Engenharia Mecânica Automação e Sistemas COMPARAÇÃO DE UM SISTEMA CONTROLADO ATRAVÉS DE REDES NEURAIS ARTIFICIAIS EM RELAÇÃO AO CONTROLE CONVENCIONAL
|
|
- Kléber do Amaral Capistrano
- 8 Há anos
- Visualizações:
Transcrição
1 Engenharia Mecânica Automação e Sistemas COMPARAÇÃO DE UM SISTEMA CONTROLADO ATRAVÉS DE REDES NEURAIS ARTIFICIAIS EM RELAÇÃO AO CONTROLE CONVENCIONAL Fabrício Grisolia Cezarini Itatiba São Paulo Brasil Dezembro de 2009
2 ii Engenharia Mecânica Automação e Sistemas COMPARAÇÃO DE UM SISTEMA CONTROLADO ATRAVÉS DE REDES NEURAIS ARTIFICIAIS EM RELAÇÃO AO CONTROLE CONVENCIONAL Fabrício Grisolia Cezarini Monografia apresentada à disciplina Trabalho de Conclusão de Curso, do Curso de Engenharia mecânica da Universidade São Francisco, sob a orientação do Prof. Ms. Paulo Eduardo Silveira, como exigência parcial para conclusão do curso de graduação. Orientador: Prof. Ms. Paulo Eduardo Silveira Itatiba São Paulo Brasil Dezembro de 2009
3 iii COMPARAÇÃO DE UM SISTEMA CONTROLADO ATRAVÉS DE REDES NEURAIS ARTIFICIAIS EM RELAÇÃO AO CONTROLE CONVENCIONAL Fabrício Grisolia Cezarini Monografia defendida e aprovada em 09 de Dezembro de 2009 pela Banca Examinadora assim constituída: Prof. Ms. Paulo Eduardo Silveira (Orientador) USF Universidade São Francisco Itatiba SP. Prof. Dr. Fernando César Gentili USF Universidade São Francisco Itatiba SP. Prof. Eng. Michel de Almeida Lopes (Membro da banca) USF Universidade São Francisco Itatiba SP.
4 iv A imaginação é mais importante que a ciência, porque a ciência é limitada, ao passo que a imaginação abrange o mundo inteiro. (Albert Einstein)
5 v A meus pais Gerson e Fátima sem os quais não chegaria até aqui. A minha irmã Gelissa e minha namorada Aline por suportar os momentos difíceis na realização deste trabalho. Pai, saiba que você continua sendo o meu Super- Herói... A todos os meus amigos e colegas de sala que durante esses anos foram essenciais na minha graduação. Sou eternamente grato a todos.
6 vi Agradecimentos Agradeço primeiramente ao Professor Paulo Eduardo Silveira, meu orientador, que acreditou em mim e incentivou-me para a conclusão deste trabalho, face aos inúmeros percalços do trajeto. Agradeço também ao todos os Professores que participaram de minha formação acadêmica e pessoal, devido a sua paciência, conhecimento e amizade que todos demonstraram durante estes anos. Agradeço também a T&S Equipamentos pelo empréstimo do sistema de aquisição de dados que sem ele meu trabalho seria impraticável. Eu agradeço fraternalmente a todos.
7 vii Sumário 1 INTRODUÇÃO Objetivo Justificativa REVISÃO BIBLIOGRÁFICA Sistemas de Controle História dos Sistemas de Controle Sistemas de Malha Fechada e Malha Aberta Sistemas de Controle de Malha Aberta Sistemas de Controle de Malha Fechada Estratégias de Controle Controle Proporcional (P) Controle Proporcional Integral (PI) Controlador Proporcional Derivativo (PD) Controlador Proporcional Integral Derivativo (PID) Inteligência Artificial Redes Neurais Artificiais O Cérebro biológico Neurônios Artificiais: Modelo MCP Algoritmos de Aprendizado Controladores Neurais Lógica Fuzzy História da Lógica Fuzzy Sistemas de Controle Fuzzy Variáveis linguísticas Funções de pertinência Relações Fuzzy Sistema de Inferência Fuzzy Software Matlab Software Simulink METODOLOGIA Etapas Análise da Planta Didática Controladora de Nível Planta Didática Bomba Centrífuga Inversor de Frequência Sensor de nível Construção do Controlador PID no Simulink Construção do Controlador Fuzzy Construção do Controlador de Rede Neural Implementação dos controles na Planta Didática RESULTADOS E DISCUSSõES... 37
8 viii 5 CONCLUSÃO REFERÊNCIAS BIBLIOGRÁFICAS... 40
9 ix Lista de Figuras FIGURA 2.1 SISTEMA DE CONTROLE EM MALHA ABERTA... 3 FIGURA 2.2 SISTEMA DE CONTROLE EM MALHA FECHADA [1]... 4 FIGURA 2.3 CONTROLADOR PID [2]... 6 FIGURA 2.4 NEURÔNIO BIOLÓGICO [4]... 8 FIGURA 2.5 MODELO DE NEURÔNIO MCP [4]... 9 FIGURA 2.6 SISTEMA DE UM CONTROLADOR NEURAL [4] FIGURA 2.7 TAXONOMIA DA COMPUTAÇÃO EVOLUTIVA [6] FIGURA 2.8 FUNÇÕES DE PERTINÊNCIA PARA A VARIÁVEL TEMPERATURA[8] FIGURA 2.9 FUNÇÕES DE PERTINÊNCIA PARA A VARIÁVEL ESTATURA[8] FIGURA 2.10 SISTEMA DE INFERÊNCIA FUZZY [8] FIGURA 3.1 PLANTA DIDÁTICA CONTROLADORA DE NÍVEL [9] FIGURA 3.3 CURVAS CARACTERÍSTICAS DA BOMBA MARK GRUNDFOS SR-5-25 [9] FIGURA 3.4 INVERSOR DE FREQÜÊNCIA CFW08 [9] FIGURA 3.5 SENSOR DE PRESSÃO MPX5010DP (MOTOROLA) FIGURA 3.6 PARTE PROPORCIONAL FIGURA 3.7 PARTE INTEGRAL FIGURA 3.8 PARTE DERIVATIVA FIGURA 3.9 CONTROLADOR PID EM BLOCO NO SIMULINK FIGURA 3.10 EDITOR DE SISTEMA DE INFERÊNCIA FUZZY FIGURA 3.11 EDITOR DE FUNÇÃO PERTINÊNCIA FIGURA 3.12 PERFIL DAS FUNÇÕES DE PERTINÊNCIAS DA ENTRADA DE ERRO FIGURA 3.13 PERFIL DAS FUNÇÕES DE PERTINÊNCIAS DA ENTRADA VELOCIDADE DO ERRO FIGURA 3.14 PERFIL DAS FUNÇÕES DE PERTINÊNCIAS DE SAÍDA FIGURA 3.15 EDITOR DE REGRAS FIGURA 3.16 RULE VIEWER COM AS REGRAS DE INFERÊNCIA FIGURA 3.17 SUPERFÍCIE DE RESPOSTAS PARA AS DUAS ENTRADAS FIGURA 3.18 CONTROLADOR FUZZY NO SIMULINK FIGURA 3.19 SISTEMA PARA CRIAÇÃO DOS DADOS DE TREINAMENTO FIGURA 3.20 NNTOOL COM AS VARIÁVEIS DE ENTRADA E SAÍDA... 31
10 x FIGURA 3.21 CRIAÇÃO DA REDE NEURAL FIGURA 3.22 PROCESSO DE TREINAMENTO DA REDE NEURAL FIGURA 3.23 TESTE DE PERFORMANCE DO TREINAMENTO FIGURA 3.24 DESVIO-MÉDIO NA ÉPOCA DE NÚMERO FIGURA 3.25 REPRESENTAÇÃO DO CONTROLADOR DE REDE NEURAL NO SIMULINK FIGURA 3.26 DAQ DA NATIONAL INSTRUMENTS MODELO USB FIGURA 3.27 MODELO DO CONTROLE PID X NEURO-FUZZY FIGURA 3.28 NÍVEL D ÁGUA DE REFERÊNCIA... 35
11 xi Resumo A proposta desta monografia surgiu a partir da busca de novas técnicas de realizar o controle em equipamentos, tendo opções de controles mais fáceis de serem configuráveis ou até mesmo configurações automáticas de forma adaptativa. Vendo que os controles tradicionais necessitavam de uma análise matemática profunda e que em sistemas mais complexos esta análise tornava-se muito trabalhosa, controles como o Fuzzy ou os de Redes Neurais tornam uma alternativa para se evitar erros analíticos ou implementar controles em sistemas onde não se conhece de uma forma segura todos os parâmetros e variáveis do processo. O controle Fuzzy foi escolhido por se tratar de um método de fácil configuração, onde através do conhecimento de um especialista do processo ele pode de maneira intuitiva criar o controle. E o controle por Redes Neurais responde pela alternativa aonde o processo sobre várias intervenções não previstas e assim consegui se adaptar para melhorar o resultado. Sendo assim foram criados e simulados utilizando o Software Matlab e Simulink os controles Fuzzy e de Redes Neurais para realizar uma comparação entre o controle tradicional PID, tendo como processo de teste uma Planta Didática Controladora de Nível com o intuito de coletar os resultados comparativos. PALAVRAS-CHAVE: Controlador PID, Fuzzy, Redes Neurais, Matlab, Simulink, Controlador de Nível.
12 1 INTRODUÇÃO Cada vez mais são usuais sistemas que imitam a inteligência através de decisões programadas. Em sistemas controlados onde o controlador recebe informações do ambiente que está sendo estudado para, a partir desta análise, alterar sua atuação, o número de variáveis aumenta conforme o sistema se torna mais inteligente e automatizado. Em diversas situações um número elevado de itens devem ser analisados para tornar possível o seu controle preciso, e sua estimativa prevista adequadamente. Isto significa uma programação tradicional complexa. A Inteligência Artificial com Redes Neurais Artificiais, que trabalha baseada no funcionamento do cérebro, ou seja, um sistema paralelo e generalista atua de uma forma diferente para controlar estes sistemas com muitas variáveis. A capacidade de generalização e a possibilidade de lidar com situações diversas por meio do aprendizado a torna mais rápida e útil nesses casos. 1.1 Objetivo Realizar uma comparação entre os métodos de sistemas controlados com base na inteligência artificial com redes neurais artificiais e fuzzy e os sistemas microcontrolados pela computação tradicional através do método PID. Os testes serão aplicados em uma planta controladora de nível de água 1.2 Justificativa Os sistemas controlados por uma inteligência artificial têm um diferencial em lidar com situações diversas utilizando o modelo de generalização. Este estudo prático é útil para mostrar os aspectos deste ramo da Inteligência Artificial, servindo como base para projetos que visam sistemas cada vez mais capazes de adaptação e também aqueles em que a modelagem matemática torna complexa, não sendo preciso o conhecimento de todos os efeitos físicos pelo operador do sistema de controle.
13 2 2 REVISÃO BIBLIOGRÁFICA O controle automático tem desempenhado um papel fundamental no avanço da engenharia e da ciência. Além da extrema importância de sistemas de veículos espaciais, sistemas de direcionamento de mísseis, sistemas robóticos e similares, o controle automático tem se tornado de grande importância e parte integrante dos modernos processos industriais e de produção. O controle automático é essencial no controle numérico de máquinas-ferramenta nas indústrias manufatureiras, no projeto de sistemas de piloto automático na indústria aeroespacial e no projeto de carros e caminhões na indústria automotiva. [1] Os avanços no controle automático, na teoria e na prática, vêm produzindo meios para aperfeiçoar o desempenho dos sistemas dinâmicos, melhorar a produtividade, diminuir o trabalho árduo de várias rotinas de operações manuais repetitivas, entre outros.[1] 2.1 Sistemas de Controle O termo sistema é usado para descrever uma série de componentes que interagem em torno de uma condição limite imaginária, e somente a entrada e a saída são de interesse. [2] Um sistema pode tanto ser uma usina inteira como somente um motor elétrico. Embora possam ser complexos o conjunto de componentes e suas interações dentro do sistema, podemos apenas considerar que todos esses componentes fazem parte de um bloco, e o que realmente interessa são as entradas e as saídas desse bloco. [2] História dos Sistemas de Controle O primeiro trabalho significativo de controle automático foi o regulador centrífugo construído por James Watt para o controle de velocidade de uma máquina a vapor, no século XVIII. Outros trabalhos importantes nos primeiros estágios do desenvolvimento de teoria de controle se devem a Minorsky, Hazen e Nyquist, entre muitos outros. Em 1922, Minorsky trabalhou em controladores automáticos para pilotagem de embarcações e demonstrou como a estabilidade poderia ser determinada a partir de equações diferenciais que descrevem o sistema. Em 1932, Nyquist desenvolveu um procedimento relativamente simples para a determinação da estabilidade de sistemas de malha fechada com base na resposta de malha
14 3 aberta a excitações senoidais estacionárias. Em 1934, Hazen, que introduziu o termo servomecanismos para sistemas de controle de posição, discutiu o projeto de servomecanismos a relé, capaz de acompanhar de perto uma variação de entrada. [1] Durante a década de 40, métodos de resposta em freqüência tornaram possível aos engenheiros projetar sistemas de controle linear de malha fechada que satisfizessem o desempenho requerido. Do final da década de 40 ao início da de 50, o método de lugar das raízes, graças a Evans, foi plenamente desenvolvido sendo utilizado até hoje. [1] Sistemas de Malha Fechada e Malha Aberta Os sistemas de controle podem ser divididos em dois grupos dependendo da forma que o controle age, sendo de malha aberta ou malha fechada Sistemas de Controle de Malha Aberta São aqueles em que o sinal de saída não exerce nenhuma ação de controle no sistema. Na presença de distúrbios, um sistema de controle de malha aberta não vai executar a tarefa desejada. [1] Figura 2.1 Sistema de controle em malha aberta Sistemas de Controle de Malha Fechada Um sistema que estabeleça uma relação de comparação entre a saída e a entrada de referências, utilizando a diferença como meio de controle, é denominado sistema de controle de malha fechada. Os sistemas de controle com realimentação não estão limitados à engenharia, podendo ser encontrados no corpo humano, por exemplo no sistema do equilíbrio do corpo, sendo um sistema extremamente desenvolvido. Em sistemas de controle e malha fechada, o erro atuante realimenta o controlador, de modo que minimize o erro e acerte a saída do sistema ao valor desejado.[1]
15 4 Figura 2.2 Sistema de controle em malha fechada [1] Estratégias de Controle Existem algumas formas de o elemento de controle reagir a um sinal de erro. Para um sistema em malha aberta, o tipo de controle mais conveniente é o on-off, ações temporizadas ou sequencia de chaveamento temporizados. Para o controle em malha fechada os controles são do tipo on-off com controle proporcional combinado, neste controle a saída do controlador é um sinal que é proporcional ao erro.[2] Controle Proporcional (P) Em alguns processos simples a ação proporcional é suficiente para fazer o controle do sistema Neste caso a ação proporcional é dado por: Equação 2.1 Quanto maior o valor de K menor é a banda proporcional, e quanto maior o ganho K menor será o valor do erro em regime permanente, mas nunca será nulo Controle Proporcional Integral (PI) A principal função da ação integral no sistema é tornar o erro nulo, mas a ação integral aplicada isoladamente tende a piorar a estabilidade relativa do sistema, por isso para contrabalançar este efeito combina-se um controlador proporcional constituindo-se o controlador PI, sendo o sinal dado por:
16 5 Equação Controlador Proporcional Derivativo (PD) A saída do processo segue certa inércia com relação a modificações na variável de entrada e/ou o controle pode estar em atraso para corrigir o erro. Com isso o processo se comporta com transitórios de grande amplitude e período de oscilação, podendo em casos extremos ficar instáveis. A ação derivativa combinada com a proporcional tem a função de antecipar a ação de controle a ser aplicado. A estrutura do controlador PD é dada por: Equação Controlador Proporcional Integral Derivativo (PID) O Controlador Proporcional Integral Derivativo combina as vantagens do controlador PI e PD. A ação integral está diretamente ligada à precisão do sistema sendo responsável pelo erro nulo em regime permanente. O efeito desestabilizador do controlador PI é contrabalançado pela ação derivativa que tende a aumentar a estabilidade relativa do sistema ao mesmo tempo em que torna a resposta do sistema mais rápida devido ao seu efeito antecipatório. [2] O sinal de controle gerado é dado como: Equação 2.4 Na Figura 2.3 tem-se um diagrama de bloco representando um Controlador PID, a planta onde o controle está atuando e a resposta do sistema através do erro.
17 6 Controle PID referência erro Figura 2.3 Controlador PID [2] 2.2 Inteligência Artificial Existem duas linhas principais de pesquisa para a construção de sistemas inteligentes: a linha conexionista e a linha simbólica. A linha conexionista visa a modelagem da inteligência humana através da simulação dos componentes do cérebro, isto é, de seus neurônios, e de suas interligações. Esta proposta foi formalizada inicialmente em 1943, quando o neuropsicólogo McCulloch e o lógico Pitts propuseram um primeiro modelo matemático para um neurônio. Um primeiro modelo de rede neuronal, isto é, um conjunto de neurônios interligados, foi proposto por Rosenblatt em Este modelo, chamado Perceptron, teve suas limitações demonstradas por Minsky e Papert em livro onde as propriedades matemáticas de redes artificiais de neurônios são analisadas. Durante um longo período essa linha de pesquisa não foi muito ativa, mas o advento dos microprocessadores, pequenos e baratos, tornou praticável a implementação de máquinas de conexão compostas de milhares de microprocessadores, o que, aliado à solução de alguns problemas teóricos importantes, deu um novo impulso às pesquisas na área. O modelo conexionista deu origem à área de redes neuronais artificiais. [3] A linha simbólica ficou conhecida nas décadas de 60 e 70 pela aparição de sistemas baseados em conhecimento através da memória, nesta época um dos grandes desafios da inteligência artificial simbólica eram os jogos de xadrez. A quantidade requerida de conhecimento para estes sistemas terem um efeito inteligente fez-se necessário a criação de micromundos onde as soluções eram simplificadas em uma amostra limitada de entrada.
18 7 Com isso estes sistemas tornaram difíceis de serem construídos para os controles mais simples ou até mesmo aqueles onde os seres humanos fazem de forma tão rotineira Redes Neurais Artificiais O final da década de 80 marcou o ressurgimento da área de Redes Neurais Artificiais (RNAs), também conhecida como conexionismo ou sistemas de processamento paralelo e distribuído. Esta forma de computação não-algorítmica é caracterizada por sistemas que, em algum nível, relembram a estrutura do cérebro humano. Por não ser baseada em regras ou programas, a computação neural se constitui uma alternativa à computação algorítmica convencional, aquela em que o programador escreve o código do programa a ser executado e prevê todas as variâncias do mesmo. [4] RNAs são sistemas paralelos distribuídos compostos por unidades de processamento simples que calculam determinadas funções matemáticas (normalmente não-lineares). Tais unidades são dispostas em uma ou mais camadas e interligadas por um grande número de conexões, geralmente unidirecionais. Na maioria dos modelos estas conexões estão associadas a pesos, os quais armazenam o conhecimento representado no modelo e servem para ponderar a entrada recebida por cada neurônio da rede. O funcionamento destas redes é inspirado no cérebro biológico. [4] A capacidade de aprender através de exemplos e de generalizar a informação aprendida é o atrativo principal da solução de problemas através de RNAs. A generalização, que está associada à capacidade de a rede aprender através de um conjunto reduzido de exemplos e posteriormente dar respostas coerentes para dados não-conhecidos, é uma demonstração de que a capacidade das RNAs vai muito além do que simplesmente mapear relações de entrada e saída. As RNAs são capazes de extrair informações não-apresentadas de forma explícita através dos exemplos. As RNAs não capazes de atuar como mapeadores universais de funções multivariáveis, com custo computacional que cresce apenas linearmente com o número de variáveis. Outra característica importante é a capacidade de autoorganização e de processamento temporal. Estas características fazem das RNAs uma ferramenta computacional extremamente poderosa e atrativa para a solução de problemas complexos. [4]
19 O Cérebro biológico O cérebro humano contém em torno de neurônios, sua célula fundamental. Cada um destes neurônios processa informações sinápticas e se comunica com milhares de outros continuamente e em paralelo. A estrutura individual dos nodos (conexões de neurônios), a topologia de suas conexões e o comportamento conjunto destes nodos naturais forma a base para o estudo das RNAs. [4] A Figura 2.4 mostra a estrutura de um neurônio biológico onde são identificados os dentritos, estruturas que recebem os sinais sinápticos (pulsos eletro-químicos), o corpo celular, onde é feito o controle dos pulsos e se o neurônio vai ser ativado ou não, e o axônio, estrutura responsável pela transmissão da informação para as dentritos de outros neurônios. Figura 2.4 Neurônio biológico [4] As RNAs tentam reproduzir as funções das redes biológicas, buscando implementar seu comportamento básico e sua dinâmica. No entanto, do ponto de vista físico, no momento as redes artificiais se diferem bastante das redes biológicas. É importante, contudo, observar as similaridades entre estes dois tipos de sistemas. Acredita-se que o futuro da neurocomputação possa se beneficiar ainda mais do desenvolvimento de modelos que tenham biológico. Estruturas encontradas nos sistemas biológicos podem inspirar o espera-se que a Biologia e as Ciências Cognitivas possam se beneficiar do desenvolvimento dos modelos da neurocomputação.
20 Neurônios Artificiais: Modelo MCP O modelo de neurônio proposto por McCulloch e Pitts é uma simplificação do que se sabia então a respeito do neurônio biológico. Sua descrição matemática resultou em um modelo com n terminais de entrada x1, x2,...,xn (que representam os dentritos) e apenas um terminal de saída y (representando o axônio). Para emular o comportamento das sinapses, os terminais de entrada do neurônio têm pesos acoplados w1,w2,...wn cujos valores podem ser positivos ou negativos, dependendo de as sinapses correspondentes serem inibitórias ou excitatórias.[4] Um neurônio biológico dispara quando a soma dos impulsos que ele recebe ultrapassa o seu limiar de excitação. O corpo do neurônio, por sua vez, é emulado por um mecanismo simples que faz a soma dos valores xiwi recebidos pelo neurônio (soma ponderada) e decide se o neurônio deve ou não disparar (saída igual a 1 ou a 0) comparando a soma obtida ao limiar do neurônio. A ativação do neurônio artificial é obtida através da aplicação de uma função de ativação, que ativa ou não a saída, dependendo do valor da soma ponderada das suas entradas. Na descrição original do modelo MCP, a função de ativação é dada pela função de limiar descrita na Equação 1.1. O nodo MCP terá então sua saída ativa quando: Equação 2.5 onde n é o número de entradas do neurônio, wi é o peso associado à entrada xi e é o limiar do neurônio. [4] Na Figura 2.5 é mostrado o diagrama representativo do neurônio artificial. Figura 2.5 Modelo de neurônio MCP [4]
21 Algoritmos de Aprendizado Redes Neurais Artificiais possuem a capacidade de aprender por exemplos e fazer interpolações e extrapolações do que aprenderam. No aprendizado conexionista, não se procura obter regras como na abordagem simbólica da Inteligência Artificial, mas sim determinar a intensidade de conexões entre neurônios. Um conjunto de procedimentos bemdefinidos para adaptar os parâmetros de uma RNA para que a mesmo possa aprender uma determinada função é chamado de algoritmo de aprendizado. [4] A utilização de uma RNA na solução de uma tarefa passa inicialmente por uma fase de aprendizagem, quando a rede extrai informações relevantes de padrões de informação apresentados para ela, criando assim uma representação própria para o problema. A etapa de aprendizagem consiste em um processo iterativo de ajuste de parâmetros da rede, os pesos das conexões entre as unidades de processamento, que guardam, ao final do processo, o conhecimento que a rede adquiriu do ambiente em que está operando. [4] Controladores Neurais Controladores clássicos trabalham visando a minimização do erro entre a entrada desejada e a resposta da planta ao sinal de controle. Controladores neurais partem normalmente de um processo prévio de identificação da inversa da planta para então prover os sinais de controle para os atuadores. A capacidade de adaptação e aprendizado on-line das RNAs é muitas vezes utilizada para corrigir ações de controle de controladores clássicos présintonizados atuando em sistemas com parâmetros variáveis. Eventuais mudanças no ponto de operação do sistema são corrigidas pela atuação das RNAs.[4] Figura 2.6 Sistema de um controlador neural [4]
22 Lógica Fuzzy Aristóteles, filósofo grego ( a.c.), foi o fundador da ciência da lógica, e estabeleceu um conjunto de regras rígidas para que conclusões pudessem ser aceitas como logicamente válidas. O emprego da lógica de Aristóteles levava a uma linha de raciocínio lógico baseado em premissas e conclusões. Como um exemplo: se é observado que "todo ser vivo é mortal" (premissa 1), a seguir é constatado que "Sarah é um ser vivo" (premissa 2), como conclusão, temos que "Sarah é mortal". Desde então, a lógica Ocidental, assim chamada, tem sido binária, isto é, uma declaração é falsa ou verdadeira, não podendo ser ao mesmo tempo parcialmente verdadeira e parcialmente falsa. Esta suposição e o princípio da não contradição cobrem todas as possibilidades, formam a base do Pensamento Lógico Ocidental. A Lógica Fuzzy (Lógica Nebulosa) viola estas suposições. Um sim ou um não como resposta a estas questões é, na maioria das vezes, incompleta. Na verdade, entre a certeza de ser e a certeza de não ser, existem infinitos graus de incerteza. Esta imperfeição intrínseca à informação representada numa linguagem natural tem sido tratada matematicamente no passado com o uso da teoria das probabilidades. Contudo, a Lógica Fuzzy (Nebulosa), com base na teoria dos Conjuntos Fuzzy (Nebulosos), tem se mostrado mais adequada para tratar imperfeições da informação do que a teoria das probabilidades. A Lógica Fuzzy encontra-se entre as técnicas mais recentes de Inteligência Artificial, também conhecida como Conjuntos Fuzzy. Este termo, a princípio, nos convida a pensar em algo confuso (nebuloso), porém, atualmente, é bastante utilizado e definido. [5] A Lógica Fuzzy consiste em aproximar a decisão computacional da decisão humana, tornando as máquinas mais capacitadas a seu trabalho. Isto é feito de forma que a decisão de uma máquina não se resuma apenas a um "sim" ou um "não", mas também tenha decisões "abstratas", do tipo "um pouco mais", "talvez sim", e outras tantas variáveis que representem as decisões humanas. É um modo de interligar inerentemente processos analógicos que deslocam-se através de uma faixa contínua para um computador digital que podem ver coisas com valores numéricos bem definidos (valores discretos). Uma das principais potencialidades da Lógica Fuzzy, quando comparada com outros esquemas que tratam com dados imprecisos como redes neurais, é que suas bases de conhecimento, as quais estão no formato de regras de produção, são fáceis de examinar e entender. Este formato de regra também torna fácil a manutenção e a atualização da base de conhecimento. [5]
23 História da Lógica Fuzzy O conceito de Conjunto Fuzzy foi introduzido, em 1965, por Lotfi A. Zadeh (Universidade da Califórnia, Berkeley). A ele é atribuído o reconhecimento como grande colaborador do Controle Moderno. Em meados da década de 60, Zadeh observou que os recursos tecnológicos disponíveis eram incapazes de automatizar as atividades relacionadas a problemas de natureza industrial, biológica ou química, que compreendessem situações ambíguas, não passíveis de processamento através da lógica computacional fundamentada na lógica booleana. Procurando solucionar esses problemas o Prof. Zadeh publicou em 1965 um artigo resumindo os conceitos dos Conjuntos Fuzzy, revolucionando o assunto com a criação de Sistemas Fuzzy. Em 1974, o Prof. Mamdani, do Queen Mary College, Universidade de Londres, após inúmeras tentativas frustradas em controlar uma máquina a vapor com tipos distintos de controladores, incluindo o PID, somente conseguiu fazê-lo através da aplicação do raciocínio Fuzzy. [5] Figura 2.7 Taxonomia da Computação Evolutiva [6] Sistemas de Controle Fuzzy Um sistema de controle fuzzy usa um processo de fuzzificação, gerador de entradas para um mecanismo de inferência, que é uma base de conhecimento das ações a serem tomadas. O processo inverso, defuzzificação, gera os valores reais, que serão aplicados na máquina ou processo sobre controle. A chave para desenvolver um sistema de controle fuzzy é iterativamente construir uma base de regras que suporte a resposta desejada, construindo
24 13 essas regras a partir do conhecimento do problema. Em muitos casos isso é muito intuitivo e proporciona um controle robusto em um pequeno espaço de tempo. [6] Variáveis linguísticas Uma variável linguística é uma variável cujos valores são nomes de conjuntos fuzzy. Por exemplo, a temperatura de um determinado processo pode ser uma variável linguística assumindo valores baixa, média, e alta. Estes valores são descritos por intermédio de conjuntos fuzzy, representados por funções de pertinência, conforme mostrado na Figura 2.8. Figura 2.8 Funções de pertinência para a variável temperatura[8] Generalizando, os valores de uma variável linguística podem ser sentenças em uma linguagem especificada, construídas a partir de termos primários (alto, baixo, pequeno, médio, grande, zero, por exemplo), de conectivos lógicos (negação não, conectivos e ou), de modificadores (muito, pouco, levemente, extremamente) e de delimitadores (como parênteses). [8] Funções de pertinência As funções de pertinência podem ter diferentes formas, dependendo do conceito que se deseja representar e do contexto em que serão utilizadas. Para exemplificar o quanto o contexto é relevante na definição de funções de pertinência e de sua distribuição ao longo de um dado universo, considere-se a variável linguística estatura (de pessoas), constituída dos seguintes termos: T(estatura) = {baixa, média, alta}. A esses faz-se corresponder conjuntos fuzzy A, B e C, respectivamente), definidos por suas funções de pertinência. Uma escolha possível de funções de pertinência seria:
25 14 Figura 2.9 Funções de pertinência para a variável estatura[8] Na definição acima, estaturas de até 1,5 metros apresentam grau de pertinência igual a 1 no conjunto A; o grau de pertinência neste conjunto decresce à medida que a estatura aumenta. Considera-se que uma estatura de 1,75 metros é "totalmente compatível" com o conjunto B, ao passo que estaturas acima de 1,8 metros (aproximadamente) apresentam grau de pertinência diferente de zero em C. Pessoas com estatura acima de 2 metros são "definitivamente" altas. Observe-se que, nesta definição das funções de pertinência, estaturas em torno de 1,75 metros têm grau de pertinência diferente de zero somente no conjunto B, o que poderia parecer inadequado para alguns observadores. Estes prefeririam que as funções de pertinência de A e B se interceptassem em 1,75 metros (com graus de pertinência nulos, a exemplo daquelas da Figura 1), por exemplo. [8] Além disso, diferentes pessoas, ou grupos de pessoas, podem ter noções distintas a respeito das estaturas de seus semelhantes. Um escandinavo provavelmente utilizaria funções de pertinência diferentes daquelas escolhidas por um representante de uma tribo de pigmeus, ou as distribuiria de outra forma ao longo do universo. Ou seja, o contexto é particularmente relevante quando da definição de funções de pertinência. [8] Funções de pertinência podem ser definidas a partir da experiência e da perspectiva do usuário mas é comum fazer-se uso de funções de pertinência padrão, como, por exemplo, as de forma triangular, trapezoidal e Gaussiana. Em aplicações práticas as formas escolhidas inicialmente podem sofrer ajustes em função dos resultados observados. Funções de pertinência contínuas podem ser definidas por intermédio de funções analíticas. Por exemplo, a seguinte função geral pode ser usada para definir as funções de pertinência associadas aos conjuntos fuzzy correspondentes aos termos pequeno, médio e grande: Equação 2.6
26 15 A forma de (x) A µ pode ser modificada através da manipulação dos três parâmetros a, b e c. Por exemplo: Funções de pertinência descontínuas são compostas de segmentos contínuos lineares, resultando em formas triangulares ou trapezoidais. Funções de pertinência discretizadas consistem de conjuntos de valores discretos correspondendo a elementos discretos do universo. [8] Relações Fuzzy No caso de conjuntos ordinários, uma relação exprime a presença ou a ausência de uma associação (ou interação) entre elementos de dois ou mais conjuntos. Formalmente, dados dois universos X e Y, a relação R definida em X Y é um subconjunto do produto cartesiano de dois universos, de tal forma que R: X Y {0,1}. Ou seja, se algum x X e y Y estiverem relacionados, R(x, y) =1; caso contrário, R(x, y) = 0. Isto pode ser expresso pela seguinte função característica (ou função de pertinência bivalente): Equação 2.7 As relações podem ser expressas de forma analítica (para universos infinitos, por exemplo), ou de forma tabular, muito utilizada no caso de universos finitos (e discretos). Esta última forma recebe o nome de matriz relacional, cujos elementos são ou zero ou um. Relações fuzzy generalizam o conceito de relações e representam o grau da associação entre elementos de dois ou mais conjuntos fuzzy. Exemplos de caráter linguístico seriam: x é muito maior do que y, x está próximo de y. Formalmente, dados dois universos X e Y, a relação fuzzy R é um
27 16 conjunto fuzzy em X Y, caracterizada por uma função de pertinência (x, y) [0,1], onde x X e y Y. [8] A interseção e a união de relações fuzzy são definidas de forma similar às mesmas operações com conjuntos fuzzy. Considerando-se duas relações fuzzy R e S definidas em um mesmo espaço X Y, as funções de pertinência resultantes são: Equação 2.8 Equação Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy é mostrado na Figura 2.10, onde estão identificadas as funções de cada bloco. Figura 2.10 Sistema de Inferência Fuzzy [8] Neste Sistema de Inferência Fuzzy, consideram-se entradas não-fuzzy, ou precisas resultantes de medições ou observações (conjuntos de dados, por exemplo), que é o caso da
28 17 grande maioria das aplicações práticas. Em virtude disto, é necessário efetuar-se um mapeamento destes dados precisos para os conjuntos fuzzy (de entrada) relevantes, o que é realizado no estágio de fuzzificação. Neste estágio ocorre também a ativação das regras relevantes para uma dada situação. Uma vez obtido o conjunto fuzzy de saída através do processo de inferência, no estágio de defuzzificação é efetuada uma interpretação dessa informação. Isto se faz necessário pois, em aplicações práticas, geralmente são requeridas saídas precisas. [8] No caso de um sistema de controle, por exemplo, em que o controle é efetuado por um sistema de inferência fuzzy (ou controlador fuzzy), este deve fornecer à planta dados ou sinais precisos, já que a "apresentação" de um conjunto fuzzy à entrada da planta não teria significado algum. Existem vários métodos de defuzzificação na literatura; dois dos mais empregados são o centro de gravidade e a média dos máximos. Neste, a saída precisa é obtida tomando-se a média entre os dois elementos extremos no universo que correspondem aos maiores valores da função de pertinência do consequente. Com o centro de gravidade, a saída é o valor no universo que divide a área sob a curva da função de pertinência em duas partes iguais. [8] As regras podem ser fornecidas por especialistas, em forma de sentenças linguísticas, e se constituem em um aspecto fundamental no desempenho de um sistema de inferência fuzzy. Novamente tomando o exemplo de um controlador fuzzy, este só terá um bom desempenho se as regras que definem a estratégia de controle forem consistentes. Extrair regras de especialistas na forma de sentenças do tipo se... então pode não ser uma tarefa fácil, por mais conhecedores que eles sejam do problema em questão. Alternativamente ao uso de especialistas para a definição da base de regras, existem métodos de extração de regras de dados numéricos. Estes métodos são particularmente úteis em problemas de classificação e previsão de séries temporais. No estágio de inferência ocorrem as operações com conjuntos fuzzy propriamente ditas: combinação dos antecedentes das regras, implicação e modus ponens generalizado. Os conjuntos fuzzy de entrada, relativos aos antecedentes das regras, e o de saída, referente ao consequente, podem ser definidos previamente ou, alternativamente, gerados automaticamente a partir dos dados. [8] Um aspecto importante é a definição dos conjuntos fuzzy correspondentes às variáveis de entrada (antecedentes) e à(s) de saída (consequente(s)), pois o desempenho do sistema de inferência dependerá do número de conjuntos e de sua forma. Pode-se efetuar uma sintonia "manual" das funções de pertinência dos conjuntos, mas é mais comum empregarem-se métodos automáticos. A integração entre sistemas de inferência fuzzy e redes neurais
29 18 originando os sistemas neuro-fuzzy ou algoritmos genéticos tem se mostrado adequada para a sintonia de funções de pertinência, assim como para a geração automática de regras. 2.3 Software Matlab O MATLAB (MATrix LABoratory) é um software interativo de alta performance voltado para o cálculo numérico. O MATLAB integra análise numérica, cálculo com matrizes, processamento de sinais e construção de gráficos em ambiente fácil de usar onde problemas e soluções são expressos somente como eles são escritos matematicamente, ao contrário da programação tradicional. Sendo um sistema interativo cujo elemento básico de informação é uma matriz que não requer dimensionamento, esse sistema permite a resolução de muitos problemas numéricos em apenas uma fração do tempo que se gastaria para escrever um programa semelhante em linguagem Fortran, Basic ou C. Além disso, as soluções dos problemas são expressas quase exatamente como elas são escritas matematicamente. [7] 2.4 Software Simulink O Simulink, desenvolvido pela companhia The MathWorks, é uma ferramenta para modelagem, simulação e análise de sistemas dinâmicos. Sua interface primária é uma ferramenta de diagramação gráfica por blocos e bibliotecas customizáveis de blocos. O software oferece alta integração com o resto do ambiente MATLAB. Simulink é amplamente usado em teoria de controle e processamento digital de sinais para projeto e simulação multidomínios.
30 19 3 METODOLOGIA 3.1 Etapas O presente Trabalho de Conclusão de Curso foi dividido em cinco etapas, sendo a primeira etapa a análise da Planta Didática Controladora de Nível que foi utilizada para o experimento, a segundo etapa foi a construção do controlador PID simulado no Software Simulink através da construção em blocos do sistema, a terceira a criação do Controlador Fuzzy utilizando o Fuzzy Logic Toolbox do Matlab, a quarta etapa o desenvolvimento do Controlador de Rede Neural por meio do Neural Network Toolbox também do Matlab e a quinta etapa a implementação desses controles na Planta Didática Controladora de Nível onde foram realizados os testes práticos, tendo como objetivo manter o nível de água igual ao de referência escolhido pelo operador do controle. 3.2 Análise da Planta Didática Controladora de Nível Para a aplicação deste trabalho foi utilizada uma Planta Didática Controladora de Nível criada para o Trabalho de Conclusão de Curso do aluno Diego Rodrigo Carraro da Universidade São Francisco, oferecida pela faculdade no laboratório de Controles Térmicos como mostra a Figura 3.1. Figura 3.1 Planta Didática Controladora de Nível [9]
31 Planta Didática A planta foi constituída de estrutura metálica e utilizaram-se também duas bases de madeira, uma superior e uma inferior, para o alojamento dos componentes da planta. O reservatório superior tem dimensões retangulares e uma capacidade útil de 30 litros, a altura máxima do líquido é de 500 mm. Detalhes construtivos da planta podem ser vistos na referência [9] Bomba Centrífuga Para fazer o bombeamento da água do tanque inferior para o superior é utilizada uma bomba centrífuga MARK GRUNDFOS modelo SR Figura 3.2 Bomba Centrífuga MARK GRUNDFOS SR-5-25 [9] As condições de funcionamento da bomba são fornecidas pelo fabricante e através da vazão é possível determinar a capacidade manométrica, o NPSH requerido e a potência. Na Figura 3.3 [9] podem-se verificar os gráficos dos itens falados anteriormente.
32 21 Figura 3.3 Curvas características da bomba MARK GRUNDFOS SR-5-25 [9] Inversor de Frequência A Planta utiliza um inversor de freqüência VFD (Variable Frequêncy Driver) com o objetivo de controlar a tensão da rede de forma que a rotação da bomba seja controlada. Na Figura 3.4 [9] pode ser visualizado o modelo de inversor de freqüência CFW08.
33 22 Figura 3.4 Inversor de freqüência CFW08 [9] A voltagem máxima regulada para a entrada do inversor de freqüência foi de 5V Sensor de nível O elemento de medição do nível d água é um sensor diferencial de pressão modelo MPX5010DP da Motorola cujas características nominais são: Tensão de alimentação: 5Vcc Tensão de saída: 0,2Vcc à 4,93Vcc Diferencial de pressão: 0 à 10kPa Figura 3.5 Sensor de Pressão MPX5010DP (Motorola)
34 Construção do Controlador PID no Simulink Foi utilizado para fazer a construção do controlador PID o Software Simulink, este sendo um módulo auxiliar do Matlab. Usou-se então um bloco de Ganho de Referência para adequar o sinal de entrada deste controlador. Para a sintonização foi utilizado o métodos das raízes. Para a ação Proporcional do controlador PID foi utilizado um bloco de Ganho com fator K igual a 1,2 conforme Figura 3.6. Figura 3.6 Parte Proporcional Um Integrador configurado com limite de saturação de valor 50 e Tempo Integral igual 0,7 conforme Figura 3.7. Figura 3.7 Parte Integral Na ação derivativa utilizou-se um bloco derivativo de Tempo Diferencial igual a 1,2 conforme 3.8. Figura 3.8 Parte Derivativa Na Figura 3.9 pode-se ver o controlador PID completo montado em estrutura de blocos no Simulink.
35 24 Figura 3.9 Controlador PID em bloco no Simulink 3.4 Construção do Controlador Fuzzy Utilizando o Fuzzy Logic Toolbox (Figura 3.10) foi criado, no editor de inferência fuzzy, um controle fuzzy do tipo Mamdani e o método de defuzzificação por centro de gravidade. Foram utilizados como entradas para o controlador fuzzy o erro de nível e a velocidade do erro de nível (derivada do erro). Figura 3.10 Editor de sistema de inferência fuzzy
36 25 A função de pertinência para as duas entradas foram escolhidas como sendo do tipo Gauss por melhor se adaptar na prática de um sensor de nível. O domínio da grandeza para as funções pertinência do erro de nível foi de -0,3 até 0,3 e para as funções de pertinência da velocidade do erro foi de -0,1 até 0,1, estes valores foram baseados em estudos práticos feitos no laboratório. Na Figura 3.11 pode-se visualizar o editor de função pertinência. Figura 3.11 Editor de função pertinência O perfil das funções de pertinência da entrada de erro é demonstrado na Figura 3.12 e o perfil das funções de pertinência da entrada velocidade do erro na Figura 3.13.
Controle II. Estudo e sintonia de controladores industriais
Controle II Estudo e sintonia de controladores industriais Introdução A introdução de controladores visa modificar o comportamento de um dado sistema, o objetivo é, normalmente, fazer com que a resposta
Leia maisComplemento III Noções Introdutórias em Lógica Nebulosa
Complemento III Noções Introdutórias em Lógica Nebulosa Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia maisComplemento II Noções Introdutória em Redes Neurais
Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia maisRedes Neurais. Profa. Flavia Cristina Bernardini
Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento
Leia maisFigura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001
47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações
Leia maisEXERCÍCIOS RESOLVIDOS
ENG JR ELETRON 2005 29 O gráfico mostrado na figura acima ilustra o diagrama do Lugar das Raízes de um sistema de 3ª ordem, com três pólos, nenhum zero finito e com realimentação de saída. Com base nas
Leia maisUniversidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação
Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação Laboratório da Disciplina CTA-147 Controle I Análise da Resposta Transitória (Este laboratório foi uma adaptação
Leia maisDo neurônio biológico ao neurônio das redes neurais artificiais
Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais
Leia mais6 Conclusões e Trabalhos futuros 6.1. Conclusões
6 Conclusões e Trabalhos futuros 6.1. Conclusões Neste trabalho estudou-se o comportamento do sistema que foi denominado pendulo planar com a adição de uma roda de reação na haste do pendulo composta de
Leia maisPesquisa com Professores de Escolas e com Alunos da Graduação em Matemática
Pesquisa com Professores de Escolas e com Alunos da Graduação em Matemática Rene Baltazar Introdução Serão abordados, neste trabalho, significados e características de Professor Pesquisador e as conseqüências,
Leia maisOBJETIVOS: CARGA HORÁRIA MÍNIMA CRONOGRAMA:
ESTUDO DIRIGIDO COMPONENTE CURRICULAR: Controle de Processos e Instrumentação PROFESSOR: Dorival Rosa Brito ESTUDO DIRIGIDO: Métodos de Determinação de Parâmetros de Processos APRESENTAÇÃO: O rápido desenvolvimento
Leia maisGERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL
Capítulo 10 GERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL 10.1 2003 by Prentice Hall OBJETIVOS Por que hoje as empresas necessitam de programas de gestão do conhecimento e sistemas para gestão do conhecimento?
Leia maisAutomação de Bancada Pneumática
Instituto Federal Sul-rio-grandense Campus Pelotas - Curso de Engenharia Elétrica Automação de Bancada Pneumática Disciplina: Projeto Integrador III Professor: Renato Allemand Equipe: Vinicius Obadowski,
Leia maisInteligência Artificial
Inteligência Artificial As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas e técnicas
Leia maisRedes Neurais. A IA clássica segue o paradigma da computação simbólica
Abordagens não simbólicas A IA clássica segue o paradigma da computação simbólica Redes Neurais As redes neurais deram origem a chamada IA conexionista, pertencendo também a grande área da Inteligência
Leia maisIW10. Rev.: 02. Especificações Técnicas
IW10 Rev.: 02 Especificações Técnicas Sumário 1. INTRODUÇÃO... 1 2. COMPOSIÇÃO DO IW10... 2 2.1 Placa Principal... 2 2.2 Módulos de Sensores... 5 3. APLICAÇÕES... 6 3.1 Monitoramento Local... 7 3.2 Monitoramento
Leia maisCaracterização temporal de circuitos: análise de transientes e regime permanente. Condições iniciais e finais e resolução de exercícios.
Conteúdo programático: Elementos armazenadores de energia: capacitores e indutores. Revisão de características técnicas e relações V x I. Caracterização de regime permanente. Caracterização temporal de
Leia maisInstrumentação na Indústria Química. Prof. Gerônimo
Instrumentação na Indústria Química Prof. Gerônimo Ementa 1. Introdução. 2. Histórico. 3. Automação, controle de processo. 4. Instrumentos para controle de processos: - Classificação dos instrumentos -
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA
UNIVERSIDADE FEDERAL DE SANTA CATARINA CIÊNCIAS DA COMPUTAÇÃO MÁQUINAS DE COMITÊ APLICADAS À FILTRAGEM DE SPAM Monografia submetida à UNIVERSIDADE FEDERAL DE SANTA CATARINA para a obtenção do grau de BACHAREL
Leia maisModelo Cascata ou Clássico
Modelo Cascata ou Clássico INTRODUÇÃO O modelo clássico ou cascata, que também é conhecido por abordagem top-down, foi proposto por Royce em 1970. Até meados da década de 1980 foi o único modelo com aceitação
Leia maisMICROMASTER MM4. Usando o Controle de Malha Fechada (PID) Edição 08.2002. IND 1 Drives technology Suporte Técnico Drives Hotline
s MICROMASTER MM4 Usando o Controle de Malha Fechada (PID) Edição 08.2002 IND 1 Drives technology Suporte Técnico Drives Hotline USANDO O CONTROLE DE MALHA FECHADA NO MM4 O que é controle de malha fechada
Leia maisFunções de Posicionamento para Controle de Eixos
Funções de Posicionamento para Controle de Eixos Resumo Atualmente muitos Controladores Programáveis (CPs) classificados como de pequeno porte possuem, integrados em um único invólucro, uma densidade significativa
Leia maisCálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante
Cálculo Numérico Aula : Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Computação Numérica - O que é Cálculo Numérico? Cálculo numérico é uma metodologia para resolver problemas matemáticos
Leia maisUNIVERSIDADE FEDERAL DE SANTA MARIA COLÉGIO TÉCNICO INDUSTRIAL DE SANTA MARIA Curso de Eletrotécnica
UNIVERSIDADE FEDERAL DE SANTA MARIA COLÉGIO TÉCNICO INDUSTRIAL DE SANTA MARIA Curso de Eletrotécnica Apostila de Automação Industrial Elaborada pelo Professor M.Eng. Rodrigo Cardozo Fuentes Prof. Rodrigo
Leia maisIntrodução e Motivação
Introdução e Motivação 1 Análise de sistemas enfoque: sistemas dinâmicos; escopo: sistemas lineares; objetivo: representar, por meio de modelos matemáticos, fenômenos observados e sistemas de interesse;
Leia maisALESSANDRO RODRIGO FRANCO FERNANDO MARTINS RAFAEL ALMEIDA DE OLIVEIRA
ALESSANDRO RODRIGO FRANCO FERNANDO MARTINS RAFAEL ALMEIDA DE OLIVEIRA INTRODUÇÃO O projeto de um banco de dados é realizado sob um processo sistemático denominado metodologia de projeto. O processo do
Leia maisACIONAMENTOS ELETRÔNICOS (INVERSOR DE FREQUÊNCIA)
ACIONAMENTOS ELETRÔNICOS (INVERSOR DE FREQUÊNCIA) 1. Introdução 1.1 Inversor de Frequência A necessidade de aumento de produção e diminuição de custos faz surgir uma grande infinidade de equipamentos desenvolvidos
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação
SOFT DISCIPLINA: Engenharia de Software AULA NÚMERO: 10 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir os conceitos de coesão e acoplamento. DESENVOLVIMENTO Projetar
Leia maisDESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE
DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE Mariane Alves Gomes da Silva Eliana Zandonade 1. INTRODUÇÃO Um aspecto fundamental de um levantamento
Leia mais1. NÍVEL CONVENCIONAL DE MÁQUINA
1. NÍVEL CONVENCIONAL DE MÁQUINA Relembrando a nossa matéria de Arquitetura de Computadores, a arquitetura de Computadores se divide em vários níveis como já estudamos anteriormente. Ou seja: o Nível 0
Leia mais3 Metodologia de Previsão de Padrões de Falha
3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar
Leia maisProjeto de controle e Automação de Antena
Projeto de controle e Automação de Antena Wallyson Ferreira Resumo expandido de Iniciação Tecnológica PUC-Campinas RA: 13015375 Lattes: K4894092P0 wallysonbueno@gmail.com Omar C. Branquinho Sistemas de
Leia maisPROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software
PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às
Leia mais2 Diagrama de Caso de Uso
Unified Modeling Language (UML) Universidade Federal do Maranhão UFMA Pós Graduação de Engenharia de Eletricidade Grupo de Computação Assunto: Diagrama de Caso de Uso (Use Case) Autoria:Aristófanes Corrêa
Leia maisAjuste dos Parâmetros de um Controlador PI em uma Coluna de Destilação Binária
Ajuste dos Parâmetros de um Controlador PI em uma Coluna de Destilação Binária Marina Roberto Martins 1*, Fernando Palú 1 (1) Universidade Estadual do Oeste do Paraná, Curso de Engenharia Química. e-mail:
Leia mais1. CONTROLE DE PROCESSO
1. CONTROLE DE PROCESSO PROCESSO: operação ou desenvolvimento que evolui progressivamente em direção a um resultado ou meta. Qualquer operação a ser controlada, tais como, processos químicos, biológicos,
Leia maisExtração de Requisitos
Extração de Requisitos Extração de requisitos é o processo de transformação das idéias que estão na mente dos usuários (a entrada) em um documento formal (saída). Pode se entender também como o processo
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário
Leia maisCHECK - LIST - ISO 9001:2000
REQUISITOS ISO 9001: 2000 SIM NÃO 1.2 APLICAÇÃO A organização identificou as exclusões de itens da norma no seu manual da qualidade? As exclusões são relacionadas somente aos requisitos da sessão 7 da
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisAlgoritmos: Lógica para desenvolvimento de programação de computadores. Autor: José Augusto Manzano. Capítulo 1 Abordagem Contextual
Algoritmos: Lógica para desenvolvimento de programação de computadores Autor: José Augusto Manzano Capítulo 1 Abordagem Contextual 1.1. Definições Básicas Raciocínio lógico depende de vários fatores para
Leia maisCAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES
CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:
Leia maisPROJETO DE REDES www.projetoderedes.com.br
PROJETO DE REDES www.projetoderedes.com.br Curso de Tecnologia em Redes de Computadores Disciplina: Redes I Fundamentos - 1º Período Professor: José Maurício S. Pinheiro AULA 2: Transmissão de Dados 1.
Leia maisFACULDADE DE ENGENHARIA DE COMPUTAÇÃO. PROJETO FINAL I e II PLANO DE TRABALHO <NOME DO TRABALHO> <Nome do Aluno> <Nome do Orientador>
FACULDADE DE ENGENHARIA DE COMPUTAÇÃO PROJETO FINAL I e II PLANO DE TRABALHO O Trabalho de Conclusão de Curso (TCC) a ser desenvolvido
Leia maisPós-Graduação em Engenharia Elétrica Inteligência Artificial
Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms
Leia maisMatlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida
27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma
Leia mais)HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR
6LPXODomR GH6LVWHPDV )HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR #5,6. Simulador voltado para análise de risco financeiro 3RQWRV IRUWHV Fácil de usar. Funciona integrado a ferramentas já bastante conhecidas,
Leia maisControle de Sistemas
Controle de Sistemas Introdução aos Sistemas de Controle Renato Dourado Maia Universidade Estadual de Montes Claros Engenharia de Sistemas Uma Pergunta O que é controle? 2/42 A Resposta Vamos entender
Leia mais2. Representação Numérica
2. Representação Numérica 2.1 Introdução A fim se realizarmos de maneira prática qualquer operação com números, nós precisamos representa-los em uma determinada base numérica. O que isso significa? Vamos
Leia maisPRÓ-MATATEMÁTICA NA FORMAÇÃO DE PROFESSORES
PRÓ-MATATEMÁTICA NA FORMAÇÃO DE PROFESSORES Regina Luzia Corio de Buriasco * UEL reginaburiasco@sercomtel.com.br Magna Natália Marin Pires* UEL magna@onda.com.br Márcia Cristina de Costa Trindade Cyrino*
Leia maisMetodologias de Desenvolvimento de Sistemas. Analise de Sistemas I UNIPAC Rodrigo Videschi
Metodologias de Desenvolvimento de Sistemas Analise de Sistemas I UNIPAC Rodrigo Videschi Histórico Uso de Metodologias Histórico Uso de Metodologias Era da Pré-Metodologia 1960-1970 Era da Metodologia
Leia maisDadas a base e a altura de um triangulo, determinar sua área.
Disciplina Lógica de Programação Visual Ana Rita Dutra dos Santos Especialista em Novas Tecnologias aplicadas a Educação Mestranda em Informática aplicada a Educação ana.santos@qi.edu.br Conceitos Preliminares
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia mais3 Método de Monte Carlo
25 3 Método de Monte Carlo 3.1 Definição Em 1946 o matemático Stanislaw Ulam durante um jogo de paciência tentou calcular as probabilidades de sucesso de uma determinada jogada utilizando a tradicional
Leia maisTécnicas de Caixa Preta de Teste de Software
Técnicas de Caixa Preta de Teste de Software Na maioria de projetos de teste, o tempo para a realização dos mesmos sempre é curto e os números de testes a serem realizados nas aplicações são inúmeros.
Leia maisLEI DE OHM. Professor João Luiz Cesarino Ferreira. Conceitos fundamentais
LEI DE OHM Conceitos fundamentais Ao adquirir energia cinética suficiente, um elétron se transforma em um elétron livre e se desloca até colidir com um átomo. Com a colisão, ele perde parte ou toda energia
Leia maisMLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia maisAEC PARTE 02: INTRODUÇÃO AOS SISTEMAS DE CONTROLE
AEC PARTE 02: INTRODUÇÃO AOS SISTEMAS DE CONTROLE 2.1 INTRODUÇÃO O controle automático tem desempenhado um papel fundamental no avanço da engenharia e da ciência. Alem da extrema importância em sistemas
Leia maisCapítulo 3. Avaliação de Desempenho. 3.1 Definição de Desempenho
20 Capítulo 3 Avaliação de Desempenho Este capítulo aborda como medir, informar e documentar aspectos relativos ao desempenho de um computador. Além disso, descreve os principais fatores que influenciam
Leia maisBancada de Testes Hidrostáticos e Pneumáticos
Bancada de Testes Hidrostáticos e Pneumáticos 1 Concepção O que é a bancada de testes da Valeq? Esta bancada foi desenvolvia com a intenção de agilizar os testes de campo e de bancada que envolvem pressão.
Leia maisProcessos industriais INSTRUMENTAÇÃO E CONTROLE. Pirâmide da automação 29/1/2012. Controle automático de processo
Processos industriais INSTRUMENTAÇÃO E CONTROLE Controle automático de processo Processos Contínuos: são aqueles que possuem saídas contínuas como, por exemplo, processos de geração de energia. Processos
Leia maisGeração de Energia Elétrica
Geração de Energia Elétrica Aspectos Dinâmicos da Geração Hidroelétrica Joinville, 21 de Março de 2012 Escopo dos Tópicos Abordados Controle de Carga-Frequência Regulação Primária Modelo do Sistema de
Leia maisAs fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:
1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Introdução O Cálculo Numérico
Leia maisUniversidade Federal de Ouro Preto Escola de Minas Departamento de Engenharia de Controle e Automação. Ronilson Rocha
Universidade Federal de Ouro Preto Escola de Minas Departamento de Engenharia de Controle e Automação PROJETO E CARACTERIZAÇÃO DE CIRCUITOS ELETRÔNICOS CAÓTICOS: O LADO NEGATIVO DO CIRCUITO DE CHUA Ronilson
Leia maisENGENHARIA DE SOFTWARE
ENGENHARIA DE SOFTWARE Síntese de tópicos importantes PRESSMAN, Roger S. Conteúdo Componentes e tipos de software Problemas com o software e suas causas Mitologia que envolve o software Configuração de
Leia maisMódulo 4. Construindo uma solução OLAP
Módulo 4. Construindo uma solução OLAP Objetivos Diferenciar as diversas formas de armazenamento Compreender o que é e como definir a porcentagem de agregação Conhecer a possibilidade da utilização de
Leia maisSistemas de Informação CEA460 - Gestão da Informação
Sistemas de Informação CEA460 - Gestão da Informação Janniele Aparecida Conceitos Sistema de Informação Conjunto de componentes interrelacionados que coletam (ou recuperam), processam e armazenam e distribuem
Leia maisOficina de Multimédia B. ESEQ 12º i 2009/2010
Oficina de Multimédia B ESEQ 12º i 2009/2010 Conceitos gerais Multimédia Hipertexto Hipermédia Texto Tipografia Vídeo Áudio Animação Interface Interacção Multimédia: É uma tecnologia digital de comunicação,
Leia maisQuadro de consulta (solicitação do mestre)
Introdução ao protocolo MODBUS padrão RTU O Protocolo MODBUS foi criado no final dos anos 70 para comunicação entre controladores da MODICON. Por ser um dos primeiros protocolos com especificação aberta
Leia maisProtocolo em Rampa Manual de Referência Rápida
Protocolo em Rampa Manual de Referência Rápida 1 O que é o Protocolo em Rampa O protocolo em rampa é um protocolo para testes de esforço que não possui estágios. Nele o incremento da carga se dá de maneira
Leia maisIvan Guilhon Mitoso Rocha. As grandezas fundamentais que serão adotadas por nós daqui em frente:
Rumo ao ITA Física Análise Dimensional Ivan Guilhon Mitoso Rocha A análise dimensional é um assunto básico que estuda as grandezas físicas em geral, com respeito a suas unidades de medida. Como as grandezas
Leia maisA METODOLOGIA DE.ENSINO-APRENDIZAGEM DE MATEMÁTICA ATRAVÉS DA RESOLUÇÃO DE PROBLEMAS: INTERDISCIPLINARIDADE E O USO DA MATEMÁTICA FUNCIONAL.
A METODOLOGIA DE.ENSINO-APRENDIZAGEM DE MATEMÁTICA ATRAVÉS DA RESOLUÇÃO DE PROBLEMAS: INTERDISCIPLINARIDADE E O USO DA MATEMÁTICA FUNCIONAL. Wagner José Bolzan 1. Resumo Em minha dissertação de mestrado
Leia maisCOERÊNCIA DO CURRÍCULO DO CURSO DE ENGENHARIA DE COMPUTAÇÃO EM FACE DAS DIRETRIZES CURRICULARES NACIONAIS
COERÊNCIA DO CURRÍCULO DO CURSO DE ENGENHARIA DE COMPUTAÇÃO EM FACE DAS DIRETRIZES CURRICULARES NACIONAIS O documento que serviu de base para a análise a seguir é o denominado "Diretrizes Curriculares
Leia maisArquitetura de Rede de Computadores
TCP/IP Roteamento Arquitetura de Rede de Prof. Pedro Neto Aracaju Sergipe - 2011 Ementa da Disciplina 4. Roteamento i. Máscara de Rede ii. Sub-Redes iii. Números Binários e Máscara de Sub-Rede iv. O Roteador
Leia maisAula 2. Carlos Amaral Fonte: Cristiano Quevedo Andrea
Aula 2 Carlos Amaral Fonte: Cristiano Quevedo Andrea UTFPR - Universidade Tecnológica Federal do Paraná DAELT - Departamento Acadêmico de Eletrotécnica Curitiba, Agosto de 2011. Resumo Terminologias 1
Leia maisRodrigo Baleeiro Silva Engenheiro de Controle e Automação. Introdução à Engenharia de Controle e Automação
Rodrigo Baleeiro Silva Engenheiro de Controle e Automação (do latim Automatus, que significa mover-se por si) ; Uso de máquinas para controlar e executar suas tarefas quase sem interferência humana, empregando
Leia mais11/07/2012. Professor Leonardo Gonsioroski FUNDAÇÃO EDSON QUEIROZ UNIVERSIDADE DE FORTALEZA DEPARTAMENTO DE ENGENHARIA ELÉTRICA.
FUNDAÇÃO EDSON QUEIROZ UNIVERSIDADE DE FORTALEZA DEPARTAMENTO DE ENGENHARIA ELÉTRICA Aulas anteriores Tipos de Sinais (degrau, rampa, exponencial, contínuos, discretos) Transformadas de Fourier e suas
Leia maisCapítulo 7 Medidas de dispersão
Capítulo 7 Medidas de dispersão Introdução Para a compreensão deste capítulo, é necessário que você tenha entendido os conceitos apresentados nos capítulos 4 (ponto médio, classes e frequência) e 6 (média).
Leia maisAPLICAÇÃO PARA ANÁLISE GRÁFICA DE EXERCÍCIO FÍSICO A PARTIR DA PLATAFORMA ARDUINO
APLICAÇÃO PARA ANÁLISE GRÁFICA DE EXERCÍCIO FÍSICO A PARTIR DA PLATAFORMA ARDUINO Alessandro A. M de Oliveira 1 ; Alexandre de Oliveira Zamberlan 1 ; Péricles Pinheiro Feltrin 2 ; Rafael Ogayar Gomes 3
Leia mais7.Conclusão e Trabalhos Futuros
7.Conclusão e Trabalhos Futuros 158 7.Conclusão e Trabalhos Futuros 7.1 Conclusões Finais Neste trabalho, foram apresentados novos métodos para aceleração, otimização e gerenciamento do processo de renderização
Leia maisAnálise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO)
Análise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO) Parte: 1 Prof. Cristóvão Cunha Objetivos de aprendizagem
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação
SOFT DISCIPLINA: Engenharia de software AULA NÚMERO: 08 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir conceitos relacionados a modelos e especificações. Nesta aula
Leia maisProjetos. Universidade Federal do Espírito Santo - UFES. Mestrado em Informática 2004/1. O Projeto. 1. Introdução. 2.
Pg. 1 Universidade Federal do Espírito Santo - UFES Mestrado em Informática 2004/1 Projetos O Projeto O projeto tem um peso maior na sua nota final pois exigirá de você a utilização de diversas informações
Leia maisAutomação Industrial Parte 2
Automação Industrial Parte 2 Prof. Ms. Getúlio Teruo Tateoki http://www.getulio.eng.br/meusalunos/autind.html Perspectiva Histórica Os primeiros sistemas de controle foram desenvolvidos durante a Revolução
Leia maisINTRODUÇÃO ÀS LINGUAGENS DE PROGRAMAÇÃO
Capítulo 1 INTRODUÇÃO ÀS LINGUAGENS DE PROGRAMAÇÃO 1.1 Histórico de Linguagens de Programação Para um computador executar uma dada tarefa é necessário que se informe a ele, de uma maneira clara, como ele
Leia maisGERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL
GERENCIAMENTO DO CONHECIMENTO NA EMPRESA DIGITAL 1 OBJETIVOS 1. Por que hoje as empresas necessitam de programas de gestão do conhecimento e sistemas para gestão do conhecimento? 2. Quais são as aplicações
Leia maisFAPERJ & PIUES/PUC-Rio FÍSICA E MATEMÁTICA DO ENSINO MÉDIO APLICADAS A SISTEMAS DE ENGENHARIA
FAPERJ & PIUES/PUC-Rio FÍSICA E MATEMÁTICA DO ENSINO MÉDIO APLICADAS A SISTEMAS DE ENGENHARIA 1) INTRODUÇÃO Rio de Janeiro, 05 de Maio de 2015. A equipe desenvolvedora deste projeto conta com: - Prof.
Leia maisSistemas de Informação I
+ Sistemas de Informação I Dimensões de análise dos SI Ricardo de Sousa Britto rbritto@ufpi.edu.br + Introdução n Os sistemas de informação são combinações das formas de trabalho, informações, pessoas
Leia maisA lógica de programação ajuda a facilitar o desenvolvimento dos futuros programas que você desenvolverá.
INTRODUÇÃO A lógica de programação é extremamente necessária para as pessoas que queiram trabalhar na área de programação, seja em qualquer linguagem de programação, como por exemplo: Pascal, Visual Basic,
Leia maisSMART GRID EM ESPAÇOS POPULARES: DESAFIOS E POSSIBILIDADES. Bolsista do PET EEEC/UFG engenheiralaura1@hotmail.com.
SMART GRID EM ESPAÇOS POPULARES: DESAFIOS E POSSIBILIDADES Rosemar Aquino de Rezende JUNIOR 1 ; Laura Vitória Rezende Dias 2 ; Getúlio Antero de Deus JÚNIOR 3 Grupo PET EEEC (Conexões de Saberes) /UFG
Leia maisCRIAÇÃO DA DISCIPLINA SISTEMA DE GESTÃO AMBIENTAL NO CURSO DE ENGENHARIA CIVIL
CRIAÇÃO DA DISCIPLINA SISTEMA DE GESTÃO AMBIENTAL NO CURSO DE ENGENHARIA CIVIL Elias S. Assayag eassayag@internext.com.br Universidade do Amazonas, Departamento de Hidráulica e Saneamento da Faculdade
Leia maisSoluções via.net para otimização de processos paramétricos com Autodesk Inventor.
Soluções via.net para otimização de processos paramétricos com Autodesk Inventor. Michel Brites dos Santos MAPData A parametrização quando possível já é uma forma de otimizar o processo de criação na engenharia.
Leia maisFiltros de sinais. Conhecendo os filtros de sinais.
Filtros de sinais Nas aulas anteriores estudamos alguns conceitos importantes sobre a produção e propagação das ondas eletromagnéticas, além de analisarmos a constituição de um sistema básico de comunicações.
Leia maisBanco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados
Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Um Sistema Gerenciador de Banco de Dados (SGBD) é constituído por um conjunto de dados associados a um conjunto de programas para acesso a esses
Leia maisNOME COMPLETO DA SUA INSTITUIÇÃO. Nome completo do integrante A Nome completo do integrante B Nome completo do integrante C
NOME COMPLETO DA SUA INSTITUIÇÃO Nome completo do integrante A Nome completo do integrante B Nome completo do integrante C TÍTULO DO TRABALHO: subtítulo, se houver Santa Rita do Sapucaí 2015 Nome completo
Leia maisPlaca Acessório Modem Impacta
manual do usuário Placa Acessório Modem Impacta Parabéns, você acaba de adquirir um produto com a qualidade e segurança Intelbras. A Placa Modem é um acessório que poderá ser utilizado em todas as centrais
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia maisInteligência Artificial. Redes Neurais Artificiais
Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:
Leia mais