encontrados apenas dois modelos quantitativos (GANGA; CARPINETTI, 2011; AGAMI; SALEH; RASMY, 2014) que permitem predizer o desempenho de cadeias de suprimento usando os indicadores do modelo SCOR® (Supply Chain Operations Reference). Uma limitação de ambos modelos é a dificuldade de se ajustar ao ambiente de uso, uma vez que sua implementação e atualização requerem a parametrização manual de muitas regras de decisão. Tanto o uso de redes neurais quanto de sistemas neuro-fuzzy têm o potencial de contornar essa dificuldade por utilizarem um mecanismo de aprendizagem que possibilita a adaptação ao ambiente de uso usando dados numéricos. Todavia, na literatura não são encontradas aplicações dessas técnicas no apoio à predição de desempenho de cadeias de suprimento, tampouco estudos que discutam qual dessas técnicas se mostra mais adequada para lidar com este problema. Diante disso, o objetivo desta pesquisa é construir e a avaliar a adequabilidade de dois sistemas de predição de desempenho, ambos baseados nos indicadores do modelo SCOR®, mas usando alternativamente as técnicas redes neurais e sistemas neuro-fuzzy, para apoiar a gestão de desempenho da empresa-foco e de sua cadeia imediata. A execução desta pesquisa envolveu o uso de simulação computacional e de testes estatísticos. Os resultados mostram que, embora ambas as técnicas apresentem capacidade de predição satisfatória, as redes neurais são mais adequadas em relação à complexidade da definição da configuração topológica, enquanto os sistemas neuro-fuzzy se sobressaíram em relação à capacidade de predição, complexidade do treinamento, quantidade de variáveis de entrada, suporte à tomada de decisão sob incerteza e interpretabilidade dos dados. Outros resultados desta pesquisa estão relacionados à identificação de particularidades do processo de modelagem das técnicas avaliadas, à elaboração de um panorama sobre o uso de técnicas quantitativas na avaliação de desempenho de cadeias de suprimento e à identificação de algumas oportunidades de pesquisa. / Supply chain performance prediction systems are composed by indicators that aim to estimate the performance of a focal company considering also indicators related to their suppliers. There are two quantitative models in the literature (GANGA; CARPINETTI, 2011; AGAMI; SALEH; RASMY, 2014) that enable to predict the supply chain performance using the indicators proposed by the SCOR® model (Supply Chain Operations Reference). Nevertheless, there is a drawback of both models that refers to the difficulty in adapting to the environment of use, since implementation and updating of these models require parameterization of many decision rules that must be done by an expert. The application of artificial neural networks as well as neuro-fuzzy systems can overcome this drawback by using a learning mechanism that enables the adaptation to the environment of use using numerical data on supply chain performance. However, there are neither studies in the literature that propose the use of these techniques in order to support supply chain performance prediction nor studies that discuss which of these techniques seem to be more appropriate to deal with this problem. Thus, the objective of this study is to propose and evaluate the adequability of the two types of performance prediction systems based on the performance indicators of the SCOR® model, and both using alternatively artificial neural networks and neuro-fuzzy systems to support performance management of a focal company and their supply chain. The implementation of this research involved the use of computer simulation and statistical tests. The results show that although both techniques present a satisfactory predictive capacity, neural networks are more appropriate in relation to the complexity of defining the topological configuration, whereas the neuro-fuzzy systems are more adequate regarding the predictive capacity, complexity of the training, amount of input variables, support to decision-making under uncertainty and interpretability of data. Other results of this research refer to the identification of characteristics of the modeling process of the evaluated techniques, as well as to the review on the use of quantitative techniques for supply chain performance evaluation and to the identification of some research opportunities.

[pt] O objetivo do presente trabalho é desenvolver uma técnica para a modelagem de sistemas, capaz de se adaptar a uma larga classe de problemas. Como aspecto inovador esta a forma como é orientada a modelagem do sinal, feita segundo a análise dos espaços dos sinais de entrada e saída, destes analises são feitas partições iterativamente em tais espaços até atingir o erro de modelagem desejado. A técnica proposta aqui foi desenvolvida usando redes neurais RBF e modelos Neuro- fuzzy, ajudando-se mutuamente com o objetivo de gerar uma estimativa mais próxima do ideal, esta ajuda mutua é feita pela combinação lineal dos autovetores e autovalores, de forma tal, a gerar novos autovetores e autovalores mais próximos dos ideais. Um objetivo extra, associado ao processo de identificação de sistemas, é a incorporação de facilidades de identificação nas relações entrada-saída por meio de técnicas de decomposição espectral. Desta forma, por um lado pretende- se reduzir o tempo de treinamento e análise para a identificação, eliminando testes a priori julgados desnecessários. Por outro lado, esta técnica sinalaria caminhos para soluções mais viáveis ao processo. / [en] The objective of the present work is to develop one technique for the modeling of systems, capable of if adapting to a wide classroom of problems. As innovative aspect this the form as the modeling of the signal, made is guided according to analysis of the spaces of the entrance signals and exit, of these you analyze are made partitions iteratively in such spaces until reaching the desired error of modeling. The technique proposal was developed here using neural nets RBF and Neuro-fuzzy models, helping itself with the objective to generate a estimate next to the ideal, this aid lends is made by the lineal combination of the autovetores and autovalores, form such, to generate new autovetores and autovalores next to the ideals. An extra objective, associated to the process of identification of systems, is the incorporation of easinesses of identification in the relations enter-exit by means of techniques of spectral decomposition. Of this form, on the other hand it is intended to reduce the time of training and analysis for the identification, being eliminated tests a priori unnecessary judgeships. On the other hand, this technique would sinalaria ways for more viable solutions to the process.

Sistemas de predição de desempenho de cadeias de suprimento são constituídos por indicadores que visam estimar o desempenho da empresa-foco em decorrência também do desempenho dos indicadores dos fornecedores. Na literatura são encontrados apenas dois modelos quantitativos (GANGA; CARPINETTI, 2011; AGAMI; SALEH; RASMY, 2014) que permitem predizer o desempenho de cadeias de suprimento usando os indicadores do modelo SCOR® (Supply Chain Operations Reference). Uma limitação de ambos modelos é a dificuldade de se ajustar ao ambiente de uso, uma vez que sua implementação e atualização requerem a parametrização manual de muitas regras de decisão. Tanto o uso de redes neurais quanto de sistemas neuro-fuzzy têm o potencial de contornar essa dificuldade por utilizarem um mecanismo de aprendizagem que possibilita a adaptação ao ambiente de uso usando dados numéricos. Todavia, na literatura não são encontradas aplicações dessas técnicas no apoio à predição de desempenho de cadeias de suprimento, tampouco estudos que discutam qual dessas técnicas se mostra mais adequada para lidar com este problema. Diante disso, o objetivo desta pesquisa é construir e a avaliar a adequabilidade de dois sistemas de predição de desempenho, ambos baseados nos indicadores do modelo SCOR®, mas usando alternativamente as técnicas redes neurais e sistemas neuro-fuzzy, para apoiar a gestão de desempenho da empresa-foco e de sua cadeia imediata. A execução desta pesquisa envolveu o uso de simulação computacional e de testes estatísticos. Os resultados mostram que, embora ambas as técnicas apresentem capacidade de predição satisfatória, as redes neurais são mais adequadas em relação à complexidade da definição da configuração topológica, enquanto os sistemas neuro-fuzzy se sobressaíram em relação à capacidade de predição, complexidade do treinamento, quantidade de variáveis de entrada, suporte à tomada de decisão sob incerteza e interpretabilidade dos dados. Outros resultados desta pesquisa estão relacionados à identificação de particularidades do processo de modelagem das técnicas avaliadas, à elaboração de um panorama sobre o uso de técnicas quantitativas na avaliação de desempenho de cadeias de suprimento e à identificação de algumas oportunidades de pesquisa. / Supply chain performance prediction systems are composed by indicators that aim to estimate the performance of a focal company considering also indicators related to their suppliers. There are two quantitative models in the literature (GANGA; CARPINETTI, 2011; AGAMI; SALEH; RASMY, 2014) that enable to predict the supply chain performance using the indicators proposed by the SCOR® model (Supply Chain Operations Reference). Nevertheless, there is a drawback of both models that refers to the difficulty in adapting to the environment of use, since implementation and updating of these models require parameterization of many decision rules that must be done by an expert. The application of artificial neural networks as well as neuro-fuzzy systems can overcome this drawback by using a learning mechanism that enables the adaptation to the environment of use using numerical data on supply chain performance. However, there are neither studies in the literature that propose the use of these techniques in order to support supply chain performance prediction nor studies that discuss which of these techniques seem to be more appropriate to deal with this problem. Thus, the objective of this study is to propose and evaluate the adequability of the two types of performance prediction systems based on the performance indicators of the SCOR® model, and both using alternatively artificial neural networks and neuro-fuzzy systems to support performance management of a focal company and their supply chain. The implementation of this research involved the use of computer simulation and statistical tests. The results show that although both techniques present a satisfactory predictive capacity, neural networks are more appropriate in relation to the complexity of defining the topological configuration, whereas the neuro-fuzzy systems are more adequate regarding the predictive capacity, complexity of the training, amount of input variables, support to decision-making under uncertainty and interpretability of data. Other results of this research refer to the identification of characteristics of the modeling process of the evaluated techniques, as well as to the review on the use of quantitative techniques for supply chain performance evaluation and to the identification of some research opportunities.

Orientador: Suely Cunha Amaro Mantovani / Resumo: No estudo dos manipuladores são utilizados os conceitos da cinemática direta e a inversa. No cálculo da cinemática direta tem-se a facilidade da notação de Denavit-Hartenberg, mas o desafio maior é a resolução da cinemática inversa, que se torna mais complexa conforme aumentam os graus de liberdade do manipulador, além de apresentar múltiplas soluções. As variáveis angulares obtidas pelas equações da cinemática inversa são utilizadas pelo controlador, para posicionar o órgão terminal do manipulador em um ponto específico de seu volume de trabalho. Na busca de alternativas para contornar estes problemas, neste trabalho utilizam-se os Modelos Adaptativos de Inferência Neuro-Fuzzy - ANFIS para a resolução da cinemática inversa, por meio de simulações, para obter o posicionamento de um manipulador robótico de 5 graus de liberdade, composto por sete servomotores controlados pela plataforma de desenvolvimento Intel® Galileo Gen 2, usado como caso de estudo. Nas simulações usamse ANFIS com uma arquitetura com três e quatro funções de pertinência de entrada, do tipo gaussiana. O desempenho da arquitetura da ANFIS implementada foi comparado com uma Rede Perceptron Multicamadas, demonstrando com os resultados favoráveis a ANFIS, a sua capacidade de aprender e resolver com baixo erro quadrático médio e com precisão, a cinemática inversa para o manipulador em estudo. Verifica-se também, que a performance das ANFIS melhora, quanto à precisão dos resultados, demonstrado pelo desvio médio d... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: In the study of manipulator’s, the concepts of direct and inverse kinematics are used. In the computation of forward kinematics, it has of the ease of Denavit-Hartenberg notation, but the biggest challenge is the resolution of the inverse kinematics, which becomes more complex as the manipulator's degrees of freedom increase, besides presenting multiple solutions. The angular variables obtained by the inverse kinematics equations are used by the controller to position the terminal organ of the manipulator at a specific point in its work volume. In the search for alternatives to overcome these problems, in this work, the Adaptive Neuro-Fuzzy Inference Models (ANFIS) are used to solve the inverse kinematics, by means of simulations, to obtain the positioning of a robot manipulator of 5 degrees of freedom, consisting of seven servomotors controlled by the Intel® Galileo Gen 2 development platform, used as a case's study . In the simulations ANFIS's architecture are used three and four Gaussian membership functions of input. The performance of the implemented ANFIS architecture was compared to a Multi-layered Perceptron Network, demonstrating with the favorable results the ANFIS, its ability to learn and solve with low mean square error and with precision, the inverse kinematics for the manipulator under study. It is also verified that the performance of the ANFIS improves, as regards the accuracy of the results in the training process, , demonstrated by the mean deviation of the... (Complete abstract click electronic access below) / Mestre

[pt] Neste trabalho foram desenvolvidos e avaliados métodos com o objetivo de melhorar e acelerar o processo de aprendizado do modelo de Reinforcement Learning Neuro-Fuzzy Hierárquico Politree (RL-NFHP). Este modelo pode ser utilizado para dotar um agente de inteligência através de processo de Aprendizado por Reforço (Reinforcement Learning). O modelo RL-NFHP apresenta as seguintes características: aprendizado automático da estrutura do modelo; auto-ajuste dos parâmetros associados à estrutura; capacidade de aprendizado da ação a ser adotada quando o agente está em um determinado estado do ambiente; possibilidade de lidar com um número maior de entradas do que os sistemas neuro-fuzzy tradicionais; e geração de regras linguísticas com hierarquia. Com intenção de melhorar e acelerar o processo de aprendizado do modelo foram implementadas seis políticas de seleção, sendo uma delas uma inovação deste trabalho (Q-DC-roulette); implementado o método early stopping para determinação automática do fim do treinamento; desenvolvido o eligibility trace cumulativo; criado um método de poda da estrutura, para eliminação de células desnecessárias; além da reescrita do código computacional original. O modelo RL-NFHP modificado foi avaliado em três aplicações: o benchmark Carro na Montanha simulado, conhecido na área de agentes autônomos; uma simulação robótica baseada no robô Khepera; e uma num robô real NXT. Os testes efetuados demonstram que este modelo modificado se ajustou bem a problemas de sistemas de controle e robótica, apresentando boa generalização. Comparado o modelo RL-NFHP modificado com o original, houve aceleração do aprendizado e obtenção de menores modelos treinados. / [en] In this work, methods were developed and evaluated in order to improve and accelerate the learning process of Reinforcement Learning Neuro-Fuzzy Hierarchical Politree Model (RL-NFHP). This model is employed to provide an agent with intelligence, making it autonomous, due to the capacity of ratiocinate (infer actions) and learning, acquired knowledge through interaction with the environment by Reinforcement Learning process. The RL-NFHP model has the following features: automatic learning of structure of the model; self-adjustment of parameters associated with its structure, ability to learn the action to be taken when the agent is in a particular state of the environment; ability to handle a larger number of inputs than the traditional neuro-fuzzy systems; and generation of rules with linguistic interpretable hierarchy. With the aim to improve and accelerate the learning process of the model, six selection action policies were developed, one of them an innovation of this work (Q-DC-roulette); implemented the early stopping method for automatically determining the end of the training; developed a cumulative eligibility trace; created a method of pruning the structure, for removing unnecessary cells; in addition to rewriting the original computer code. The modified RL-NFHP model was evaluated in three applications: the simulated benchmark Car-Mountain problem, well known in the area of autonomous agents; a simulated application in robotics based on the Khepera robot; and an application in a real robot. The experiments show that this modified model fits well the problems of control systems and robotics, with a good generalization. Compared the modified RL-NFHP model with the original one, there was acceleration of learning process and smaller structures of the model trained.

This work describes a procedure for a soft sensor design to predict the top composition of a methanol-water distillation column. Soft sensor is a mathematical model that is used to estimate variables of interest from secondary variables easy to measure. This technique comes from an operational difficulty or high cost obtaining the desired variable. The approach to build a soft sensor was an artificial intelligence modeling, a black-box type, using a hybrid neuro-fuzzy technique. The data acquisition to train and validate the soft sensor comes from a mathematical model validated from pilot plat data. One of the limitations of neuro-fuzzy system is that it works with a limited number of inputs, depending on the combinatorial explosion of fuzzy rules. To minimize these effects and to reduce the number of rules in the training data sets of virtual analyzer, a data clustering technique called substractive clustering was used. To obtain a better performance of soft sensor for the dynamic process, distillation column, a regression of lone sampling time in selected variables was used, changing the number of entries from 9 to 18 variables, nine variables at actual sampling time and nine variables at previous sampling time. The distillation column is a good process for the present study because composition measurements are the main objective of this process and are difficult to obtain. The computational strategy for a soft sensor design produced good results in estimating the top composition of the methanol-water distillation column. / Este trabalho descreve um procedimento para o desenvolvimento de um analisador virtual, para predição da composição de topo de uma coluna destilação metanol-água em uma planta piloto. Analisador virtual é um modelo matemático que é usado para estimar variáveis de interesse a partir de variáveis secundárias de fácil medição. Esta tecnologia surge de uma real dificuldade operacional ou do alto custo de obtenção da variável desejada. O modelo utilizado nesta abordagem de construção do analisador virtual utiliza técnicas de sistemas inteligentes, tipo caixa preta, através da técnica híbrida neuro-fuzzy. A aquisição dos dados para treinar e validar o analisador virtual foi feita através de um modelo matemático validado a partir de dados experimentais da planta piloto. Uma das limitações do sistema neuro-fuzzy é que ele trabalha com um número limitado de entradas, dependendo da explosão combinatória das regras fuzzy. Para minimizar estes efeitos e conseguir reduzir o número de regras nos conjuntos de treinamento da rede neuro-fuzzy, foi utilizada a técnica de agrupamento de dados, denominada agrupamento substrativo. Com a intenção de se obter um melhor desempenho do analisador virtual no processo dinâmico, que é a coluna de destilação, foi empregada uma regressão de um tempo de amostragem nas variáveis de entrada selecionadas, alterando o número de entradas de 9 para 18, sendo 9 variáveis no tempo de amostragem atual e 9 variáveis em um tempo de amostragem anterior. O processo de destilação mostrou-se adequado para o presente estudo, pois as medições de composições são de difíceis obtenções. A estratégia computacional para um projeto de analisador virtual produziu bons resultados, de forma a estimar a composição do topo da coluna de destilação binária metanol-água.

[pt] Este trabalho apresenta procedimentos de modelagem e controle neuro-fuzzy de sistemas dinâmicos. Neste contexto, é proposta e avaliada a utilização simultânea da abordagem neuro-fuzzy em todo o sistema de malha fechada controlador-planta.Na modelagem da planta, o espaço de entrada do sistema dinâmico é inicialmente dividido em um número de regiões de operação fuzzy onde modelos de ordem reduzida (ARMAX) representam o comportamento do sistema dinâmico. A saída completa do sistema - modelo global - é obtida através da conjunção das saídas dos modelos locais usando uma rede neuro-fuzzy.No controle da planta, é proposto um novo controlador neuro-fuzzy chamado Controlador Neuro-fuzzy de Coeficientes Variáveis (CNFCV), que tem como objetivos melhorar a robustez do sistema de controle a perturbações e a geração automática da variável manipulada, que é uma dificuldade normalmente encontrada em controladores neurais ou neuro-fuzzy. Esse controlador é originado dos modelos de redes neurais de Mellem (1997) e Velloso (1999), e utiliza redes neuro-fuzzy para a geração dos coeficientes variáveis de um modelo ARMA da variável manipulada. Apesar de juntar modelos de séries temporais com a abordagem neuro-fuzzy, o CNFCV tem como função não a previsão, mas sim o controle de uma planta ou processo.Para avaliar o desempenho do CNFCV são utilizados, como meios de comparação,controladores neuro- fuzzy conhecidos - FALCON-H Fuzzy Adaptive Learning Control Network with Hybrid Learning e NEFCON Neuro-Fuzzy Controller - e o tradicional controlador PID Proporcional- Integral-Derivativo.As plantas utilizadas são uma planta linear Bobinador, uma planta linearizada Pêndulo Invertido e uma planta não linear %CO2. A escolha de tais plantas deve-se ao fato de serem utilizadas e modeladas em aplicações práticas e em trabalhos acadêmicos. Os resultados obtidos com o CNFCV são analisados e comparados aos proporcionados pelas outras estruturas.Ao final são apresentadas conclusões e sugestões para trabalhos futuros. / [en] In this work procedures for neuro-fuzzy modelling and control of dynamic systems are reviewed and a new structure is proposed. In this, modelling and closed-loop control are performed simultaneously by using a neuro-fuzzy approach. In the modelling stage the input space of a dynamic system (plant) is initially divided into a number of fuzzy operating regions within which reduced order models are able to represent the system. The complete system model output - the global model - is obtained through the conjunction of the outputs of the local models. A new structure, called Neuro-Fuzzy Controller with Variable Coefficients (NFCVC) is proposed and evaluated. Its main objectives are to improve the system s robustness and to provide automatic generation of the manipulated variable in order to overcome a difficulty of neural and neuro-fuzzy controllers in general. The NFCVC is originated from models proposed by Mellem (1997) and Velloso (1999) and makes use of neuro-fuzzy networks to generate variable coefficients of an ARMA model. Despite combining times series models with a neuro-fuzzy approach, the main function of NFCVC is to perform the control of the plant.In order to evaluate the performance of NFCVC two well-known neuro-fuzzy controllers - FALCON-H (Fuzzy Adaptive Learning Control Network with Hybrid Learning) and the NEFCON (Neuro-Fuzzy Controller) - as well as the traditional PID controller are used as means of comparison.A linear plant (Rotor Winder), a linearized plant (Inverted Pendulum) and a nonlinear plant (%CO2) are used in the experiments. These plants are well-known and generally used in practical applications and/or academic works. The results for the NFCVC are analyzed and compared to those obtained with the others structures. Finally, conclusions and suggestions for future work are presented.

Este projeto consiste em um sistema de navegação autônomo baseado em redes neurais nebulosas modulares capacitando o robô a alcançar alvos, ou pontos metas, em ambientes desconhecidos. Inicialmente, o sistema não tem habilidade para a navegação, após uma fase de experimentos com algumas colisões, o mecanismo de navegação aprimora-se guiando o robô ao alvo de forma eficiente. Uma arquitetura híbrida inteligente é apresentada para este sistema de navegação, baseada em redes neurais artificiais e lógica nebulosa. A arquitetura é hierárquica e costitiui-se de dois módulos responsáveis por gerar comportamentos inatos de desvio de obstáculos e de busca ao alvo. Um mecanismo de aprendizagem por reforço, baseada em uma extensão da lei de Hebb, pondera os comportamentos inatos conflitantes ajustando os pesos sinápticos das redes neurais nos instantes de captura do alvo e de colisão contra obstáculos. A abordagem consolidada em simulação é validada em ambientes reais neste trabalho. Para tanto, este sistema foi implementado e testado no simulador Saphira, ambiente de simulação que acompanha o robô Pioneer I e que denota um estágio anterior aos testes em ambientes reais por apresentar comportamentos do robô similares aos comportamentos do robô móvel. Modificações na arquitetura híbrida foram necessárias para adaptar o sistema de navegação simulado ao sistema incorporado no Pioneer I. Experimentos em ambientes reais demonstraram a eficiência e a capacidade de aprendizagem do sistema de navegação, validando a arquitetura híbrida inteligente para aplicação em robôs móveis / This project consists in a autonomous navigation system based on modular neuro-fuzzy networks that is able to guide the robot in unknown environments from a initial point to the goal. Initially, the system is not able to navigate, but after a trial and error period and some collisions, it improves in guiding the robot to the goal efficiently. A intelligent hybrid architecture is presented for this naviga tion system based on artificial neural networks and fuzzy logic. This architecture is hierarquical and consists in two modules that generate innate behaviors, like obstacles avoiding and target reaching. A reinforcement learning mecanism, based on the extended Hebb law, balances this conflicting innate behaviors adjusting the neural network synaptic weights as obstacle and collision avoidance and target reaching takes place. In this project, the approach is consolidated in simulation and validated in real environments. To this end, this system has been implemented by using Saphira simulator and Pioneer I simulation environment. This simulated evironment is a previous stage of tests performed real time and presents simulated robot behaviors similar to real mobile robot behaviors. The hybrid architecture was modified to adapt the simulated navigation system into Pioneer I software. Experiments in a real environments show the efficiency and learning capabilities of the navigation system, validating the intelligent hybrid architecture for mobile robots applications