Avaliação experimental de redes neurais artificiais recorrentes para identificação de sistemas dinâmicos: um estudo de caso

Abstract

Este trabalho apresenta um estudo experimental de redes neurais arti?cias recorrentes em problemas de identi?cação de sistemas dinâmicos não lineares. Três arquiteturas recorrentes encontradas na literatura foram empregadas em um estudo de caso que consiste na identi?cação do comportamento dinâmico de uma bancada de ensaios que reproduz as possíveis condições de operação de compressores de refrigeração em sistemas (refrigeradores, congeladores, expositores, entre outros). As três arquiteturas exploradas no trabalho são: a rede não linear autorregressiva com entradas exógenas, a rede perceptron de múltiplas camadas recorrente e a rede de estado de eco. Os modelos treinados empregando cada arquitetura foram testados em tarefas de simulação e predição e os resultados experimentais mostram que as três arquiteturas são capazes de modelar de forma satisfatória os principais elementos da resposta dinâmica do sistema empregado como estudo de caso. Os modelos que empregaram redes de estado de eco apresentaram tempos de treinamento cerca de mil vezes menores que os apresentados pelas demais redes, o que facilita a otimização do processo de treinamento e permite que sejam alcançados resultados melhores tanto para tarefas de simulação quanto predição. O melhor resultado foi obtido por uma das abordagens que empregou redes de estado de eco, a qual alcançou erros para a tarefa de simulação 10% menores que os obtidos pela rede perceptron de múltiplas camadas recorrente e até 55% menores que os obtidos pela rede não linear autorregressiva com entradas exógenas.

Abstract : This work presents an experimental study about the use of recurrent artificial neural networks for the identification of nonlinear dynamic systems. Three recurrent architectures from literature are used in a case study, which consists in the identification of the dynamic behavior of a test rig that can impose to a refrigeration compressor the possible operating conditions found in cooling systems (refrigerators, freezers, beverage coolers, among others). The three architectures explored in the work are: the nonlinear autoregressive network with exogenous inputs, the recurrent multilayer perceptron network, and the echo state network. The trained models were tested in simulation and prediction tasks and the experimental results showed that the three architectures are able to satisfactorily model the main dynamics of the system used as case study. The models that used echo state networks presented training times about a thousand times shorter than the ones presented by the other architectures, which makes the optimization of the training process easier and allows better results to be obtained for both simulation and prediction tasks. The best results were obtained by an echo state network implementation, which presented an error 10% lower than a recurrent multilayer perceptron implementation and 55% lower than a nonlinear autoregressive with exogenous input network, for the simulation task.