nÃo hà / PropÃe-se nesta tese um mÃtodo de poda de pesos para redes Perceptron Multicamadas (MLP). TÃcnicas clÃssicas de poda convencionais, tais como Optimal Brain Surgeon(OBS) e Optimal Brain Damage(OBD), baseiam-se na anÃlise de sensibilidade de cada peso da rede, o que requer a determinaÃÃo da inversa da matriz Hessiana da funÃÃo-custo. A inversÃo da matriz Hessiana, alÃm de possuir um alto custo computacional, à bastante susceptÃvel a problemas numÃricos decorrentes do mal-condicionamento da mesma. MÃtodos de poda baseados na regularizaÃÃo da funÃÃo-custo, por outro lado, exigem a determinaÃÃo por tentativa-e-erro de um parÃmetro de regularizaÃÃo. Tendo em mente as limitaÃÃes dos mÃtodos de poda supracitados, o mÃtodo proposto baseia-se no "PrincÃpio da MÃxima CorrelaÃÃo dos Erros" (MAXCORE). A idÃia consiste em analisar a importÃncia de cada conexÃo da rede a partir da correlaÃÃo cruzada entre os erros em uma camada e os erros retropropagados para a camada anterior, partindo da camada de saÃda em direÃÃo à camada de entrada. As conexÃes que produzem as maiores correlaÃÃes tendem a se manter na rede podada. Uma vantagem imediata deste procedimento està em nÃo requerer a inversÃo de matrizes, nem um parÃmetro de regularizaÃÃo. O desempenho do mÃtodo proposto à avaliado em problemas de classificaÃÃo de padrÃes e os resultados sÃo comparados aos obtidos pelos mÃtodos OBS/OBD e por um mÃtodo de poda baseado em regularizaÃÃo. Para este fim, sÃo usados, alÃm de dados articialmente criados para salientar caracterÃsticas importantes do mÃtodo, os conjuntos de dados bem conhecidos da comunidade de aprendizado de mÃquinas: Iris, Wine e Dermatology. Utilizou-se tambÃm um conjunto de dados reais referentes ao diagnÃstico de patologias da coluna vertebral. Os resultados obtidos mostram que o mÃtodo proposto apresenta desempenho equivalente ou superior aos mÃtodos de poda convencionais, com as vantagens adicionais do baixo custo computacional e simplicidade. O mÃtodo proposto tambÃm mostrou-se bastante agressivo na poda de unidades de entrada (atributos), o que sugere a sua aplicaÃÃo em seleÃÃo de caracterÃsticas. / This thesis proposes a new pruning method which eliminates redundant weights in a multilayer perceptron (MLP). Conventional pruning techniques, like Optimal Brain Surgeon (OBS) and Optimal Brain Damage (OBD), are based on weight sensitivity analysis, which requires the inversion of the error Hessian matrix of the loss function (i.e. mean squared error). This inversion is specially susceptible to numerical problems due to poor conditioning of the Hessian matrix and demands great computational efforts. Another kind of pruning method is based on the regularization of the loss function, but it requires the determination of the regularization parameter by trial and error. The proposed method is based on "Maximum Correlation Errors Principle" (MAXCORE). The idea in this principle is to evaluate the importance of each network connection by calculating the cross correlation among errors in a layer and the back-propagated errors in the preceding layer, starting from the output layer and working through the network until the input layer is reached. The connections which have larger correlations remain and the others are pruned from the network. The evident advantage of this procedure is its simplicity, since matrix inversion or parameter adjustment are not necessary. The performance of the proposed method is evaluated in pattern classification tasks and the results are compared to those achieved by the OBS/OBD techniques and also by regularization-based method. For this purpose, artificial data sets are used to highlight some important characteristics of the proposed methodology. Furthermore, well known benchmarking data sets, such as IRIS, WINE and DERMATOLOGY, are also used for the sake of evaluation. A real-world biomedical data set related to pathologies of the vertebral column is also used. The results obtained show that the proposed method achieves equivalent or superior performance compared to conventional pruning methods, with the additional advantages of low computational cost and simplicity. The proposed method also presents eficient behavior in pruning the input units, which suggests its use as a feature selection method.

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.

A busca progressiva no espaço de estados é uma das abordagens mais populares de Planejamento Automatizado. O desempenho dos algoritmos de busca progressiva é influenciado pela heurística independente de domínio utilizada para guiá-lo. Nesse contexto, o foco do presente trabalho consiste em investigar técnicas de aprendizado de máquina supervisionadas que possibilitaram agregar à heurística do plano relaxado, comumente utilizada em abordagens atuais de planejamento, informações sobre o domínio em questão que viessem a ser úteis ao algoritmo de busca. Essas informações foram representadas por meio de um espaço de características do problema de planejamento e uma rede neural MLP foi aplicada para estimar uma nova função heurística para guiar a busca por meio de um processo de regressão não linear. Uma vez que o conjunto de características disponíveis para a construção da nova função heurística é grande, foi necessário a definição de um processo de seleção de características capaz de determinar qual conjunto de características de entrada da rede resultaria em melhor desempenho para o modelo de regressão. Portanto, para a seleção de características, aplicou-se uma abordagem de algoritmos genéticos. Como principal resultado, tem-se uma análise comparativa do desempenho entre a utilização da heurística proposta neste trabalho e a utilização da heurística do plano relaxado para guiar o algoritmo de busca na tarefa de planejamento. Para a análise empírica foram utilizados domínios de diferentes complexidades disponibilizados pela Competições Internacionais de Planejamento. Além dos resultados empíricos e análises comparativas, as contribuições deste trabalho envolvem o desenvolvimento de um novo planejador independente de domínio, denominado LearnInPlanner. Esse planejador utiliza a nova função heurística estimada por meio do processo de aprendizado e o algoritmo de Busca Gulosa para solucionar os problemas de planejamento. / The forward state-space search is one of the most popular Automated Planning approaches. The performance of forward search algorithms is affected by the domain-independent heuristic being used. In this context, the focus of this work consisted on investigating techniques of supervised machine learning that make possible to agregate to the relaxed plan heuristic, commonly used in current planning approaches, information about the domain which could be useful to the search algorithm. This information has been represented through a feature space of planning problem and a MLP neural network has been applied to estimate a new heuristic function for guiding the search through a non-linear regression process. Once the set of features available for the construction of the new heuristic function is large, it was necessary to define a feature selection process capable of determining which set of neural network input features would result in the best performance for the regression model. Therefore, for selecting features, an approach of genetic algorithms has been applied. As the main result, one has obtained a comparative performance analysis between the use of heuristic proposed in this work and the use of the relaxed plan heuristic to guide the search algorithm in the planning task. For the empirical analysis were used domains with different complexities provided by the International Planning Competitions. In addition to the empirical results and comparative analysis, the contributions of this work involves the development of a new domain-independent planner, named LearnInPlanner. This planner uses the new heuristic function estimated by the learning process and the Greedy Best-First search algorithm to solve planning problems.

Este trabalho de pesquisa apresenta o desenvolvimento de uma metodologia de diagnóstico automático de falhas do tipo curto-circuito de baixa impedância em circuitos alimentadores de média tensão de sistemas reticulados de distribuição de energia elétrica tipo spot network. O diagnóstico compreende a identificação do tipo de curto-circuito ocorrido e a sua localização. A metodologia está baseada no treinamento e uso de Redes Neurais Artificiais (RNAs). Os parâmetros para treinamento das RNAs são obtidos a partir de padrões de comportamento elétrico de curtos circuitos monofásicos, bifásicos e trifásicos à terra, obtidos por simulação de um circuito de distribuição real localizado na cidade de Brasília. Para obtenção do comportamento elétrico do circuito de distribuição foi utilizado o aplicativo de simulação ATP (Alternative Transient Program); para estruturação, treinamento e testes das RNAs da metodologia de diagnóstico foi utilizado o software Matlab (aplicativo de RNA). Os principais resultados dos testes das RNAs da metodologia são apresentados. Tais resultados demonstram a viabilidade científica e tecnológica de se aplicar a metodologia desenvolvida como ferramenta de diagnóstico em tempo real de auxílio dos departamentos de engenharia de operação e manutenção de concessionárias elétricas. Este trabalho também apresenta as principais possibilidades de continuidade desta pesquisa científica e tecnológica baseada em redes neurais artificiais na área de diagnóstico automático de sistemas reticulados. / This work presents the development of an automatic failure diagnostic methodology for low impedance short circuit in mid voltage feeders of distribution spot networks systems. The developed methodology has the feature to identify the type of short circuit and its location. An Artificial Neural Network technique was employed. The parameters used to train the Artificial Neural Networks are obtained based upon patterns in simulations of real cases for short circuit behavior in mono-phase, bi-phase and tri-phase to ground configuration. The input data for the simulation was based on a real distribution circuit belonging to the Power Utility CEB located in Brasília-Brazil. The simulation program ATP (Alternative Transient Program) was used to obtain the electric behavior of the circuit in the distribution network. As for the Artificial Neural Network simulation, trainings and tests Matlab was employed. As a main contribution the results of this work shows the technical feasibility to apply such methodology as a important real time diagnostic tool to support the system operation and maintenance departments of power utilities that uses spot network topologies. Furthermore, it is presented the possibilities to continue this research related to automatic diagnostics for network distribution systems based on Artificial Neural Networks technique.

Este trabalho apresenta uma alternativa ao controle vetorial de motores de indução, sem a utilização de sensores para realimentação da velocidade mecânica do motor. Ao longo do tempo, diversas técnicas de controle vetorial têm sido propostas na literatura. Dentre elas está a técnica de controle por orientação de campo (FOC), muito utilizada na indústria e presente também neste trabalho. A principal desvantagem do FOC é a sua grande sensibilidade às variações paramétricas da máquina, as quais podem invalidar o modelo e as ações de controle. Nesse sentido, uma estimativa correta dos parâmetros da máquina, torna-se fundamental para o acionamento. Este trabalho propõe o desenvolvimento e implementação de um estimador baseado em um sistema de inferência neuro-fuzzy adaptativo (ANFIS) para o controle de velocidade do motor de indução trifásico em um acionamento sem sensores. Pelo fato do acionamento em malha fechada admitir diversas velocidades de regime estacionário para o motor, uma nova metodologia de treinamento por partição de frequência é proposta. Ainda, faz-se a validação do sistema utilizando a orientação de campo magnético no referencial de campo de entreferro da máquina. Simulações para avaliação do desempenho do estimador mediante o acionamento vetorial do motor foram realizadas utilizando o programa Matlab/Simulink. Para a validação prática do modelo, uma bancada de testes foi implementada; o acionamento do motor foi realizado por um inversor de frequência do tipo fonte de tensão (VSI) e o controle vetorial, incluindo o estimador neuro-fuzzy, foi realizado pelo pacote de tempo real do programa Matlab/Simulink, juntamente com uma placa de aquisição de dados da National Instruments. / This work presents an alternative sensorless vector control of induction motors. Several techniques for induction motor control have been proposed in the literature. Among these is the field oriented control (FOC), strongly used in industries and also in this work. The main drawback of the FOC technique is its sensibility to deviations of the parameters of the machine, which can deteriorate the control actions. Therefore, an accurate determination of the machines parameters is mandatory to the drive system. This work proposes the development of an adaptive neuro-fuzzy inference system (ANFIS) estimator to control the angular speed of a three-phase induction motor in a sensorless drive. In a closed loop configuration, several speed commands can be imposed to the motor. Thus, a new frequency partition training of ANFIS is proposed. Moreover, the ANFIS speed estimator is validated in a magnetizing flux oriented control scheme. Simulations to evaluate the performance of the estimator considering the vector drive system were done by the Matlab/Simulink. To determine the benefits of the proposed model a practical system was implemented using a voltage source inverter (VSI) and the vector control including the ANFIS estimator, carried out by the Real Time Toolbox from Matlab/Simulink and a data acquisition card from National Instruments.

A presente dissertação aborda a segmentação de imagens coloridas através do processo de classificação de cores, isto é, a segmentação de imagens baseada no atributo cor dos pixels. O problema a ser tratado diz respeito à obtenção de uma classificação de cores tão próxima à humana quanto o possível. Em outros termos, busca-se uma classificação robusta à variação de grandezas como a iluminação ou brilho da cor, além de ser tolerante a erros no processo de amostragem. Tal problemática é encontrada em diversas situações práticas que sofram influência do ambiente, sobretudo no domínio de aplicação: o futebol de robôs. Com relação a tal problema, diversas questões permanecem abertas, tais como a forma de representação de cores e o tipo de classificador capaz de maximizar o desempenho da classificação. As modelagens clássicas, de forma geral, têm se mostrado inadequadas nesse contexto, estimulando-nos a buscar novas soluções. Assim sendo, apresentamos um classificador utilizando uma das técnicas que tem mostrado grande aplicabilidade nesse âmbito: as redes neurais artificiais. A aplicabilidade da técnica esbarra na obtenção de uma generalização adequada por parte da rede para o problema proposto, o que implica na necessidade de uma metodologia para o fornecimento de exemplos na fase de treinamento da rede. Desta forma, além da modelagem e implementação do classificador, buscamos proceder uma investigação a cerca de sua generalização em contextos diversos para situações não presentes no universo de treinamento, visando determinar o conjunto de fatores (sistema de representação de cores, metodologia de fornecimento de exemplos e arquitetura de rede) que maximizem o desempenho do classificador. / The present work approaches the segmentation of colored images through the process of color classification, i.e., the segmentation of images based on the color attribute of pixels. We look for a color classification as close as possible of human classification. In other words, we look for a robust classification with respect to the variation of illumination and color brightness, which tries to be tolerant to errors in the sampling process. We may find such kind of problems is various practical situations, for instance, situations that is influenced from the environment in the application domain: the robotic soccer. With regard to this problem, there are still diverse questions that remain unsolved, such as color representation form and type of classifier which maximizes the classification performance. In fact, classic models have shown to be inadequate in this context, in general, stimulating us to investigate new solutions. In our work, we present a classifier using one technique that has shown great applicability in this scope: the artificial neural networks. In order to obtain a correct generalization in the network, we faced the necessity to build a methodology to supply examples in the training phase of the network. In short, we model and implement a classifier, while searching to asses about its generalization power in different contexts and in the universe of training, so as to determine the set of factors (system of representation of colors, methodology of supply of examples and architecture of network) that maximizes its performance.

A inserção de geradores distribuídos nas redes de distribuição de energia elétrica está aumentando consideravelmente devido à possibilidade de maior proximidade destes geradores com os mercados consumidores, fatores ambientais, aprimoramentos das tecnologias atuais de geração de energia elétrica e desenvolvimentos de outras novas, alterações de legislações e incentivos governamentais. Este novo cenário traz também a necessidade de maior atenção devido à possibilidade de ocorrência de ilhamentos não intencionais. Nestas situações, o gerador distribuído deve ser desconectado imediatamente após a detecção do evento. Métodos tradicionais, como relés de tensão e de frequência, mostram bom desempenho quando há um elevado desbalanço entre as potências geradas e as potências das cargas ilhadas. Nos casos de pequenos desbalanços de potência, o ilhamento pode não ser detectado por esses métodos. Neste contexto, este trabalho visa desenvolver um sistema de detecção de ilhamentos em sistemas de distribuição por meio da utilização de uma rede neural artificial do tipo Perceptron multicamadas. Utilizando-se uma rede neural devidamente treinada para o sistema elétrico estudado, obteve-se um bom desempenho na detecção de ilhamento, obtendo-se elevadas taxas de acerto. Além disso, o método proposto foi capaz de diferenciar corretamente situações normais de operação do sistema, tais como chaveamento de blocos de cargas, das situações de ilhamento. Os mesmos cenários foram testados utilizando as proteções convencionais de tensão, frequência e de taxa de variação de frequência, a fim de obter a comparação com o método proposto. Como resultado, o método baseado na rede neural apresentou desempenho superior aos demais sistemas de proteção, detectando o ilhamento dentro da faixa de 2 segundos em todos os casos simulados neste trabalho. / The penetration of distributed generators into the power distribution systems has been increasing significantly due to the possibility of generating power next to the consumers, environmental issues, improvement and development of the generation technologies, regulatory changes and governmental incentives. This new scenario requires special attention to the possibility of unintentional islanding. In this situation, the distributed generator must be disconnected immediately after an islanding occurrence. Traditional anti-islanding protection schemes, such as voltage and frequency-based relays, are effective to detect islanding if there is a big power imbalance between generation and load inside the island. On the other hand, they may fail if the power imbalance is small. In this context, this work presents a new islanding detection method based on a Perceptron Multi-layer neural network. By using a neural network properly trained for the distribution system under study, the method has presented good performance with high islanding detection successful rates. Moreover, the proposed method was capable of distinguish the islanding occurrence from normal transient operating conditions, such as load switching. The same operating scenarios were used to test voltage, frequency and rate of change of frequency protection in order to perform a comparison with the proposed method. As result, the method presented superior performance detecting the islanding faster than 2 seconds in all the cases simulated in this work.

O problema da tolerância a falhas em robôs manipuladores cooperativos conectados rigidamente a um objeto indeformável é estudado nesta tese. A tolerância a falhas é alcançada através de reconfiguração do sistema de controle. Primeiro, a falha é detectada e isolada. Então, o sistema de controle é reconfigurado de acordo com a falha isolada. As falhas em robôs manipuladores são primeiramente estudadas de acordo com suas consequências no sistema cooperativo. Quatro tipos de falhas são identificados: juntas com balanço livre (sem atuadores ativos), bloqueadas, com informação incorreta de posição e com informação incorreta de velocidade. A detecção e a isolação dos dois primeiros tipos de falhas são alcançadas através de um sistema utilizando redes neurais artificiais. Redes do tipo MLP são empregadas para mapear a dinâmica dos robôs cooperativos sem falhas e uma rede RBF é utilizada para a classificação do vetor de resíduos. As falhas do tipo informação incorreta de posição ou velocidade das juntas são detectadas e isoladas através do uso das restrições impostas pela cadeia cinemática fechada presente no sistema cooperativo. Quando falhas do tipo juntas com balanço livre ou bloqueadas são isoladas, as leis de controle são reconfiguradas. Para estes casos, controladores híbridos de movimento e esmagamento do objeto são deduzidos. Quando falhas do tipo informação incorreta de posição ou velocidade das juntas são isoladas, as medidas afetadas são substituídas por valores estimados. Resultados obtidos em simulações e em robôs cooperativos reais mostram que a metodologia proposta é viável. / The problem of fault tolerance in cooperative manipulators rigidly connected to an undeformable load is addressed in this work. Fault tolerance is reached by reconfiguration of the control system. The faults are firstly detected and isolated. Then, the control system is reconfigured according to the isolated fault. Four faults are considered: free-swinging joint faults, locked joint faults, incorrectly measured joint position faults, and incorrectly measured joint velocity faults. Free-swinging and locked joint faults are detected and isolated by artificial neural networks. MLP’s are utilized to reproduce the dynamics of the fault-free system and an RBF is used to classify the residual vector. Incorrectly measured joint position and velocity faults are detected and isolated based on the kinematic constraints imposed on the cooperative system. When free-swinging and locked joint faults are isolated, the control laws are reconfigured. Control laws for motion and squeeze of the object are developed in these cases. When incorrectly measured joint position faults and incorrectly measured joint velocity faults are isolated, the faulty measurements are replaced by their estimates. Results obtained in simulations and in real cooperative robots indicate that the proposed methodology is viable.

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-07-18T19:13:43Z No. of bitstreams: 1 HiltonSantos.pdf: 3137200 bytes, checksum: a7b77b12eeb29959ab49e7ef675229d9 (MD5) / Made available in DSpace on 2017-07-18T19:13:43Z (GMT). No. of bitstreams: 1 HiltonSantos.pdf: 3137200 bytes, checksum: a7b77b12eeb29959ab49e7ef675229d9 (MD5) Previous issue date: 2017-06-27 / The emergence of new industrial plants with great complexity and the need to improve the operation of existing plants has fostered the development of high performance control systems, these systems must not only meet the design specifications, such as merit figures, but also operate at minimal cost and impacts at environment. Motivated by this demand, it is presented in this dissertation the development of methods for on-line tuning of control system parameters, ie, a methodology is presented for the on-line tuning of adaptive and optimal PID controllers via Artificial Neural Networks(ANNs). The approach developed in this dissertation is based on three PID controllers parameters. [Artificial neural networks with radial base functions and Model Predictive Control (MPC). From the union of these approaches a general formulation of an Adaptive-optimal PID controller via artificial neural networks with on-line tuning was presented. The on-line tuning methodology for the ANN parameters is presented in the context of MPC, predicting plant output. For the PID controller, we proposed a modification of the standard structure in order to adapt the error function. The adjustment of the PID controller parameters and the prediction of the optimally plant output, are performed by the ANN-RBF weights adjustments. In addition, an indoor implementation of the control system were proposed for the positioning of a photovoltaic panel. The performance evaluations of the proposed system were obtained from computational experiments results that were based on mathematical models and hardware experiments, that were obtained from a reduced model of a photovoltaic panel. Finally, a comparison between the proposed methodology with the classical PID controller were performed and the proposed methodology presented to be more flexible to the insertion of new performance metrics and the results achieved from the ANN, were better than the ones obtained by the classical PID tuning, such as: Ziegler-Nichols or trial and error. / O surgimento de novas plantas industriais com grande complexidade e a necessidade de melhorar a operação das plantas já existentes tem fomentado o desenvolvimento de sistemas de controle de alto desempenho, estes sistemas devem atender não só as especificações de projeto, tal como: figuras de mérito, mas também devem operar com um custo mínimo e sem causar impactos desastrosos para o meio ambiente. Motivados por esta demanda, apresenta-se nesta dissertação o desenvolvimento de métodos para sintonia online dos parâmetros dos sistemas de controle, ie, apresenta-se uma metodologia para a sintonia online de controladores PID adaptativo e ótimo via Redes Neurais Artificiais (RNAs). A abordagem desenvolvida nesta dissertação tem base as ações dos controladores PID de três termos, redes neurais artificiais com funções de base radial e Controle preditivo baseado em modelo (MPC - Model Predictive Control), a partir da união destas abordagens elabora-se a formulação geral do controlador PID Adaptativo-Ótimo via redes neurais artificiais, com sintonia online. A metodologia de ajuste online dos parâmetros da RNA está no contexto do MPC para predição de saída da planta. Para o caso do controlador PID, tem-se a modificação da estrutura padrão com o objetivo de adaptação em função do erro. O ajuste dos termos do controlador PID e da predição da saída na planta, de forma ótima, é realizada pelo ajustes dos pesos da RNA-RBF. Além disso, apresenta-se a implementação indoor do sistema de controle desenvolvido para o posicionamento de um painel fotovoltaico. As avaliações de desempenho do sistema proposto são obtidos de resultados de experimentos computacionais que são baseados em modelos matemáticos e experimentos em hardware que são obtidos de um modelo reduzido de um painel fotovoltaico. Por fim, comparando o PID clássico com o controlador desenvolvido constatou-se que este último apresenta mais flexibilidade para inserir novas métricas de desempenho e os resultados atingidos são melhores do que os parâmetros obtidos por meio da sintonia do PID clássica, tais como: métodos de Ziegler-Nichols ou tentativa e erro

Este trabalho investiga um procedimento para retroanálise utilizando Redes Neurais Artificiais (RNAs). Nesta pesquisa foram utilizadas 35.472 bacias de deflexões hipotéticas, criadas pelo programa ELSYM5. A base de dados de treinamento das RNAs consistiu dessas bacias de deflexão e dos módulos e espessuras que as geraram. A camada de entrada das RNAs foi compostas da(s) espessura(s) da(s) camada(s) do pavimento, da bacia de deflexão (na simulação com a viga Benkelman, além desses parâmetros, incluiu-se o raio de curvatura (R)) e a camada de saída foi composta pelos módulos resilientes das camadas do pavimento. Esses dados serviram de entrada para o processo de aprendizagem, utilizando-se o simulador EasyNN 3.2, que se baseia em redes Multilayer Perceptron e no algoritmo de treinamento Backpropagation. Para o procedimento de retroanálise proposto foram implementadas seis RNAs: duas simulando o procedimento para pavimento de duas camadas (uma simulando o ensaio da viga Benkelman e a outra a do Falling Weight Deflectometer), duas para pavimento de três camadas (simulação com os mesmos aparelhos) e duas para pavimento de quatro camadas (simulando os ensaios descritos anteriormente). Mediante as regressões lineares entre os módulos reais (ELSYM5) e os previstos pela RNA, obtiveram-se coeficientes de determinação (R2) e erros médios relativos (EMR). Estes parâmetros demonstraram uma boa correlação linear entre os módulos reais (ELSYM5) e os previstos (RNA). Com os resultados obtidos, conclui-se que as RNAs são ferramentas potentes para serem utilizadas como procedimento de retroanálise para pavimentos flexíveis de duas, três e quatro camadas. / This paper investigates a backcalculation procedure using Artificial Neural Networks (ANNs). In the research 35,472 hypothetical deflection basins were used, created by the program ELSYM5. The ANNs training database consisted of these basins, and of the moduli and thickness used to generate them. The input layer of these ANNs was composed by thickness(es) of the pavement layer(s), the deflection basin (in the simulation with the Benkelman beam, beyond of those parameters, the curvature radius included (R)) and the output layer was composed by the resilient moduli of the layers of the pavement. Those data were used as output for the learning process, using the easyNN 3.2 simulator, which is based on Multilayer Perceptron and in the training algorithm Backpropagation. For the backcalculation procedure proposed six ANNs they were implemented: two simulating the procedure for pavement of two layers (a simulating the testing of the Benkelman beam and the other the one of Falling Weight Deflectometer), two for pavement of three layers (simulation with the same equipments) and two for pavement of for layers (simulating the testing described previously). The values founds throught linear regression between the real moduli (ELSYM5) and the predicted of ones for ANN, were obtained determination coefficients (R2) and relative average errors (EMR). These parameters demonstrated a good linear correlation between the real moduli (ELSYM5) and the predicted of ones (ANN). The conclusion .is that ANNs are potent tools for they be used in backcalculation procedures flexible pavements of two, three and four layers.