Anais do CONCISTEC'14

2014, copyright by IFSP

5 Congresso Cientfico da Semana Tecnolgica IFSP

20-24 de outubro de 2014, Bragana Paulista, SP, Brasil

DESENVOLVIMENTO DE TCNICA DE INTELIGENCIA ARTIFICIAL

BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAO EM
CONTROLE DE MQUINAS DE PRODUO
Thiago Coutinho Bueno, thiago_gnr95@hotmail.com
Joo Sinohara da Silva Sousa, joao.ss@ifsp.edu.br
Instituto Federal de Educao, Cincia e Tecnologia de So Paulo Campus So Jos dos Campos

RESUMO
Este trabalho tem o objetivo de melhorar as tcnicas de controle de robs e mquinas de produo, foi utilizada a rede
de neurnios CMAC (Cerebellar Model Articulation Controller) com funes de ativao semelhantes s utilizadas na
lgica fuzzy. Os resultados da aprendizagem e treinamento da rede mostraram que ela pode se adequar a uma situao
parecida com a que foi treinada e se mostra promissor na rea industrial, principalmente no controle de mquinas de
produo para se adequar a situaes onde se necessita de rapidez de treinamento e acesso a informao.
Palavras-chave: CMAC. Rede. Neural. Controle. Rob.
1.

INTRODUO
No cenrio industrial atual, elaborar tcnicas de controle pode ser til, principalmente na indstria, que exige cada
vez mais tcnicas simples para situaes complexas para o controle da produo e de robs industriais. O controle manual
em um processo industrial exercido instante a instante, atravs de decises de especialistas com conhecimento para
relacionar aes e resultados e ainda exigem pilotagem das operaes, acompanhamento, experincia e operaes de
grandes riscos sade.
O presente trabalho continua a linha de pesquisa de Bueno e Sousa (2014) para aprimorar aes de controle de Robs
e mquinas de produo utilizando tcnicas de inteligncia artificial, mais especificamente Rede de neurnios CMAC
juntamente com funes de ativao semelhantes a lgica fuzzy. O objetivo deste trabalho continuar a pesquisa
desenvolvendo um algoritmo da rede neurnios CMAC e lgica fuzzy e fazer com que robs e mquinas de produo
realizem operaes semelhantes de seres humanos.
2.

FUNDAMENTAO TERICA.
A lgica fuzzy formulada por Zadeh (1965) uma tcnica que pode resolver problemas de modelagem complexa, com
aspectos quantitativos, sujeitos a variaes probabilsticas relevantes ou descritos por bases de dados diferentes e
incompletos. Seu processo decisrio se baseia em variveis lingusticas 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 caractersticas de processamento semelhante a do
cerebelo. A rede CMAC pode ser usada para regenerar uma sada a partir de uma funo de controle ou tabela armazenada.
A memria armazena a relao entre as entradas e as sadas desejadas atravs de coeficientes ou pesos. Em comparao
com as outras redes neurais (Sayil, 2001), a CMAC tem vantagens de aprendizagem muito rpida e tem propriedade nica
de treinar rapidamente certas reas da memria sem afetar toda estrutura, essa vantagem de treinamento rpido muito
importante em casos de aplicaes em tempo real. Por exemplo, em um sistema de controle de um brao robtico coletor
de peas adaptativo, a CMAC pode aprender como as peas so coletadas. Os mesmos benefcios podem ser obtidos em
outros sistemas de controle adaptativo.
A aprendizagem da rede CMAC baseada na funo a ser aprendida. A CMAC utiliza esta informao para ensinar a
rede a determinar os pesos das regies ativadas atravs da entrada. Na fase de treinamento os pesos so ajustados de tal
maneira que a sada da rede se aproxime da sada desejada, como 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
(k) associada aos pesos. A diferena entre a sada associada aos pesos e a sada desejada y(k) serve para ajustar os
sada
pesos. Assim, dada amostra do erro, utiliza-se como uma correo para cada uma das clulas da memria ativas pela
entrada.
A lgica fuzzy aplicada em consonncia com a rede CMAC neste trabalho, torna o comportamento da CMAC
tradicional mais adequada para aplicaes de funes continuas.

Anais do CONCISTEC'14
2014, copyright by IFSP

5 Congresso Cientfico da Semana Tecnolgica IFSP

20-24 de outubro de 2014, Bragana Paulista, SP, Brasil

Figura 1. Treinamento da rede CMAC

3.

MATERIAIS E MTODOS

O desenvolvimento da rede neural CMAC com funes de ativao semelhante s utilizadas em lgica fuzzy est
sendo programado em ambiente MATLAB para aprendizado, treinamento da rede e visualizao de resultados em forma
de grficos.
A rede neural CMAC treinada com base em uma funo ou tabela, para esse incio de projeto escolheu-se a funo
da Eq. (1) para treinamento, pois uma funo no linear com saturao e fcil de ser interpretada como apresentada
na Fig.2.
y = 1(1 + e-x );
Sendo:
x a varivel de entrada;
y a sada desejada pela rede.

(1)

Anais do CONCISTEC'14
2014, copyright by IFSP

5 Congresso Cientfico da Semana Tecnolgica IFSP

20-24 de outubro de 2014, Bragana Paulista, SP, Brasil

Figura 2. Funo no linear

Para treinar a rede utilizando a B-spline apresentada na Fig. 2 considera-se intil usar a funo quando o valor da
varivel de entrada for menor que -5 ou maior que 5, pois a sada praticamente constante a partir desses valores.
Ao determinar o valor mximo e mnimo da varivel de entrada, criou-se um universo utilizando lgica fuzzy para a
rede ter uma sada mais suave a partir do fator de pertinncia excitado pela entrada. Como apresentado na Fig. 3, o
universo ocupa um espao entre -5 5 com fator de pertinncia triangular com tringulos ocupando 2 espaos no universo
e intervalos de 1 entre o incio de um triangulo para o outro.
O fator de pertinncia triangular foi escolhido, pois no possui um grande nvel de complexidade e fcil de ser
compreendido, e pode assumir qualquer valor entre 0 e 1 e no apenas 0 ou 1.

Figura 3. Funo de ativao com lgica fuzzy

Sendo:
o grau de pertinncia;
x a varivel de entrada.
A Equao (2) demonstra como se calcula o grau de pertinncia triangular. No caso especifico desse universo onde os
tringulos esto interligados igualmente, a varivel de entrada ativa dois fatores de pertinncia.

Anais do CONCISTEC'14
2014, copyright by IFSP
f (x,a,b,c) = max (min( , ),0) ;

5 Congresso Cientfico da Semana Tecnolgica IFSP

20-24 de outubro de 2014, Bragana Paulista, SP, Brasil

(2)

Sendo:
x a varivel de entrada;
a o ponto que inicia o triangulo;
b o ponto da ponta do triangulo;
c o ponto que encerra o triangulo.
3.1.

Aprendizado
A sada da rede CMAC com lgica fuzzy determinada pela soma de uma quantidade fixa de pesos onde cada peso
multiplicado pelos graus de pertinncia ativados pela varivel de entrada. A escolha dos pesos que sero somados feita
por funes de quantizao em relao s entradas e cada funo de quantizao define um peso que est associado ao
endereo ativado pela entrada.
Os pesos so determinados a partir da funo escolhida para o treinamento, da sada da rede a partir dos pesos e de
uma poltica adotada para alguns pesos.
A Equao (3) apresenta a sada da rede CMAC para uma entrada e uma sada determinada pelos graus de pertinncia
ativados e pelos pesos. A Equao (4) apresenta a formula para determinar o segundo peso sendo que foi adotada uma
poltica para determinar o primeiro peso.
y = w11 + w22;

(3)

Sendo:
y a sada associada aos pesos;
w1 o primeiro peso;
w2 o segundo peso;
1 o primeiro grau de pertinncia ativado pela entrada;
2 o segundo grau de pertinncia ativado pela entrada;
2 =

y - (w1 1)

2;

(4)

Sendo:
y a sada determinada por uma funo
O processo de aprendizagem da rede deste trabalho realizado em determinados pontos do universo criado, desde
varivel do incio do universo at o final com intervalos de 1 entre os pontos de aprendizagem. Os pesos determinados
pela quantizao so guardados dentro de um vetor e esse vetor salvo em um arquivo texto, depois tudo que a rede
aprendeu apagado e testado novamente demonstrando que a rede esqueceu o que aprendeu.
Os pesos so guardados dentro do vetor sequencialmente conforme o processo de aprendizagem, e so recuperados
pela ativao de uma entrada no respectivo intervalo. A Equao (5) demonstra o clculo do valor de um intervalo do
universo criado necessrio para achar o endereo que demonstrado na Eq. (6) (Bueno e Sousa, 2014).
intervalo =

(xMax - xMin )
n;

(5)

Sendo:
xMax o valor mximo da varivel de entrada;
xMin o valor mnimo da varivel de entrada;
n o nmero de intervalos no universo.
Endereo =

(x - xMin )

intervalo;

(6)

Aps o processo de aprendizagem, carregam-se os pesos e testa a rede com as mesmas variveis que ela foi ensinada
demonstrando que a rede aprendeu.

Anais do CONCISTEC'14
2014, copyright by IFSP

5 Congresso Cientfico da Semana Tecnolgica IFSP

20-24 de outubro de 2014, Bragana Paulista, SP, Brasil

3.2.

Treinamento
A rede CMAC ensinada em determinadas situaes e ao se deparar com uma situao diferente ela se adapta a
situao.
Os pesos e os graus de pertinncia ativados pela entrada so somados e calcula-se a mdia da sada, est sada
associada aos pesos comparada com a sada desejada e se houver diferena entre as sadas a CMAC ajusta os pesos para
obter a resposta desejada. Ao comparar a sada calculada e a sada desejada, gera-se um erro, esse erro utilizado para
fazer os ajustes dos pesos diminuindo a diferena entre as sadas.
A equao de treinamento da rede CMAC apresentada na Eq. (7), a atualizao dos pesos depende dos prprios
pesos que so sempre atualizados, da taxa de aprendizagem que um ganho para reduzir o erro das sadas, quanto menor
for a taxa de aprendizagem, menor o ajuste das sadas e muitas mais sees de treinamento so necessrias para reduzir
o erro.
w(k)= w(k) + tx (y)

(7)

Sendo:
w(k) o peso carregado pela entrada;
tx a taxa de aprendizagem;
y a diferena entre as sadas.
4.

RESULTADOS
Como resultado desses 5 meses de pesquisa pode-se citar:
- conhecimento aprofundado sobre a rede neural CMAC e lgica fuzzy;
- conhecimento da inteligncia artificial aplicada na indstria;
- aprendizagem e treinamento da rede com funes de ativao semelhantes a lgica fuzzy para uma entrada.

Na Figura 4 apresentado um grfico da sequncia de treinamento na rede com intervalos da entrada variando em 0,3
entre -4 at 3,8, a cada varivel de entrada a sada foi guardada em uma posio do vetor para representao no grfico.
O grfico demonstra uma linha da sada desejada e uma sequncia de pontos demonstrando o valor inicial da sada
associada aos pesos.
possvel observar que os pontos mais centralizados no grfico esto mais prximos curva da sada desejada, o
centro da curva tem valor de entrada 0, portanto, quanto mais prximo de 0 for a entrada, o erro entre as sadas menor
e mais rpido essa sesso da memria treinada.

Figura 4. Grfico de erro

Anais do CONCISTEC'14
2014, copyright by IFSP

5 Congresso Cientfico da Semana Tecnolgica IFSP

20-24 de outubro de 2014, Bragana Paulista, SP, Brasil

Na Figura 5 apresentado um grfico da Sada 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 at 3,8. Porm o
treinamento foi realizado para que a sada associada aos pesos seja o mais prximo possvel ao da desejada.

Figura 5. Grfico da rede treinada

5.

CONCLUSO E PERSPECTIVAS

Neste trabalho, o desenvolvimento de Tcnica de Inteligncia Artificial baseada em rede CMAC e funes de
pertinncia fuzzy foram apresentados e possibilita aplicao em controle de robs e mquinas de produo. Ainda em
incio de projeto pode se destacar os resultados obtidos pelo treinamento da rede CMAC em se adaptar a diferentes
situaes que foram aprendidas.
O trabalho teve vrias etapas que podem ser destacadas at o momento como: conhecimento sobre inteligncia
artificial, aplicao de lgica fuzzy para treinamento da rede CMAC visando melhorar o controle de mquinas de produo
utilizando a rede CMAC com lgica fuzzy.
Com base nos resultados obtidos temos que estes se apresentam satisfatrios tanto para o processo de aprendizagem
quanto para o treinamento da rede e ser bastante aprimorado ao longo da pesquisa.
Desta forma, baseado nas diversas vantagens da rede CMAC e nos resultados obtidos, os prximos passos sero
construir uma estrutura mais verstil da rede, ver o tempo de treinamento da rede, adicionar mais variveis de entrada e
sada e realizar testes em funo de casos reais com de robs e mquinas de produo.

6.

AGRADECIMENTOS

Os autores gostariam de agradecer ao IFSP Campus So Jos dos Campos/Petrobras e aos professores do IFSP Amita
Muralikrishna, Claudio Lus dos Santos e Mateus Fernandes Ru Urban pelo apoio.

Anais do CONCISTEC'14
2014, copyright by IFSP
7.

5 Congresso Cientfico da Semana Tecnolgica IFSP

20-24 de outubro de 2014, Bragana Paulista, SP, Brasil

REFERNCIAS

BUENO, T. C., SOUSA, J. S. S. Inteligncia artificial aplicada ao controle de robs e mquinas de produo. 5
Congresso de iniciao cientifica do IFSP, So Joo da Boa Vista, 2014.
ZADEH, L. A. Fuzzy Sets. Department of Eletrical Engineering and Eletronics Research Laboratory. University of
California, 1965.
KACPRZYK. J. Multlistage fuzzy control chichester, UK. Jonh wiley Sons. 1997.
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. 220-227, 1975.
SAYIL, S. A combine algorithm for a CMAC network, PAU Journal of Engineering Science, 2001.

8.

NOTA DE RESPONSABILIDADE
Os autores so os nicos responsveis pelo contedo deste artigo.