ESTUDO DE LINEARIZAC˘AO E COMPENSAC˘~ AO DE AMBIENTE … · 2014-09-20 · linearizac~ao de curvas em sinais de entrada versus sinais de sa da de sensores nao-linearizados, no caso

ESTUDO DE LINEARIZACAO E COMPENSACAO DE AMBIENTE EM SENSORESUTILIZANDO INTELIGENCIA ARTIFICIAL

Paulo Roberto Ponzoni de Abreu∗, Luıs H. C. Ferreira∗, Leonardo B. Zoccal∗

∗Universidade Federal de ItajubaInstituto de Engenharia de Sistemas e ecnologia da Informacao

37500-903 Itajuba, Minas Gerais, Brasil.

Emails: [email protected], [email protected], [email protected]

Abstract— In this work were performed studies in artificial intelligence techniques applied to methods ofcurves linearization in input signals versus output signals of non-linearized sensors, for the NTC termistor, and,offset of external variables, for the PT100 platinum sensor. For implementation, calculations and simulationsof this work were used MATLAB and LabVIEW tools. The aim of this study was to compare and presentthe artificial intelligence superiority in linearization and compensation environment in relation to traditionalmethods.

Keywords— Artificial intelligence, linearization, ambient compensation

Resumo— Neste trabalho foram realizados estudos em tecnicas de inteligencia artificial aplicadas a metodos delinearizacao de curvas em sinais de entrada versus sinais de saıda de sensores nao-linearizados, no caso o termistorNTC, e, compensacao de variaveis externas, no caso o sensor de platina, PT100. Para implementacao, calculose simulacoes deste trabalho foram utilizadas as ferramentas MATLAB e LabVIEW. O objetivo deste estudo foicomparar e apresentar a superioridade da inteligencia artificial na linearizacao e compensacao de ambiente emrelacao aos metodos tradicionais.

Keywords— Inteligencia artificial, linearizacao, compensacao de ambiente

1 Introducao

Um dos pontos que afetam diretamente a quali-dade da producao industrial (seja ela na industriaquımica, alimentıcia ou metalurgica) e o conhe-cimento das variaveis fısicas pois afetam as eta-pas do processo. Como exemplos destas variaveis,tem-se a umidade, densidade, pressao e tempera-tura. Assim, torna-se necessario controlar e ma-nipular essas variaveis de forma otima para obterum produto de alta qualidade. O instrumento quee responsavel pela ligacao da variavel fısica com oscircuitos eletronicos, e o sensor.

Os sensores de temperatura, por exemplo, saobastante utilizados na industria, e estes possuemalta estabilidade e precisao nessa transmissao dedados (Changhaoand and Yong, 2007). Porem,a relacao entre o sinal de entrada e o sinal desaıda, para a maioria dos sensores, e nao-linear,afetando diretamente o controle e monitoramentodos processos (Changhaoand and Yong, 2007).Outro grande problema sao as interferencias doambiente tais como: ruıdos termicos, eletromag-neticos e sonoros. Portanto, e extremamentenecessario a otimizacao dos instrumentos tradi-cionais de leitura utilizando tecnologias modernas,buscando assim, metodos de linearizacao melhorese mais precisos, alem de metodos para compensaras interferencias ja citadas.

Uma tecnica que pode ser utilizada paratal finalidade e a tecnica de inteligencia arti-ficial, a qual, pode ser subdividida em variassubtecnicas, possuindo vantagens e desvantagens.Desta maneira, faz-se necessario, antes de qual-

quer coisa, realizar a selecao da tecnica que maisse adequa a proposta do trabalho. Como exemplo,pode-se citar a rede neural, metodo com o qual seconsegue replicar padroes atraves do treinamentosupervisionado, ou seja, ao ser fornecido dados deentrada e saıda para a rede, ela consegue adequaros pesos de suas ligacoes sinapticas de forma areplicar a resposta desejada (Maia, 2007). As-sim, o objetivo deste trabalho e a implementacaode algoritmos de linearizacao e compensacao deambiente em sensores de temperatura, respectiva-mente, para o termistor NTC e PT100, atravesde tecnicas de inteligencia artificial. Atravesdestes algoritmos pretende-se comparar e apresen-tar a superioridade da inteligencia artificial na lin-earizacao e compensacao de ambiente em relacaoaos metodos atuais.

2 Redes Neurais Artificiais (RNA),Sensores e Compensacao

2.1 Tipos de Redes Neurais

As principais caracterısticas das Redes NeuraisArtificiais (RNA) sao sua habilidade de apren-der certo conteudo e a capacidade de generalizar,adaptando-se a situacoes que jamais fizeram partedo conjunto de treinamento (Maia, 2007). En-quanto sistemas de softwares convencionais saoprogramados atraves de um grande numero de in-strucoes e regras, a rede neural absorve o conheci-mento atraves da apresentacao de exemplos basi-cos em seu treinamento (Biondi et al., 1996).

Uma rede neural consiste em uma ou varias

Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014

1731

unidades processadoras basicas interligadas e dis-postas em uma ou mais camadas. Cada camadapode conter diversos elementos processadores e aconexao entre as unidades processadoras e feitaatraves do peso sinaptico, que define a influen-cia entre as unidades processadoras interligadas.Os pesos sinapticos, conhecidos como parame-tros internos, tem seu valor atualizado duranteo processo de treinamento. Cada unidade pro-cessadora executa uma operacao simples sobre ainformacao recebida da entrada ou de outro pro-cessador (Norvig and Russel, 2013). O modeloneuronal matematico tambem pode incluir umapolarizacao ou bias de entrada (Norvig and Rus-sel, 2013). Esta variavel e incluıda ao somatorioda funcao de ativacao, com o intuito de aumentaro grau de liberdade desta funcao e, consequente-mente, a capacidade de aproximacao da rede. Ovalor do bias e ajustado da mesma forma queos pesos sinapticos. O bias possibilita que umneuronio apresente saıda nao nula ainda que to-das as suas entradas sejam nulas (Ludwig Jr. andMontgomery, 2007).

Para o bom desempenho do projeto da redeneural sao definidas cinco fases importantes: co-leta e selecao de dados, configuracao da rede,treinamento, teste e integracao. A coleta crite-riosa dos dados relativos ao problema e funda-mental para o futuro desempenho de uma redeneural. Esta tarefa requer uma analise cuidadosados dados com a finalidade de minimizar ambigu-idades e erros. Alem disso, os dados coletados de-vem cobrir amplamente o domınio do problema,incluindo as excecoes e as condicoes limites. Paraisso, deve-se separar os dados em (Ludwig Jr.and Montgomery, 2007): dados de treinamento,que serao utilizados para o treinamento da rede edados de validacao, que serao utilizados para ver-ificar o desempenho da rede. Entre os principaistipos de redes neurais temos a perceptron simples eperceptron de multiplas camadas (MLP) (Biondiet al., 1996). Perceptron simples tem como funcaoaprender a responder verdadeiro (1) ou falso (0)as entradas apresentadas. Este tipo de rede neurale utilizado para estruturas de decisao pois possuiapenas as camadas de entrada e saıda. Ja o per-ceptron de multiplas camadas (MLP) e um per-ceptron simples com camadas de neuronios inter-mediarios, como mostrado na Fig. (1), podendoser utilizadas para atividades mais complexas.

Nos dois tipos de redes neurais o sinal de en-trada e propagado, de camada em camada, atea camada de saıda, ou seja, e uma rede alimen-tada para frente e ambas sao treinadas de formasupervisionada. No caso da MLP, o algoritmoconhecido e o de retropropagacao de erro. Essealgoritmo e caracterizado pelo passo para frente,no qual o estımulo aplicado a entrada e propa-gado para frente ate produzir a resposta da redee tambem pelo passo para tras, sendo o sinal de

Figura 1: Perceptron de Multiplas Camadas(Ludwig Jr. and Montgomery, 2007)

erro da saıda e propagado da saıda para a entradapara ajuste dos pesos sinapticos (Ludwig Jr. andMontgomery, 2007).

2.2 Termistor NTC

Os termistores NTC (coeficiente de temperaturanegativo) consistem de materiais semicondutorestratados com oxidos que exibem uma grande re-ducao exponencial da resistencia em funcao do au-mento da temperatura. Os termistores NTC apre-sentam uma serie de vantagens para a medicaoe controle da temperatura, as quais sao interes-santes no desenvolvimento deste trabalho. Ele eum sensor com alta sensibilidade podendo medirvariacoes de ate centesimos de grau Celsius. Apre-senta um baixo custo e tem uma resposta emtempo rapido. Sao geralmente utilizados na faixade temperaturas de 50C a 150C, podendo ir ate300C no caso de modelos encapsulados em vidro(Souza, 2009).

A resistencia de um termistor NTC segueuma variacao exponencial negativa conforme a ex-pressao (1)

R(T ) = R(0) exp

[β

(1

T− 1

T (0)

)], (1)

na qual R(T ) e a resistencia medida, R(0) e a re-sistencia a temperatura T (0), β e o coeficiente daexponencial (dado de catalogo) e T e a tempera-tura de medicao em Kelvin (Souza, 2009).

2.3 Termoresistencia de Platina (PT100)

O PT100 e um termometro de resistencia eletricafeito de platina. E chamado de termoresistor,possuindo uma resistencia de aproximadamente100Ω a 0C. A norma DIN IEC 751 padronizoua faixa das termoresistencias de -200C a 850C(Brusamarello et al., 2003). A platina e um metalespecialmente indicado para a construcao de sen-sores de temperatura, pois, pode ser refinada ateatingir grande pureza. Deste modo, o valor daresistividade consta em tabelas universais (quenao dependem, portanto, do fabricante do sensor).


1732

O PT100 e considerado um sensor de alta pre-cisao e otima repetibilidade de leitura. O princı-pio fısico de funcionamento deste dispositivo ebaseado numa relacao da resistencia em funcaode variacao de temperatura, segundo a expressao(2) (Brusamarello et al., 2003)

R(T ) = R(0)(1 + α∆T + β∆t2

), (2)

na qual R(T ) e a resistencia de medicao, R(0) ea resistencia inicial, ∆T e a variacao da tempera-tura, α e o coeficiente de temperatura do metal eβ esta relacionado ao nıvel de pureza do material(como se trata da platina este coeficiente e con-siderado nulo). Para este tipo de sensor, o valorde resistencia nominal a 00C e 100Ω. Assim, aexpressao (2) pode ser simplificada em uma ex-pressao linear como mostra a expressao (3)

R(T ) = 100 (1 + αT ) . (3)

Devido a linearidade do PT100, os valores dasresistencias e temperaturas podem ser encontra-dos tabelados de acordo com o coeficiente de tem-peratura do metal, no caso foi utilizado o valorindicado pela norma DIN 43760, α = 3, 85× 10−3

(Brusamarello et al., 2003).

2.4 Metodos Classicos de Compensacao para oNTC e PT100

Para o termistor NTC o foco sera a linearizacao dosinal. Uma equacao que relaciona a resistencia doNTC com a temperatura e chamada de equacaode Steinhart-Hart, dada na equacao (4), na qualT (R) e a temperatura medida em Kelvin, R e aresistencia de medicao e A, B, e C sao coeficientesde Steinhart-Hart cujos valores dependem do tipoe modelo do termistor e faixa de temperatura deinteresse (Souza, 2009)

T (R) =1

A+B ln(R) + C ln3(R). (4)

Ja para o PT100, um metodo de se trabalharcom este sensor e por compensacao de ambiente.Devido a variacao que a resistencia do sensor podesofrer com a temperatura do ambiente em quese encontra instalado, a leitura da temperaturae feita errada. Para isso, um metodo de compen-sacao utilizado para o PT100 e feito pela equacaode Callendar-Van Dusen, mostrada nas equacoes(5) e (6), sendo T e a temperatura medida, R(T )e a resistencia de medicao, a, b e c sao coeficientesdependentes da temperatura e sao determinadospor meio de calibracao em laboratorios especial-izados (de Oliveira et al., 2009). Para o intervaloentre -200C e 0C

R(T ) = R(0)[1 + aT + bT 2 + (T − 100) cT 3

],

(5)e para o intervalo entre 0C e 661C

R(T ) = R(0)(1 + aT + bT 2

). (6)

3 Topologias para Implementacao dosSensores com a Rede Neural

Neste trabalho foram abordados dois tipos deproblemas encontrados nos sensores de tempera-tura. Um esta relacionado com a nao linearidadede sensores de temperatura e o outro com as in-terferencias ambientais no sinal. Dentre as topolo-gias para a implementacao de um sensor com asredes neurais duas topologias mostraram-se ade-quadas: topologia serie e paralela. Essas duastopologias sao utilizadas, respectivamente, paralinearizar sistemas e compensar interferencias nosinal de origem.

3.1 Topologia Serie

Um sistema implementado em topologia serie eexibido na Fig. (2). A estrutura estabelecidaneste caso consiste em uma ligacao em serie dosensor a rede neural objetivando um sinal linearentre a saıda da rede neural e a entrada do sensor(Almeida, 2009). Na Fig. (2), o sinal gerado pelosinal primario x do sensor sera linearizado. Aosinal gerado e acrescido ruıdo para representar ospossıveis ruıdos que interferem na leitura do sen-sor. Esses ruıdos podem ser sonoros, termicos oueletromagneticos, por exemplo. A funcao v(x) ea entrada da rede neural e a saıda sera a funcaof(v(x)), que estabelece a relacao linear desejada xversus f(x). Assim, a rede neural devera modelara funcao inversa de v(x) (Almeida, 2009). Por-tanto, utilizando a topologia serie a rede neural,deve-se modelar a funcao inversa para ter em suasaıda a relacao linear desejada e resolver o pro-blema de linearizacao do sensor, pois sua entradae o sinal gerado pelo sensor e sua saıda devera sero sinal primario que e funcao do sinal lido na saıdado sensor. Essa topologia sera utilizada no sensorNTC devido seu comportamento nao linear.

Figura 2: Topologia Serie(Almeida, 2009)

3.2 Topologia Paralela

Nessa topologia, o ruıdo e acrescido ao sinal desaıda da rede neural e nao a sua entrada, comomostra a Fig. (3). Para o treinamento nessatopologia o desvio nao linear do sensor e mode-lado em relacao a reta, permitindo, sem perdera capacidade de representacao do ruıdo existente,que a funcao aproximada pela rede seja modelada


1733

de forma correta (Almeida, 2009). Este tipo deanalise e eficaz para trabalhos de compensacao denao linearidades em sensores provocadas por var-iaveis externas (Almeida, 2009) como, por exem-plo, no sensor PT100, o qual apresenta, por fab-ricacao, uma resposta razoavelmente linearizadae pretende-se eliminar os erros causados por var-iaveis externas.

Figura 3: Topologia Paralela(Almeida, 2009)

4 Projeto das Redes Neurais

Dado que as redes neurais serao treinadasatraves de supervisao, fez-se necessario o usode um padrao para seu treinamento. Para otreinamento da rede neural que foi utilizadacom o termistor NTC (foi utilizado o termis-tor NTC B57164K0102J000) utilizaram-se tabelascom valores caracterısticos da relacao resistencia-temperatura do NTC. Estas tabelas apresentamvalores como tolerancia da resistencia, toleranciada temperatura e coeficiente de temperatura dotermistor (Wang et al., 2008). No entanto, comoos valores da relacao resistencia-temperatura databela eram poucos nao seria possıvel realizar umbom treinamento da rede. Desta forma, para otreinamento foi utilizada a propria expressao dotermistor, com a temperatura variando de 0,1Centre -55C e 125C. Ja para o PT100 foramutilizados os valores tabelados de acordo com anorma DIN 43760, sendo o intervalo de tempera-tura entre -200C e 200C. Para dados de vali-dacao foram utilizados valores interpolados den-tro da faixa de treinamento e valores aleatoriosdentro da faixa de operacao. Depois de estabele-cido os dados de treinamento e validacao, definiu-se a configuracao da rede. Para isso foram uti-lizadas quatro etapas: (i) selecao da configuracaoda rede neural a ser utilizada (perceptron simples,perceptron de multiplas camadas, etc.) apropri-ada a aplicacao; (ii) determinacao da topologia darede, ou seja, o numero de camadas e o numero deneuronios ou nos em cada camada; (iii) determi-nacao do algoritmo de treinamento, taxa de apren-dizagem e demais parametros de treinamento e;(iv) tipo de funcao de transferencia (Ludwig Jr.and Montgomery, 2007).

Para este trabalho, observou-se que para amelhor resposta dever-se-ia ter 75% das amostrasdisponibilizadas para o treinamento, 15% paravalidacao e outros 10% para teste. Na fase detreinamento, sao ajustados os pesos das conexoes.E importante nesta parte do processo determinaros valores iniciais dos pesos sinapticos (inicializa-cao da rede), qual o algoritmo de aprendizagem equal o tempo de treinamento para o aprendizadoda rede. Os valores iniciais dos pesos da rede sao,normalmente, numeros aleatorios uniformementedistribuıdos, em um intervalo definido. O algo-ritmo de aprendizagem e escolhido em funcao dotipo de rede utilizada e das caracterısticas dosdados que serao ajustados. Entretanto, o pro-cesso e basicamente empırico. Quanto ao tempode treinamento, podem ser adotados alguns indi-cadores, dentre os quais pode-se citar o numeromaximo de ciclos, a taxa de erro medio por ciclo,ou ainda, a capacidade de generalizacao da rede.

Pode ocorrer que em um determinado in-stante do treinamento a generalizacao comece adegenerar, causando o problema de over-training,ou seja, a rede se especializa no conjunto de da-dos de treinamento e perde a capacidade de gen-eralizacao, ou seja, memoriza os dados e nao maisconsegue definir uma saıda correta para outros da-dos que estejam fora do padrao de entrada (a rededecora) (Ludwig Jr. and Montgomery, 2007). Nafase de teste, o conjunto de validacao, ou seja, osdados de validacao ja citado, e utilizado para de-terminar o desempenho da rede com dados quenao foram apresentados a mesma. Esta fase ea que verifica se a rede atingiu um desempenhosatisfatorio em replicar os dados de entrada. De-vem ser considerados ainda outros testes como aanalise dos pesos sinapticos e nıveis de bias, poisse existirem valores muito pequenos, as conexoesassociadas podem ser consideradas insignificantese assim serem eliminadas (prunning). De modoinverso, valores muito maiores que os outros in-dicam a possibilidade de over-training da rede.

Apos a etapa de validacao, a rede esta prontapara ser usada permitindo sua aplicacao ao pro-cesso desejado. A Fig. (4) mostra o diagramagerado pelo MATLAB e utilizado no Simulink, naqual x1 e o valor de entrada e y1 valor de saıda.Como ele possui duas camadas, Layer 1 e Layer2, trata-se de uma rede perceptron multiplas ca-madas, praticamente a configuracao mais usualdessa tecnica.

Ja a Fig. (5) ilustra como foi montada aprimeira camada da rede (Layer 1 da Fig. (4)). Odiagrama, caracterıstico de uma rede neural, con-tem valor de entrada, os vetores dos pesos sinap-ticos e bias, alem de um somador e a funcao detransferencia pertinente a camada, no caso funcaotangente hiperbolica. Para Layer 2, a estrutura ea mesma do Layer 1.


1734

Figura 4: Diagrama em Simulink

Figura 5: Primeira camada da rede neural

5 Implementacao da Topologia Serie

Para a implementacao desta topologia utilizou-se o programa LabVIEW em conjunto com oMATLAB (este trabalho limitou-se a implemen-tacao virtual do termistor, ou seja, a solucaofoi simulada e nao implementada fisicamente).No LabVIEW, foi desenvolvido um programa, noqual a resistencia do termistor alvo foi simuladoutilizando sua expressao caracterıstica. Apos otreinamento em MATLAB, os valores caracterıs-ticos da rede neural eram transferidos para Lab-VIEW e a logica existente de uma rede progra-mada tinha seus pesos atualizados de acordo comos valores calculados pelo MATLAB. Apos essecarregamento de dados era possıvel obter a tem-peratura do termistor NTC em funcao de sua re-sistencia fornecida (ou em um caso real, medida).A Fig. (6) apresenta o diagrama de blocos prin-cipal para o termistor NTC, feito na ferramentaLabVIEW, com a implementacao da rede neural.

Figura 6: Diagrama de blocos principal do termis-tor NTC (LabVIEW)

6 Implementacao da Topologia Paralela

Para a topologia paralela utilizou-se o sensorPT100 com os valores tabelados pela norma DIN43760. Assim como na topologia serie, o trabalholimitou-se a implementacao de um sensor virtual etambem a criacao de um programa em LabVIEW.A resistencia do sensor foi simulada utilizando aequacao de Callendar-Van Dusen. Apos utilizaro MATLAB, para o treinamento da rede com osvalores tabelados pela norma DIN 43760, os da-dos da rede neural, tais como peso e bias, sao ex-traıdos do programa e lancados para o LabVIEWatualizando os valores da nova rede. Para esta im-plementacao incluiu-se a possibilidade de simularo nıvel de perturbacao causado por variaveis ex-ternas (simula a presenca de ruıdo). A Fig. (7)apresenta o diagrama de blocos principal para oPT100, feito na ferramenta LabVIEW, com a im-plementacao da rede neural.

Figura 7: Diagrama de blocos principal do PT100

7 Resultados

Esta sessao apresentara os resultados das redesneurais elaboradas, cujo objetivo e analisar se arede neural e mais viavel que as tecnicas tradi-cionais de compensacao de ambiente e lineariza-cao.

7.1 Resultados para o Termistor NTC

Como nao existe uma formula correta para de-terminar os numeros de neuronios na camadaoculta, foram escolhidos somente dois valores paraanalise de comparacao com o metodo conven-cional, e tambem, comparar valores entre as redescom diferentes numeros de neuronios na camadaoculta. Apos serem treinadas as duas redes, umacom cinco e outra com seis neuronios na camadaoculta, foram feitas as devidas comparacoes com aexpressao classica levando-se, principalmente, emconsideracao aspectos de precisao. A seguir seraomostrados os resultados obtidos para cada rede.


1735

7.1.1 Rede com Cincos Neuronios na Ca-mada Oculta

A rede com cinco neuronios se ajustou de formaadequada a expressao matematica do termistorNTC, como ilustra a Fig. (8). O erro da redeem relacao a expressao (Fig. (9)) manteve-se emuma faixa de -0,4C a 0,4C, com excecao dos ex-tremos que o erro foi maior, pois ao trabalhar noslimites da expressao o sensor estara trabalhandoo maximo que a sua resistencia pode alcancar, ouseja, e o ponto que o sensor tende a falhar na sualeitura. O desvio padrao do erro para esta config-uracao foi de 0,60.

Figura 8: Comparacao entre as respostas daexpressao classica e da rede treinada (cinconeuronios)

Figura 9: Erro da rede relativo a expressao clas-sica (cinco neuronios)

7.1.2 Rede com Seis Neuronios na Ca-mada Oculta

Utilizando-se seis neuronios, observa-se que a redese ajustou melhor do que com cinco neuronios,como mostrado no grafico da Fig.(10). Com estemelhor ajuste, o erro apresentado no grafico daFig. (11), foi inferior ao da rede com cinconeuronios com um desvio padrao do erro de 0,38.Com seis neuronios na camada oculta tambemnota-se que existe um pico no erro nas extremi-dades, porem de menor amplitude.

Figura 10: Comparacao entre as respostas da ex-pressao classica e da rede treinada (seis neuronios)

Figura 11: Erro da rede relativo a expressao clas-sica (seis neuronios)

7.2 Resultados para o PT100

Para esta aplicacao, apos varias analises, concluiu-se que o numero de neuronios necessarios e sufi-cientes para compensar variaveis externas sao doisneuronios na camada oculta com a divisao dos da-dos em 75% para treinamento, 15% para validacaoe o restante para teste (evitando todos os proble-mas ja citados). Inicialmente, foram comparadosos valores tabelados de acordo com a norma DIN43760 com os valores encontrados com a equacaode Callendar-Van Dusen. Pelos resultados apre-sentados pela Fig. (12) observa-se que no metodotradicional o erro tende a aumentar para os va-lores extremos de temperatura indicando a naoexatidao da equacao. Ja a Fig. (13) compara osvalores da rede neural com a norma DIN 43760.O resultado apresentado mostra uma melhor pre-cisao da rede (quando comparado com a fig. (12)),alem de obter erro mınimo em relacao aos valorestabelados. Para uma melhor analise entre as tec-nicas, e evidenciar a superioridade da rede neuralnesta aplicacao, a Fig. (14) compara os valoresdos erros encontrados. O resultado apresentadomostra um valor baixo de erro para a rede neural ecerta estabilidade, ja para a tecnica tradicional haum intervalo grande entre o maior e menor valorde erro. Para a configuracao com rede neural odesvio padrao para o erro foi de 9, 4× 10−4 e coma configuracao tradicional tem-se o valor de 1, 04.


1736

Figura 12: Comparacao entre os valores tabeladose a equacao de Callendar-Van Dusen

Figura 13: Comparacao entre os valores tabeladoscom a tecnica de Inteligencia Artificial

8 Conclusoes

Este trabalho demonstrou a eficacia na utilizacaoda inteligencia artificial, mais especificamente atecnica de redes neurais, para linearizacao e com-pensacao de ambiente em sensores, pois esta tec-nica permite replicar padroes atraves do treina-mento supervisionado. Atraves das redes neu-rais, foi possıvel realizar a linearizacao do termis-tor NTC e tambem eliminar interferencias de var-iaveis externas do sensor PT100. Com a tecnicade redes neurais, tambem, atingiu-se uma melhorprecisao que as tecnicas tradicionais, a propriaexpressao caracterıstica do termistor NTC e aequacao de Callendar-Van Dusen para o PT100,devido a propriedade das redes neurais em se ad-equar ao comportamento nao linear dos sinais deentrada versus sinais de saıda. Assim, este tra-balho demonstrou a superioridade da inteligenciaartificial (tecnica de redes neurais) em relacao aosmetodos tradicionais de linearizacao e compen-sacao de ambiente em sensores.

Figura 14: Comparacao entre os valores dos errosda equacao de Callendar-Van Dusen e a tecnicade Inteligencia Artificial

Agradecimentos

Os autores gostariam de agradecer a FAPEMIGpelo suporte financeiro.

Referencias

Almeida, G. M. S. (2009). Auto-calibracao e lineariza-cao de sesnores utilizando tecnicas de inteligen-cia computacional, Dissertacao de mestrado emengenharia eletrica, Universidade Federal de Mi-nas Gerais.

Biondi, L. N.and Pacheco, M. A. C., Vellasco, M. M.B. R., Passos, E. P. L. and Chiganer, L. (1996).Sistemas hıbrido de apoio a decisao para deteccaoe diagnostico de falhas em redes eletricas, Anaisdo II Simposio Brasileiro de Redes Neurais, Re-cife, pp. 197–204.

Brusamarello, V., Krakheche, I., Zwirtes, M., Fistarol,A. and Tibolla, V. (2003). Sensores de tempera-tura, Instrumentacao em tecnologia em automa-tizacao industrial, Universidade de Caxias do Sul.

Changhaoand, X. and Yong, L. (2007). Virtual re-alization of temperature measurement of PRTDbased on radial basis function neural network,Electronic Measurement and Instruments, 2007.ICEMI ’07. 8th International Conference on,pp. 4–110,4–114.

de Oliveira, M. A. A., do Amaral, J. L. d. and do Ama-ral, J. F. (2009). Algoritmos para auto-ajustede sensores utilizando redes neurais, VIII Sem-inario Internacional de Metrologia Eletrica, Uni-versidade Estadual do Rio de Janeiro.

Ludwig Jr., O. and Montgomery, E. (2007). RedesNeurais: Fundamentos e Aplicacoes com Progra-mas em C, Editora Ciencia Moderna.

Maia, L. T. (2007). Um estudo sobre a aplicacao detecnicas de inteligencia artificial e engenharia desoftware a construcao de um sistema de super-visao e controle, Dissertacao de mestrado em en-genharia eletrica, Universidade de Brasılia.

Norvig, P. and Russel, S. (2013). Inteligencia Artifi-cial. 3a. Edicao, Editora Campus.

Souza, G. R. (2009). Termistores - NTC e PTC, Ar-tigo do curso de engenharia eletrica, Universi-dade Federal do Parana.


1737

Wang, L.-M., Deng, Y. F., Zhao, X. L. and Liu, B. L.(2008). A neural network approach for creat-ing a NTC thermistor model library for PSPICE,IEEE Conference on Cybernetics and IntelligentSystems, pp. 1133–1137.


1738

Documents

ESTUDO DE LINEARIZAC˘AO E COMPENSAC˘~ AO DE AMBIENTE … · 2014-09-20 · linearizac~ao de curvas em sinais de entrada versus sinais de sa da de sensores nao-linearizados, no caso