DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO

Transcrição

1 DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, João Sinohara da Silva Sousa, Instituto Federal de Educação, Ciência e Tecnologia de São Paulo Campus São José dos Campos RESUMO Este trabalho tem o objetivo de melhorar as técnicas de controle de robôs e máquinas de produção, foi utilizada a rede de neurônios CMAC (Cerebellar Model Articulation Controller) com funções de ativação semelhantes às utilizadas na lógica fuzzy. Os resultados da aprendizagem e treinamento da rede mostraram que ela pode se adequar a uma situação parecida com a que foi treinada e se mostra promissor na área industrial, principalmente no controle de máquinas de produção para se adequar a situações onde se necessita de rapidez de treinamento e acesso a informação. Palavras-chave: CMAC. Rede. Neural. Controle. Robô. 1. INTRODUÇÃO No cenário industrial atual, elaborar técnicas de controle pode ser útil, principalmente na indústria, que exige cada vez mais técnicas simples para situações complexas para o controle da produção e de robôs industriais. O controle manual em um processo industrial é exercido instante a instante, através de decisões de especialistas com conhecimento para relacionar ações e resultados e ainda exigem pilotagem das operações, acompanhamento, experiência e operações de grandes riscos à saúde. O presente trabalho continua a linha de pesquisa de Bueno e Sousa (2014) para aprimorar ações de controle de Robôs e máquinas de produção utilizando técnicas de inteligência artificial, mais especificamente Rede de neurônios CMAC juntamente com funções de ativação semelhantes a lógica fuzzy. O objetivo deste trabalho é continuar a pesquisa desenvolvendo um algoritmo da rede neurônios CMAC e lógica fuzzy e fazer com que robôs e máquinas de produção realizem operações semelhantes à de seres humanos. 2. FUNDAMENTAÇÃO TEÓRICA. A lógica fuzzy formulada por Zadeh (1965) é uma técnica que pode resolver problemas de modelagem complexa, com aspectos quantitativos, sujeitos a variações probabilísticas relevantes ou descritos por bases de dados diferentes e incompletos. Seu processo decisório se baseia em variáveis linguísticas que simulam e replicam elementos do pensamento humano, principalmente em bases comparativas, tais como: mais alto, mais frio, melhor; ou vagas, tais como: alto, baixo, bom (Kacprzyk, 1997). A rede CMAC foi desenvolvida por James Albus (1975) com características de processamento semelhante a do cerebelo. A rede CMAC pode ser usada para regenerar uma saída a partir de uma função de controle ou tabela armazenada. A memória armazena a relação entre as entradas e as saídas desejadas através de coeficientes ou pesos. Em comparação com as outras redes neurais (Sayil, 2001), a CMAC tem vantagens de aprendizagem muito rápida e tem propriedade única de treinar rapidamente certas áreas da memória sem afetar toda estrutura, essa vantagem de treinamento rápido é muito importante em casos de aplicações em tempo real. Por exemplo, em um sistema de controle de um braço robótico coletor de peças adaptativo, a CMAC pode aprender como as peças são coletadas. Os mesmos benefícios podem ser obtidos em outros sistemas de controle adaptativo. A aprendizagem da rede CMAC é baseada na função a ser aprendida. A CMAC utiliza esta informação para ensinar a rede a determinar os pesos das regiões ativadas através da entrada. Na fase de treinamento os pesos são ajustados de tal maneira que a saída da rede se aproxime da saída desejada, como é apresentado na Fig. 1. Este treinamento ocorre em um ambiente de aprendizagem supervisionada, ou seja, a CMAC ao receber uma entrada X(k) ativa os pesos e determinara a saída y (k) associada aos pesos. A diferença entre a saída associada aos pesos e a saída desejada y(k) serve para ajustar os pesos. Assim, dada à amostra do erro, utiliza-se como uma correção para cada uma das células da memória ativas pela entrada. A lógica fuzzy aplicada em consonância com a rede CMAC neste trabalho, torna o comportamento da CMAC tradicional mais adequada para aplicações de funções continuas.

2 Figura 1. Treinamento da rede CMAC 3. MATERIAIS E MÉTODOS O desenvolvimento da rede neural CMAC com funções de ativação semelhante às utilizadas em lógica fuzzy está sendo programado em ambiente MATLAB para aprendizado, treinamento da rede e visualização de resultados em forma de gráficos. A rede neural CMAC é treinada com base em uma função ou tabela, para esse início de projeto escolheu-se a função da Eq. (1) para treinamento, pois é uma função não linear com saturação e fácil de ser interpretada como é apresentada na Fig.2. y = 1 (1 + e -x ); (1) x a variável de entrada; y a saída desejada pela rede.

3 Figura 2. Função não linear Para treinar a rede utilizando a B-spline apresentada na Fig. 2 considera-se inútil usar a função quando o valor da variável de entrada for menor que -5 ou maior que 5, pois a saída é praticamente constante a partir desses valores. Ao determinar o valor máximo e mínimo da variável de entrada, criou-se um universo utilizando lógica fuzzy para a rede ter uma saída mais suave a partir do fator de pertinência excitado pela entrada. Como é apresentado na Fig. 3, o universo ocupa um espaço entre -5 à 5 com fator de pertinência triangular com triângulos ocupando 2 espaços no universo e intervalos de 1 entre o início de um triangulo para o outro. O fator de pertinência triangular foi escolhido, pois não possui um grande nível de complexidade e é fácil de ser compreendido, e pode assumir qualquer valor entre 0 e 1 e não apenas 0 ou 1. Figura 3. Função de ativação com lógica fuzzy µ o grau de pertinência; x a variável de entrada. A Equação (2) demonstra como se calcula o grau de pertinência triangular. No caso especifico desse universo onde os triângulos estão interligados igualmente, a variável de entrada ativa dois fatores de pertinência.

4 f (x,a,b,c) = max (min( x a b a, c x c b ),0) ; (2) x a variável de entrada; a o ponto que inicia o triangulo; b o ponto da ponta do triangulo; c o ponto que encerra o triangulo Aprendizado A saída da rede CMAC com lógica fuzzy é determinada pela soma de uma quantidade fixa de pesos onde cada peso é multiplicado pelos graus de pertinência ativados pela variável de entrada. A escolha dos pesos que serão somados é feita por funções de quantização em relação às entradas e cada função de quantização define um peso que está associado ao endereço ativado pela entrada. Os pesos são determinados a partir da função escolhida para o treinamento, da saída da rede a partir dos pesos e de uma política adotada para alguns pesos. A Equação (3) apresenta a saída da rede CMAC para uma entrada e uma saída determinada pelos graus de pertinência ativados e pelos pesos. A Equação (4) apresenta a formula para determinar o segundo peso sendo que foi adotada uma política para determinar o primeiro peso. ỹ = w1 µ1 + w2 µ2; (3) ỹ a saída associada aos pesos; w1 o primeiro peso; w2 o segundo peso; µ1 o primeiro grau de pertinência ativado pela entrada; µ2 o segundo grau de pertinência ativado pela entrada; w2 = y - (w1 µ1) µ2; (4) y a saída determinada por uma função O processo de aprendizagem da rede deste trabalho é realizado em determinados pontos do universo criado, desde variável do início do universo até o final com intervalos de 1 entre os pontos de aprendizagem. Os pesos determinados pela quantização são guardados dentro de um vetor e esse vetor é salvo em um arquivo texto, depois tudo que a rede aprendeu é apagado e testado novamente demonstrando que a rede esqueceu o que aprendeu. Os pesos são guardados dentro do vetor sequencialmente conforme o processo de aprendizagem, e são recuperados pela ativação de uma entrada no respectivo intervalo. A Equação (5) demonstra o cálculo do valor de um intervalo do universo criado necessário para achar o endereço que é demonstrado na Eq. (6) (Bueno e Sousa, 2014). intervalo = (x Max - x Min ) n ; (5) x Max o valor máximo da variável de entrada; x Min o valor mínimo da variável de entrada; n o número de intervalos no universo. Endereço = (x - x Min ) intervalo; (6) Após o processo de aprendizagem, carregam-se os pesos e testa a rede com as mesmas variáveis que ela foi ensinada demonstrando que a rede aprendeu.

5 3.2. Treinamento A rede CMAC é ensinada em determinadas situações e ao se deparar com uma situação diferente ela se adapta a situação. Os pesos e os graus de pertinência ativados pela entrada são somados e calcula-se a média da saída, está saída associada aos pesos é comparada com a saída desejada e se houver diferença entre as saídas a CMAC ajusta os pesos para obter a resposta desejada. Ao comparar a saída calculada e a saída desejada, gera-se um erro, esse erro é utilizado para fazer os ajustes dos pesos diminuindo a diferença entre as saídas. A equação de treinamento da rede CMAC é apresentada na Eq. (7), a atualização dos pesos depende dos próprios pesos que são sempre atualizados, da taxa de aprendizagem que é um ganho para reduzir o erro das saídas, quanto menor for a taxa de aprendizagem, menor é o ajuste das saídas e muitas mais seções de treinamento são necessárias para reduzir o erro. w(k)= w(k) + tx ( y) (7) w(k) o peso carregado pela entrada; tx a taxa de aprendizagem; y a diferença entre as saídas. 4. RESULTADOS Como resultado desses 5 meses de pesquisa pode-se citar: - conhecimento aprofundado sobre a rede neural CMAC e lógica fuzzy; - conhecimento da inteligência artificial aplicada na indústria; - aprendizagem e treinamento da rede com funções de ativação semelhantes a lógica fuzzy para uma entrada. Na Figura 4 é apresentado um gráfico da sequência de treinamento na rede com intervalos da entrada variando em 0,3 entre -4 até 3,8, a cada variável de entrada a saída foi guardada em uma posição do vetor para representação no gráfico. O gráfico demonstra uma linha da saída desejada e uma sequência de pontos demonstrando o valor inicial da saída associada aos pesos. É possível observar que os pontos mais centralizados no gráfico estão mais próximos à curva da saída desejada, o centro da curva tem valor de entrada 0, portanto, quanto mais próximo de 0 for a entrada, o erro entre as saídas é menor e mais rápido essa sessão da memória é treinada. Figura 4. Gráfico de erro

6 Na Figura 5 é apresentado um gráfico da Saída da rede com o treinamento realizado, o processo de treinamento segue o mesmo processo de aprendizagem da Fig. 3 com intervalos da entrada variando em 0,3 entre -4 até 3,8. Porém o treinamento foi realizado para que a saída associada aos pesos seja o mais próximo possível ao da desejada. Figura 5. Gráfico da rede treinada 5. CONCLUSÃO E PERSPECTIVAS Neste trabalho, o desenvolvimento de Técnica de Inteligência Artificial baseada em rede CMAC e funções de pertinência fuzzy foram apresentados e possibilita aplicação em controle de robôs e máquinas de produção. Ainda em início de projeto pode se destacar os resultados obtidos pelo treinamento da rede CMAC em se adaptar a diferentes situações que foram aprendidas. O trabalho teve várias etapas que podem ser destacadas até o momento como: conhecimento sobre inteligência artificial, aplicação de lógica fuzzy para treinamento da rede CMAC visando melhorar o controle de máquinas de produção utilizando a rede CMAC com lógica fuzzy. Com base nos resultados obtidos temos que estes se apresentam satisfatórios tanto para o processo de aprendizagem quanto para o treinamento da rede e será bastante aprimorado ao longo da pesquisa. Desta forma, baseado nas diversas vantagens da rede CMAC e nos resultados obtidos, os próximos passos serão construir uma estrutura mais versátil da rede, ver o tempo de treinamento da rede, adicionar mais variáveis de entrada e saída e realizar testes em função de casos reais com de robôs e máquinas de produção. 6. AGRADECIMENTOS Os autores gostariam de agradecer ao IFSP Campus São José dos Campos/Petrobras e aos professores do IFSP Amita Muralikrishna, Claudio Luís dos Santos e Mateus Fernandes Réu Urban pelo apoio.

7 7. REFERÊNCIAS BUENO, T. C., SOUSA, J. S. S. Inteligência artificial aplicada ao controle de robôs e máquinas de produção. 5º Congresso de iniciação cientifica do IFSP, São João da Boa Vista, ZADEH, L. A. Fuzzy Sets. Department of Eletrical Engineering and Eletronics Research Laboratory. University of California, KACPRZYK. J. Multlistage fuzzy control chichester, UK. Jonh wiley Sons ALBUS, J. S. A. A new approach to manipulator control: The cerebelar model articulation controller. Trans. ASME, J. Dyn. Syst., Meas. Control, v. 97, p , SAYIL, S. A combine algorithm for a CMAC network, PAU Journal of Engineering Science, NOTA DE RESPONSABILIDADE Os autores são os únicos responsáveis pelo conteúdo deste artigo.