Baixe o app para aproveitar ainda mais
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
Compartilhar