th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009
Aplicao de Extrao de Regras para Anlise
de Transformadores de Potncia
M. A. B. Amora, O. M. Almeida, A. P. S. Braga, F. R. Barbosa, S. S. Lima, L. A. C. Lisboa
Abstract--As redes neurais artificiais representam modelos
computacionais eficientes que so amplamente utilizados para
resolver problemas de difcil soluo em Inteligncia Artificial.
A maior dificuldade associada utilizao de redes neurais
artificiais se deve ao fato das mesmas serem, tambm,
consideradas caixas-pretas, devido dificuldade de se obter
conhecimento sobre o comportamento da rede neural. Este
trabalho apresenta um breve histrico dos mtodos de extrao
de conhecimento, sendo detalhado um mtodo de extrao de
regras que estabelece uma relao de igualdade entre certas
classes de redes neurais e sistemas baseados em regras fuzzy,
com modificaes que permitem a obteno de regras coerentes
com o domnio das variveis do problema. O mtodo de extrao
de regras de conhecimento aplicado para a identificao de
faltas incipientes em transformadores de potncia, utilizao
dados de gases dissolvidos no leo do transformador.
Index Terms-- Diagnstico de faltas em transformadores,
Extrao de regras de conhecimento, Redes neurais artificiais,
Sistemas baseados em lgica fuzzy.
I. INTRODUO
R edes Neurais Artificiais (RNAs) so muito utilizadas
para resolver problemas complexos de Inteligncia
Artificial e de engenharia, e so conhecidas por sua
caracterstica de paralelismo. Entretanto, so consideradas
tambm como caixas-pretas, pois determinar o porqu de
uma soluo particular obtida de uma RNA uma tarefa
difcil.
Sistemas baseados em Regras Fuzzy (SRFs) representam
uma ferramenta poderosa para resolver problemas de controle
(controlador fuzzy) e para modelar conhecimento.
Pesquisas para a extrao de conhecimento de RNAs vm
crescendo em importncia. Neste trabalho apresentado um
breve histrico dos mtodos para a obteno de regras de
conhecimento.
Neste trabalho apresentada a obteno de regras, mais
fceis de serem analisadas, a partir de uma RNA projetada
para classificar faltas incipientes em um transformador de
potncia, utilizando informaes dos gases dissolvidos no
M. A. B. Amora, O. M. Almeida, A. P. S. Braga, F. R. Barbosa, e S. S. Lima
so filiados ao Departamento de Engenharia Eltrica da Universidade Federal do
Cear, Caixa Postal 6001 - Campus do Pici- Bloco 705 - 60.455-760 Fortaleza -
CE - Brasil. E-mails: {marcio,fabio,sergio,arthurp,otacilio}@dee.ufc.br.
L. A. C. Lisboa trabalha na Companhia Hidro Eltrica do So Francisco
(CHESF), Rua Delmiro Gouveia, 333 - Bongi, 50761-901, Recife, PE. E-
mail:lcalmon@chesf.gov.br.
1
leo isolante do transformador. Nesta aplicao, ser utilizado
o mtodo proposto em [1] de igualdade entre alguns tipos de
RNAs e SRFs, permitindo representar o conhecimento de
uma RNA como sentenas fuzzy, mais fceis de serem
interpretadas.
Para garantir um maior grau de compreenso das regras
obtidas aplicada uma modificao proposta em [2] para a
obteno de regras fuzzy coerentes.
Na seo 2 apresentada uma anlise sobre os mtodos de
extrao de informaes. Comentrios gerais sobre RNAs e
SRFs so apresentados nas sees 3 e 4, respectivamente. A
igualdade entre SRFs e RNAs discutida na seo 5. A
obteno de proposies fuzzy coerentes e a utilizao do
operador lgico fuzzy n so abordadas na seo 6. A
u
interpretao dos valores de bias obtidos da RNA discutida
na seo 7. Na seo 8 apresentado o problema de
identificao de faltas incipientes em transformadores,
utilizando o mtodo de extrao de regras. Finalmente, as
concluses do artigo so apresentadas na seo 9.
II. TCNICAS DE EXTRAO DE CONHECIMENTO
A. Representao do Conhecimento
Diversas formas de representao do conhecimento foram
empregadas pelas tcnicas de aprendizado em RNAs. Um
sumrio apresentado a seguir [3].
Regras convencionais: Representa uma expresso em duas
partes. A primeira parte contm os antecedentes e a segunda
parte a conseqncia, ou seja, a concluso se os antecedentes
so verdadeiros. A forma dessas regras ser:
SE ( x1 t1 ) E ... E ( xp tp ) ENTO C;
onde xi so variveis contnuas, ti so variveis reais e C
uma classe designando um conceito. Note que as variveis
discretas so um caso especial das variveis contnuas.
Regras M de N: So regras similares as regras
convencionais, entretanto uma regra M de N equivalente a
um conjunto de regras convencionais:
SE M de ( x1 t1 ) E ... E ( xN tN ) SO
VERDADE ENTO C;
Regras oblquas: So regras da forma:
SE c01 c11x1 ... cn1 xn 0 E ... E
 th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 2

c 0m c1m x1 ... cnm xn 0 ENTO C III. REDES NEURAIS ARTIFICIAIS

sendo que xi representa um neurnio de entrada e cij so
nmero reais. Em comparao com as regras convencionais,
as regra oblquas so mais difceis de entender, entretanto
permitem criar uma borda de separao no paralela no
espao de entrada.
Regras fuzzy: Essas regras utilizam funes de pertinncia
para lidar com verdades parciais, atuando de maneira
diferente da lgica Boolena que aceita apenas situaes de
Verdade total ou Falso total. As regras fuzzy apresentam a
forma:
SE ( x1 f1 ) E ... E ( xp fp ) ENTO C;
onde fi e C so definidos como conjuntos fuzzy, com
designao lingstica.
Autmatos de Estado Finito: Apresenta um processador
central de capacidade finita e baseado no conceito de estado.
So muito utilizados em programas que analisam e geram
regras gramaticais para linguagens.
As RNAs so constitudas, basicamente, por dois elementos
fsicos: conexes e ns de processamento (neurnios
artificiais). Existem ainda outros componentes (no-fsicos)
das redes neurais, tais como: os padres e os algoritmos de
treinamento. Os padres so os dados que serviro para o
treinamento, validao e teste da rede.
Na Fig. 1 apresentado um exemplo de uma RNA do tipo
feedforward com uma nica camada escondida, alm das
camadas de entrada e de sada. Onde existem n neurnios (x1,
..., xn) na camada de entrada, h neurnios escondidos (z1, ...,
zh), e m neurnios na camada de sada (y1, ..., ym). Sendo wij o
peso da conexo entre um neurnio xi da camada de entrada e
um neurnio zj, e jk o peso da conexo entre o neurnio zj e o
neurnio yk. Nessa rede so considerados, tambm, j
valores de bias para os neurnios zj da camada escondida, e
k bias para os neurnios yk de sada.

B. Taxionomia dos Algoritmos de Extrao de Regras

Nesta seo utilizada a taxionomia apresentada por [4]
que utiliza trs critrios para classificao dos algoritmos de
extrao de regras: escopo de uso, dependncia com o mtodo
de soluo tipo caixa-preta, e formato das regras extradas.
Em relao ao critrio de uso, os algoritmos podem ser de
regresso ou de classificao. Existem alguns algoritmos que
podem ser aplicados para os dois casos, como por exemplo, o
G-REX [4].
Em relao ao segundo critrio, um algoritmo
considerado independente, se o mesmo for totalmente
independente do modelo tipo caixa-preta adotado (RNA,
mquinas de vetor suporte, e outros). Os algoritmos que usam
informaes do mtodo tipo caixa-preta utilizado, so Fig. 1. RNA feedforward [6].
denominados mtodos dependentes.
As funes de ativao dessa rede exemplo so gA e fA,
Em relao ao formato das regras extradas, os mtodos
respectivamente, para os neurnios da camada escondida e
podem ser classificados em preditivos e descritivos. Os
para os neurnios da camada de sada. Essas funes so,
algoritmos preditivos realizam extrao de regras que
usualmente, contnuas, no decrescentes e no-lineares.
permitem ao especialista fazer uma fcil predio para cada
A RNA vai representar uma funo de rede que:
possvel observao a partir do espao de entradas. Caso essa
anlise no possa ser feita diretamente, os algoritmos so F : n m ; F x1 ,..., xn y1 ,..., ym
denominados como apenas descritivos.
Na Tabela 1 apresentada a classificao para alguns h
z j jk k
algoritmos de extrao de conhecimento. com: y k g A (1)
TABELA 1
j 1
TAXIONOMIA DE ALGUNS MTODOS DE EXTRAO DE REGRAS
n
z j f A xi wij j
Classificao Regresso Classificao Regresso
(2)
Barakat [15], i 1
CART, C4.5, ITER, G- Fung [16],
Preditivos TREPAN [7], G- REX [8], FERNN [17], REFANN Em [5] demonstrado que uma RNA com apenas uma
REX [8], BIO- CART, ANN- NeuroLinear [22], RN2
RE [9] DT [14] [18], RE-RX [19] [23]
camada escondida tem a capacidade de aproximar qualquer
STARE [10], funo, com determinada preciso, independente de sua
RAFNE [11], SVM [20], VIA complexidade. Portanto, podemos obter com sucesso a
Descritivos GEX [12], BUR [21], Castro et
[13] al. [2] reproduo do comportamento de um sistema fsico desde que
tenhamos um conjunto suficiente, em termos quantitativos e
 th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009
qualitativos, de amostras para o processo de treinamento da
rede neural.
Entretanto, muitos pesquisadores apresentam criticas a
utilizao de RNAs, devido s mesmas apresentarem um
comportamento qualificado como de caixas-pretas. Pois as
redes no apresentam uma explicao satisfatria para o seu
comportamento.
IV. SISTEMAS BASEADOS EM REGRAS FUZZY
A lgica fuzzy suporta os modos de raciocnio que so
aproximados, ao invs de exatos, sendo baseada na teoria dos
conjuntos nebulosos. Nesta lgica, o raciocnio exato
corresponde a um caso limite do raciocnio aproximado,
sendo interpretado como um processo de composio
nebulosa.
O desenvolvimento da teoria dos conjuntos nebulosos,
assim como a prpria lgica fuzzy, introduziu uma classe de
objetos na qual a transio entre a pertinncia e a no-
pertinncia se d de forma gradual ao invs de abrupta. Isso
permitiu a utilizao de SRFs em aplicaes que vo desde o
controle de processos complexos at o reconhecimento de
padres.
Nas SRFs o conhecimento representado utilizando
expresses lingsticas relacionadas com valores numricos,
e, portanto, mais acessveis ao entendimento humano e mais
fceis de serem interpretadas.
Como indicado na Fig. 2, um SRF composto de quatro
partes: fuzzificao, base de conhecimento, mquina de
inferncia, e defuzzificao.
Fig. 2. Diagrama de blocos de um SRF [6].
O processo de fuzzificao converte valores reais em
valores fuzzy, definidos por conjuntos fuzzy. As funes que
definem os intervalos das variveis lingsticas so
representadas na base de dados, junto com as regras fuzzy. A
mquina de inferncia calcula a sada fuzzy. A defuzzificao
transformar o valor de sada fuzzy do sistema em um valor
numrico real.
As regras fuzzy apresentam a seguinte forma:
Ri: SE x1 A1i E x2 A2i E ... E xn Ani
ENTO y Bi
i i
onde x1,..., xn so as entradas, y a sada, e A1 ,.., An e Bi so
variveis lingsticas.
Os Sistemas Fuzzy Aditivos (SFAs) apresentam regras com
a seguinte expresso, denominadas regras do tipo Takagi-
Sugeno-Kang (TSK):
3
Rjk: SE x1 Ajk1 E x2 Ajk2 E ...E xn Ajkn
ENTO yk pjk (x1, ..., xn) (4)
sendo pjk (x1, ..., xn) uma funo linear das entradas.
Considerando um sistema com n entradas, m sadas, e
regras fuzzy do tipo multi-entradas e sada simples (MISO
Multiinput Single Output) com lk entradas de regras para a
sada k. Ento yk calculado da seguinte maneira:
lk
y k v jk p jk x1 ,..., xn
(5)
j 1
onde vjk representa o valor de ativao (peso) da regra j para a
sada k.
V. EQUIVALNCIA ENTRE RNAS E SRFS
Quando as funes de ativao em uma RNA so
contnuas, a funo de rede calculada ser contnua. Ento
uma RNA pode ser aproximada por um SRF, e vice-versa [1].
A equivalncia ente RNAs e SRFs j foi estudada por
diversos autores no passado. Muitos desses estudos
estabelecem essa equivalncia atravs de processos de
aproximao. Entretanto, para que essa equivalncia ocorra
com um elevado grau de preciso, necessrio um nmero
elevado de regras para um SRF aproximar uma RNA.
No entanto, em [1] demonstrado que um SFA pode
representar a mesma funo de uma RNA com um nmero
finito de regras e igualdade nos resultados matemticos. A
seguir ser apresentada uma breve demonstrao do mtodo,
baseada na referncia.
Considerando uma rede neural de trs camadas do tipo
feedforward com uma funo de ativao logstica nos
neurnios da camada escondida e funo identidade para os
neurnios da camada de sada. Ento existe um SFA que
calcula a mesma funo da rede neural [1].
Para descrever um sistema fuzzy necessria apenas a base
de regras. Empregando regras do tipo Takagi-Sugeno-Kang
(TSK), para cada par de neurnios entre as camadas
escondida e de sada, (zj e yk), acrescentada a regra:
n
R jk : SE xi wij j A ENTO y k jk (6)
i 1
sendo A um valor fuzzy em , onde a funo de pertinncia
simplesmente a funo de ativao fA dos neurnios da
camada escondida.
Como o sistema fuzzy aditivo, o disparo da regra Rjk, vjk,
ser dado por A xi wij j , e a sada do sistema um
n
i 1
(3) vetor com os componentes dados por:
h
n
y k A xi wij j jk (7)
j 1 i 1
Atravs de (6) e (7), pode ser facilmente checado que a
sada yk do SFA exatamente a mesma obtida com uma RNA.
 th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009
Neste desenvolvimento, foram utilizadas simples regras do
tipo SE z A ENTO y = v onde v e z so novas
variveis obtidas por uma mudana de varivel nas n
entradas. Tambm, os conjuntos fuzzy A podem ser
entendidos como maior que aproximadamente r, onde r
um nmero real positivo obtido de um valor de corte pr-
estabelecido. Desde que as funes logsticas podem variar de
0 at 1, assintoticamente, usual na literatura considerar os
valores (nveis) 0,1 e 0,9 para total ausncia de ativao e
total ativao, respectivamente, conforme ilustrado na Fig. 3.
Fig. 3. Funo de pertinncia para aproximadamente maior que 2,2 [2].
As regras obtidas podem ainda serem alteradas para
permitir uma interpretao mais fcil. Para isso, podemos
proceder decomposio das premissas das regras, que
podem ser reescritas:
Rjk: SE x1 Ajk1 x2 Ajk2 ... xn Ajkn
ENTO yk = jk
com sendo um conectivo lgico e Ajk sendo novos valoresi
de conjunto fuzzy obtidos de A, dos pesos wij e dos valores de
bias j.
VI. PROPOSIES FUZZY COERENTES
O mtodo descrito na seo anterior permite a obteno de
regras fuzzy a partir de uma RNA treinada, entretanto muitas
vezes essas regras no vo estar no domnio das variveis de
entrada, dificultando a interpretao das mesmas. De modo a
resolver este problema foi utilizada neste trabalho a
metodologia para modificao das regras fuzzy descrita em
[2], que permite a obteno de novas regras fuzzy de acordo
com o domnio das varveis de entrada do problema
analisado.
O mtodo descrito em [2] consiste na mudana dos
intervalos de definio das variveis fuzzy do problema. Este
mtodo utiliza um novo operador lgico na ligao das
premissas das regras fuzzy obtidas da RNA. Este novo
operador apresenta uma srie de propriedades, descritas em
[2], teis a finalidade de obter conhecimento de regras fuzzy
adquiridas de uma RNA. O operador definido por:
1 1
a1u ...anu
un a1 ,..., an
a1u ...anu 1 a1 ...1 an
1 1 u 1 u 1
4
Considerando uma RNA multicamada com uma nica
camada escondida, como ilustrado na Fig. 1. Tambm,
adotando que alguns pesos wij so positivos e outros
negativos, de modo, sem perda de generalizao, que: wij < 0
para 1 i p e wij > 0 para p i n. O procedimento para
transformar as regras fuzzy para o domnio das variveis de
entrada do problema consistir dos seguintes passos:
1) Transformar os domnios das variveis de entrada.
Para obter regras fuzzy com um mesmo operador un ,
um valor comum de u deve ser utilizado para todas as
transformaes. Portanto, este passo consiste dos
clculos:
0
,
min wij ,1 i n,1 j h
e u 4 .
2 0
Esses parmetros sero utilizados na funo T(x) =
u.x e no operador un .
2) Para cada neurnio de sada yk, uma regra fuzzy R0k:
Se VERDADE ento yk = k acrescentada base
de regras.
3) Para cada par de neurnios das camadas escondida e
de sada (zj, yk), a seguinte regra acrescentada:
Rjk: Se T(x1. w1j+0) no maior que
aproximadamente 2,2 un1 ... T(xp. wpj+0) no
maior que aproximadamente 2,2 un1 T(x(p+1). w(p+1)j
(8) - 0) maior que aproximadamente 2,2 un1 ... T(xn.
wnj - 0) maior que aproximadamente 2,2 un1 j
Ento yk = jk .
Onde:
a) T(xi .wij+0) no maior que aproximadamente 2,2
xi no maior que aproximadamente (2,2+u. 0)/(-
u.wij) = 6,2/(-u.wij)=ij , e no maior que
aproximadamente ij(x)=fA((6,2/ ij).x-4).
b) T(xi .wij-0) maior que aproximadamente 2,2 xi
maior que aproximadamente (2,2+u. 0)/(u. wij) =
6,2/(u. wij)=ij , e no maior que
aproximadamente ij(x)=fA((6,2/ ij).x-4).
c) j = fA(T(j p.0 + (n-p).0)).
Portanto:
Rjk: Se x1 no maior que aproximadamente ij un1 ...
xp no maior que aproximadamente pj un1 x(p+1)
maior que aproximadamente (p+1)j un1 ... xn maior
que aproximadamente nj un1 j Ento yk = jk .
(9)
 th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 5

VII. INTERPRETAO DOS VALORES DE BIAS 0,131158 0,181829 0,18724 0,1935

1,480831 6,1058
6,776136 3,80546
Dois tipos de valores de bias aparecem na RNA descrita na
1,7633864 7,110725 3,697832 1,4821
Fig. 1: os valores de bias relacionados aos neurnios de sada
0,7320
k (k = 1,...,m) e os bias j (j = 1,...,h) associados aos 0,3544984 0,565215 0,214268
5,274797 5,327245 0,271477 1,7463

W t wij
t

; j
neurnios escondidos. 3,8866752 4,33527 0,807768 1,1268
Os valores de bias k geram as regras do tipo R0k: Se 3,868009 4,331852 0,777081 1,1154

VERDADE ento yk = k no SRF. Estas regras fornecem um 0,275689 0,110015 0,125491 0,1386
valor default para cada sada yk. Se as demais regras forem 0,9477073 0,378771 2,054748 0,9239

ativadas, elas apenas modificaram os valores default de sada. 0,041112 2,022798 0,288286 1,3250
Isso coerente com o processo de raciocnio humano onde um
valor default modificado quando uma nova informao 16,8912
B t jk
t
3,9712 0,0585 0,8484 0,0336
considerada. 1,3175 1,3725 5,7971 0,0009 0,0284 ;
Os bias j geram as constantes j que aparecem nos k 4,7624
antecedentes das regras fuzzy Rjk. As constantes j fornecem
um valor default, 1u j , para o valor de disparo da regra Aplicando a metodologia apresentada neste artigo, foi
Rjk. As proposies fuzzy remanescentes apenas modificam o construdo um SRF, equivalente a RNA treinada, contendo
valor default de disparo da regra. onze regras:
Regra 1: SE VERDADE ENTO Y = -4,7624.
VIII. ANLISE DE TRANSFORMADORES
Regra 2: SE R1 no maior que aproximadamente 0,24293
Ilustrando o procedimento demonstrado neste artigo, foi 194, 59
R2 no maior que aproximadamente 0,17523 194, 59
4 4
considerando uma aplicao baseada na anlise de falhas
R5 no maior que aproximadamente 0,17017 4 194, 59
incipientes em transformadores, utilizado dados coletados de
gases dissolvidos no leo isolante do transformador. 4,96*10-24 ENTO Y = 16,8912.
Os mtodos de diagnsticos em transformadores com base Regra 3: SE R1 no maior que aproximadamente 0,02152
em DGA (Dissolved Gas Analysis) so amplamente 194, 59
R2 no maior que aproximadamente 0,00448 194 , 59
4 4
utilizados. Estes mtodos baseiam-se na anlise de tipos de
R5 maior que aproximadamente 0,0084 194 , 59
1 ENTO Y
concentrao e taxa de produo de gases gerados e 4

dissolvidos no leo do transformador, e procuram associar o = -3,9712.

tipo de falha ao gs presente. Por exemplo, descargas eltricas Regra 4: SE R1 maior que aproximadamente 0,0181 194 , 59
4
levam gerao de acetileno enquanto a presena de dixido
R2 maior que aproximadamente 0,0045 194 4
, 59
R5 no
de carbono est associada ao sobreaquecimento da celulose.
Convencionalmente, o diagnostico realizado atravs da maior que aproximadamente 0,0086 4 194, 59
6,33*10-133
interpretao dos resultados de laboratrio por um ENTO Y = -0,0585.
especialista. Regra 5: SE R1 maior que aproximadamente 0,0899 194 , 59
4
A partir de um banco de dados com amostras de gases
coletados de transformadores de potncia foi treinada uma R2 maior que aproximadamente 0,0564 4 194, 59
R5 no
RNA com 3 entradas, 10 neurnios na camada escondida e maior que aproximadamente 0,1487 4 194, 59
1,56*10-69
um neurnio na camada de sada. Para os neurnios da ENTO Y = -0,8484.
camada escondida foi utilizada uma funo logstica e para o
Regra 6: SE R1 no maior que aproximadamente 0,006
neurnio de sada uma funo linear. Portanto, uma topologia
compatvel com o mtodo demonstrado neste artigo. 194
4
, 59
R2 no maior que aproximadamente 0,006 194 4
, 59
R5
Do conjunto de dados utilizados, composto de 135 no maior que aproximadamente 0,1174 4 194, 59
1 ENTO
amostras, 95 amostras foram utilizadas para o treinamento da Y = 0,0336.
rede e 40 para a validao da mesma. A entrada da RNA
Regra 7: SE R1 maior que aproximadamente 0,0082 194 , 59
treinada atravs das razes de gases: R1 = CH4/ H2 , R2 = 4

C2H2/C2H4 e R5 = C2H4 /C2H6. A sada da RNA poder R2 maior que aproximadamente 0,0073 194 4
, 59
R5 no
indicar o cdigo numrico 1 para Falta Trmica de Baixa maior que aproximadamente 0,0394 4 194, 59
6,66*10-103
Temperatura, 2 para Falta Trmica de Alta temperatura, 3 ENTO Y = -1,3175.
para Descarga Parcial de Baixa Energia, 4 para Descarga
Parcial de Alta Energia e 5 para Degradao da Celulose. Regra 8: SE R1 no maior que aproximadamente 0,0082
Aps o treino e validao da RNA foram obtidos os 194
4
, 59
R2 no maior que aproximadamente 0,0074 194
4
, 59

seguintes valores de pesos e bias: R5 maior que aproximadamente 0,0410 194

4
, 59
1 ENTO Y
= -1,3725.
Regra 9: SE R1 no maior que aproximadamente 0,1156
194
4
, 59
R2 no maior que aproximadamente 0,2896 194
4
, 59
 th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009
R5 no maior que aproximadamente 0,2539 194
4
, 59
2,19*10-
19
ENTO Y = 5,7971.
Regra 10: SE R1 maior que aproximadamente 0,0336
194
4
, 59
R2 maior que aproximadamente 0,0841 194 4
, 59
R5
no maior que aproximadamente 0,0155 4194, 59
1 ENTO
Y = -0,0009.
Regra 11: SE R1 no maior que aproximadamente 0,775
194, 59
R2 maior que aproximadamente 0,0152 194 , 59
R5
4 4
no maior que aproximadamente 0,1105 4194, 59
1,19*10 -119
ENTO Y = 0,0284.
O valor de = 194,59 e os valores associados aos termos
independentes (bias) nas regras foram calculados conforme
demonstrado na seo 6.
A Tabela 2 apresenta alguns resultados obtidos. Os valores
de R1, R2 e R5 indicados so exemplos retirados do banco de
dados de transformadores de potncia utilizado. Os valores
numricos obtidos da RNA treinada e do SRF desenvolvido
so sempre iguais, atestando a eficcia do mtodo de
igualdade utilizado neste trabalho. A coluna Resultado indica
os valores obtidos da RNA sem considerar a normalizao, e
a Meta indica os valores esperados. Portanto, a RNA e o SRF
conseguem gerar corretamente o resultado numrico de
diagnstico do transformador analisado.
TABELA 2
RESULTADOS DE SIMULAO
Valores RNA SFA Resultado Meta
R1= -1,2283; R2= 0,6245; R5= 0,9797 -0,3772 -0,3772 4,0155 4,0000
R1= -0,6242; R2= -0,6288; R5= 1,4721 -0,2190 -0,2190 1,9956 2,0000
R1= -0,6955; R2= -0,7154; R5= -0,0050 1,4159 1,4159 3,0016 3,0000
Com a aplicao do mtodo apresentado, as premissas das
regras obtidas apresentaram valores na faixa das variveis de
entrada do problema. Melhorando o entendimento das regras.
Analisando os valores de bias obtidos no treinamento da
RNA e que influenciam os termos das regras extradas. Foi
observado que valores de bias que resultaram em valores
extremamente pequenos indicam uma baixa influncia da
regra em questo no resultado numrico da aplicao do
conjunto de regras. Esta influncia pode ser avaliada de
maneira simplificada atravs da relao 194 1
, 59
. Fazendo a
anlise da influncia dos valores de bias nas regras extradas
foi observado que trs regras do conjunto original poderiam
ser omitidas: Regra 4, Regra 7 e Regra 11.
Tambm, observando o valor de sada da regra extrada a
partir do neurnio nove da camada escondida da RNA
treinada, a mesma apresenta o valor -0,0009 (valor do peso
que interliga o neurnio com a sada da RNA), que representa
um valor muito pequeno quando comparado as demais sadas
obtidas, portanto a Regra 10 tambm pode ser omitida.
Considerando a retirada dessas quatro regras que
apresentam uma pequena influncia no resultado do sistema
fuzzy, um novo teste foi realizado para os valores indicados na
6
Tabela 2, com os novos resultados sendo apresentados na
Tabela 3.
TABELA 3
NOVOS RESULTADOS DE SIMULAO
Valores RNA SFA
R1= -1,2283; R2= 0,6245; R5= 0,9797 -0,3772 -0,3659
R1= -0,6242; R2= -0,6288; R5= 1,4721 -0,2191 -0,2213
R1= -0,6955; R2= -0,7154; R5= -0,0050 1,4159 1,4160
Como pode ser observado da comparao dos resultados
das Tabelas 2 e 3, a excluso das quatro regras do conjunto
original no alterou significamente o resultado do SRF, que
praticamente igual ao obtido da RNA, comprovando a
influncia reduzida das regras omitidas. As demais regras
foram consideradas significativas para a obteno dos
resultados numricos do SRF.
IX. CONCLUSES
Neste trabalho foi apresentada uma breve discusso sobre
mtodos de extrao de conhecimento, muitos destes mtodos
obtm regras a partir de RNAs.
Tambm foi demonstrado, em particular, um mtodo de
obteno de um SRF a parti de uma RNA treinada, com
alteraes que permitem obter valores coerentes com o
domnio das variveis de entrada do problema para os
intervalos de avaliao nas premissas das regras. As
modificaes permitem um melhor entendimento das regras
extradas.
Duas importantes concluses podem ser observadas da
igualdade estabelecida entre sistemas SRFs e RNAs.
Primeiro, tudo descoberto para um modelo poder ser
aplicado no outro modelo. Segundo, o conhecimento de uma
RNA associado s conexes e pesos sinpticos poder ser
expresso atravs de regras fuzzy, permitindo uma melhor
compreenso desse conhecimento.
Nas simulaes realizadas foi observada a influncia dos
termos associados aos valores de bias dos neurnios nas
regras extradas. Indicando que certas regras podem ser
omitidas sem prejuzo para o resultado numrico.
X. AGRADECIMENTOS
Os autores so gratos ao apoio fornecido pela Companhia
Hidro Eltrica do So Francisco (CHESF) na realizao deste
trabalho.
XI. REFERNCIAS
[1] J. M. Benitez, J. L. Castro, and I. Requena, Are artificial neural networks
black boxes?, IEEE Trans. Neural Netw., vol. 8, no. 5, pp. 11561164,
Sep. 1997.
[2] J. L. Castro, C. J. Mantas, and J. M. Benitez, Interpretation of artificial
neural networks by means of fuzzy rules, IEEE Trans. Neural Netw., vol.
13, no. 1, pp. 101116, Jan. 2002.
[3] G. Bologna, A model for single and multiple knowledge based networks,
ELSEVIER Artificial Intelligence in Medicine no. 28, pp. 141-163, 2003.
[4] J. Huysmans, B. Baesens and J. Vanthienen. Using rule extraction to
improve the comprehensibility of predictive models. Katholieke
Universiteit Leuven. Department of Decision Sciences and Information
Management. Leuven, Belgium, 2006.
 th
THE 8 LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 7

[5] K. Hornik, M. Stinchcombe, and H. White, Multilayer feedforward
networks are universal approximators Neural Networks, vol. 2, pp. 359
366, 1989.
[6] Lima S. E. U. Diagnstico Inteligente de Falhas Incipientes em
Transformadores de Potncia Utilizando Anlise dos Gases Dissolvidos em
leo, Dissertao de Mestrado, UFC/CT/DEE, Fortaleza-CE, 2005. Universidade Estadual de Campinas (1990) e doutorado em Engenharia Eltrica
[7] M.W. Craven and J.W. Shavlik. Extracting tree-structured representations
of trained networks. In David S. Touretzky, Michael C. Mozer and
Michael E. Hasselmo, editors, Advances in Neural Information Processing
Systems, volume 8, pages 24-30. The MIT Press, 1996.
[8] U. Johansson, R. Knig and L. Niklasson. Rule extraction from trained
neural networks using genetic programming. In Joint 13th International
Conference on Artificial Neural Networks and 10th International
Conference on Neural Information Processing, ICANN/ICONIP 2003,
pages 13-16, 2003.
[9] I. Taha and J. Ghosh. Symbolic interpretation of artificial neural
networks. IEEE Transactions on Knowledge and Data Engineering,
11(3):448-463, 1999.
[10] Z.-H. Zhou, S.-F. Chen and Z.-Q. Chen. A statistics based approach for
extracting priority rules from trained neural networks. Proceedings of the
IEEE-INNS-ENNS International Joint Conference on Neural Networks, 3,
2000.
[11] Z.-H. Zhou, Y. Jiang and S.-F. Chen. Extracting symbolic rules from
trained neural network ensembles. AI Communications, 16(1):3-15,
2003.
[12] U. Markowska-Kaczmar and M. Chumieja. Discovering the mysteries of
neural networks. International Journal of Hybrid Intelligent Systems, 1(3-
4):153-163, 2004.
[13] F. Chen. Learning accurate and understandable rules from SVM
classifiers. Master's thesis, Simon Fraser University, 2004.
[14] G.P.J. Schmitz, C. Aldrich and F.S. Gouws. ANN-DT: An algorithm for
extraction of decision trees from artificial neural networks. IEEE
Transactions on Neural Networks, 10(6):1392-1401, 1999.
[15] N. Barakat and J. Diederich. Eclectic rule-extraction from support vector
Machines. International Journal of Computational Intelligence, 2(1):59-
62, 2005.
[16] G. Fung, S. Sandilya and R.B. Rao. Rule extraction from linear support
vector machines. In 11th ACM SIGKDD international conference on
Knowledge discovery in data mining, pages 32-40, 2005.
[17] R. Setiono and W.K. Leow. FERNN: An algorithm for fast extraction of
rules from neural networks. Applied Intelligence, 12(1-2):15-25, 2000
[18] R. Setiono and H. Liu. Neurolinear: From neural networks to oblique
decision rules. Neural Computing, 17(1):1-24, 1997.
[19] R. Setiono and B. Baesens. Risk management using recursive neural net-
work rule extraction. Submitted to Management Science, 2006.
[20] H. Nez, C. Angulo and A. Catal. Rule extraction from support vector
machines. In European Symposium on Artificial Neural Networks
(ESANN), pages 107-112, 2002.
[21] S. Thrun. Extracting provably correct rules from artificial neural
networks. Technical report iai-tr-93-5, Universitt Bonn, Institut fur
Informatik III, 1993.
[22] R. Setiono, W.K. Leow and J.M. Zurada. Extraction of rules from
artificial neural networks for nonlinear regression. IEEE Transactions on
Neural Networks, 13(3):564-577, 2002.
[23] K. Saito and R. Nakano. Extracting regression rules from neural
networks. Neural Networks, 15(10):1279-1288, 2002.
[24] J.R. Quinlan. C4.5: Programs for Machine Learning. Morgan Kaufmann
Publishers Inc., San Francisco, CA, USA, 1993.
[25] R. Setiono and J.Y.L. Thong. An approach to generate rules from neural
networks for regression problems. European Journal of Operational
Research, 155(1):239-250, 2004.
[26] R. Setiono, W.K. Leow and J.M. Zurada. Extraction of rules from
artificial neural networks for nonlinear regression. IEEE Transactions on
Neural Networks, 2002.
diagnstico de faltas incipientes em transformadores, anlise de carregamento de
transformadores, gerao elica, anlise de estabilidade transitria.
Otaclio M. Almeida. Possui graduao em Engenharia Eltrica pela
Universidade Federal do Cear (1987), mestrado em Engenharia Eltrica pela
pela Universidade Federal de Santa Catarina (2002). Atualmente professor
adjunto da Universidade Federal do Cear. Tem experincia na rea de
Engenharia Eltrica, com nfase em Automao Eletrnica de Processos
Eltricos e Industriais, atuando principalmente nos seguintes temas:
controladores industriais, controle de processos, controladores pid, mquinas
eltricas industriais e controladores inteligentes.
Arthur P. S. Braga nasceu em Natal-RN, Brasil, em 1971. Possui graduao
em Engenharia Eltrica pela Universidade Federal do Cear (1995), mestrado
em Engenharia Eltrica pela Universidade de So Paulo (1998), doutorado em
Engenharia Eltrica [S. Carlos] pela Universidade de So Paulo (2004), ps-
doutorado pela Universidade de So Paulo/So Carlos - USP/SC (2005) e ps-
doutorado pela Universidade de So Paulo/So Carlos - USP/SC (2006).
Atualmente Professor Adjunto da Universidade Federal do Cear. Tem
experincia na rea de Engenharia Eltrica, com nfase em Redes Neurais.
Atuando principalmente nos seguintes temas: Aprendizagem por reforo, agente
autnomo, redes neurais, inteligncia artificial, Mapas auto-organizveis.
Fbio R. Barbosa nasceu em Fortaleza-CE, Brasil, em 1979. Possui nvel
mdio tcnico em Eletrotcnica, pelo Centro Federal de Educao Tecnolgica
do Cear (1999) e graduao em Engenharia Eltrica pela Universidade Federal
do Cear (2004). Possui ttulo de Mestre em Engenharia Eltrica pelo Programa
de Ps-graduao do Departamento de Engenharia Eltrica da Universidade
Federal do Cear (2008). Tem experincia em pesquisas de Inteligncia
Artificial aplicadas Engenharia Eltrica. Exerceu atividades de consultoria na
rea de automao industrial e controle lgico programvel junto ao Servio
Nacional de Aprendizagem Industrial do Cear - SENAI. Atualmente, bolsista
de ps-graduao da CAPES e desenvolve pesquisas no campo de
monitoramento e diagnstico de transformadores de potncia imersos em leo
isolante como doutorando do Programa de Ps-Graduao do Departamento de
Engenharia Eltrica da Universidade Federal do Cear.
Srgio S. Lima possui graduao em Informtica pela Universidade de
Fortaleza (2000). Atualmente, bolsista do Laboratrio do Grupo de Pesquisa
em Automao Robtica (GPAR) do Departamento de Engenharia Eltrica da
Universidade Federal do Cear, e desenvolve pesquisas no campo de
monitoramento e diagnstico de transformadores de potncia imersos em leo
isolante.
Luciano A. C. Lisboa possui graduao em Engenharia Eletrnica pela
Universidade Federal de Pernambuco (2002). Atualmente Engenheiro da
Companhia Hidro Eltrica do So Francisco. Tem experincia na rea de
Engenharia Eltrica, com nfase em Eletrnica Industrial, Sistemas e Controles
Eletrnicos.

XII. BIOGRAFIAS

Mrcio A. B. Amora nasceu em Fortaleza-CE, Brasil, em 1972. Possui

graduao em Engenharia Eltrica pela Universidade Federal do Par (1997) e
mestrado em Engenharia Eltrica pela Universidade Federal do Par (2001).
Atualmente professor assistente da Universidade Federal do Cear. Tem
experincia na rea de Engenharia Eltrica, com nfase em Inteligncia
Computacional Aplicada, atuando principalmente nos seguintes temas: