A diferença conceitual de um controle digital adaptativo e um controle digital com algoritmo de machine learning (usando rede neural), processado num CLP de uma máquina

Uma última observação de esclarecimento sobre este tópico, diz respeito a confusão que se faz entre o que seja os algoritmos de controle adaptativo e os algoritmos de aprendizado de máquina, machine learning, utilizados pelo CLP que controla uma máquina.

Figura 1

É sabido que a operação de uma máquina ao longo do tempo sofre desgastes, mesmo que seja feita uma manutenção eficiente da mesma, ou o ambiente de operação da máquina teve alguma mudança. Em ambos casos, a dinâmica do processo ao longo do tempo, pode fazer com que se necessite de ajustes dos parâmetros que o algoritmo de controle utilize para realizar a operação da máquina. Esses ajustes são feitos a partir de uma segunda malha de realimentação como mostrado na Figura 1. Portanto, o controle adaptativo procura realizar um controle que seja capaz de modificar seus próprios parâmetros de referência de controle, para fazer frente às mudanças da dinâmica de sua operação, e com isso, buscar manter o nível desejado de desempenho.

Na Figura 1, o diagrama em bloco de um controle adaptativos possui duas malhas de realimentação. A primeira malha equivale ao controle convencional com realimentação, e a segunda malha que alimenta a função de adaptação, que monitora o desempenho operacional e ajusta os parâmetros do controlador de acordo com o desempenho planejado. Portanto, o algoritmo de controle adaptativo irá se basear no ajuste de seus parâmetros de operação em conformidade com o resultado obtidos, das variáveis que definem seu desempenho operacional. No caso do aprendizado de máquina, a mudança pode ser do próprio algoritmo de controle, e não somente de seus parâmetros de controle. Isso acontece a partir do fato de que o algoritmo de aprendizado de máquina identifique correlações de padrões de comportamento da operação que permite interpolar mudanças de seu algoritmo de controle original.

Como exemplo, imagine um algoritmo de controle original que execute um programa P, com as seguintes operações representadas por conhecimentos descritos em sentenças lógicas a serem executadas pelo CLP:

(v1 ⋀ v2 -> s1); (v2 ⋀ v3 -> s1); (v2 ⋀ v3 -> s3); (v2 ⋀ v3 ⋀ v1 -> s3)

Em paralelo, iremos então representar esses comandos em uma rede neural, N, onde as variáveis de entrada (v1, v2, v3 e v4) se conectam a neurônios escondidos (e1, e2 e e3) que irá ter suas conexões com as entradas de forma a realizar as operações lógicas desejadas para obter as saídas (s1, s2 e s3), ver Figura 2(a). A seguir é realizado o aprendizado indutivo dessa rede neural, a partir dos exemplos passados, de tal forma, que irá se alterar os valores dos pesos da rede neural de acordo com um conjunto de exemplos de treinamento (amostras de entrada e suas equivalentes saídas), usando algum algoritmo de aprendizado neural. Para tanto, conectamos N totalmente como mostrado na Figura 2(a), de modo que ele possa aprender novas relações entre as entradas e as saídas, além das já inseridas nela por P. Durante esse processo, possivelmente a rede pode mudar os seus conhecimentos básicos. As conexões azuis representam as sentenças lógicas dos conhecimentos prévios e posteriori.

Imaginemos que durante as amostras de execução da máquina, houve a constatação pela rede neural que a saída s3 é ativada quando v1 e v3 estão ativas, mesmo sem que a entrada v2 estivesse ativa. Tal fato, faz com que o algoritmo altere a programação de controle inicial, acrescentando mais um neurônio escondido, e4, que irá representar a instrução (v1 ⋀ v3 -> s3), como apresentado na Figura 2(b):

(v1 ⋀ v2 -> s1); (v2 ⋀ v3 -> s1); (v2 ⋀ v3 -> s2); (v2 ⋀ v3 ⋀ v1 -> s3); (v1 ⋀ v3 -> s3)

Figura 2

Portanto, concluímos dizendo que diferentemente do controle digital adaptativo, que realiza adaptações somente nos seus parâmetros referenciais de algoritmo de controle. O controle digital de aprendizado de máquina permite aprender novos conhecimentos da operação da máquina com relação a sua interação com o processo de produção, o que lhe permite modificar seu algoritmo de controle, oferecendo maior autonomia de se adaptar a mudanças de seu ambiente, ou de seu próprio desempenho.

Se inscrever
Notificar de
guest
0 Comentários
Feedbacks em linha
Ver todos os comentários