Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE ESTADUAL DE CAMPINAS Faculdade de Engenharia Mecânica CAMILO ANDRES CACERES FLOREZ Proposta Metodológica de Otimização baseada em IA, Ciência de Dados e Indústria 4.0. Estudo de casos: Serviços de Emergência em e-Hospital e Sistema de Gerenciamento de Energias Híbridas CAMPINAS 2020 CAMILO ANDRES CACERES FLOREZ Proposta Metodológica de Otimização baseada em IA, Ciência de Dados e Indústria 4.0. Estudo de casos: Serviços de Emergência em e-Hospital e Sistema de Gerenciamento de Energias Híbridas Tese de Doutorado apresentada à Faculdade de Engenharia Mecânica da Universidade Estadual de Campinas como parte dos requisitos exigidos para a obtenção do título de Doutor em Engenharia Mecânica, na Área de Mecatrônica. Orientador: Prof. Dr. João Mauricio Rosário ESTE TRABALHO CORRESPONDE À VERSÃO FINAL TESE DEFENDIDA PELO ALUNO CAMILO ANDRES CACERES FLOREZ, E ORIENTADA PELO PROF. DR. JOÃO MAURICIO ROSÁRIO. CAMPINAS 2020 Ficha catalográfica Universidade Estadual de Campinas Biblioteca da Área de Engenharia e Arquitetura Rose Meire da Silva - CRB 8/5974 Caceres Florez, Camilo Andres, 1991- C113p CacProposta metodológica de otimização baseada em IA, ciência de dados e indústria 4.0. estudo de casos: serviços de emergência em e-hospital e sistema de gerenciamento de energias híbridas / Camilo Andres Caceres Florez. – Campinas, SP : [s.n.], 2020. CacOrientador: João Mauricio Rosário. CacTese (doutorado) – Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica. Cac1. Indústria 4.0. 2. Redes neurais (Computação). 3. Aprendizado de máquinas. 4. Serviços de saúde. 5. Pesquisa operacional. 6. Geração distribuída de energia elétrica. 7. Algoritmos genéticos. I. Rosário, João Mauricio, 1959-. II. Universidade Estadual de Campinas. Faculdade de Engenharia Mecânica. III. Título. Informações para Biblioteca Digital Título em outro idioma: Methodological proposal for optimization based on AI, data science, and industry 4.0. case study: emergency services in e-hospital and hybrid energy management system Palavras-chave em inglês: Industry 4.0 Neural networks Machine Learning Health services Operational research Distributed power generation Genetic Algorithms Área de concentração: Mecatrônica Titulação: Doutor em Engenharia Mecânica Banca examinadora: João Mauricio Rosário [Orientador] Ely Carneiro de Paiva Olga Lucía Ramos Sandoval Jocarly Patrocínio de Souza Francisco Carlos Parquet Bizarria Data de defesa: 27-07-2020 Programa de Pós-Graduação: Engenharia Mecânica Identificação e informações acadêmicas do(a) aluno(a) - ORCID do autor: https://orcid.org/0000-0003-4540-6584 - Currículo Lattes do autor: http://lattes.cnpq.br/0833803631415898 Powered by TCPDF (www.tcpdf.org) http://www.tcpdf.org UNIVERSIDADE ESTADUAL DE CAMPINAS FACULDADE DE ENGENHARIA MECÂNICA TESE DE DOUTORADO Proposta Metodológica de Otimização baseada em IA, Ciência de Dados e Indústria 4.0. Estudo de casos: Serviços de Emergência em e-Hospital e Sistema de Gerenciamento de Energia Híbridas Autor: Camilo Andres Caceres Florez Orientador: Prof. Dr. João Mauricio Rosário A Banca Examinadora composta pelos membros abaixo aprovou esta Tese: Prof. Dr. João Mauricio Rosário FEM/ UNICAMP Prof. Dr. Ely Carneiro de Paiva FEM/ UNICAMP Prof. Dr. Olga Lucía Ramos Sandoval Universidad Militar Nueva Granada (UMNG) Prof. Dr. Jocarly Patrocínio de Souza Universidade de Passo Fundo (RS) Prof. Dr. Francisco Carlos Parquet Bizarria Universidade de Taubaté (UNITAU) A Ata de Defesa com as respectivas assinaturas dos membros encontra-se no SIGA/Sistema de Fluxo de Tese e na Secretaria do Programa da Unidade. Campinas, 27 de julho de 2020. Agradecimentos Este trabalho não poderia ser terminado sem a ajuda de diversas pessoas às quais presto minha homenagem: Ao Deus, por tudo o que Ele fez na minha vida. Aos meus pais, Luis Fernando Cáceres e Martha Cecilia Flórez; irmãos, Julian e María Alejandra Cáceres pelo incentivo, paciência e voz de alento para continuar em todos os momentos de minha vida. A Olga Szczygielska por sua paciência, dedicação e apoio incondicional no decorrer deste caminho. Ao meu orientador, Prof. Dr. João Mauricio Rosário pela confiança, orientação e o apoio ao longo do trabalho desenvolvido, principalmente por seus conselhos e amizade durante minha formação acadêmica. Sua dedicação e ajuda permitiram transpor os desafios deste trabalho e promover meu crescimento pessoal, acadêmico e profissional. Aos Prof. Dario Amaya e Olga Ramos, e a meu colega e amigo Jefry Mora, pela ajuda, amizade e apoio ao longo de minhas pesquisas e trabalhos. Aos meus colegas e amigos, principalmente a meus colegas de laboratório por seu companheirismo e apoio. Aos membros da banca examinadora pela disposição e interesse no meu trabalho. Aos professores e funcionários do Departamento de Sistemas Integrados da Faculdade de Engenharia Mecânica da UNICAMP, com os que tive a oportunidade de trabalhar. Ao CNPq (Conselho Nacional de Desenvolvimento Científico e Tecnológico) pela concessão da bolsa de estudos de Doutorado, processo 140743/2017-0, a qual me permitiu uma dedicação integral ao desenvolvimento deste trabalho. Resumo Este trabalho de pesquisa apresenta uma proposta metodológica de otimização aplicada à engenharia de sistemas utilizando conceitos de inteligência artificial, ciência de dados e indústria 4.0. Esta proposta foi validada através de dois estudos de casos correspondentes a implementação de um sistema inteligente para o serviço de emergência em e-hospital, e ao gerenciamento do abastecimento energético de uma cidade utilizando fontes híbridas. A abordagem proposta utiliza conceitos da Industria 4.0, pesquisa operacional, ciência de dados e inteligência artificial. A metodologia apresentada segue uma abordagem sistêmica, facilitando a melhoria de sistemas complexos em engenharia, tais como os sistemas estocásticos. O estudo de caso relacionado com o gerenciamento inteligente de um e-Hospital, aborda o sistema de emergência hospitalar, controlando de forma inteligente a gestão de pessoal, particularmente nas áreas chave e gargalos existentes nos sistemas em estudo. O uso de conceitos de telemedicina, controle automático e algoritmos genéticos permitiram encontrar uma solução flexível e robusta para situações de baixo e alto fluxo de pacientes. O segundo estudo de caso permitiu projetar um sistema híbrido de geração de energia, utilizando fontes renováveis e um sistema de armazenamento com baterias para o abastecimento de uma população selecionada. As decisões tomadas para projetar o sistema de geração de energia foram baseadas na análise de bancos de dados relacionados. A melhoria proposta para o sistema inteligente de distribuição de energia utilizou técnicas de aprendizado por reforço para abordar o problema. Os resultados obtidos para os estudos de caso implementados mostraram que a abordagem utilizando técnicas de inteligência artificial obteve um desempenho muito superior aos métodos tradicionais encontrados nos trabalhos de referência, demostrando assim a superioridade das técnicas utilizadas. Palavras Chave: Indústria 4.0, Redes Neurais, Simulação, Serviços de Saúde, Pesquisa Operacional, Otimização, Algoritmos Genéticos, Aprendizado de Máquina, Redes inteligentes de energia, Geração distribuída de energia. Abstract This work is a methodological proposal of optimization applied to systems engineering using concepts of artificial intelligence, data science, and industry 4.0. This proposal was validated through two case studies corresponding to the implementation of an intelligent system for the emergency service in ane-hospital, and to the management of the energy supply of a city using renewable energy sources (solar and wind). The proposed approach used the concepts of Industry 4.0, operational research, data science, and artificial intelligence. The methodology follows a series of steps that allow a systemic approach, thus facilitating the improvement of complex systems, such as stochastic systems. The first case study is related to the intelligent management of an e-Hospital addresses the hospital emergency system, intelligently controlling the personnel management, particularly in the key areas and bottlenecks existing in the systems under study. The use of telemedicine concepts, automatic control, and genetic algorithms made it possible to find a flexible and robust solution for situations of low and high flow of patients. The second case study allowed the design of a hybrid energy generation system, using renewable energy sources and a battery storage system to supply a selected population. The decisions made to design the power generation system were based on the analysis of related databases using python language. The proposed area for the intelligent energy distribution system used reinforcement learning techniques to address the problem. The results obtained for the implemented case studies showed that the approach using artificial intelligence techniques achieved a performance far superior to the traditional methods found in the reference works, thus demonstrating the superiority of the used method. Keywords: Industry 4.0, Neural Networks, Simulation, Health Services, Operational Research, Optimization, Genetic Algorithms, Machine Learning, Intelligent Energy Networks, Distributed Energy Generation. Lista de Ilustrações Figura 1 – Áreas do conhecimento utilizadas neste trabalho ................................................... 28 Figura 2 – Tópicos utilizados no desenvolvimento desta tese doutoramento .......................... 28 Figura 3 – Princípios e caraterísticas de projeto na Indústria 4.0. ............................................ 36 Figura 4 – Pilares da Indústria 4.0. ........................................................................................... 38 Figura 5 – Treinamento para montagem de peças da aeronave. ............................................... 43 Figura 6 – Aplicações em construção naval e fabricação inteligente. ...................................... 44 Figura 7 – Monitoramento da produção, relatórios da qualidade e índices de desempenho em tempo real. ................................................................................................................................ 44 Figura 8 – Tipos de Simulação. ................................................................................................ 48 Figura 9 – Metodologia da Pesquisa Operacional e suas Fases. .............................................. 58 Figura 10 – Classificação dos modelos utilizados na Pesquisa Operacional. .......................... 60 Figura 11. Custo operacional vs. Qualidade (nível) do serviço................................................ 63 Figura 12 – Fila básica ou centro de serviço. ........................................................................... 64 Figura 13 – Principais estruturas de situações com uma única fila de espera. ......................... 65 Figura 14 – Princípio de funcionamento de um SED. .............................................................. 68 Figura 15 – Processo Industrial Padrão para Mineração de Dados (CRISP-DM).................... 72 Figura 16 – Ciclo de vida da Ciência de Dados (SONG; ZHU, 2017)..................................... 73 Figura 17 – Ciclo de vida de projeto na Análise de Dados. ..................................................... 74 Figura 18 – Comparativa do Ciclo de vida de projeto na Ciência e Análise de Dados. ........... 74 Figura 19 – Exemplo de Integração de bancos de dados baseados na Data. ............................ 79 Figura 20 – Exemplo de Gráfico de Barras. ............................................................................. 83 Figura 21 – Exemplo de um Histograma. ................................................................................. 84 Figura 22 – Exemplo de Gráfico de Setores. ............................................................................ 84 Figura 23 – Exemplo de Gráfico de Dispersão. ....................................................................... 85 Figura 24 – Exemplo de Gráfico de Linhas. ............................................................................. 85 Figura 25 – Componentes do Gráfico de Caixa e exemplo. ..................................................... 86 Figura 26 – Exemplo da ECDF e comparativa com o histograma. .......................................... 87 Figura 27 – Visão geral dos principais tópicos de abrangência da IA. .................................... 96 Figura 28 – Procedimento proposto para obter um sistema de previsão baseado em Redes Neurais. ..................................................................................................................................... 98 Figura 29 – Validação Cruzada para séries temporais utilizando o método holdout. ............ 101 Figura 30 – Ensemble Aggregation. ....................................................................................... 103 Figura 31 – Ensemble Aggregation com classificação por frequência de ocorrência. ........... 104 Figura 32 – Estrutura de um Neurônio. .................................................................................. 105 Figura 33 – Estrutura de uma MLP. ....................................................................................... 106 Figura 34 – Célula LSTM. ...................................................................................................... 107 Figura 35 – Célula LSTM interagindo com um estado passado e futuro. .............................. 108 Figura 36 – Proposta de implementação de uma Rede Neural para produção. ...................... 111 Figura 37 – Esquema geral do Aprendizado por Reforço. ..................................................... 112 Figura 38 – Algoritmo Q-learning. ........................................................................................ 115 Figura 39 – Deep Q-learning. ................................................................................................ 116 Figura 40 – Principais técnicas da Computação Evolutiva. ................................................... 117 Figura 41 – Algoritmo Evolutivo Genérico. ........................................................................... 118 Figura 42 – Diagrama de Interação e Relacionamento para as áreas da metodologia proposta. ................................................................................................................................................ 125 Figura 43 – Diagrama da Metodologia proposta. ................................................................... 126 Figura 44. Diagrama de um sistema de controle em malha fechada. ..................................... 127 Figura 45 – Diagrama para encontrar uma possível solução à fase Criação de soluções baseadas em IA e conceitos da I4.0. ...................................................................................................... 128 Figura 46 – Principais consequências da Superlotação no SEH. ........................................... 133 Figura 47 – Diagrama de fluxo dos pacientes. ....................................................................... 137 Figura 48 – Aproximação da Função 𝜆(𝑡). ............................................................................ 138 Figura 49 – Fluxo padronizado de pacientes por hora............................................................ 139 Figura 50 – Gráfico da matriz de correlaçãodos fluxos de pacientes da literatura em estudo (AHMED; ALKHAMIS, 2009; CARVALHO-SILVA et al., 2018; LEHTONEN et al., 2016). ................................................................................................................................................ 140 Figura 51 – Comportamento do banco de dados criado artificialmente. ................................ 140 Figura 52 – Implementação do Modelo de simulação do SEH com SimEvents®. ................ 142 Figura 53 – Proposta de um e-Hospital para o SEH utilizando uma sala de Atendimento Médico Remoto. .................................................................................................................................. 149 Figura 54 – Controlador do agendamento de recursos para a sala de AMR. ......................... 151 Figura 55 – Sinal da ação do controlador PID utilizado......................................................... 151 Figura 56 – Comprimento da fila da sala de diagnóstico ao longo do dia. ............................ 152 Figura 57 – Algoritmo Genético utilizado na Solução 2. ....................................................... 156 Figura 58 – Evolução dos indivíduos do AG utilizando a função de fitness 𝐽1 da Eq. (25). . 158 Figura 59 – Sinal de controle do controlador PID da solução 2 associada a 𝐽1. .................... 158 Figura 60 – Comprimento da fila da sala de diagnóstico para a solução 2 associada a 𝐽1. ... 159 Figura 61 – Evolução dos indivíduos do AG utilizando a função de fitness 𝐽2. .................... 163 Figura 62 – Sinal de controle do controlador PID na solução 2 associada a 𝐽2. .................... 164 Figura 63 – Comprimento da fila da sala de diagnóstico para a solução 2 associada a 𝐽2. ... 164 Figura 64 – Algoritmo Memético utilizado na Solução 3. ..................................................... 168 Figura 65 – Evolução dos indivíduos do algoritmo memético utilizando a função de fitness 𝐽1. ................................................................................................................................................ 169 Figura 66 – Exemplo sinal do controlador PID na solução 3 associada a 𝐽1. ........................ 170 Figura 67 – Comprimento da fila da sala de diagnóstico para a solução 3 associada a 𝐽1. ... 170 Figura 68 – Evolução dos indivíduos do algoritmo memético utilizando a função de fitness 𝐽2. ................................................................................................................................................ 174 Figura 69 – Esforço de controle do controlador PID na solução 3 associada a 𝐽2. ................ 175 Figura 70 – Comprimento da fila da sala de diagnóstico para a solução 3 associada a 𝐽2. ... 175 Figura 71 – Esquema da solução 4 utilizando um modelo de previsão. ................................. 181 Figura 72 – Esforço de controle do controlador PID na solução 4......................................... 182 Figura 73 – Comprimento da fila da sala de diagnóstico para a solução 4. ........................... 182 Figura 74 – Resultados da previsão do ARIMA de um dia aleatório. .................................... 186 Figura 75 – Geração distribuída de energia. ........................................................................... 197 Figura 76 – Adaptação da arquitetura do trabalho de Mora Montañez (2020). ..................... 198 Figura 77 – Sistema de Geração Fotovoltaico. ....................................................................... 200 Figura 78 – Sistema de Geração Eólica. ................................................................................. 201 Figura 79 – Sistema de armazenamento. ................................................................................ 203 Figura 80 – Algoritmo de gerenciamento de energia. ............................................................ 205 Figura 81 – Curva de Demanda Elétrica ................................................................................ 209 Figura 82 – Gráfico, histograma e diagrama de caixa da GHI entre os anos 1998 e 2017. ... 211 Figura 83 – Diagrama de caixa da Irradiação Solar Horizontal Global por hora. .................. 212 Figura 84 – Valores anuais médios da Irradiação Solar Horizontal Global (1998-2017). ..... 212 Figura 85 – Diagrama de caixa da Irradiação Solar Horizontal Global agrupados por mês. . 213 Figura 86 – Velocidade do Vento a 10 m, histograma e diagrama e distribuição (1998-2017). ................................................................................................................................................ 213 Figura 87 – Diagrama de caixa da Velocidade do Vento a 10 m de altura. ........................... 214 Figura 88 – Valores anuais médios Velocidade do Vento a 10 m de altura entre os anos 1998 e 2017. ....................................................................................................................................... 215 Figura 89 – Diagrama de caixa da Velocidade do Vento a 10 m agrupada por mês. ............. 215 Figura 90 – Demanda elétrica por hora. ................................................................................. 216 Figura 91 – Histograma e diagrama de caixa e da Demanda Elétrica utilizando o método de Monte Carlo. ........................................................................................................................... 216 Figura 92 – Custo da Potência (solar e eólica) em função de sua porcentagem de utilização 220 Figura 93 – Curva de Potência da turbina AGW 110/2.1. ...................................................... 222 Figura 94 – Diferença entre a potência gerada e a demanda da Tabela 41. ........................... 230 Figura 95 – Modelo de célula solar utilizada por Mora Montañez (2020). ............................ 232 Figura 96 – Sistema fotovoltaico de Geração Elétrica utilizado no trabalho de referência. .. 232 Figura 97 – Potência Gerada pelo simulador e Modelo de regressão. ................................... 234 Figura 98 – Modelo do gerador eólico utilizado por Mora Montañez (2020). ....................... 235 Figura 99 – Sistema fotovoltaico de Geração Elétrica utilizado no trabalho de referência. .. 236 Figura 100 – Potência Gerada pelo simulador e Modelo de regressão. ................................. 238 Figura 101 – Sistema de armazenamento utilizado no trabalho de referência. ...................... 239 Figura 102 – Esquema implementado do algoritmo de distribuição de energia. ................... 240 Figura 103 – Possíveis estados do sistema de distribuição de energia. .................................. 240 Figura 104 – Arquitetura geral da micro-rede. ....................................................................... 241 Figura 105 – Estrutura do Simulador proposto. ..................................................................... 242 Figura 106 – Máquina de estados que resume a funcionalidade do simulador. ..................... 243 Figura 107 – Preço normalizado de compre e venda da energia. ........................................... 247 Figura 108 – Máquina de estados do funcionamento do simulador desenvolvido. ................ 249 Figura 109 – Diagrama de Fluxo do Algoritmo de distribuição de Energia. ......................... 251 Figura 110 – Comportamento da Demanda elétrica, Potência Fornecida e Potência Gerada.251 Figura 111 – Comportamento do Sistema de Armazenamento. ............................................. 252 Figura 112 – Comportamento da Energia Injetada na Rede e no Sistema de Armazenamento. ................................................................................................................................................ 253 Figura 113 – Potência Comprada e Vendida na Rede elétrica. .............................................. 253 Figura 114 – Sinal de recompensa do algoritmo ao longo da simulação............................... 254 Figura 115 – Sinal de recompensa detalhada para os KPIs socioambientais e socioeconômicos. ................................................................................................................................................ 254 Figura 116 – Arquitetura da Rede Neural proposta para a solução 2. .................................... 256 Figura 117 – Recompensa do agente inteligente da solução 2. .............................................. 256 Figura 118 – Detalhe da Recompensa do agente inteligente da solução 2. ............................ 257 Figura 119 – EQM da Rede Neural da solução 2. .................................................................. 257 Figura 120 – Detalhe da Recompensa do agente inteligente da solução 2. ............................ 258 Figura 121 – Comportamento da Demanda elétrica, Potência Fornecida e Potência Gerada.258 Figura 122 – Comportamento do Sistema de Armazenamento. ............................................. 259 Figura 123 – Comportamento da Energia Injetada na Rede e no Sistema de Armazenamento. ................................................................................................................................................ 259 Figura 124 – Potência Comprada e Vendida na Rede elétrica. .............................................. 260 Figura 125 – Sinal de recompensa do algoritmo ao longo da simulação. .............................. 260 Figura 126 – Sinal de recompensa detalhada para os KPIs socioambientais e socioeconômicos. ................................................................................................................................................ 261 Figura 127 – Detalhamento das técnicas de Previsão utilizadas o horizonte de 1h. .............. 263 Figura 128 – Resultado padronizado da importância dos atributos utilizando o método Ensemble Aggregation para a variável GHI com horizonte de previsão de 1h. ..................... 267 Figura 129 – Resultado padronizado da importância dos atributos utilizando o método Ensemble Aggregation para a variável GHI com horizonte de previsão de 1h. ..................... 269 Figura 130 – Exemplo de previsão da GHI com horizonte de 1 h utilizando o modelo LSTM de entrada multivariável com Dados Não Estacionários (120 h de teste). .................................. 271 Figura 131 – Resultado padronizado da importância dos atributos utilizando o método Ensemble Aggregation para a variável V10 (Wind Speed) com horizonte de previsão de 1h. ................................................................................................................................................ 273 Figura 132 – Exemplo de previsão da V10 com horizonte de 1 h utilizando o modelo LSTM Bidirecional (dados não estacionários) (120 h de teste). ........................................................ 275 Figura 133 – Resultado padronizado da importância dos atributos utilizando o método Ensemble Aggregation para a variável Demanda Elétrica com horizonte de previsão de 1h.276 Figura 134 – Exemplo de previsão da demanda elétrica com horizonte de 1 h utilizando o modelo LSTM Bidirecional (dados não estacionários) (120 h de teste). ............................... 278 Figura 135 – Estrutura do Simulador proposto para a solução 3............................................ 279 Figura 136 – Recompensa do agente inteligente da solução 3. .............................................. 280 Figura 137 – Detalhe da Recompensa do agente inteligente da solução 3. ............................ 280 Figura 138 – EQM da Rede Neural da solução 3. .................................................................. 281 Figura 139 – Detalhe da Recompensa do agente inteligente da solução 3. ............................ 281 Figura 140 – Comportamento da Demanda elétrica, Potência Fornecida e Potência Gerada.282 Figura 141 – Comportamento do Sistema de Armazenamento. ............................................. 283 Figura 142 – Comportamento da Energia Injetada na Rede e no Sistema de Armazenamento. ................................................................................................................................................ 283 Figura 143 – Potência Comprada e Vendida na Rede elétrica. .............................................. 283 Figura 144 – Sinal de recompensa do algoritmo ao longo da simulação. .............................. 284 Figura 145 – Sinal de recompensa detalhada para os KPIs socioambientais e socioeconômicos. ................................................................................................................................................ 284 Figura 146 – Detalhamento das técnicas de Previsão utilizadas para o horizonte de 24h. .... 286 Figura 147 – Adaptação dos modelos de previsão com horizonte de previsão 1h à 24h ....... 287 Figura 148 – Exemplo de previsão da GHI com horizonte de 24 h utilizando o modelo LSTM Bidirecional de entrada multivariável com Dados Não Estacionários. .................................. 290 Figura 149 – Exemplo de previsão da V10 com horizonte de 24 h utilizando o modelo LSTM Bidirecional (dados não estacionários). .................................................................................. 293 Figura 150 – Exemplo de previsão da demanda elétrica com horizonte de 24h utilizando o modelo LSTM Bidirecional (dados não estacionários). ......................................................... 295 Figura 151 – Recompensa do agente inteligente da solução 4. .............................................. 296 Figura 152 – Detalhe da Recompensa do agente inteligente da solução 4. ............................ 296 Figura 153 – EQM da Rede Neural da solução 4. .................................................................. 297 Figura 154 – Detalhe da Recompensa do agente inteligente da solução 4. ............................ 297 Figura 155 – Comportamento da Demanda elétrica, Potência Fornecida e Potência Gerada.298 Figura 156 – Comportamento do Sistema de Armazenamento. ............................................. 298 Figura 157 – Comportamento da Energia Injetada na Rede e no Sistema de Armazenamento. ................................................................................................................................................ 299 Figura 158 – Potência Comprada e Vendida na Rede elétrica. .............................................. 299 Figura 159 – Sinal de recompensa do algoritmo ao longo da simulação. .............................. 300 Figura 160 – Sinal de recompensa detalhada para os KPIs socioambientais e socioeconômicos. ................................................................................................................................................ 300 Figura 161 – Histograma das Recompensas do Agente Aleatório. ........................................ 302 Figura 162 – Ações do Agente Aleatório. .............................................................................. 302 Figura 163 – Histograma das Recompensas do Agente da solução 1. ................................... 303 Figura 164 – Ações do Agente da solução 1. ......................................................................... 304 Figura 165 – Histograma das Recompensas do Agente da solução 2. ................................... 304 Figura 166 – Ações do Agente da solução 2. ......................................................................... 305 Figura 167 – Histograma das Recompensas do Agente da solução 3. ................................... 306 Figura 168 – Ações do Agente da solução 3. ......................................................................... 306 Figura 169 – Histograma das Recompensas do Agente da solução 4. ................................... 307 Figura 170 – Ações do Agente da solução 4. .........................................................................307 Figura 171 – Aproximação à distribuição de probabilidade das recompensas das diferentes soluções. ................................................................................................................................. 308 Figura 172 – Diagrama de Caixa das recompensas das diferentes soluções. ......................... 309 Figura 173 – Modelo de simulação do SEH projetado. .......................................................... 336 Figura 174 – Funcionamento da Sala de Diagnóstico utilizando Máquina de Estados. ......... 337 Figura 175 – Comportamento da Sala de Atendimento (Físico ou Remoto). ........................ 338 Figura 176 – Diagrama de Estado do serviço de agendamento de médicos para a Sala de Atendimento Médico Remoto. ............................................................................................... 339 Figura 177 – Arquitetura de Controle Proposta...................................................................... 339 Figura 178 – Arquitetura de Controle Híbrida da Sala de Diagnósticos implementada. ....... 341 Lista de Tabelas Tabela 1 – Disposição da série temporal como um problema de regressão. ............................ 99 Tabela 2 – Algoritmos mais utilizados no Aprendizado por Reforço. ................................... 113 Tabela 3 – Tempo de Atendimento em cada estágio do SEH (AHMED, 2009). ................... 138 Tabela 4 – Constantes do Sistema utilizadas para Simulação. ............................................... 143 Tabela 5 – Resultados do simulador desenvolvido. ............................................................... 144 Tabela 6 – Comparação dos resultados do simulador de referência e o desenvolvido. ......... 145 Tabela 7 – Aplicação do diagrama para criação de soluções baseadas em IA e I4.0 ............. 148 Tabela 8 – Resultados do simulador aplicando a primeira solução proposta. ........................ 153 Tabela 9 – Comparação KPIs do Hospital Original e e-Hospital da primeira solução proposta. ................................................................................................................................................ 154 Tabela 10 – Número de Trabalhadores no SEH. .................................................................... 155 Tabela 11 – Resultados do simulador aplicando a solução 2 associada a 𝐽1. ........................ 160 Tabela 12 – Comparação de KPIs do Hospital Original e do e-Hospital da solução 2 para 𝐽1. ................................................................................................................................................ 161 Tabela 13 – Número de Trabalhadores no SEH da solução 2 para 𝐽1. .................................. 162 Tabela 14 – Resultados do simulador aplicando a solução 2 associada a 𝐽2. ........................ 165 Tabela 15 – Número de Trabalhadores no SEH da solução 2 para 𝐽2. .................................. 166 Tabela 16 – Comparação de KPIs do Hospital Original e do e-Hospital da solução 2 para 𝐽2. ................................................................................................................................................ 167 Tabela 17 – Resultados do simulador aplicando a solução 3 associada a 𝐽1. ........................ 171 Tabela 18 – Número de Trabalhadores no SEH da solução 3 para 𝐽1. .................................. 172 Tabela 19 – Comparação de KPIs do Hospital Original e do e-Hospital da solução 3 para 𝐽1. ................................................................................................................................................ 173 Tabela 20 – Resultados do simulador aplicando a solução 3 associada a 𝐽2. ........................ 176 Tabela 21 – Número de Trabalhadores no SEH da solução 3 para 𝐽2. .................................. 177 Tabela 22 – Comparação de KPIs do Hospital Original e do e-Hospital da solução 3 para 𝐽2. ................................................................................................................................................ 178 Tabela 23 – Número de Trabalhadores no SEH na solução 4. ............................................... 183 Tabela 24 – Resultados do simulador aplicando a solução 4. ................................................ 184 Tabela 25 – Comparação de KPIs do Hospital Original e do e-Hospital da solução 4. ......... 185 Tabela 26 – Comparação da utilização dos recursos nas diferentes soluções propostas. ....... 187 Tabela 27 – Análise do Número de pacientes atendidos por hora e aproveitamento de recursos. ................................................................................................................................................ 187 Tabela 28 – Comparação Hospital tradicional otimizado (HTO) e e-Hospital solução 3 com 𝐽1. ................................................................................................................................................ 189 Tabela 29 – Comparação do uso de recursos entre a solução tradicional e a solução 3 com 𝐽1. ................................................................................................................................................ 190 Tabela 30 – Comparação do uso de recursos entre o HTO e a solução 3 com 𝐽1.em condição de Emergência. ............................................................................................................................ 191 Tabela 31 – Comparação Hospital tradicional otimizado (HTO) e e-Hospital solução 3 com 𝐽1 ................................................................................................................................................ 193 Tabela 32 – Comparativa das bases de dados ........................................................................ 208 Tabela 33 – Análise da GHI (1998-2017). ............................................................................. 211 Tabela 34 – Análise da Velocidade do Vento a 10 m (1998-2017) ....................................... 214 Tabela 35 – Análise da Demanda Elétrica.............................................................................. 217 Tabela 36 – Custo unitário da Produção de Energia Solar e Eólica. ...................................... 221 Tabela 37 – Conversão dos valores de vento de acordo à rugosidade do terreno .................. 225 Tabela 38 – Conversão dos valores de vento de acordo à altura necessária .......................... 226 Tabela 39 – Potência gerada pelo sistema de usinas eólicas nas condições dadas ................. 227 Tabela 40 – Potência gerada pelo sistema fotovoltaico projetado nas condições dadas ........ 228 Tabela 41 – Comparativa entre a Potência Gerada e a Demanda ........................................... 229 Tabela 42 – Comparativa entre a Potência Gerada pelo simulador e o modelo de regressão.234 Tabela 43 – Comparativa entre a Potência Gerada pelo simulador e o modelo de regressão.237 Tabela 44 – Aplicação do diagrama para criação de soluções baseadas em IA e I4.0. .......... 244 Tabela 45 – Comportamento do sistema para cada ação do sistema de armazenamento. ...... 246 Tabela 46 – Definição de parâmetros nos métodos clássicos utilizados. ............................... 264 Tabela 47 – Definição de parâmetros e hiperparâmetros nos métodos baseados em Redes Neurais. ................................................................................................................................... 265 Tabela 48 – Avaliação dos métodos tradicionais na previsão do GHI com previsão de 1h. .. 266 Tabela 49 – Avaliação do desempenho dos modelos de previsão da GHI. ............................ 268 Tabela 50 – Avaliação do desempenho dos modelos de previsão da GHI. ............................ 270 Tabela 51 – Melhores desempenhos dos modelos de previsão da GHI com previsão de 1h. 271 Tabela 52 – Avaliação dos modelosde previsão clássicos da V10. ....................................... 272 Tabela 53 – Avaliação do desempenho dos modelos de previsão da V10. ............................ 274 Tabela 54 – Melhores desempenhos dos modelos de previsão da V10 com previsão de 1h. 274 Tabela 55 – Avaliação dos modelos de previsão clássicos da Demanda Elétrica. ................. 275 Tabela 56 – Avaliação do desempenho dos modelos de previsão da Demanda Elétrica. ...... 277 Tabela 57 – Melhores desempenhos dos modelos de previsão da Demanda Elétrica com previsão de 1h. ........................................................................................................................ 277 Tabela 58 – Avaliação do desempenho do modelo ARIMA da GHI - 24h............................ 288 Tabela 59 – Avaliação do desempenho dos modelos de previsão monovariável da GHI - 24h. ................................................................................................................................................ 288 Tabela 60 – Avaliação do desempenho dos modelos multivariável de previsão da GHI -24h. ................................................................................................................................................ 289 Tabela 61 – Melhores desempenhos dos modelos de previsão da GHI com previsão de 24h. ................................................................................................................................................ 290 Tabela 62 – Avaliação do desempenho do modelo ARIMA da V10 - 24h. ........................... 291 Tabela 63 – Avaliação do desempenho dos modelos de previsão da V10 - 24h. ................... 291 Tabela 64 – Melhores desempenhos dos modelos de previsão da V10 com previsão de 24h. ................................................................................................................................................ 292 Tabela 65 – Avaliação do desempenho do modelo ARIMA da Demanda Elétrica - 24h. ..... 293 Tabela 66 – Avaliação do desempenho dos modelos de previsão da Demanda Elétrica para um horizonte de previsão de 24h. ................................................................................................. 294 Tabela 67 – Melhores desempenhos dos modelos de previsão da Demanda Elétrica para um horizonte de previsão de 24h. ................................................................................................. 294 Lista de Abreviaturas e Siglas AG Algoritmos Genéticos AM Algoritmos Meméticos AMR Atendimento Médico Remoto CE Computação Evolutiva DC Direct Current ou Corrente Contínua DQL Deep Q-Learning DS Dinâmica de Sistemas GHI Global Horizontal Irradiance ou Irradiação Solar Horizontal Global GPU Graphics Processing Unit HTO Hospital Tradicional Otimizado IAE Integral of Absolute Error ou integral do erro absoluto IDEAM Instituto De hidrologia, meteorologia e Estudos Ambientais ISE Integral Squared Error ou integral do erro ao quadrado ITAE Integral Time Absolute Error ou integral do erro absoluto ponderado no tempo KPI Key Performance Indicators ou indicadores de desempenho LCOE Levelized Cost Of Energy ou custo nivelado da eletricidade LSTM Long-Short Term Memory MBA Modelos Baseados em Agentes MLP Perceptron Multicamada ou multilayer perceptron MPPT Maximum Power Point Tracking ou rastreador de ponto de potência máxima NFQI Neural Fitted Q Iteration NSRDB National Solar Radiation Data Base PCE Poupança no Custo da Energia PGIS Photovoltaic Geographical Information System PID Controlador do tipo Proporcional-Integral-Derivativo RNA Redes Neurais Artificiais RNN Redes Neurais Recorrentes SED Simulação de Eventos Discretos SEH Serviço de Emergência Hospitalar SOC State Of Charge ou estado de carga da bateria SVM Support Vector Machine ou máquina de suporte vetorial UdN Universidad del Norte V10 Velocidade do vento a 10 m Sumário 1 INTRODUÇÃO ............................................................................................................. 24 1.1 Posicionamento do Problema ............................................................................................ 24 1.2 Justificativa do Trabalho ................................................................................................... 25 1.3 Objetivos ........................................................................................................................... 26 1.3.1 Objetivo Geral .............................................................................................................. 26 1.3.2 Objetivos Específicos ................................................................................................... 26 1.3.3 Definição das áreas de interesse e conceitos chave ...................................................... 27 1.4 Descrição dos Capítulos propostos .................................................................................... 29 2 REVISÃO BIBLIOGRÁFICA ...................................................................................... 31 2.1 Pesquisa Operacional ........................................................................................................ 31 2.1.1 Logística ....................................................................................................................... 32 2.1.2 Design de Produto ......................................................................................................... 32 2.1.3 Planejamento e Controle da produção .......................................................................... 33 2.1.4 Escalonamento de Pessoal ............................................................................................ 33 2.1.5 Ciências Sociais ............................................................................................................ 34 2.1.6 Transportes ................................................................................................................... 34 2.1.7 Energia e Sustentabilidade ............................................................................................ 35 2.2 Indústria 4.0 ....................................................................................................................... 36 2.2.1 Princípios e caraterísticas de projeto na Indústria 4.0 .................................................. 36 2.2.2 Pilares da Indústria 4.0 ................................................................................................. 38 2.2.3 Aplicações da Indústria 4.0 ........................................................................................... 49 2.3 Análise de Dados, Ciência de Dados e Inteligência Artificial .......................................... 51 2.4 Conclusões do Capítulo e próximas etapas ....................................................................... 55 3 PESQUISA OPERACIONAL ....................................................................................... 56 3.1 Definição e Escopo ............................................................................................................ 56 3.2 Etapas e Metodologia para a Resolução de Problemas na PO .......................................... 57 3.3 Modelos e Modelagem na solução de problemas da PO ................................................... 59 3.3.1 Simulação de Monte Carlo ........................................................................................... 61 3.3.2 Teoria das Filas ............................................................................................................. 62 3.3.3 Simulação de Eventos Discretos (SED) ....................................................................... 66 3.3.4 Simulação Continua ...................................................................................................... 693.4 Resolução de Problemas na PO ......................................................................................... 69 3.5 Conclusões do Capítulo e próximas etapas ....................................................................... 70 4 ANÁLISE E CIÊNCIA DE DADOS ............................................................................ 71 4.1 Definições e Importância .................................................................................................. 71 4.2 Ciclo de Vida na Ciência e Análise de Dados .................................................................. 72 4.3 Ciclo de Vida na Ciência e Análise de Dados - Fundamentos Teóricos .......................... 76 4.3.1 Etapa de Preparação ...................................................................................................... 76 4.3.2 Pré-processamento ........................................................................................................ 77 4.3.3 Análise de dados ........................................................................................................... 80 4.3.4 Pós-processamento ....................................................................................................... 91 4.4 Conclusões do Capítulo e próximas etapas ....................................................................... 94 5 INTELIGÊNCIA ARTIFICIAL .................................................................................... 95 5.1 Definições e Escopo ......................................................................................................... 95 5.2 Aprendizado de Máquina ................................................................................................. 97 5.2.1 Conceitos Fundamentais ............................................................................................... 97 5.2.2 Modelo de aprendizado supervisionado utilizando RNA ............................................. 98 5.2.3 Aprendizado por Reforço .......................................................................................... 111 5.3 Computação Evolutiva ................................................................................................... 116 5.3.1 Conceitos Fundamentais ............................................................................................. 116 5.3.2 Algoritmos Genéticos ................................................................................................. 119 5.3.3 Algoritmos Meméticos ............................................................................................... 121 5.4 Conclusões do Capítulo e próximas etapas ..................................................................... 122 6 OTIMIZAÇÃO APLICADA À ENGENHARIA DE SISTEMAS ............................. 123 6.1 Introdução ....................................................................................................................... 123 6.2 Validação ........................................................................................................................ 129 6.2.1 Gerenciamento de um Serviço de Emergência Hospitalar ......................................... 129 6.2.2 Gestão da geração e fornecimento de energia elétrica ................................................ 129 6.3 Conclusões do Capítulo e próximas etapas ..................................................................... 130 7 ESTUDO DE CASO 1: GERENCIAMENTO INTELIGENTE DE UM SERVIÇO DE EMERGÊNCIA NUM E-HOSPITAL ................................................................................... 131 7.1 Definição e Delimitação do estudo de caso .................................................................... 131 7.2 Modelagem matemática dos sistemas que integram o ambiente do caso de estudo ....... 136 7.3 Obtenção ou criação de bases de dados associados a situações reais do caso de estudo 137 7.4 Definição e Implementação de indicadores de desempenho associados ao caso e ao problema em estudo ................................................................................................................ 141 7.5 Desenvolvimento de ferramentas de simulação utilizando os modelos obtidos e bases de dados coletadas ....................................................................................................................... 142 7.6 Análise e Identificação das limitações ou problemas utilizando ferramentas da Ciência de Dados ...................................................................................................................................... 146 7.7 Criação de soluções baseadas em IA e conceitos da Indústria 4.0 .................................. 147 7.7.1 Solução1: Controle PID ajustado heuristicamente ..................................................... 150 7.7.2 Solução 2: Controle PID ajustado com um Algoritmo Genético ............................... 156 7.7.3 Solução 3: Controle PID ajustado com um Algoritmo Memético .............................. 168 7.7.4 Solução 4: Modelo Duplo utilizando um Controlador PID e um Modelo de Previsão de pacientes (modelo ARIMA) ................................................................................................... 179 7.8 Análise, Comparação e Seleção das Soluções baseadas em Simulação .......................... 186 7.9 Comparação da melhor solução com o método tradicional............................................. 188 7.9.1 Fluxo Normal de Pacientes ......................................................................................... 188 7.9.2 Fluxo de Pacientes em Situação Abnormal ................................................................ 191 7.10 Conclusões do Capítulo e Próximas Etapas ................................................................... 194 8 ESTUDO DE CASO 2: SISTEMA DE GESTÃO DA GERAÇÃO E FORNECIMENTO DE ENERGIA ELÉTRICA .................................................................................................... 195 8.1 Definição e Delimitação do estudo de caso .................................................................... 195 8.2 Modelagem matemática dos sistemas que integram o ambiente do caso de estudo ....... 199 8.2.1 Sistema de Geração Fotovoltaico ............................................................................... 200 8.2.2 Sistema de Geração Eólico ......................................................................................... 201 8.2.3 Sistema de Armazenamento ....................................................................................... 203 8.2.4 Sistema de Distribuição de Energia ............................................................................ 204 8.3 Obtenção ou criação de bases de dados associados a situações reais do caso de estudo 206 8.3.1 Pré-processamento, análise comparativa, e escolha de uma base de dados associada aos fatores climáticos .................................................................................................................... 206 8.3.2 Geração da base de dados da Demanda elétrica ......................................................... 208 8.3.3 Análise das variáveis de interesse ............................................................................... 210 8.4 Definição e Implementação de indicadores de desempenho ........................................... 217 8.5 Desenvolvimento de ferramentas de simulação utilizando os modelos e bases de dados..... ......................................................................................................................................... 219 8.5.1 Projeto do sistema de geração de energia ................................................................... 219 8.5.2 Desenvolvimento das Ferramentas de Simulação ...................................................... 231 8.6 Análise e Identificação de limitações utilizando ferramentas da Ciência de Dados .......243 8.7 Criação de soluções baseadas em IA e conceitos da Indústria 4.0 .................................. 244 8.7.1 Adaptação do Simulador para os requerimentos do Aprendizado por Reforço ......... 245 8.7.2 Solução 1: Máquina de Estados .................................................................................. 250 8.7.3 Solução 2: Neural Fitted Q Iteration (NFQI) ............................................................. 254 8.7.4 Solução 3: Neural Fitted Q Iteration com previsão de 1h (NFQI-1h) ....................... 261 8.7.5 Solução 4: Neural Fitted Q Iteration com previsão de 24h (NFQI-24h) ................... 284 8.8 Análise, Comparativa e Seleção das soluções baseadas em simulação........................... 301 8.8.1 Agente Aleatório ......................................................................................................... 301 8.8.2 Solução 1: Máquina de Estados .................................................................................. 303 8.8.3 Solução 2: Agente NFQI ............................................................................................ 304 8.8.4 Solução 3: Agente NFQI-1h ....................................................................................... 305 8.8.5 Solução 4: Agente NFQI-24h ..................................................................................... 306 8.8.6 Estudo Comparativo dos diferentes agentes estudados .............................................. 308 8.9 Comparativa da melhor solução com o método tradicional ............................................ 309 8.10 Conclusões do Capítulo e próximas etapas .................................................................... 310 9 CONCLUSÕES E PERSPECTIVAS FUTURAS ....................................................... 311 9.1.1 Contexto Geral do Trabalho de Pesquisa .................................................................... 311 9.1.2 Estudo de caso 1: Gerenciamento Inteligente de um Serviço de Emergência num e- Hospital ................................................................................................................................... 312 9.1.3 Estudo de caso 2: Sistema de Gestão da Geração e Fornecimento de Energia Elétrica ... .................................................................................................................................... 313 9.1.4 Perspectivas Futuras ................................................................................................... 314 REFÊRENCIAS ..................................................................................................................... 315 PRODUÇÃO BIBLIOGRÁFICA RELACIONADA COM ESTA TESE ............................. 335 ANEXO A - Modelagem de um SEH .................................................................................... 336 24 1 INTRODUÇÃO 1.1 Posicionamento do Problema Nas últimas décadas, a competitividade crescente no mercado globalizado e a necessidade de eficiência têm imposto mudanças nos diferentes setores da economia, exigindo produtos e serviços de maior qualidade e menor custo; o qual reflete uma necessidade latente de uma adaptação rápida e dinâmica dos diferentes setores aos novos requisitos do mercado. Como resposta às crescentes necessidades do mercado global foi proposta a quarta revolução industrial ou “Indústria 4.0” que visa a melhoria do setor de produtos e serviços através da integração de máquinas e humanos em cadeias de valor. A visão da Indústria 4.0 (I4.0) surge como a adaptação industrial do conceito da Internet das Coisas (IdC). A IdC propõe o uso de objetos inteligentes com conexão à internet que consigam usar, processar e armazenar informação na nuvem (BRADLEY et al., 2015), e seu principal objetivo é o compartilhamento e processamento de dados, com a finalidade de obter uma integração de um ambiente de objetos inteligentes e humanos, visando uma a melhora da qualidade de vida. Desde a criação da Internet, e recentemente com a implementação de conceitos como I4.0 e IdC, a quantidade de dados armazenados cresceu de forma exponencial, vêm se ramificando a diferentes aplicações que vão desde a área de exatas, até a Biologia e a Medicina como também as Ciências Sociais, Humanas e Jurídicas. A criação de grandes bancos de dados permitiu o desenvolvimento de áreas como o Big Data, que tem como objetivo o tratamento, análise e aproveitamento de esses grandes conjuntos de dados. Algumas técnicas de análise de dados aproveitam abordagens estatísticas tradicionais, como a Ciência de Dados, que analisa e tenta extrair informações e conhecimento útil para tomadas de decisões. Outra forma de aproveitamento das informações é por médio da criação de modelos de previsão, classificação, regressão, clustering, detecção de padrões, otimização, entre outros, que baseados em técnicas de Inteligência Artificial (IA) conseguem realizar tarefas complexas, com resultados que em alguns casos superam a capacidade humana. Como resultado da análise de dados e do desenvolvimento de modelos baseados em IA, a vantagem competitiva criada por essa tecnologia nos diferentes setores econômicos tem 25 conseguido uma melhora na competitividade e um maior crescimento econômico nos últimos anos. Nos dias atuais, pode-se afirmar que qualquer sistema ou ambiente que permita o uso da IdC ou I4.0 pode ser abordado sob a perspectiva da teoria dos sistemas permitindo que um processo ou cadeia de serviços seja modelado com base no comportamento dinâmico do sistema, com o objetivo de se obter uma ferramenta de análise baseada na modelagem e simulação (M&S) (ZEIGLER, 2016). Esta tese de doutoramento visa a melhoria de sistemas de produção, pertencentes à Industria Energética e de Serviços; utilizando conceitos de IA e I4.0, a fim de obter sistemas inteligentes. Este trabalho segue uma proposta metodológica desenvolvida pelo autor, que pretende conseguir um maior desempenho para cada um dos sistemas em estudo. Para a validação dos conceitos e ferramentas desenvolvidas neste trabalho, foram implementados dois casos de estudo de diferentes áreas através de um Sistema de Gerenciamento de Fontes alternativas de Energia renováveis para abastecimento de uma vila, e a otimização e gerenciamento de um Serviço de Emergência num e-Hospital. 1.2 Justificativa do Trabalho A crescente necessidade de propor soluções para melhorar processos e serviços em diferentes setores econômicos, devido à competitividade no mercado global, tem criado uma necessidade de um roteiro metodológico de melhorias baseada em tecnologias promissórias, como a IA e a I4.0. Essa metodologia deve poder ser implementada em diferentes áreas da engenharia e seus problemas, analisando as diferentes situações como um sistema composto por múltiplos subsistemas, analisando e propondo soluções para as limitações trazidas por cada um dos subsistemas em sua interação com todo o sistema. Os principais problemas encontrados nos sistemas de produção estão associados ao uso ineficiente dos recursos em algumas partes do processo, reduzindo o desempenho geral do sistema, problema estudado na Pesquisa Operacional. Um sistema de produção pode ser modelado matematicamente de diversas formas, utilizando modelos determinísticos ou estocásticos. A integração dos diferentes modelos num simulador permite a obtenção de uma ferramenta de análise e teste que traz uma visão geral e completa do sistema de produção. A otimização baseada em ferramentas de simulação potencializada pela IA e princípios da I4.0 26 propõem uma melhora no gerenciamento dos recursos em cada subsistema, permitindo assim uma melhora competitiva geral nos diferentes setores econômicos. Este trabalho aborda questões sociais atuais, como casos de estudo, com o objetivo de propor possíveis soluções, utilizando conceitosatuais da tecnologia. Os tópicos tratados neste trabalho estão associados à área da saúde e ao fornecimento de energia elétrica numa cidade ou região, que são indicadores da qualidade de vida da população. 1.3 Objetivos 1.3.1 Objetivo Geral Este estudo tem como principal objetivo a otimização de sistemas produtivos utilizando conceitos de IA e I4.0 com a finalidade de melhorar a competitividade dos diferentes setores econômicos, melhorando assim diferentes processos e serviços. Com essa finalidade será desenvolvida e utilizada uma proposta metodológica que melhorará o desempenho de diferentes sistemas produtivos. Serão abordados dois estudos de caso de diferentes ramos da engenharia que respondem a problemáticas sociais atuais, como o setor de saúde e o de fornecimento de energia elétrica. Estes estudos de casos selecionados correspondem ao Serviço de Emergência num e-Hospital e ao Sistema de Gerenciamento de Energia utilizando fontes renováveis, situações que permitirão a validação deste trabalho. 1.3.2 Objetivos Específicos • Definir e Delimitar os casos de estudo selecionados. • Obter diferentes modelos matemáticos que permitam simular os sistemas ou subsistemas que integram cada um dos sistemas produtivos de interesse. • Coletar ou Criar bancos de dados associados a situações reais dos casos de estudo. • Desenvolver ferramentas de simulação baseadas em modelos matemáticos e no comportamento fornecido pelas bases de dados coletadas. • Utilizar ferramentas da Ciência de Dados para a análise e detecção de problemas nos diversos casos de estudo. 27 • Definir e Implementar indicadores de desempenho para cada caso de estudo, com o objetivo de avaliar e comparar diferentes cenários de interesse. • Propor soluções baseadas em IA e conceitos associados à I4.0 para os diferentes problemas de desempenho encontrados nos casos de estudo. • Analisar e Comparar soluções integradas baseadas em simulação, princípios de IA e da I4.0 que consigam resolver os problemas encontrados nos casos de estudo. 1.3.3 Definição das áreas de interesse e conceitos chave Para o desenvolvimento do presente trabalho de pesquisa, a definição das áreas e conceitos chaves é importante para entender os tópicos abordados, e por se tratar de um trabalho multidisciplinar, a quantidade de áreas envolvidas é extensa e diversificada. Por esse motivo estão sendo propostos dois estudos de caso pertencentes a diferentes disciplinas do conhecimento, como são o gerenciamento de serviços de saúde e a gestão do fornecimento da energia elétrica baseada em fontes renováveis. O caso de estudo relacionado com a área da saúde tem como objetivo um gerenciamento inteligente de um Serviço de Emergência num e-Hospital. O gerenciamento inteligente está focado na otimização do número de trabalhadores no serviço de emergência, onde utilizando conceitos da I4.0 e ferramentas da IA conseguiremos uma resposta dinâmica e adaptável às necessidades instantâneas do sistema, superando o desempenho das soluções tradicionalmente utilizada. Para atingir esse objetivo o uso da telemedicina foi um elemento importante para o desenvolvimento das múltiplas soluções propostas. Por outro lado, o estudo de caso associado à gestão da geração e fornecimento da energia elétrica para uma cidade ou região baseada em fontes renováveis de energia, propõe uma solução de energia renovável para uma comunidade e local selecionado. A proposta está baseada no dimensionamento e gestão inteligente de um sistema híbrido de fornecimento de energia, que utiliza energias renováveis e não renováveis. O gerenciamento inteligente do fluxo de potência segue conceitos da I4.0 e algoritmos baseados em IA atuando dinamicamente de acordo às necessidades sociais, ambientais, económicas e energéticas da população, sendo uma proposta inovadora no campo de estudo. 28 Depois de aprofundar nos estudos de caso propostos para o desenvolvimento deste trabalho é possível identificar as diferentes áreas de conhecimento utilizadas, como mostra a Figura 1. Por outro lado, a Figura 2 apresenta em detalhe alguns tópicos pertencentes às áreas de estudo apresentadas na Figura 1, onde é possível identificar a multidisciplinariedade de temas propostos nesta tese de doutoramento. Figura 1 – Áreas do conhecimento utilizadas neste trabalho Fonte: Elaborado pelo Autor Figura 2 – Tópicos utilizados no desenvolvimento desta tese doutoramento Fonte: Elaborado pelo Autor Pesquisa Operacional Indústria 4.0 Análise de Dados e Ciência de dados Inteligência Artificial Conhecimento de áreas específicas Pesquisa Operacional •Modelagem e Simulação •Análise Quantitativo •Redesenho do processo ou sistema Indústria 4.0 •Internet das coisas e Internet industrial das coisas •Sistemas ciber- físicos •Computação em nuvem •Simulação •Big Data •Realidade Aumentada e Realidade Virtual •Robôs Autónomos e Sistemas Mecatrônicos •Cyber seguridade •Tele monitoramento e Redes de Comunicação Análise e Ciência de dados •Estatística •Processamento e Análise de dados •Visualização de dados Inteligência Artificial •Algoritmos evolutivos •Aprendizado de Máquina •Aprendizado por Reforço Conhecimento de áreas específicas •Sistemas baseados em serviços •Sistemas de Saúde •Fornecimento de eletricidade •Energia Renovável 29 1.4 Descrição dos Capítulos propostos O desenvolvimento desta tese de doutoramento está estruturado a partir dos seguintes capítulos. • Revisão Bibliográfica: Neste capítulo é realizada uma contextualização das áreas de interesse abordadas, mostrando sua utilização e capacidades para a solução de problemas atuais da engenharia. Detalhando de forma especial os fundamentos teóricos e contextuais da Indústria 4.0, seus elementos principais e aplicações. • Pesquisa Operacional: Neste capítulo é definida a Pesquisa Operacional e o alcance deste tópico, detalhando as metodologias, áreas e técnicas que apoiam a melhoria de processos e serviços. • Análise de Dados e Ciência de Dados: Neste capítulo são apresentados conceitos da Análise de Dados e da Ciência de Dados, seus fundamentos teóricos, aplicação e ferramentas no contexto da quarta revolução industrial. • Inteligência Artificial e sua Integração na Indústria 4.0: Neste capítulo são apresentados alguns conceitos da IA, como os Algoritmos Evolutivos e a Aprendizagem de Máquina, aprofundando especialmente nos tópicos e ferramentas utilizadas neste trabalho. • Proposta Metodológica de Otimização aplicada a Engenharia de Sistemas: Apresenta e define a metodologia desenvolvida para a otimização de sistemas, detalhando a interação dos tópicos fundamentais na metodologia e sua integração. • Estudo de Caso 1 - Sistema de Gerenciamento de Produção de Energia utilizando fontes renováveis de energia: Neste capítulo é abordado o primeiro estudo de caso que propõe um Sistema de Gerenciamento de Produção de Energia utilizando fontes renováveis. A solução encontrada utiliza técnicas baseadas em IA e Indústria 4.0 para um gerenciamento inteligente. • Estudo de Caso 2 - Serviço de Emergência num e-Hospital: Neste capítulo é abordado o segundo estudo de caso, descrevendo um e-Hospital e melhorando o gerenciamento do setor de emergência, otimizando o número de trabalhadores e melhorando a qualidade do serviço. A proposta oferece uma solução baseada na telemedicina, área relacionada à indústria 4.0. A solução é complementada com técnicas baseadas em IA, o qual permite um gerenciamento inteligente. 30 • Conclusões e Perspectivas Futuras: Neste capítulo são apresentados comentários e considerações finais, além de perspectivas e sugestões para o desenvolvimento de trabalhos futuros nesta temática. 31 2 REVISÃO BIBLIOGRÁFICA Este capítulo tem como objetivo apresentar uma revisãobibliográfica dos casos de aplicação das diferentes áreas envolvidas neste trabalho de doutoramento, como a Pesquisa Operacional, a Indústria 4.0, a Ciência de Dados, a Análise de Dados e a Inteligência Artificial. A revisão bibliográfica é de vital importância para identificar a relação entre os tópicos de estudo, ver o contexto de cada um dos tópicos e entender as aplicações, vantagens e desvantagens de cada uma das áreas de interesse. Inicialmente, será apresentada uma breve definição da Pesquisa Operacional e posteriormente serão apresentados diferentes exemplos de aplicação em diferentes setores da economia. Em seguida, o conceito da Indústria 4.0 será abordado detalhadamente, especificando sua definição, caraterísticas, exemplos e pilares, cada pilar é definido e são apresentados alguns exemplos de aplicação. Posteriormente, a Ciência de Dados, a Análise de Dados e a Inteligência Artificial são definidos, mostrando seu papel no contexto atual e introduzindo casos de uso de cada tecnologia de acordo a literatura recente. Finalmente, são apresentadas as conclusões do capítulo e uma breve abordagem para as próximas etapas. 2.1 Pesquisa Operacional A Pesquisa Operacional (PO) é uma área das matemáticas aplicadas que visa melhorar a tomada de decisões em condições de incerteza dentro de sistemas complexos. Para isso, são utilizadas diversas técnicas de análise e solução de problemas que tem o objetivo de otimizar o desempenho de um sistema em estudo (MURTHY, 2007; TAHA, 2016; TRIGEORGIS; TSEKREKOS, 2018). Dentre as múltiplas aplicações da PO é possível encontrar diversas áreas como Finanças, Marketing, Administração da Produção, Manufatura, Manutenção, Gestão de Projetos, Escalonamento de Pessoal, Governo, Cadeia de suprimentos, Logística, Energia e Meio Ambiente, entre outros tópicos (MERIGÓ; YANG, 2017; SHARMA, 2016; TRIGEORGIS; TSEKREKOS, 2018). 32 2.1.1 Logística A logística é a área que se preocupa pela organização de uma empresa, particularmente na administração, distribuição e transporte de recursos, bens e serviços. Na bibliografia recente, é possível encontrar casos de sucesso do uso da PO na logística, como o desenvolvimento e uso de uma ferramenta de suporte de decisão para o reprojeto de um sistema de distribuição para entrega expressa de encomendas (PARRIANI et al., 2019), ou o caso de otimização das operações logísticas em um terminal de contêineres, através do projeto das rotas dos veículos dentro do pátio, visando a minimização do número de operações efetuadas para rearranjo necessário, com o objetivo de esvaziamento de um pátio de contêineres (BACCI et al., 2019). Outro exemplo de aplicação de logística é o problema da separação de pedidos numa empresa de confecções masculinas, sendo abordado como um problema de otimização com o uso de uma função objetivo, que visa minimizar a distância percorrida pelos trabalhadores com os produtos dos pedidos, melhorando assim o desempenho do sistema. O problema foi abordado utilizando heurísticas e programação dinâmica. A solução encontrada está baseada na modificação do uso das caixas, carregando nas mesmas produtos do mesmo tipo, reduzindo assim, cerca de 25% do deslocamento dos trabalhadores, e uma melhoria de serviços (BUÉ et al., 2019). 2.1.2 Design de Produto O Design de Produto é a área que visa a otimização e melhora de produtos, fundamentado em conhecimento artístico ou das engenharias. Nesta área pode-se encontrar diversas aplicações da PO, como por exemplo, no caso da melhoria de um motor de relutância síncrona através da otimização da forma geométrica do rotor, proporcionando assim uma otimização das ondulações do torque, utilizando o mesmo núcleo do estator existente. Para o desenvolvimento do projeto foram utilizadas ferramentas tais como a análise através de elementos finitos, técnicas de otimização sem derivadas e métodos de otimização não linear. Isto permitiu projetar um rotor que suavizasse o perfil do torque de saída do motor de cerca de 67% (CREDO et al., 2019). Outro exemplo de aplicação que podemos citar é relativo à análise e parametrização de reatores experimentais para potencial produção de eletricidade (Toakmaks) através da fusão nuclear. A proposta visa a otimização do posicionamento dos sensores de aquisição de sinais 33 magnéticos necessários para a reconstituição de alguns parâmetros, permitindo assim, o funcionamento do sistema. Este problema foi descrito como um problema generalizado de atribuição, e a formulação permitiu encontrar uma metodologia de ajuste dos sensores baseada em programação linear, seguindo abordagens atuais de teste e erro, para um tarefa que apresenta elevada complexidade (DE TOMMASI et al., 2019). 2.1.3 Planejamento e Controle da produção O Planejamento e Controle de Produção (PCP) está associado ao correto gerenciamento das atividades de produção, entre as tarefas destacadas encontram-se a previsão de demanda, o planejamento da capacidade de produção etc. A aplicação da PO no PCP pode- se ver na indústria de manufatura, onde a otimização de recursos e a performance é uma exigência atual do mercado global. Dentre alguns exemplos atuais disponíveis na literatura, podemos citar o caso de otimização da empresa italiana de laticínios “La Centrale del Latte di Vicenza SpA” cujo objetivo era estabelecer a previsão da demanda dos produtos perecíveis, de modo a gerenciar melhor os níveis de estoque em uma configuração do Planejamento das Necessidades de Materiais (Material Requirement Planning - MRP) (BERTAZZI; MAGGIONI, 2019). Outro exemplo de aplicação, é o caso da empresa italiana na área de fraldas descartáveis FATER S.p.A., que otimizou o agendamento de produção e gerenciamento da distribuição, através da implementação de softwares de otimização, utilizando diferentes pacotes (GIALLOMBARDO et al., 2019). 2.1.4 Escalonamento de Pessoal O escalonamento de pessoal é a área de estudo envolvida com a organização do recurso humano nas empresas, e é um tópico de especial importância na indústria dos serviços pelo impacto financeiro e da qualidade do serviço associado. A PO atualmente é amplamente utilizada na área descrita nos diferentes setores associados ao setor de processos ou serviços, melhorando e otimizando o planejamento do pessoal da empresa. Podemos citar o exemplo na área da saúde, através da gestão de áreas num hospital, tais como a unidade de cuidados 34 intensivos, o serviço de emergência (AHMED; ALKHAMIS, 2009; BAI et al., 2018; C; APPA IYER, 2013). Um exemplo de escalonamento e otimização de pessoal pode ser o caso de um hospital público em Kuwait, onde através da utilização de técnicas de simulação baseada em teoria das filas e Simulação de Eventos Discretos, conseguiu-se obter uma alocação ideal de pessoal que permitiria um aumento de 28% na taxa de transferência de pacientes e uma média de 40% de redução do tempo de espera dos pacientes (AHMED; ALKHAMIS, 2009). Por outro lado, casos de otimização em unidades de terapia intensiva de um hospital, relacionados com a otimização e controle do fluxo de pacientes, gerenciamento de leitos, e planejamento de pessoal são tópicos discutidos e analisados amplamente (BAI et al., 2018). 2.1.5 Ciências Sociais A PO começa a ser utilizada com frequência na área de Ciências Sociais, onde é possível encontrar exemplos tais como; o tráfico de pessoas que é um problema internacional complexo envolvendo diferentes países; possível de ser abordado através da PO (KONRAD et al., 2017). Outro exemplo de impacto social é a melhoria dos serviços de uma cooperativa social, no caso a OMNIA, que fornece assistência domiciliar a crianças e pessoas com deficiência física, onde através da PO foi possível realizar um planejamento dos turnos de revezamento dos assistentes sociais, com o objetivo
Compartilhar