• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Master's Dissertation
DOI
10.11606/D.55.2018.tde-24012018-110431
Document
Author
Full name
Teresinha Arnauts
Institute/School/College
Knowledge Area
Date of Defense
Published
São Carlos, 2001
Supervisor
Committee
Romero, Roseli Aparecida Francelin (President)
Gomide, Fernando Antonio Campos
Monard, Maria Carolina
Title in Portuguese
Sistema de produção Neuro-Fuzzy em tempo real para a ITAIPU Binacional
Keywords in Portuguese
Não disponível
Abstract in Portuguese
Nos últimos anos, tem-se dado grande enfoque à resolução de problemas utilizando-se redes neurais artificiais, principalmente devido às suas características de aprendizado e adaptação, generalização, processamento paralelo e distribuído, etc... Pesquisadores também têm proposto o desenvolvimento de sistemas híbridos, que consiste na união de mais de um paradigma, por exemplo, redes neurais, sistemas especialistas e sistemas fuzzy, num mesmo sistema, provendo uma solução melhor para um determinado problema. Neste trabalho, uma técnica para a modelagem de sistemas de produção através dos paradigmas conexionista e fuzzj está sendo proposta. Um sistema de produção neuro. fuzzy, que utiliza esta técnica para a detecção e previsão de falhas na Hidrelétrica de Itaipu, foi desenvolvido. Este sistema, chamado de Sistema de Produção NEUFI (NETJro Fuzzy para a Itaipu), permite a rápida tomada de decisões em emergências e melhor monitoração do sistema Itaipu em situações normais. Para este propósito, uma base de conhecimento baseada em regras, já em uso na operação da Usina pelo sistema R-TESE (Real Time Expert System Environment), foi utilizada como referência inicial. Além disso um simulador, denominado Simulador Neuro-Fuzzj, foi também desenvolvido para facilitar a modelagem das regras. A abordagem proposta, quando comparada com o sistema R-TESE, tem as seguintes vantagens. Primeiro, a incorporação de técnicas de redes neurais dá ao sistema NEUFI maior flexibilidade e fácil manutenção. Segundo, possibilidade de visualizar às regras através de estruturas neurais. Outra vantagem é a redução do número de regras devido a similaridade de algumas delas, que têm seu conhecimento implicitamente representado durante o treinamento da rede.
Title in English
Not available
Keywords in English
Not available
Abstract in English
In the last years, neural networks have been widely used for solving problems, mainly due to their learning, adaptation, generalization, paraliel and distributed processing characteristics. in addition, researchers have proposed the developrnent of hybrid systems which consist in the combination of more than one paradigm, for example, neural networks, expert systems and fuzzy systems in the sarne system, providing a better solution for the problem given. In this work, a technique for modeling of production systems by using connectionist and fuzzy paradigms has been proposed. A neuro-fu7zy production system, that uses this tecbnique, for fault detection and prediction in the, Itaipu Hydroelectric, has been developed. This system, called by NEUFI Production System (NEUro Fuzzy for Iltaipu), aliows a faster rnaking decision in emergencies and improves the itaipu System monitoring in normal situations. For this purpose, rule-based knowledge already in use on Itaipu operation by system R-TESE (Real Time Expert System Environment) has been taken as initial reference. Furthermore, a simulator entitled Neuro-Fuzzy Simulator has also been developed for the rnodeling of the mies to be easier. The proposed approach when compared with the system R-TESE has the following advantages. First, the incorporation of neural network techniques in NEUFI provides the system more flexibility and easier rnaintenance. Second, it allows to take a view of the rules through neural networks. Another improvement is the reduction of the number of rules, dueto the similarity of some rules, which have their knowledge implicitly represented during the network training process.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
TeresinhaArnauts.pdf (16.57 Mbytes)
Publishing Date
2018-01-24
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2020. All rights reserved.