SISTEMA DE CONTROLE DE DISTRIBUIÇÃO DE PRODUTO À MÚLTIPLAS LINHAS ATRAVÉS DE LÓGICA FUZZY

Prévia do material em texto

UNIVERSIDADE DO OESTE DE SANTA CATARINA
ELITON TIAGO GUZI GUARNIERI
SISTEMA DE CONTROLE DE DISTRIBUIÇÃO DE PRODUTO À
MÚLTIPLAS LINHAS ATRAVÉS DE LÓGICA FUZZY
Joaçaba
2019
ELITON TIAGO GUZI GUARNIERI
SISTEMA DE CONTROLE DE DISTRIBUIÇÃO DE PRODUTO À
MÚLTIPLAS LINHAS ATRAVÉS DE LÓGICA FUZZY
Monografia apresentada à Pós-Graduação em
Automação Industrial, vinculada a Área de Ci-
ências Exatas e Tecnológicas, da Universidade
do Oeste de Santa Catarina para obtenção do tí-
tulo de Especialista em Automação Industrial.
Orientador: Prof. Renato Gregolon Scortegagna
Joaçaba
2019
AGRADECIMENTOS
A Deus, por estar sempre presente e permitir que pela fé se concretize mais essa reali-
zação.
Agradeço aos professores pela dedicação de todos, eles que são os principais responsá-
veis pela nossa formação profissional, o que nos norteará por toda a nossa vida.
Agradeço em especial ao professor Marconi Januário coordenador do curso e ao pro-
fessor Renato Gregolon Scortegagna orientador, que se demonstrou acessível e solícito du-
rante toda a elaboração deste projeto e que foi de fundamental importância para a conclusão do
mesmo.
Ao colega e amigo Evandro Schrör, que me incentivou a fazer esta pós graduação e me
auxiliou para o despertar deste trabalho. Aos colegas e amigos de profissão Everton Zottis, An-
derson Simionatto, Anderson Sousa, Olimar Zacaron, Leonardo Cavichioli, como toda equipe,
que me auxiliaram com ideias e melhorias do sistema.
Um agradecimento mais que especial a minha esposa, Patricia Rampon, que esteve sem-
pre ao meu lado em toda esta caminhada, me auxiliando e compreendendo nos momentos mais
árduos, participante integral da minha vida. A minha filha Vitória, que me traz felicidade e
vontade de superar os desafios toda vez que a vejo.
A minha família e amigos que, com muito carinho, deram o apoio necessário e souberam
entender as minhas ausências durante o desenvolvimento deste trabalho.
A todos que de uma forma ou outra, colaboraram para que este trabalho fosse realizado.
Se valorizarmos a busca pelo conhecimento, devemos
ser livres para ir aonde quer que esta busca nos
leve. A mente livre não é um cachorro latindo,
para estar presa a uma corrente de dez pés.
(Adlai E. Stevenson Jr., discurso na Universidade
de Wisconsin, Madison, 8 de outubro de 1952)
RESUMO
A automação é um conceito e um conjunto de técnicas, presente nas atividades humanas, nos
processos industriais visando facilitar os processos de produção. Com a crescente demanda por
mais tecnologia nas indústrias, a inteligência artificial torna possível a automação de processos
complexos. A lógica Fuzzy permite um sistema de controle com base na experiência do opera-
dor e em resultados experimentais. O sistema de controle proposto visa utilizar a lógica Fuzzy
para controlar um sistema de abastecimento de múltiplos silos, evitando desperdícios e falta de
produtos. O controle ocorre de forma pervasiva e automática, com dados de limites definidos
pelo operador, a lógica Fuzzy atua de forma similar a um operador, agindo conforme a demanda
e necessidade de cada silo. A análise experimental do controlador é realizada em uma planta
com uma rosca dosadora, esta derruba produto em um conjunto de duas esteiras em sequência,
com quatro silos dispostos ao longo da última esteira, dosados a partir de quatro cilindros pneu-
máticos dispostos em cima da esteira, um para cada máquina. O sistema proposto é capaz de
minimizar falhas do nível desejado, controlar os cilindros e a rosca dosadora através da lógica
Fuzzy, reduzindo desperdícios de produto e tornando-o mais estável.
Palavras-chave: Sistema de Controle. Automação Industrial. Fuzzy. Inteligência Artificial.
ABSTRACT
Automation is a concept and a set of techniques, present in human activities, in industrial pro-
cesses aimed at facilitating production processes. With the increasing demand for more tech-
nology in the industries, artificial intelligence makes it possible to automate complex processes.
Fuzzy logic allows a control system based on operator experience and experimental results.
The proposed control system aims to use Fuzzy logic to control a multiple silo supply system,
avoiding waste and lack of products. The control occurs in a pervasive and automatic way, with
limits data defined by the operator, Fuzzy logic acts in a similar way to an operator, acting
according to the demand and necessity of each silo. The experimental analysis of the controller
is performed in a plant with a metering thread, this product drops in a set of two treadmills in
sequence, with four silos arranged along the last tread, dosed from four pneumatic cylinders
arranged on top of the treadmill, one for each machine. The proposed system is capable of min-
imizing failures of the desired level, controlling the cylinders and the metering thread through
Fuzzy logic, reducing product waste and making it more stable.
Key-words: Control System. Industrial Automation. Fuzzy. Artificial Intelligence.
LISTA DE ILUSTRAÇÕES
Figura 1 – Exemplo de um sistema de alimentação de múltiplas linhas 14
Figura 2 – Conscientização da utilização de IA em aplicativos 19
Figura 3 – Definição de altura na lógica clássica 20
Figura 4 – Definição de altura utilizando lógica Fuzzy 21
Figura 5 – Estrutura de um sistema Fuzzy 21
Figura 6 – CLP Rockwell 5570 24
Figura 7 – Exemplo de diagrama Ladder 25
Figura 8 – Interface Homem Máquina, em diversos tamanhos e modelos 26
Figura 9 – Conversor de frequência Rockwell PowerFlex 753 27
Figura 10 – Os três estágios de um conversor de frequência 28
Figura 11 – Sensor óptico de nível O1D300 IFM 29
Figura 12 – Campos de aplicação de tecnologias na automação 30
Figura 13 – Exemplos de cilindros, motores e osciladores pneumáticos 30
Figura 14 – IHM do processo a ser controlado 32
Figura 15 – Tela padrão de ajuste do sensor de nível 33
Figura 16 – Vemag HP10E com silo de 290 litros 34
Figura 17 – Medidas do silo receptor e seu volume 35
Figura 18 – Medidas do silo adequado para volume em porcentagem 37
LISTA DE GRÁFICOS
Gráfico 1 – Mercado global de automação de 2016 e 2020, em bilhões de dólares 17
Gráfico 2 – Relação entre sensor e volume obtido 38
Gráfico 3 – Representação dos conjuntos Fuzzy dos alarmes do nível do silo 39
Gráfico 4 – Representação dos conjuntos Fuzzy para necessidade abastecer 41
Gráfico 5 – Representação dos conjuntos Fuzzy para necessidade abastecer 41
Gráfico 6 – Demonstrativo de falha de dosagem 44
Gráfico 7 – Ocorrência de fatos em % antes da aplicação, do dia 4 à 8 de fevereiro de
2019 45
Gráfico 8 – Ocorrência de fatos em % após aplicação, do dia 25 à 29 de março de 2019 46
Gráfico 9 – Demonstrativo do silo 4 sem variações 47
Gráfico 10 – Ocorrência de fatos em % da linha paralela, do dia 3 à 7 de junho de 2019 48
Gráfico 11 – Ocorrência de fatos em % da linha modificada, do dia 3 à 7 de junho de 2019 48
Gráfico 12 – Início da dosagem da linha alterada pela lógica Fuzzy 49
Gráfico 13 – Início da dosagem da linha paralela 49
LISTA DE TABELAS
Tabela 1 – As quatro categorias de definição da IA 18
Tabela 2 – Vantagens e Desvantagens da lógica Fuzzy 22
LISTA DE ABREVIATURAS E SIGLAS
CA Corrente Alternada.
CC Corrente Contínua.
CLP Controlador Lógico Programável.
Hz Hertz.
IA Inteligência Artificial.
IGBT Insulated Gate Bipolar Transistor.
IHM Interface Homem Máquina.
IP Tabela internacional de grau de proteção.
PID Controlador Proporcional Integral Derivativo.
RPM Rotações Por Minuto.
TI Tecnologia da Informação.
LISTA DE SÍMBOLOS
𝐵 Base maior.
𝑏 Base menor.
𝐾𝑃 Ganho Proporcional.
𝐾𝐼 Ganho Integral.
𝐾𝐷 Ganho Derivativo.
𝑁𝑠 Velocidade campo girante.
𝑓 frequência.
𝑝 polos.
ℎ Altura.
𝑟𝑠 Raio superior.
𝑟𝑖 Raio inferior.
𝑣 Volume.
𝜋 Valor da razão entre a circunferência de qualquer círculo e seu diâmetro.
𝛼 Ângulo.
𝑡𝑎𝑛 Tangente.
SUMÁRIO
1 INTRODUÇÃO 13
1.1 DESCRIÇÃO DO PROBLEMA 13
1.2 OBJETIVOS 15
1.2.1 Objetivo geral15
1.2.2 Objetivos específicos 15
1.3 ORGANIZAÇÃO DO TRABALHO 15
2 FUNDAMENTAÇÃO TEÓRICA 16
2.1 INTELIGÊNCIA ARTIFICIAL 17
2.1.1 O presente e futuro da IA 18
2.1.2 Lógica Fuzzy 20
2.2 CONTROLADOR PID 23
2.3 COMPONENTES E HARDWARE 24
2.3.1 Controlador Lógico Programável 24
2.3.2 Interface Homem Máquina 26
2.3.3 Conversor de frequência 27
2.3.4 Sensor de Nível do tipo Óptico Analógico 28
2.3.5 Cilindro Pneumático 29
3 DESENVOLVIMENTO 32
3.1 LINHA DE PRODUÇÃO COM MÚLTIPLAS LINHAS 32
3.2 REQUISITOS DO SISTEMA 34
3.3 MEDIÇÃO DO SILO POR VOLUME 35
3.4 APLICAÇÃO LÓGICA FUZZY 38
3.4.1 Fuzzificação 38
3.4.2 Inferência 40
3.4.3 Defuzzificação 42
4 RESULTADOS E DISCUSSÕES 44
4.1 COMPARAÇÃO ANTES E DEPOIS DA LINHA ALTERADA 45
4.2 COMPARAÇÃO ENTRE LINHAS PARALELAS 47
5 CONCLUSÃO 51
5.1 TRABALHOS FUTUROS 51
REFERÊNCIAS 53
APÊNDICE A ALGORITMOS DA LÓGICA FUZZY 56
A.1 FUZZIFICAÇÃO 56
A.2 INFERÊNCIA 62
A.3 DEFUZZIFICAÇÃO 64
13
1 INTRODUÇÃO
A automação é um conceito e um conjunto de técnicas que observam e atuam sobre um
meio, estando presente em atividades humanas, como também em processos industriais. Tem
por objetivo de facilitar os processos de produção, obtendo um menor custo, maior qualidade e
quantidade, incluindo um menor tempo (MARTINS, 2012).
Em meados meados dos anos 90, a revolução da informação, também conhecida como
terceira revolução industrial, atingiu seu ápice no crescimento da produtividade, com formas
mais tradicionais de informação se esgotando nos anos 2000. Isso não significa que tenha pa-
rado o avanço tecnológico das indústrias, mas que o foco mudou, pois ocorreu nos últimos
anos uma mudança da qualidade e um aumento na variedade de produtos, incluindo produtos
personalizados e não padronizados (FERNALD, 2014).
Para atender a essa demanda de novas tecnologias, Morikawa (2016) cita que o governo
Japonês em 2015 publicou um relatório destinado a desenvolver e difundir tecnologias de ro-
bótica e inteligência artificial (IA). Ele teve o objetivo de promover a pesquisa de instituições
industriais e tecnologias básicas de IA, para resolução de problemas do mundo real.
A IA está cada vez mais presente nas indústrias, sendo um dos pilares da quarta revolu-
ção industrial, pois vários processos industriais são complexos e de impossível resolução com
técnicas de controle simples. Por isso, alguns processos são parcialmente manuais, sendo ob-
servados por um operador. Um sistema especialista, com lógica Fuzzy na automação industrial
torna possível o projeto de sistemas multivariáveis, pois permite que sejam projetados contro-
ladores de supervisão a partir da experiência do operador e de resultados experimentais, e não
somente de modelos matemáticos (FARADIAN; MANJAFARASHVILI; IVANAURI, 2015).
Este trabalho trata de um sistema de controle de processo multivariável, utilizando ló-
gica Fuzzy em sua base de controle, com foco em reduzir desperdícios de matéria prima e perda
de qualidade no produto acabado. Também realiza uma revisão bibliográfica sobre IA nas in-
dústrias e seu impacto na sociedade, bem como procura demonstrar de forma prática a aplicação
de tal controle, com dados e resultados obtidos.
1.1 DESCRIÇÃO DO PROBLEMA
Em uma indústria, as vezes é necessário dividir uma linha de produção em múltiplas
linhas. Esta divisão é de difícil controle pois cada linha tem uma determinada demanda momen-
tânea, o que torna inaplicável um controlador de processo comum. Uma distribuição eficiente
Capítulo 1. INTRODUÇÃO 14
torna a empresa mais competitiva, diminuindo desperdícios e aumentando a produtividade. A
lógica Fuzzy possui controle capaz de tornar o sistema perceptível às mudanças de demanda e
com custo de implementação igual ao de controladores de processo comuns.
A motivação maior para a realização desse trabalho partiu da constatação de um pro-
blema recorrente em vários setores de uma mesma empresa, onde que, mesmo com produtos
e formas distintas de trabalho, o problema era o mesmo: excesso ou falta de produto na linha.
Foi observado que o problema ocorria sempre que uma única linha distribuía para múltiplas
linhas, não importando sua origem ou destino. E ele se agravava em locais onde o operador
não tinha visão e onde o produto que era transportado possuía um atraso de deslocamento em
seu percurso, caso observado na Figura 1, onde uma rosca dosa produto em uma esteira, esta
leva doze segundos para o produto chegar a primeira máquina e para cada máquina posterior
soma-se mais três segundos de atraso. Cada máquina possui seu próprio sensor indicativo de
necessidade ou não de produto e cilindros guia, responsáveis pelo seu direcionamento.
Figura 1 – Exemplo de um sistema de alimentação de múltiplas linhas
Fonte: O autor
Este estudo se fortaleceu com a tentativa frustrada de inserção de controladores comuns,
como o PID (Controlador Proporcional Integral Derivativo) que age no controle da velocidade
de dosagem. O PID funcionou bem em processos que não possuem atraso de deslocamento,
que foram casos onde o transporte se dá por bombeamento e o controle ocorre por meio de
pressão de uma tubulação. Tentado aplicar o mesmo controlador, levando em conta o atraso,
foi obtido um resultado melhor do que o que se tinha sem controlador nenhum. Mesmo assim,
o processo não atingiu o resultado desejado, que neste caso é uma distribuição homogênea e
constante dependendo da demanda momentânea de cada uma das linhas de destino.
Capítulo 1. INTRODUÇÃO 15
1.2 OBJETIVOS
1.2.1 Objetivo geral
Controlar a distribuição de produto de uma linha principal para múltiplas linhas, através
da lógica Fuzzy, de forma a não faltar e nem transbordar em nenhuma das linhas menores.
1.2.2 Objetivos específicos
∙ Listar forma de aplicação da lógica Fuzzy no sistema de dosagem de múltiplas linhas.
∙ Determinar quais os níveis de trabalho e de alarme das linhas de destino.
∙ Verificar necessidade da alteração de velocidade da dosagem do sistema.
∙ Implementar o sistema de controle com lógica Fuzzy.
1.3 ORGANIZAÇÃO DO TRABALHO
Este trabalho está dividido em cinco Capítulos. No primeiro Capítulo foi realizada uma
introdução ao tema do trabalho, onde foram abordados conceitos sobre IA, lógica Fuzzy e o
problema. No Capítulo 2, fundamentou-se teoricamente o trabalho, detalhando primeiramente
o potencial das tecnologias empregadas neste trabalho, com foco em IA e lógica Fuzzy, expli-
cando o seu impacto na sociedade. Dentro da fundamentação teórica ainda foram abordados os
componentes e hardwares utilizados durante a aplicação do sistema.
Na sequência, no Capítulo 3, foram determinados os requisitos necessários para cumprir
os objetivos do trabalho, como também a explicação do funcionamento da planta onde será
aplicado o sistema de controle, incluindo os seus problemas e dificuldades. Ainda nesta etapa,
é realizado a solução do problema da medição do silo, como também a arquitetura da lógica
Fuzzy.
No Capítulo 4 é aplicado o sistema de controle na planta de forma gradual, de modo que
não ocorram problemas com a linha de produção devido a falhas no controle. Em seguida será
analisado os resultados e possíveis ajustes dos parâmetros e melhorias do controle.
No último Capítulo é realizada uma análise geral do sistema, demonstrando os resul-
tados e dificuldades que foram obtidos. Além disso, são propostas melhorias que poderão ser
incluídas ao sistema em trabalhos futuros.
16
2 FUNDAMENTAÇÃO TEÓRICA
Segundo Stiehler e Gantori (2017), a indústria tem um histórico de se reinventar, seja na
primeira revolução industrial com a energia a vapor, ou na seguinte com a energia elétrica, ela
sempre encontrou formas de aumentar sua produtividade. Agora outra revolução da indústria
está acontecendo, sendo alimentada por uma automação inteligente, combinando o poder da
inovação dos processos industriais e da Tecnologia da Informação (TI).
Esta nova revolução, chamada de quarta revolução industrial ou indústria 4.0, foi menci-onada pela primeira vez em 2011, durante a maior feira de tecnologia industrial do mundo, que
ocorre em Hannover Messe na Alemanha. Por possuir uma capacidade de responder e se adap-
tar às mudanças e condições do mercado, a indústria 4.0 possui uma perspectiva positiva, com
investimentos em tecnologias ultrapassando os 907 bilhões de dólares em 2020 (RODRÍGUEZ,
2017).
Stiehler e Gantori (2017) comenta o investimento dos seis maiores mercados de auto-
mação global, que por meio da Figura 1, observa-se a automação tradicional ou discreta como
a maior aplicação mundial, com valor de 70 bilhões de dólares em 2016 e estimado de 80,3
bilhões de dólares para 2020. Em segundo lugar, a automação de processo ou automação de
processos contínuos, ligada à transformação de matéria-prima em produto final, típico de in-
dústrias de gás, refino, produtos químicos ou geração de energia, que obteve um investimento
de 43 bilhões de dólares em 2016 e possui uma estimativa em 2020 de atingir 50,3 bilhões de
dólares. Em terceiro, é observado um dos setores que mais cresce no mundo atualmente, o do
software industrial, com 28,3 bilhões de dólares em 2016 e uma expectativa de chegar a 40
bilhões em 2020, um aumento de 40% dos investimentos no mundo.
Além destes setores típicos, o Gráfico 1 mostra setores da indústria 4.0, que mesmo
ainda como mercados relativamente pequenos, já superam o crescimento estimado dos outros
setores, sendo eles o mercado de impressão 3D com investimento em 2016 de 7,3 bilhões de
dólares e uma estimativa de crescimento de quase 200% para 2020. Já o mercado de inteligência
artificial com investimentos de 6 bilhões de dólares em 2016 e uma expectativa de investimentos
maior que 100% para 2020. O último mercado observado é o de Drones, com investimento em
2016 de 1,6 bilhões de dólares e expectativa de 5 bilhões de dólares para 2020.
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 17
Gráfico 1 – Mercado global de automação de 2016 e 2020, em bilhões de dólares
Fonte: Adaptado de Stiehler e Gantori (2017, p.4)
2.1 INTELIGÊNCIA ARTIFICIAL
A inteligência artificial (IA) é uma das tecnologias que estão sendo aplicadas na indús-
tria 4.0, com grandes expectativas tanto positivas como negativas. O termo surgiu em 1956,
usado pela primeira vez por John McCarthy e mesmo sendo um dos campos mais recentes das
ciências e engenharias, está presente há muitos anos em diversas obras escritas e audiovisuais,
mexendo com o imaginário popular.
Russell e Novig (2013) sustenta que a IA é dividida em quatro estratégias, observadas
na Tabela 1, onde na parte superior são relacionados os processos de pensamento e raciocínio
e na parte inferior o comportamento. No lado esquerdo são medidos o sucesso em relação ao
desempenho humano e no lado direito se o sistema é racional.
Para se propor uma definição satisfatória de inteligência, surgiu o teste de Turing, pro-
posto por Alan Turing em 1950. Nele o computador passa por um interrogador humano, que se
após algumas perguntas, não conseguir descobrir se as respostas recebidas vem de um compu-
tador ou de uma pessoa, o sistema é tido como inteligente. Para poder passar no teste o com-
putador precisa ter uma capacidade de processamento de linguagem natural, uma representação
de conhecimento, um raciocínio automatizado, possuir um aprendizado de máquina, uma vi-
são computacional e ainda robótica, estas seis áreas compõem a maior parte da IA (RUSSELL;
NOVIG, 2013).
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 18
Tabela 1 – As quatro categorias de definição da IA
Pensando como um humano Pensando racionalmente
"O novo e interessante esforço para fa-
zer os computadores pensarem (...) máqui-
nas com mentes, no sentido total e lite-
ral."(HAUGELAND, 1989)
"O estudo das faculdades mentais
pelo uso de modelos computacio-
nais."(CHARNIAK; MCDERMOTT,
1985)
"[Automatização de] atividades que associa-
mos ao pensamento humano, atividades como
a tomada de decisões, a resolução de proble-
mas, o aprendizado..."(BELLMAN, 1978)
"O estudo das computações que tor-
nam possível perceber, raciocinar e
agir."(WINSTON, 1992)
Agindo como seres humanos Agindo racionalmente
"A arte de criar máquinas que executam fun-
ções que exigem inteligência quando executa-
das por pessoas."(KURZWEIL, 1992)
"Inteligência Computacional é o es-
tudo do projeto de agentes inteligen-
tes."(POOLE; MACKWORTH; GOE-
BEL, 1998)
"O estudo de como os computadores podem
fazer tarefas que hoje são melhor desempenha-
das pelas pessoas."(RICH; KNIGHT, 1991)
"IA... está relacionada a um desempe-
nho inteligente de artefatos."(NILSSON,
1998)
Fonte: (RUSSELL; NOVIG, 2013, p.25)
Mesmo sendo um teste relevante até os dias de hoje, os pesquisadores em IA não se
preocupam em passar no teste de Turing, mas sim em estudar os princípios básicos da inteli-
gência (RUSSELL; NOVIG, 2013). Com a visão de um comportamento inteligente, utilizado
para resolver problemas complexos, Coppin (2004) afirma que, não é porque um computador
se comporta de forma inteligente que ele realmente é, ou precisa ser inteligente.
2.1.1 O presente e futuro da IA
Mesmo tendo surgido em 1950, somente agora a IA está se disseminando para todos.
Cada vez mais, veículos autônomos e assistentes pessoais estão presentes no dia-a-dia das pes-
soas. Essa ascensão está provocando uma onda de investimentos para levar a IA ao mercado de
massa. Para tentar entender o que a população mundial pensa sobre tudo isso, Segars (2017) fez
uma pesquisa, entrevistando 3938, através de um questionário online.
De acordo com essa pesquisa, pouco mais de um terço das pessoas estão tendo um im-
pacto na vida diária, outro terço acredita que terá impacto somente daqui cinco anos, enquanto
o último terço acredita que sentirá os impactos após cinco anos. É perceptível que as pessoas
entendem que a IA está chegando, mas muitas delas ainda não percebem que ela já está pre-
sente em diversas plataformas, verificando suas preferências e formas de uso. Na Figura 2 são
apresentados alguns aplicativos que utilizam IA.
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 19
Figura 2 – Conscientização da utilização de IA em aplicativos
Fonte: (SEGARS, 2017)
Mais da metade das pessoas pesquisas por Segars (2017), não sabiam que aplicativos
como facebook, netflix, pandora e spotify, se utilizam de IA para determinar suas preferências.
Isso reforça que as pessoas ainda possuem uma compreensão limitada da IA, pois ela está mais
presente em pequenas coisas do cotidiano delas.
Por estar cada vez mais presente, a IA também está sendo empregada nas industrias, em
locais que antes não poderia ser automatizado, tornando fábricas ainda mais eficientes, produti-
vas e com mais segurança para seus funcionários. Mesmo assim, é difícil mensurar se toda esta
implantação será algo positivo, pois há expectativas da criação de muitas novas oportunidades
de trabalho, mas também da extinção de várias formas de trabalho tradicionais. Na pesquisa
de Segars (2017), os pesquisados acreditam que empregos industriais e do setor bancário estão
mais ameaçados, enquanto os empregos em ciência e saúde são os mais seguros.
A utilização de IA nas indústrias pode aumentar ainda mais a desigualdade social, de-
vido a automatização de empregos de baixa qualificação, resultando em consequência, o au-
mento de empregos de média e alta qualificação. Essa economia acabaria por se acumular na-
queles com capital e habilidades mais altas. Além disso, como o aprendizado de máquina é cada
vez mais utilizado para avaliar o acesso ao crédito, seguros e empregos, existe ainda o risco de
que a IA possa replicar os preconceitos humanos e aumentar a dinâmica social discriminatória
(STIEHLER; GANTORI, 2017).
Mesmo diante do impacto negativo, Meulen e Pettey (2017) afirma que a IA irá criar
2,3 milhões de empregos em 2020, enquanto 1,8 milhões serão eliminados, alcançando um
saldo positivo na geração empregos. Serão eliminados diversos cargos de nível médio e baixo,
Capítulo 2. FUNDAMENTAÇÃOTEÓRICA 20
criando milhões de novos empregos de alta qualificação e até mesmo criando uma variedade de
empregos de nível de entrada e de baixa qualificação.
2.1.2 Lógica Fuzzy
A lógica Fuzzy é um método que utiliza expressões lógicas, para descrever a pertinência
do quanto um objeto satisfaz uma determinada sentença (RUSSELL; NOVIG, 2013). Diferen-
temente da lógica clássica, que possui somente dois valores possíveis, o verdadeiro ou o falso, a
lógica Fuzzy utiliza princípios da lógica polivalente, onde 1 representa verdadeiro, 0 representa
falso e números reais entre 0 e 1 representam graus de verdade (COPPIN, 2004).
O primeiro artigo publicado sobre Fuzzy foi o Fuzzy Sets no Jornal Information and
Control, do autor Lotfi A. Zadeh em 1965, onde explicou-se os conjuntos Fuzzy, base da lógica
Fuzzy. Um conjunto Fuzzy é uma classe de objetos que possuem notas de associação, que
através de uma função característica atribui um grau de filiação entre zero e um (ZADEH,
1965).
Este conceito pode ser entendido através da sentença "altura", que pode conter uma
gama de valores difusos, incluindo "alto", "baixo"e "médio". Onde uma pessoa pode pertencer
a somente um grupo específico ou a todos, com pertinência maior em alguns e menor em ou-
tros (COPPIN, 2004). Como exemplo desta afirmação, pode-se dizer que uma pessoa é baixa
quando mede até 1,65 metros e que uma pessoa tem altura mediana medindo entre 1,5 e 1,8
metros, e podendo dizer que uma pessoa é considerada alta quando mede acima de 1,65 metros.
Aplicando o conceito de lógica clássica neste exemplo, na Figura 3, é apresentado um detalha-
mento da variação brusca, onde uma pessoa por ter menos de um centímetro de diferença de
outra é classificada em um grupo diferente.
Figura 3 – Definição de altura na lógica clássica
Fonte: O autor
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 21
Diferentemente da lógica clássica, aplicando a lógica Fuzzy, podem ser observados na
Figura 4 interseções dos grupos, onde uma pessoa com 1,6 metros estaria 50% no grupo das
pessoas baixas e também os mesmos 50% no grupo de pessoas medianas. Isso é extremamente
natural e se encaixa melhor como as pessoas falam, é incomum ouvir alguém dizer baixa ou
não baixa, mas é muito comum alguém dizer muito baixa ou pouco baixa (COPPIN, 2004).
Figura 4 – Definição de altura utilizando lógica Fuzzy
Fonte: O autor
Esta forma comum de dizer, é um conceito da lógica Fuzzy, que utiliza estes termos
linguísticos para descrever as variáveis do processo, sem a necessidade de modelos matemá-
ticos. Tendo como principal fonte de conhecimento, para construção da lógica de controle, a
experiência do operador humano, com suas regras de controle, consistindo num conjunto de
condicionais (se - então), onde a primeira parte são as condições e a segunda parte a ação a ser
realizada (MANOEL FILHO, 2013).
Na Figura 5 observa-se a estrutura básica da lógica Fuzzy, onde temos em destaque a
fuzzificação, o procedimento de inferência, a base de regras e a defuzzificação.
Figura 5 – Estrutura de um sistema Fuzzy
Fonte: (MANOEL FILHO, 2013, p. 12)
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 22
No processo de fuzzificação, também conhecido como codificação, os valores numéricos
são transformados em valores linguísticos de forma subjetiva. Ainda nesta etapa são determina-
das as funções de pertinência e realizada a análise do problema (FRANCO, 2014). Nesta etapa
deve-se analisar quais são as variáveis usadas no projeto, estabelecer as funções de pertinência
de cada uma destas variáveis e nomear cada variável linguística (VALE, 2007).
O procedimento de inferência, segundo Mateus (2017), é o coração de um controlador
Fuzzy, onde ocorre a tomada de decisão através da base de conhecimento. A construção da base
de conhecimento envolve a definição de cada variável e o número de conjuntos Fuzzy, contendo
a estratégia de controle e suas metas.
Por fim a desfuzzyficação, também chamada de decodificação, que consiste em transfor-
mar o resultado da ação Fuzzy, em valor numérico correspondente ao sinal de controle necessá-
rio. Não existe um procedimento sistemático, mas os critérios mais utilizados são (MANOEL
FILHO, 2013):
∙ Método do critério máximo: possui como ação de controle assumir o valor máximo do
conjunto Fuzzy de saída.
∙ Método da média dos máximos: gera uma ação de controle através do valor médio de
todas as ações de controle.
∙ Método do centro de gravidade: é o mais utilizado, consiste no cálculo do centro de
gravidade da função de associação.
Como qualquer método, a lógica Fuzzy também possui suas vantagens e desvantagens,
sendo observadas na Tabela 2.
Tabela 2 – Vantagens e Desvantagens da lógica Fuzzy
Vantagens Desvantagens
O uso de variáveis linguísticas (heurísticas)
Necessita de mais experiências e regras
precisas
Menor esforço computacional
Necessita do conhecimento de um especi-
alista humano
Simplifica a solução de problemas usando a
experiência do especialista humano
Dificuldades de estabelecer regras precisas
Não requer cálculos e equações complicadas Não há uma definição matemática precisa
Fonte: (VALE, 2007, p. 4)
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 23
Cada vantagem da lógica Fuzzy tem a sua contra parte, como desvantagem, o uso de
variáveis linguísticas é um ponto positivo da lógica Fuzzy, mas demanda muito tempo de apren-
dizado e muito conhecimento para sua execução. Com menor esforço computacional, a lógica
Fuzzy exige um conhecimento de um especialista humano, que por sua vez, simplifica os pro-
blemas, mas torna a dificultar quando necessita de regras mais precisas (VALE, 2007).
2.2 CONTROLADOR PID
O controlador do tipo Proporcional Integral Derivativo (PID) é amplamente utilizado em
sistemas de controle para minimizar o erro entre o valor medido do processo e o valor desejado.
Este controlador é dividido em três blocos paralelos: Proporcional, Integral e Derivativo. A
parte proporcional reduz a maior parte do erro total, enquanto a parte integral é responsável
por eliminar o erro restante. Por fim, a parte derivada que reduz o tempo de acomodação do
sistema e uma possível passagem do valor desejado, também chamado de overshoot (FARES et
al., 2014).
O controlador PID pode ser representado por sua função de transferência, vista na equa-
ção 1, onde o 𝐾𝑃 representa o ganho proporcional, o 𝐾𝐼 o ganho integral e o 𝐾𝐷 o ganho
derivativo (DORF; BISHOP, 2001).
𝐺𝑐(𝑠) = 𝐾𝑃 +
𝐾𝐼
𝑠
+𝐾𝐷𝑠 (1)
Outra forma de representação do controlador PID é através da equação no domínio do
tempo, observada na equação 2 (DORF; BISHOP, 2001).
𝑢(𝑡) = 𝐾𝑃 𝑒(𝑡) +𝐾𝐼
∫︁
𝑒(𝑡)𝑑𝑡+𝐾𝐷
𝑑𝑒(𝑡)
𝑑𝑡
(2)
O fator proporcional tem como saída o produto do ganho e do erro, ou seja, quanto
maior o erro, maior o fator proporcional. Mas um ganho proporcional muito elevado, pode
levar a oscilações do sistema e um ganho pequeno, aliado a um erro pequeno, torna a saída
insignificante, atingindo um estado estacionário, ainda com erro (AVERY, 2009).
O fator integral armazena todo erro medido, podendo este ser positivo ou negativo,
mesmo quando o erro é muito pequeno, a integral continua coletando o erro, até que sua re-
sultante seja suficiente para eliminar o erro de estado estacionário. Um fator integral muito
elevado, elimina o erro de estado estacionário, mas tem como desvantagem contribuir para o
overshoot (AVERY, 2009).
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 24
O fator derivativo é o menos utilizado, tendo a maioria dos controladores somente o P e o
I. Mas ainda assim é muito importante em diversas aplicações, pois tem um efeito de neutralizar
o overshoot causado por P ou I. O controle derivativo atua nas mudanças do erro atual com o da
leitura anterior, ou seja, quanto mais mudanças de erro, maior será o fator derivativo (AVERY,
2009).
2.3 COMPONENTES E HARDWARE
Com o intuito de elucidar melhor este trabalho, esta seção irá abordar os componentes e
hardwares utilizados para aplicação deste sistema de controle.
2.3.1Controlador Lógico Programável
O controlador lógico programável (CLP), conforme Figura 6, é essencialmente um com-
putador digital utilizado para controlar sistemas de automação no chão de fábrica. Diferente-
mente de um computador pessoal, o CLP é capaz de resistir a condições severas dos ambientes
industriais, além de dispor de várias entradas e saídas (LAMB, 2015).
Figura 6 – CLP Rockwell 5570
Fonte: (ROCKWELL AUTOMATION, 2018a)
A primeira aplicação de computador industrial ocorreu em 1959, em uma refinaria de
petróleo em Port Arthur, nos Estados Unidos, utilizado como um subsistema de monitoramento.
Somente em 1969, a pedido da General Motors, foi desenvolvido o primeiro CLP como conhe-
cemos hoje. Duas empresas independentes, a Bedford Associates (mais tarde chamada Mo-
dicon) e a Allen Bradley (agora propriedade da Rockwell) responderam às especificações da
General Motors (PARR, 2003).
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 25
O CLP surgiu com o objetivo de reduzir tempos de parada de máquina, pois toda vez que
se alterava a produção da linha, era necessário configurar ou até mesmo trocar quadros elétricos,
acarretando em um custo elevado para a empresa (PRUDENTE, 2015). Contudo, a revolução
deste CLP ocorreu através de sua linguagem de programação, baseada em um diagrama esque-
mático de relés, com entradas representadas por contatos de relés e saídas representados por
bobinas de relés. Esses programas parecem os degraus de uma escada, Figura 7, consequente-
mente chamados de "Diagramas Ladder"(PARR, 2003).
Figura 7 – Exemplo de diagrama Ladder
Fonte: (SILVEIRA, 2016)
O programa é introduzido através de um terminal de programação, com teclas mos-
trando os símbolos dos relés (normalmente contatos abertos / normalmente fechados, bobinas,
temporizadores, contadores, ramais paralelos, etc.), com o qual um eletricista de manutenção
está familiarizado (PARR, 2003).
Com o passar o tempo o CLP se tornou cada vez mais confiável, produtivo e simples
de utilizar, tornando as empresas mais competitivas com sua utilização. Os CLPs se difundiram
no mundo todo, com faturamento de 120 milhões de dólares em 1978, para um faturamento em
torno de 100 bilhões de dólares nos primeiros anos da década de 1990 (PRUDENTE, 2015).
A utilização do CLP traz vantagens e desvantagens para a indústria. Dentre as vantagens
podem ser citadas a flexibilidade das linhas de produção, a fácil gestão de falhas, um grande
número de entradas e saídas, a observação do seu funcionamento, sua velocidade de operação
e sua facilidade de programação. As desvantagens da utilização do CLP são a sua aplicação
em ambientes muito extremos (que exige adequações do ambiente para a instalação) ou sua
aplicação fixa e simples (devido a seu custo e complexidade), além disso o fator humano, onde
nem sempre o trabalhador quer mudar sua forma de pensar e se adequar as novas tecnologias
(PRUDENTE, 2015).
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 26
2.3.2 Interface Homem Máquina
Antigamente a integração homem e máquina ocorria através de um painel, com botões,
chaves seletoras, sinaleiros e alarmes (MORAES; CASTRUCCI, 2012). Atualmente isso ocorre
através de uma IHM (Interface Homem Máquina), observada na Figura 8, dispositivo normal-
mente composto por uma tela de cristal líquido, um conjunto de teclas de navegação ou de uma
tela sensível ao toque (PRUDENTE, 2015).
Figura 8 – Interface Homem Máquina, em diversos tamanhos e modelos
Fonte: (ROCKWELL AUTOMATION, 2018b)
As interfaces utilizam um programa proprietário e uma construção robusta, com um grau
de proteção elevado para umidade, temperatura e poeira de acordo com o IP (tabela internacio-
nal de grau de proteção) (PRUDENTE, 2015).
As aplicações e utilizações de uma IHM são as mais diversas, dentre elas podem ser
citadas (MORAES; CASTRUCCI, 2012):
∙ Visualização de alarmes gerados por condições anormais do sistema.
∙ Visualização de dados dos equipamentos de uma linha de produção.
∙ Visualização dos dados de processo da máquina.
∙ Alteração dos parâmetros de processo.
∙ Operação em modo manual de componentes do equipamento.
∙ Alterações nas configurações do equipamento.
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 27
2.3.3 Conversor de frequência
O conversor de frequência, Figura 9, é uma solução relativamente nova mas sua apli-
cação no acionamento de motores de indução, está sendo amplamente utilizado na indústria
(WEG, 2016). Com ele, pode-se controlar a partida e a frenagem do motor de indução, além
de controlar a velocidade e o sentido de rotação, tudo isso alterando a frequência aplicada no
motor de indução (RÊGO SEGUNDO; RODRIGUES, 2015).
Figura 9 – Conversor de frequência Rockwell PowerFlex 753
Fonte: (ROCKWELL AUTOMATION, 2013)
A velocidade de rotação de um motor de indução depende diretamente da frequência da
sua rede de alimentação, como pode ser observado na Equação 3, onde 𝑁𝑠 é a velocidade do
campo girante, dada em rotações por minuto (RPM), 120 é a defasagem do campo nas fases, 𝑓
é a frequência aplicada, dada em Hertz (Hz) e 𝑝 o número de polos do motor, por fase (RÊGO
SEGUNDO; RODRIGUES, 2015).
𝑁𝑠 =
120 · 𝑓
𝑝
(3)
Com uma relação direta na velocidade do campo girante, a frequência é determinante na
velocidade do motor. A utilização de conversores de frequência compreende atualmente a forma
mais eficiente de controlar a velocidade de um motor de indução (WEG, 2016). Os conversores
de frequência atuam através de três estágios, como observado na Figura 10.
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 28
Figura 10 – Os três estágios de um conversor de frequência
Fonte: (WEG, 2016)
No primeiro estágio, o conversor de frequência retifica o sinal de alimentação de corrente
alternada (CA), o transformando em corrente contínua (CC), no segundo estágio é realizado o
filtro do sinal CC através de um banco de capacitores. Por último o conversor realiza a etapa
conhecida como inversor, onde o sinal CC é convertido novamente em CA, mas utilizando o
chaveamento de transistores do tipo bipolar de porta isolada, conhecido como IGBT (Insulated
Gate Bipolar Transistor), este sinal CA possui frequência e tensão variáveis (WEG, 2016).
2.3.4 Sensor de Nível do tipo Óptico Analógico
Sensores são dispositivos utilizados na automação industrial, que transformam variá-
veis físicas (velocidade, peso, posição, temperatura, nível etc.) em valores adequados para o
processo (MORAES; CASTRUCCI, 2012). Geralmente são divididos em duas grandes catego-
rias, a primeira dos sensores do tipo digital, com sinal do tipo ligado ou desligado e a segunda
representando por sensores do tipo analógico, também chamado de transdutor. O sensor analó-
gico é capaz de transformar uma grandeza física, proporcionalmente, em um sinal elétrico ou
pneumático (PRUDENTE, 2015).
Existem diversos tipos de sensores e transdutores. Dentre eles, podem ser citados a chave
de posição mecânica ou fim de curso, sensores do tipo ótico, sensores de proximidade (induti-
vos, capacitivos ou magnéticos), transdutores de força, pressão e temperatura, o potenciômetro
e o indicador de nível (PRUDENTE, 2015).
Utilizados em grande escala para controle de líquidos ou grãos nas indústrias, os senso-
res de nível podem ser aplicados tanto em reservatórios, silos, tanques abertos ou pressurizados.
Eles são úteis na detecção de um nível fixo, para alarmes ou sinalização, como também, na me-
dição contínua. Existem uma infinidade de tipos de sensores dentre os quais podem-se destacar
(THOMAZINI; ALBUQUERQUE, 2011):
∙ Flutuador: este sensor sobe à medida que o nível sobe.
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 29
∙ Eletrodos metálicos: quando o líquido atinge os eletrodos, a resistência diminui, envi-
ando um sinal para o controle.
∙ Pressão: utilizado para medir a pressão hidrostática e com isso obter o nível desejado.
∙ Piezoelétrico: possui uma haste que vibra, que ao ocorrer o contato com o produto a
vibração é amortecida.
∙ Célula de carga: é um transdutor que verificaa variação resistiva quando submetido a
carga.
∙ Ultra-Sônico: quando uma onda sonora toca um meio, ele é refletido gerando um eco,
o tempo entre emitir e receber o sinal é a posição do nível.
∙ Óptico: um feixe de laser é emitido pelo sensor em ângulo, ao ser refletido pelo objeto
modifica a direção do raio e alterando o ponto que atinge o sensor, não há necessidade de
contato com o produto, mas não funciona bem em líquidos mais claros, pode ser visto na
Figura 11.
Figura 11 – Sensor óptico de nível O1D300 IFM
Fonte: (IFM ELECTRONIC, 2018)
O sensor da Figura 11 se utiliza de um feixe de luz a laser, podendo detectar fluidos de
20 cm a 10 m, operando como detecção de nível fixo ou medição contínua. Este sensor não é
ideal para medição de pó, vapor, óleos e líquidos claros (IFM ELECTRONIC, 2018).
2.3.5 Cilindro Pneumático
Cilindros pneumáticos são amplamente utilizados na automação, tanto para levantar,
mover, bloquear ou posicionar vários elementos (PRUDENTE, 2015). A Figura 12 apresenta o
ponto de vista técnico, da aplicação de diversas tecnológicas em função da força e velocidade,
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 30
sendo elas a de sistemas hidráulicos (H), pneumáticos (P), motor de passo (S) e conjunto motor
elétrico-fuso (M) (NEGRI, 2001).
Figura 12 – Campos de aplicação de tecnologias na automação
Fonte: (NEGRI, 2001, p.7)
Como observado na Figura 12, a gama de aplicabilidade de cilindros pneumáticos é
imensa, atingindo velocidades com uma força que não pode ser conseguida com outra tec-
nologia. Um exemplo de cilindro pneumático pode ser visto na Figura 13, onde também são
apresentados exemplos de motores e osciladores pneumáticos (NEGRI, 2001).
Figura 13 – Exemplos de cilindros, motores e osciladores pneumáticos
Fonte: (NEGRI, 2001, p.6)
Capítulo 2. FUNDAMENTAÇÃO TEÓRICA 31
Um cilindro pneumático gera um trabalho na maioria das vezes linear, essencial para
várias plantas automatizadas, o que é difícil de obter com um motor elétrico. A diversidade da
aplicabilidade da pneumática demonstra que é quase impossível encontrar um produto manufa-
turado que não tenha sido afetado por esta tecnologia (NEGRI, 2001).
32
3 DESENVOLVIMENTO
Este trabalho apresenta um sistema de controle, que utiliza lógica Fuzzy para melhorar o
controle de um abastecimento de múltiplas linhas de uma empresa. Ele reduzirá desvios críticos
dos níveis das linhas, impedindo que falte ou derrame produto no processo.
3.1 LINHA DE PRODUÇÃO COM MÚLTIPLAS LINHAS
A Figura 14 demonstra a visão da IHM desta linha de produção, tradicionalmente con-
trolada por um operador humano.
Figura 14 – IHM do processo a ser controlado
Fonte: O autor
A linha de produção possui um caracol para abastecimento da linha, com duas esteiras
para transporte do produto até a linha de destino, que neste caso são silos pequenos, com um
pistão pneumático em cada um deles para direcionamento do produto para o silo selecionado
pelo sistema e um sensor óptico de nível em cada silo, marcando de 0 a 100 por cento.
O operador controla o sistema de forma simples através da IHM, com os botões de liga
e desliga ele aciona as esteiras e o caracol. O caracol desliga somente quando todos os silos de
destino selecionados estão com o alarme alto ativo. As esteiras, por estarem inclinadas, ficam
sempre ligadas, evitando que o produto transborde.
Nos casos em que o operador não precise utilizar um dos silos, ele pode colocar o pistão
do silo desejado em modo manual. O controle dos pistões é realizado de forma diferente do
caracol, levando em conta o nível do silo e não o alarme alto, assim o silo com menor nível
receberá o produto. Este controle falha quando os sensores de nível estão mau configurados
Capítulo 3. DESENVOLVIMENTO 33
ou quando existem silos de diferentes tamanhos, não sendo possível ajustar a dosagem pelos
alarmes de limites do sensor.
Ao clicar em cima do nível de um silo, pode configurá-lo através da tela vista na Figura
15, onde são determinados os alarmes dos limites do sensor. Atualmente o controle utiliza
somente o alarme H(alarme alto) para o acionamento do caracol, mesmo a tela do sensor já
possuindo outros três alarmes.
Figura 15 – Tela padrão de ajuste do sensor de nível
Fonte: O autor
O sensor possui ajuste do limites de atuação, denominado na IHM de Ranges, neste caso
o valor mínimo é 0 e o máximo ajustado em 100, pois o valor é tratado como porcentagem. A
IHM também possui o ajuste de quatro alarmes, dois inferiores (LL, muito baixo e L, baixo) e
dois superiores (H, alto e HH, muito alto), todos ajustados dentro dos limites de atuação.
A medição do nível é realizada de forma linear, através de um sensor óptico, como visto
na Figura 11, mas os silos receptores possuem um formato de cone, como observado na Figura
16, tornando o controle menos eficiente. O formato do cone representa uma parábola e não uma
reta, ocorrendo uma visão errônea do seu real volume. A atual falta de correlação entre a altura
e o volume de produto no silo pode causar erros operacionais quando, por exemplo, se verificar
Capítulo 3. DESENVOLVIMENTO 34
que o sensor está marcando 50%, entenda que o silo está com produto suficiente para trabalho,
mas na verdade ele está quase vazio.
Figura 16 – Vemag HP10E com silo de 290 litros
Fonte: (VEMAG, 2017, p.3)
3.2 REQUISITOS DO SISTEMA
Para desenvolver o sistema de controle foram levantados alguns requisitos que nortearam
a sua aplicação. O principal deles é a de não alteração da forma de trabalho do operador, devendo
o sistema ser pervasivo ao ambiente instalado. Isso é necessário pois trata-se de uma linha
de produção com demanda muito elevada e paradas da linha são críticas. O sistema deve ser
totalmente validado antes de realizar alterações na forma de trabalho.
O sistema deverá controlar todos os silos de forma unificada, evitando que um silo quase
cheio receba produto antes de um vazio. Isso deverá ser feito através de mais níveis de controle,
utilizando os outros alarmes que o sensor de nível já possui na IHM, onde cada qual será repre-
sentado por um conjunto Fuzzy.
A alteração da medição linear pela medição por volume, mantendo no painel os valores
de 0 a 100 por cento. Com essa alteração poderá ser deduzido melhor a dosagem da rosca na
origem, prevendo quanto tempo ela deverá dosar para atingir o nível desejado.
Capítulo 3. DESENVOLVIMENTO 35
3.3 MEDIÇÃO DO SILO POR VOLUME
Um dos requisitos do sistema é a alteração da medição linear, por uma medição por
volume. O silo receptor de produto possui uma forma de cone, com medidas observadas na
Figura 17, tendo uma altura (ℎ) de 0,8 metros, um raio superior (𝑟𝑠) de 0,5 metros e um raio
inferior (𝑟𝑖) de 0,15 metros.
Figura 17 – Medidas do silo receptor e seu volume
Fonte: O autor
Com estes dados é possível calcular o volume do silo utilizando a Equação 5 para tronco
de cone, que é uma dedução da Equação 4.
𝑣𝑐𝑜𝑛𝑒 =
𝜋 · ℎ · 𝑟2𝑠
3
(4)
𝑣𝑡𝑟𝑜𝑛𝑐𝑜 = 𝑣𝑐𝑜𝑛𝑒 − 𝑣𝑖
𝑣𝑡𝑟𝑜𝑛𝑐𝑜 =
𝜋 · (ℎ+ 𝑥) · 𝑟2𝑠
3
− 𝜋 · 𝑥 · 𝑟
2
𝑖
3
𝑣 =
𝜋 · ℎ
3
· (𝑟2𝑖 + 𝑟𝑖 · 𝑟𝑠 + 𝑟2𝑠) (5)
Aplicada a Equação 5, tem-se que o volume do silo é de aproximadamente 0,29 𝑚3 ou
290 litros, mas para atender o requisito de não alteração na forma de operação é necessário
transformar esse valor em porcentagem, para isso foi obtido o valor faltante da altura do cone
(𝑥) e o ângulo inferior (𝛼). Existem diversas formas para obtenção destes valores, a Equação
6 utiliza a relação da igualdade da tangente de 𝛼, obtendo o valor de 𝑥 = 0, 34285 metros e o
ângulo 𝛼 com o valor de 23,629 graus.
Capítulo 3. DESENVOLVIMENTO 36
𝑡𝑎𝑛(𝛼) =
𝑟𝑠
ℎ+ 𝑥
=
𝑟𝑖
𝑥
(6)
𝑟𝑠
ℎ+ 𝑥
=
𝑟𝑖
𝑥
0, 5
0, 8 + 𝑥
=
0, 15
𝑥
500𝑥 = 150(800 + 𝑥)
𝑥 =
120000
350
= 0, 34285𝑚
𝑡𝑎𝑛(𝛼) =
𝑟𝑖
𝑥
𝑡𝑎𝑛(𝛼) =
0, 15
0, 34285
𝑡𝑎𝑛(𝛼) = 0, 4375
𝛼 = 𝑡𝑎𝑛−1(0, 4375) = 23, 629𝑜
Como o sensor mede somente a altura foi deduzido a fórmula de volume do cone, como
verificadona Equação 7, através dela obtém-se a relação direta do volume com a altura.
𝑣𝑐𝑜𝑛𝑒 =
𝜋 · (ℎ+ 𝑥) · 𝑟2𝑠
3
(7)
𝑣𝑐𝑜𝑛𝑒 =
𝜋 · (ℎ+ 𝑥) · (𝑡𝑎𝑛(𝛼)2 · (ℎ+ 𝑥)2)
3
𝑣𝑐𝑜𝑛𝑒 =
𝜋 · 𝑡𝑎𝑛(𝛼)2(ℎ+ 𝑥)3
3
𝑣𝑐𝑜𝑛𝑒 = 0, 2(ℎ+ 𝑥)
3
Para obter o valor de volume em porcentagem, foi mantido o ângulo 𝛼 e ajustado a
relação de altura e raio, para que o volume resultante seja de 100%. Primeiramente verificado a
porcentagem referente a altura ℎ e a altura 𝑥, na qual representam respectivamente 70% e 30z%
da altura total. Calculado o volume da parte inferior (imaginária) obtêm-se o valor de 0, 008𝑚3,
representando 2,7% do volume do silo, com isso tem-se que o volume do cone completo é de
102,7% do volume real do silo. Aplicando a fórmula deduzida tem-se:
𝑣𝑐𝑜𝑛𝑒 = 0, 2(ℎ+ 𝑥)
3
102, 7% = 0, 2(ℎ+ 𝑥)3
(ℎ+ 𝑥) = 3
√︂
102, 7
0, 2
(ℎ+ 𝑥) = 8, 01
Capítulo 3. DESENVOLVIMENTO 37
Como a altura ℎ representa 70% do valor total, ℎ igual a 5,61 e 𝑥 igual a 2,41. Com estes
valores e aplicando a equação da tangente, o valor de 𝑟𝑖 é igual a 1,05 e 𝑟𝑠 igual a 3,51. A Figura
18 demonstra como estas medidas ficam dispostas no silo adequado para medição do volume
em porcentagem.
Figura 18 – Medidas do silo adequado para volume em porcentagem
Fonte: O autor
Com isso, o sensor ao atingir a altura de 100% deve marcar o valor de ℎ, ou seja, o
valor do sensor deve ser multiplicado por 0,0561 para conseguir esta relação. Aplicado isso, foi
obtido a Equação 8 necessária para adequação da medição do silo.
𝑣 = 0, 2[(0, 0561 · 𝑆𝑒𝑛𝑠𝑜𝑟) + 2, 4]3 − 2, 7648 (8)
O Gráfico 2 comprova a Equação 8, mostrando a relação do valor medido pelo sensor,
disposto na linha horizontal e o resultado obtido em volume, na linha vertical. Esta relação
gerou uma parábola com formato similar ao do silo, com seus resultados, comprovou-se que a
metade da capacidade do silo é atingida quando o sensor marca pouco mais de 70%.
A adequação da forma de medição não faz parte direta do sistema de controle, mas se faz
necessária para que o sistema possa ter uma resposta mais adequada ao desejado. Mesmo com
o conceito de migração do sistema de controle para outras plantas, esta adequação foi realizada
de forma pontual, com valores aplicados a este silo específico, mas a ideia e o conceito podem
ser replicados em diversos outros silos e de diversos outros formatos.
1 Estes valores não representam uma unidade de medida, são necessários para obter um resultado em porcenta-
gem da capacidade do silo.
Capítulo 3. DESENVOLVIMENTO 38
Gráfico 2 – Relação entre sensor e volume obtido
Fonte: O autor
3.4 APLICAÇÃO LÓGICA FUZZY
Com o intuito de evitar possíveis falhas no processo, a aplicação da lógica Fuzzy no
sistema foi realizada em duas etapas. A primeira etapa responsável por ajustar a dosagem dos
silos, removendo possíveis falhas vindas do sistema de controle atual. Na segunda etapa ocorreu
a aplicação da lógica Fuzzy no controle da velocidade do caracol de dosagem, com o objetivo
de não faltar e nem transbordar em nenhuma das linhas menores.
As etapas seguiram a estrutura básica da lógica Fuzzy, apresentada na Figura 5, com a
fuzzificação, a inferência e a defuzzificação, atuando de formas distintas.
3.4.1 Fuzzificação
O processo de fuzzificação, responsável por converter os dados de entrada em valores
Fuzzy, é o mesmo para as duas etapas, pois os dados de entradas são os mesmos para ambos.
Os dados utilizados na fuzzificação foram os quatro alarmes de cada sensor, cada qual com o
seu conjunto Fuzzy.
Os conjuntos Fuzzy foram definidos conforme demostrado no Gráfico 3, onde é verifi-
cado a relação do nível do silo com o valor Fuzzy de cada alarme.
Capítulo 3. DESENVOLVIMENTO 39
Gráfico 3 – Representação dos conjuntos Fuzzy dos alarmes do nível do silo
Fonte: O autor
O conjunto Fuzzy do alarme LL é totalmente verdade (igual a 1) quando o valor do nível
está entre 0% e o valor configurado para tal, totalmente falso (igual a 0) quando atingido o
valor configurado do alarme seguinte, neste caso o alarme L. Quando o nível se encontra entre
o alarme LL e o alarme L é utilizado a Equação 9 que retorna um valor proporcional de verdade,
obtido através da divisão da diferença do sensor e o alarme LL, com a diferença dos alarmes LL
e L, retornando o valor inverso de verdade sendo necessário a subtração do resultado por 1.
𝐹𝑢𝑧𝑧𝑦_𝐿𝐿 = 1− 𝑆𝑒𝑛𝑠𝑜𝑟 − 𝐴𝑙𝑎𝑟𝑚𝑒_𝐿𝐿
𝐴𝑙𝑎𝑟𝑚𝑒_𝐿− 𝐴𝑙𝑎𝑟𝑚𝑒_𝐿𝐿
(9)
O conjunto Fuzzy do alarme L é similar ao alarme LL, com a diferença de ser total-
mente verdade somente quando o valor obtido do nível é igual ao seu valor configurado, mas
totalmente falso quando ultrapassado o valor do alarme posterior H e alarme anterior LL. Para
valores entre o alarme L e H é aplicada a Equação 10, igual a utilizada no alarme anterior.
𝐹𝑢𝑧𝑧𝑦_𝐿 = 1− 𝑆𝑒𝑛𝑠𝑜𝑟 − 𝐴𝑙𝑎𝑟𝑚𝑒_𝐿
𝐴𝑙𝑎𝑟𝑚𝑒_𝐻 − 𝐴𝑙𝑎𝑟𝑚𝑒_𝐿
(10)
Para valores entre o alarme LL e L é empregada a Equação 11, com somente a alteração
da ondem do numerador da fração para evitar um resultado negativo, da mesma forma que no
denominador é sempre utilizado o alarme de valor maior antes do valor menor.
𝐹𝑢𝑧𝑧𝑦_𝐿 = 1− 𝐴𝑙𝑎𝑟𝑚𝑒_𝐿− 𝑆𝑒𝑛𝑠𝑜𝑟
𝐴𝑙𝑎𝑟𝑚𝑒_𝐿− 𝐴𝑙𝑎𝑟𝑚𝑒_𝐿𝐿
(11)
O conjunto Fuzzy do alarme H é definido da mesma forma do alarme L, diferentemente
do conjunto Fuzzy do alarme HH que a partir do seu valor configurado têm-se resultado igual
Capítulo 3. DESENVOLVIMENTO 40
a 1, nas outras condições possui valores igualmente obtidos como os alarmes anteriores. Todos
estes cálculos foram aplicados nos alarmes dos quatro sensores da linha, obtendo um total de
dezesseis conjuntos Fuzzy com valores entre zero e um.
3.4.2 Inferência
A inferência atua transformando os conjuntos recebidos da Fuzzificação, em conjuntos
desejáveis para aplicação na qual ele foi projetado. Para isso deve-se montar uma base de co-
nhecimento analisando os dados de entrada e o que espera-se como saída, obedecendo as regras
condicionais dos conjuntos.
Ela foi aplicada de forma sequencial, onde primeiramente, foi realizado uma inferência
simples para o controle do pistão dosador, definindo como base de conhecimento que:
∙ O conjunto do alarme muito baixo representa uma necessidade grande de abastecer.
∙ O conjunto do alarme baixo representa uma necessidade média de abastecimento.
∙ O conjunto do alarme alto representa uma necessidade de abastecer pouco.
∙ O conjunto do alarme muito alto representa uma necessidade de não abastecer o silo.
Com isso foram obtidos conjuntos que representam a necessidade de abastecer e não
mais o nível do silo, criando assim um novo silo com valores inversos aos obtidos original-
mente, como observado no Gráfico 4. Nele têm-se o valor de 0% para nenhuma necessidade de
abastecer e o valor de 100% para muita necessidade de abastecer.
Os valores de pouca e média necessidade podem ser ajustados conforme for melhor
para o sistema. Para a realização de testes, foram deixados valores inversos dos utilizados nos
alarmes L e H, para média e pouca necessidade, respectivamente, com intuito de garantir grá-
ficos com uma melhor relação da entrada com a saída. Estas regras foram obtidas com base
nos problemas encontrados, na forma de controle original dos pistões, garantindo assim que o
silo com maior necessidade de abastecer receba o produto e falhas de configurações possam ser
eliminadas facilmente.
Capítulo 3. DESENVOLVIMENTO 41
Gráfico 4 – Representação dos conjuntos Fuzzy para necessidade abastecer
Fonte: O autor
Para o controle da velocidade do caracol, foi determinado que o caracol possuirá três
conjuntos, sendo eles o conjunto abastecer muito, o conjunto abastecer médio e o conjunto
abastecer pouco, como observado no Gráfico 5. Todos com valores que podem ser alterados de
forma que melhor atendam o processo. O conjunto não abastecer não se faz necessário pois o
caracol deve estar parado neste caso. Estes conjuntos são uniõesdos conjuntos já determinados
anteriormente.
Gráfico 5 – Representação dos conjuntos Fuzzy para necessidade abastecer
Fonte: O autor
Como forma de obter os resultados esperados, foi utilizado a regra OU para a união dos
conjuntos abastecer muito, obtendo assim como resultado o conjunto com o maior valor, ga-
rantindo uma maior velocidade de dosagem, quando se fizer necessário. No conjunto abastecer
Capítulo 3. DESENVOLVIMENTO 42
médio também foi utilizada a regra OU, evitando assim desvios de níveis abaixo dos valores
configurados. Para definição do conjunto abastecer pouco foi utilizado a regra E, obtendo como
resultado o conjunto com o menor valor, forçando a redução da velocidade do caracol, evitando
desperdícios.
3.4.3 Defuzzificação
O processo de Defuzzificação consiste em converter os conjuntos resultantes da infe-
rência em valores utilizáveis no sistema de controle. Existem diversas formas de realizar esta
conversão, dentre elas a mais utilizada é a do cálculo do centro de massa ou centro de gravidade,
através dela é obtido um valor mais próximo do valor desejável. Este cálculo ocorre através da
Equação 12.
(𝐶𝑒𝑛𝑡𝑟𝑜𝑖𝑑𝑒_𝐿𝐿 · 𝐴𝑟𝑒𝑎_𝐿𝐿) + ...+ (𝐶𝑒𝑛𝑡𝑟𝑜𝑖𝑑𝑒_𝐻𝐻 · 𝐴𝑟𝑒𝑎_𝐻𝐻)
𝐴𝑟𝑒𝑎_𝐿𝐿+ 𝐴𝑟𝑒𝑎_𝐿+ 𝐴𝑟𝑒𝑎_𝐻 + 𝐴𝑟𝑒𝑎_𝐻𝐻
(12)
O valor Centroide, representado pelo centro do trapézio, nada mais é que o valor configu-
rado como necessidade de abastecer, sendo elas, nenhuma, pouca, média e muita, representadas
respectivamente por LL, L, H e HH. Além do centro de massa é necessária a área do trapézio
de cada conjunto, obtida através da Equação 13, resultado da multiplicação da altura (ℎ), dada
pelo valor de verdade do conjunto, recebido através da inferência, com a metade da soma das
bases maior (𝐵) e menor (𝑏) do trapézio.
𝐴𝑟𝑒𝑎 = ℎ · 𝐵 + 𝑏
2
(13)
As bases do trapézio são obtidas com as Equações 14 e 15, para base maior e base menor,
respectivamente. A base maior é obtida através da subtração do alarme posterior com o alarme
anterior, este valor é sempre o mesmo independente do valor de Fuzzy, somente alterado quando
movido os valores de alarme. A base menor é calculada da mesma forma que a base maior, com
a diferença de multiplicar o resultado pelo valor inverso da altura, com isso obtêm-se o valor
correto da base inferior, visto que a base menor é zero quando o valor Fuzzy é um.
𝐵 = 𝐴𝑙𝑎𝑟𝑚𝑒_𝑃𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 − 𝐴𝑙𝑎𝑟𝑚𝑒_𝐴𝑛𝑡𝑒𝑟𝑖𝑜𝑟 (14)
𝑏 = (1− ℎ) · (𝐴𝑙𝑎𝑟𝑚𝑒_𝑃𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 − 𝐴𝑙𝑎𝑟𝑚𝑒_𝐴𝑛𝑡𝑒𝑟𝑖𝑜𝑟) (15)
Para os alarmes que não possuem um alarme posterior ou alarme anterior, é realizado
um espelhamento do trapézio, ou seja, o valor é dobrado, por exemplo o caso do alarme muito
Capítulo 3. DESENVOLVIMENTO 43
baixo (Equação 16), que não possui alarme anterior, o cálculo de suas bases ocorre com o dobro
do alarme posterior. Para o caso do alarme muito alto (Equação 17) a sua base é o dobro da
diferença entre o alarme anterior com o seu próprio.
𝐵𝐿𝐿 = 2 · 𝐴𝑙𝑎𝑟𝑚𝑒_𝐿 (16)
𝐵𝐻𝐻 = 2 · (𝐴𝑙𝑎𝑟𝑚𝑒_𝐻𝐻 − 𝐴𝑙𝑎𝑟𝑚𝑒_𝐻) (17)
O controle da velocidade do caracol também utilizou as mesmas equações, mas como
mencionado durante a inferência, este controle só possui três conjuntos resultantes, não pos-
suindo o alarme LL. O resultado final dos cálculos demonstrou valores satisfatórios, como o
controle do caracol, por exemplo, ao possuir o valor 0, 8 e velocidade de 110%2 no abastecer
muito, valor de 0, 2 e velocidade de 70% no abastecer médio e valor de 0 e velocidade de 40%
no abastecer pouco, aplicando as equações anteriores, retornará às áreas com valores de 38, 4
para muito, 12, 6 para médio e 0 para pouco. O resultado final obtido foi de aproximadamente
100%, ou seja uma velocidade próxima da máxima estipulada de 110%, gerando uma resposta
mais rápida para o sistema.
Por ser um sistema já existente, foi necessário um ajuste da lógica original para o en-
caixe perfeito do controlador Fuzzy, o da ordem de acionamento dos pistões dosadores. Anteri-
ormente, quando um silo atingia o seu nível desejado o posterior acionava, independentemente
se ele já estava cheio, somente não sendo acionado quando estava desabilitado pelo operador.
Como forma de correção foram determinados novos condicionais de acionamento dos
pistões, funcionando de forma a obedecer a necessidade de abastecer de cada silo em ordem de
maior necessidade. Por exemplo, o pior caso analisado era o do sistema estar dosando a última
máquina, com alguma máquina do meio cheia, e após vir a dosar na primeira. Com isso o
sistema acionaria todos os pistões, dosando na máquina cheia uma parcela de produto presente
na esteira, mesmo a última máquina ainda não estando totalmente cheia.
2 Valor referente a velocidade do motor com frequência nominal, neste caso de 60Hz
44
4 RESULTADOS E DISCUSSÕES
Os resultados do sistema são observados com base em valores coletados do servidor
da empresa, nele são armazenados os valores dos níveis das máquinas. Eles foram inseridos no
servidor para ser possível a sua mensuração neste trabalho. O estudo de como o sistema se com-
portou durante todo o desenvolvimento do trabalho, se deu justamente através da observação
destes dados. Eram coletados dados diariamente para verificação do seu funcionamento, além
da verificação em loco, interagindo diretamente com o operador.
Antes da aplicação do controle Fuzzy, vários dados observados, foram importantes para
o desenvolvimento do sistema, como o desvio de nível que ocorreu no dia 6 de fevereiro. Ob-
servando o Gráfico 6, após as onze e trinta, o nível começou a ultrapassar o ponto de ajuste de
70%, chegando ao máximo em poucos minutos e pouco depois de quinze minutos começou a
abaixar, chegando ao nível mínimo as doze e vinte aproximadamente, onde seu nível voltou a
subir e retornou ao regime normal.
Gráfico 6 – Demonstrativo de falha de dosagem
Fonte: O autor
Devido a essa grande oscilação, supõe-se que o silo tenha derramado, fazendo com
que o operador desabilitasse o abastecimento deste silo, vindo a pouco tempo depois faltar
produto. Desta forma, demonstrando a real necessidade de melhoria do controle, pois o sistema
de abastecimento tem de ser muito rápido, visto que em pouco tempo sem abastecimento o silo
fica vazio.
Capítulo 4. RESULTADOS E DISCUSSÕES 45
4.1 COMPARAÇÃO ANTES E DEPOIS DA LINHA ALTERADA
Com o intuito de uma visão mais direta dos resultados, foram coletados dados de uma
semana de produção, antes e depois da aplicação, levando em conta os horários diários de
utilização da linha. Foram removidos os horários de higienização da planta, ocorridos entre as
23:40 e 3:30, como também os intervalos do primeiro turno das 8:50 e 9:50 e do segundo turno
das 19:20 as 20:20.
Para uma melhor análise dos dados de antes da aplicação da lógica Fuzzy, os sensores
já sofreram alguns ajustes, como o acerto dos níveis com ponto de ajuste em 70% e também o
controle por volume. Os dados foram coletados do dia 4 ao dia 8 de fevereiro, com uma taxa
de amostragem de 10 segundos, totalizando 12 840 amostras, durante o tempo em que a linha
estava ativa, resultando no Gráfico 7.
Gráfico 7 – Ocorrência de fatos em % antes da aplicação, do dia 4 à 8 de fevereiro de 2019
Fonte: O autor
O sistema se demonstrou relativamente estável, com dois silos se mantendo em torno de
80% e 60% do nível, considerado como aceitável, por quase 80% de todas amostras analisadas.
Mas metade de todos os dados não estavam entre 75% e 65%, considerado como nível ideal,
demonstrando que o nível oscila bastante.
Outro ponto curioso do gráfico é o quanto os dados estavam com valores abaixo de
30%, considerado nesta análise o ponto crítico de produto do silo. Neste quesito o silo 2 se
demonstrou muito instável ultrapassando os 5%.
Capítulo 4. RESULTADOS E DISCUSSÕES 46
O último ponto levantado, a partir da análise do Gráfico 7, foi a porcentagem de amostras
em que o silo estava acima de 95% do nível, um valor muitosuperior ao ponto de ajuste de 70%.
Este quesito não representa efetivamente que derramou, mas é possível afirmar que estava muito
cheio. Nesta condição, o silo 2 também demonstrou resultados piores com 2,64% das amostras
acima de 95% do nível do silo.
O Gráfico 8 demonstra o resultado do sistema de controle com lógica Fuzzy, com dados
coletados entre os dias 25 e 29 de março, com a mesma taxa de amostragem de 10 segundos,
obtendo também as mesmas 12 840 amostras.
Gráfico 8 – Ocorrência de fatos em % após aplicação, do dia 25 à 29 de março de 2019
Fonte: O autor
Este gráfico demonstrou a superioridade do sistema Fuzzy, ao controle anterior, com
valores se mantendo em torno de 90% de toda amostragem, entre 80% e 60% do nível. Estes
mesmos valores, se mantiveram no nível ideal por metade das amostras, entre 75% e 65%,
demonstrando um sistema muito mais estável.
Os níveis ficaram em torno 1% das amostras abaixo de 30% do nível e o mais impressi-
onante é que quase anulou ocorrências de níveis ultrapassando os 95%. O silo 2 que antes era o
pior caso, com este controle não apresentou o nível muito cheio.
O silo 1 apresentou melhor desempenho, devido a possuir preferência, por ser o primeiro
da linha. Os silos 2 e 3, ficaram com valores igualmente estáveis, com números próximos aos
do encontrado no primeiro silo.
Já o silo 4 se provou pior, por causa de uma redução na demanda da linha, onde foram
Capítulo 4. RESULTADOS E DISCUSSÕES 47
reduzidos os números de colaboradores nesta linha de produção. Por horas os mesmos valores
de nível podem ser verificados no Gráfico 9, onde não ocorreram alterações das 18:23 até às
21:43. Mesmo estando abaixo do valor de ajuste não foi dosado produto, supondo com isso, que
o silo estava desabilitado.
Gráfico 9 – Demonstrativo do silo 4 sem variações
Fonte: O autor
4.2 COMPARAÇÃO ENTRE LINHAS PARALELAS
Por se tratar de uma linha de produção com diversos produtos, com diversas densidades
diferentes, comparar semanas diferentes não resulta em valores perfeitos. Com isso, também
foram coletados dados da linha paralela, esta linha é dosada a partir de outro caracol, mas vindo
do mesmo silo de origem, garantindo uma melhor comparação de dados.
Para uma comparação ideal, foram realizados ajustes na linha, conforme fora feito na
linha modificada antes da aplicação da lógica Fuzzy. Estas alterações incluíram, o ajuste de
todos sensores de nível, como também regulados o ponto de ajuste em 70%, para todos os silos
analisados.
Seguindo a mesma forma de comparação apresentada anteriormente, o Gráfico 10 de-
monstra a ocorrência de fatos que aconteceram no período de 3 à 7 junho, com a mesma taxa de
amostragem de 10 segundos, mas dessa vez resultando em 15 824 amostras. Nele foi verificado
que o sistema não apresentou grandes faltas de produto, mas em compensação, o silo 4 ficou
mais de 3% da semana acima do nível considerado crítico.
Capítulo 4. RESULTADOS E DISCUSSÕES 48
Gráfico 10 – Ocorrência de fatos em % da linha paralela, do dia 3 à 7 de junho de 2019
Fonte: O autor
Outra constatação foi do sistema estar instável, se comparado com o que foi observado
no Gráfico 7, pois mesmo com números considerados bons, para o quanto o silo se manteve com
erro de 10%, isso não ocorreu quando analisado as amostras para o erro em torno de 5%. Isso
se deve ao fato da velocidade do caracol dosador estar mais elevada, se comparada a velocidade
da outra linha antes de qualquer modificação.
Gráfico 11 – Ocorrência de fatos em % da linha modificada, do dia 3 à 7 de junho de 2019
Fonte: O autor
Esta instabilidade não foi observada após os ajustes, conforme Gráfico 11, o qual de-
monstrou valores próximos dos já observados anteriormente no Gráfico 8. Com quase 90% da
semana se mantendo com erro de 10% do nível e em torno dos 60% para o erro de 5%.
Capítulo 4. RESULTADOS E DISCUSSÕES 49
Os valores obtidos para as ocorrências de nível abaixo dos 30%, demonstraram um
aumento gradativo do primeiro ao último silo. Isso se deve a alteração de início da dosagem
dos silos após implementação da lógica Fuzzy, como verificado no Gráfico 12.
Gráfico 12 – Início da dosagem da linha alterada pela lógica Fuzzy
Fonte: O autor
Nele é verificado que o sistema primeiramente dosa o primeiro silo, até atingir o valor
configurado no alarme LL. Somente após isso é dosado o próximo, até chegar ao último silo.
Garantindo assim um nível mínimo para trabalho, em cada silo. Diferentemente do observado
no Gráfico 13, onde todos silos sempre são dosados juntos.
Gráfico 13 – Início da dosagem da linha paralela
Fonte: O autor
Capítulo 4. RESULTADOS E DISCUSSÕES 50
Nestes gráficos também são observados as curvas de assentamento, com uma curva mais
suave com lógica Fuzzy e um overshoot de mais de 10% na linha paralela. Demonstrando que
o sistema Fuzzy possui mais estabilidade em diversas condições.
51
5 CONCLUSÃO
O sistema de controle é capaz de gerir a distribuição de produto de uma linha principal
em múltiplas linhas, através de técnicas da lógica Fuzzy. Sendo desenvolvido com o intuito
de obter níveis mais homogêneos durante todo o processo, evitando faltar ou transbordar as
linhas menores. Realiza através do controle da velocidade de dosagem da linha, como também
uma determinação de qual linha menor deve ser dosada, tudo a partir de alarmes já presentes
originalmente.
Para o teste experimental do sistema, foi escolhido um sistema onde controladores co-
muns não foram capazes de atuar de forma eficaz. Antes da inserção deste controle, primeira-
mente foram ajustados os parâmetros de leitura dos sensores, com uma medição mais precisa,
levando em conta o volume dos silos. Com isso, pode ser notado o funcionamento do controle
existente e também uma clareza nos resultados.
A lógica Fuzzy, por sua vez, foi aplicada de forma gradativa, visando evitar prejuízos
de produção, mas também, buscando entender e encaixar melhor os seus conceitos no sistema
presente. Esse, foi o maior desafio deste trabalho, pois os conceitos da lógica Fuzzy são normal-
mente explicados de forma complexa em artigos científicos. Este sistema por sua vez utilizou-se
da lógica Fuzzy em sua forma mais simples e clara, visando somente atender a demanda do sis-
tema e ser entendido facilmente por qualquer um que se interesse em aprendê-la. Por isso o
código utilizado para tal aplicação está disponível no Apêndice A deste trabalho.
Os resultados demonstraram uma melhora significativa do sistema, principalmente na
estabilização no nível ajustado. Porém, ainda ocorreram níveis indesejáveis durante o regime
de trabalho da linha, demonstrando que o sistema ainda não se encontra finalizado. Mas de-
monstrou a importância do estudo de uma planta, como um sistema de controle ideal pode
melhorar o seu rendimento e que a aplicação de técnicas mais robustas podem ser necessárias
para tal.
5.1 TRABALHOS FUTUROS
Por ainda ocorrerem falhas o sistema precisa ser aprimorado, como trabalho futuro,
pretende-se incluir um controle levando em consideração a vazão de cada linha menor, este
podendo ser obtido com o decréscimo do próprio sensor de nível ou de uma comunicação com
linha menor aplicada, adicionando assim prioridades as linhas com maior demanda. Além disso,
o sistema pode levar em consideração o atraso do produto, visando calcular o que já foi dosado
Capítulo 5. CONCLUSÃO 52
na esteira e ainda não chegou até a linha menor, evitando que os níveis ultrapassem o nível
desejado.
A lógica Fuzzy também pode ser melhorada, adicionando a ela elementos das redes
neurais, fazendo com que ela possa "aprender", alterando assim alguns parâmetros de ajuste,
como velocidade ou os alarmes do sensor, buscando sempre estar com nível ideal.
A criação de um bloco padrão da lógica Fuzzy, também se faz necessário, pois assim
poderá ser facilmente aplicada e replicada, em diversas outras linhas de produção, sendo assim
observada em plantas com características diversas, visando asua melhora constante.
53
REFERÊNCIAS
AVERY, Paul. Introduction to PID control. 2009. Disponível em: <https://www.
machinedesign.com/sensors/introduction-pid-control>. Acesso em: 29 nov. 2018.
BELLMAN, Richard Ernest. An Introduction to Artificial Intelligence: Can computers
think? [S.l.]: Boyd & Fraser, 1978. ISBN 978-0878350667.
CHARNIAK, Eugene; MCDERMOTT, Drew. Introduction to Artificial Intelligences. [S.l.]:
Addison-Wesley, 1985. ISBN 978-0201119459.
COPPIN, Ben. Artificial Intelligence Illuminated. 1. ed. Sudbury, MA: Jones and Bartlett,
2004. ISBN 0-7637-3230-3.
DORF, Richard C.; BISHOP, Robert H. Sistemas de Controle Modernos. Tradução Bernardo
Severo da Silva Filho. 8. ed. Rio de Janeiro: LTC, 2001. ISBN 0-201-30864-9.
FARADIAN, Adelina; MANJAFARASHVILI, Teimuraz; IVANAURI, Nikoloz. Designing
a decision making support information system for the operational control of industrial
technological processes. IJITCS, v. 7, n. 9, p. 1–7, Ago. 2015. Disponível em:
<http://www.mecs-press.org/ijitcs/ijitcs-v7-n9/v7n9-1.html>. Acesso em: 25 out. 2018.
FARES, Dima et al. Optimal power allocation for a fchv based on linear programming and
pid controller. International Journal of Hydrogen Energy, v. 39, n. 36, p. 21724 – 21738,
2014. ISSN 0360-3199. Disponível em: <http://www.sciencedirect.com/science/article/pii/
S0360319914025415>. Acesso em: 20 nov. 2018.
FERNALD, John. Productivity and Potential Output Before, During, and After the
Great Recession. Cambridge, MA, 2014. (Working Paper Series, 20248). Disponível em:
<http://www.nber.org/papers/w20248>. Acesso em: 25 out. 2018.
FRANCO, Cristiano Roberto. Inteligência Artificial. 1. ed. Londrina-PR: Editora e
Distribuidora Educacional S.A., 2014. ISBN 978-85-68075-77-7.
HAUGELAND, John. Artificial Intelligence: A new synthesis. [S.l.]: The Very Idea, 1989.
ISBN 978-0262580953.
IFM ELECTRONIC. Sensor óptico de nível. 2018. Disponível em: <https://www.ifm.com/br/
pt/product/O1D300>. Acesso em: 29 dez. 2018.
KURZWEIL, Ray. The Age of Intelligent Machines. [S.l.]: The MIT Press, 1992. ISBN
978-0262610797.
LAMB, Frank. Automação Industrial na Prática. tradução Márcio José da Cunha; revisão
técnica Antonio Pertence Júnior. 1. ed. Porto Alegre: AMGH, 2015. ISBN 978-85-8055-514-1.
MANOEL FILHO, Francisco. Projeto de um controlador fuzzy-PI para ajuste automático
de velocidade da colhedora de cana de açúcar. Tese (Doutorado) — Universidade Estadual
de Campinas, Faculdade de Engenharia Agrícola, Campinas, SP, 2013.
MARTINS, Geomar Machado. Princípios de Automação Industrial. 2. ed. Santa Maria-RS:
Universidade Federal de Santa Maria, 2012. 215 p.
https://www.machinedesign.com/sensors/introduction-pid-control
https://www.machinedesign.com/sensors/introduction-pid-control
http://www.mecs-press.org/ijitcs/ijitcs-v7-n9/v7n9-1.html
http://www.sciencedirect.com/science/article/pii/S0360319914025415
http://www.sciencedirect.com/science/article/pii/S0360319914025415
http://www.nber.org/papers/w20248
https://www.ifm.com/br/pt/product/O1D300
https://www.ifm.com/br/pt/product/O1D300
REFERÊNCIAS 54
MATEUS, Gustavo Pereira. Um modelo Fuzzy para controle dinâmico do tamanho de
quadros em redes sem fio. Tese (Doutorado) — Universidade Federal de Santa Catarina,
Florianópolis, SC, 2017. Disponível em: <http://tede.ufsc.br/teses/PGCC1114-T.pdf>. Acesso
em: 25 nov. 2018.
MEULEN, Rob van der; PETTEY, Christy. Gartner Says By 2020, Artificial Intelligence
Will Create More Jobs Than It Eliminates. 2017. Disponível em: <https://www.gartner.
com/newsroom/id/3837763>. Acesso em: 14 nov. 2018.
MORAES, Cícero Couto de; CASTRUCCI, Plínio de Lauro. Engenharia de Automação
Industrial. 2. ed. Rio de Janeiro: LTC, 2012. ISBN 978-85-216-1532-3.
MORIKAWA, Masayuki. Firms’ expectations about the impact of ai and robotics: Evidence
from a survey. Economic Inquiry, v. 55, n. 2, p. 1054–1063, Abr. 2016. Disponível em:
<https://onlinelibrary.wiley.com/doi/abs/10.1111/ecin.12412>. Acesso em: 25 out. 2018.
NEGRI, Victor Juliano de. Sistemas Hidráulicos e Pneumáticos para Automação e Controle:
Parte 1 - princípios gerais da hidráulica e pneumática. [S.l.], 2001. Não publicado. Disponível
em: <http://laship.ufsc.br/site/wp-content/uploads/2013/06/SistHPContAutP1.pdf>. Acesso
em: 04 jan. 2019.
NILSSON, Nils J. Artificial Intelligence: A new synthesis. [S.l.]: Morgan Kaufmann
Publishers, 1998. ISBN 978-1558604674.
PARR, E. A. Programmable controllers. In: LAUGHTON, M. A.; WARNE, D. J. (Ed.).
Electrical Engineer’s Reference book. 16. ed. Oxford, UK: Elsevier Science, 2003. cap. 16.
ISBN 0 7506 46373.
POOLE, David; MACKWORTH, Alan; GOEBEL, Randy. Computational Intelligence: A
logical approach. [S.l.]: Oxford University Press, 1998. ISBN 978-0195102703.
PRUDENTE, Francesco. Automação industrial PLC: Teoria e aplicações. 2. ed. Rio de
Janeiro: LTC, 2015. ISBN 978-85-216-0614-7.
RICH, Elaine; KNIGHT, Kevin. Artificial Intelligence. 2. ed. [S.l.]: McGraw-Hill Publishing
Co., 1991. ISBN 978-0070522633.
ROCKWELL AUTOMATION. INVERSORES POWERFLEX SÉRIE 750. 2013.
Disponível em: <https://literature.rockwellautomation.com/idc/groups/literature/documents/
br/750-br001_-pt-p.pdf>. Acesso em: 23 jan. 2019.
. CONTROLADORES DE AUTOMAÇÃO PROGRAMÁVEIS: Sistemas de controle
de alto desempenho. 2018. Disponível em: <https://www.rockwellautomation.com/pt_BR/
products/programmable-controllers>. Acesso em: 20 dez. 2018.
. INTERFACES DO OPERADOR. 2018. Disponível em: <https:
//ab.rockwellautomation.com/pt/Computers>. Acesso em: 28 dez. 2018.
RODRÍGUEZ, J. Santiago. Industry 4.0: a challenge for mexico. Negocios ProMéxico,
v. 10, n. 9, p. 10–19, Set. 2017. Disponível em: <http://www.promexico.gob.mx/documentos/
revista-negocios/pdf/sep-oct-2017.pdf>. Acesso em: 08 out. 2018.
RUSSELL, Stuart Jonathan; NOVIG, Peter. Inteligência artificial. Tradução de Regina Célia
Simille. 3. ed. Rio de Janeiro: Elsevier, 2013.
http://tede.ufsc.br/teses/PGCC1114-T.pdf
https://www.gartner.com/newsroom/id/3837763
https://www.gartner.com/newsroom/id/3837763
https://onlinelibrary.wiley.com/doi/abs/10.1111/ecin.12412
http://laship.ufsc.br/site/wp-content/uploads/2013/06/SistHPContAutP1.pdf
https://literature.rockwellautomation.com/idc/groups/literature/documents/br/750-br001_-pt-p.pdf
https://literature.rockwellautomation.com/idc/groups/literature/documents/br/750-br001_-pt-p.pdf
https://www.rockwellautomation.com/pt_BR/products/programmable-controllers
https://www.rockwellautomation.com/pt_BR/products/programmable-controllers
https://ab.rockwellautomation.com/pt/Computers
https://ab.rockwellautomation.com/pt/Computers
http://www.promexico.gob.mx/documentos/revista-negocios/pdf/sep-oct-2017.pdf
http://www.promexico.gob.mx/documentos/revista-negocios/pdf/sep-oct-2017.pdf
REFERÊNCIAS 55
RÊGO SEGUNDO, Alan Kardek; RODRIGUES, Cristiano Lúcio Cardoso. Eletrônica de
potência e acionamentos elétricos. Ouro Preto, MG: Instituto Federal de Minas Gerais –
Campus Ouro Preto, 2015. ISBN 978-85-68198-02-5.
SEGARS, Simon. AI today, AI tomorrow. 2017. Disponível em: <https://www.arm.com/
solutions/artificial-intelligence/survey>. Acesso em: 07 nov. 2018.
SILVEIRA, Cristiano Bertulucci. Saiba Tudo Sobre CLP. 2016. Disponível em:
<https://www.citisystems.com.br/clp/>. Acesso em: 20 dez. 2018.
STIEHLER, Alexander; GANTORI, Sundeep. Longer Term Investments: Auto-
mation and robotics. 2017. Disponível em: <https://www.ubs.com/content/dam/
WealthManagementAmericas/documents/lti-automation-and-robotics-2017-02-03.pdf>.
Acesso em: 07 nov. 2018.
THOMAZINI, Daniel; ALBUQUERQUE, Pedro Urbano Braga de. Sensores Industriais:
Fundamentos e aplicações. 8. ed. São José dos Campos, SP: Érica, 2011. ISBN 978-
8536500713.
VALE, Marcelo Roberto Bastos Guerra. Análise comparativa do desempenho de um
Controlador Fuzzy acoplado a um PID Neural sintonizado por um Algoritmo Genético
com Controladores Inteligentes Convencionais. Dissertação (Mestrado) — Universidade
Federal do Rio Grande do Norte, Centro de Tecnologia, Natal, RN, 2007.
VEMAG. VEMAG