Redes neurais

INTRODUÇÃO

No mundo atual, a complexidade dos estudos efetuados talvez venha a ressaltar a relatividade do retorno esperado a longo prazo no mercado das industrias. De outro norte, sabe-se que a valorização de fatores subjetivos podem nos levar a considerar a reestruturação das condições financeiras e administrativas exigidas de empresas e indústrias.

O novo modelo estrutural aqui defendido possibilita uma melhor visão global do fluxo de informações referente à predição de falhas em sistemas e maquinas. Em uma visão de longo prazo, verifica-se que a contínua expansão de melhorias, e avanços tecnológicos para conter tais erros bem como aumentar a produção, o que é uma das conseqüências do impacto na agilidade decisória em prever as falhas que causam a perda de clientes, demora na demanda exigida, prejuízos financeiros, produtos de baixa qualidade, consumidores insatisfeitos, perca de mercado dentre outros.

Com o suporte da Lógica Fuzzy e Redes Neurais todas estas questões serão devidamente ponderadas ao longo deste estudo, levantando dúvidas sobre o surgimento de meios que auxiliam no estudo de falhas e mudanças nas rotinas das indústrias.

Lógica Fuzzy é baseada na teoria dos Conjuntos Fuzzy. Tradicionalmente, uma proposição lógica tem dois extremos: ou é completamente verdadeiro ou é completamente falso.
Entretanto, na lógica Fuzzy, uma premissa varia em grau de verdade de 0 a 1, o que leva a ser parcialmente verdadeira ou parcialmente falsa.

O controle executado pela lógica Fuzzy imita um comportamento baseado em regras ao invés de um controle explicitamente restrito a modelos matemáticos como equações diferenciais. O objetivo da lógica Fuzzy é gerar uma saída lógica a partir de um conjunto de entradas não precisas, com ruídos ou até mesmo faltantes.

Lógica Fuzzy tem por essência gerar valores de saídas sem a necessidade de entradas precisas.

As Redes Neurais Artificiais são modelos matemático-computacionais inspirados no funcionamento das