Redes neurais, lógica fuzzy e inteligência artificial

INTELIGÊNCIA ARTIFICIAL: UMAAPLICAÇÃO EM UMA INDÚSTRIA DE

PROCESSO CONTÍNUO

Miguel Afonso SellittoCentro de Ciências Exatas e Tecnológicas,

Universidade do Vale do Rio dos Sinos, Unisinos,Av. Unisinos, s/n,

CEP 93022-000, São Leopoldo, RS,e-mail: [email protected]

v.9, n.3, p.363-376, dez. 2002

Resumo

Este trabalho descreve uma aplicação da lógica fuzzy de controle e do CBR (Raciocínio Baseado emCasos) na indústria de processo contínuo. Essas técnicas são discutidas dentro do campo de conhecimentosda Inteligência Artificial, associadas ao processo de tomada de decisões empresariais. A InteligênciaArtificial é apontada como um campo de conhecimentos que pode apoiar a tomada de decisões de ummodo mais simples e mais preciso do que outros métodos, tais como a modelagem e a gestão porindicadores. As etapas para a construção de um sistema especialista, construído principalmente a partirde experiências empíricas humanas, também são discutidas. O trabalho se encerra apresentando umarotina de tomada de decisão em um processo termoquímico na indústria cimenteira conduzida por umsistema especialista baseado em CBR e lógica fuzzy, e uma discussão sobre resultados comparados comoperadores humanos nas mesmas condições.

Palavras-chave: lógica fuzzy na indústria de processo contínuo, Inteligência Artificial na engenhariade produção, sistemas especialistas na engenharia de produção, CBR na engenhariade produção.

Sellitto – Inteligência Artificial: Uma Aplicação em uma Indústria de Processo Contínuo364

1. Introdução

No cenário competitivo atual, construir egerenciar conhecimento de apoio a especialistasno controle de processos industriais pode ser útilpara uma organização de fabricação, principal-mente para processos que ocorram sob incer-tezas e com dados incompletos.

O controle manual em um processo industrialcontínuo é exercido instante a instante, porintermédio de decisões que exigem do espe-cialista o conhecimento necessário para rela-cionar ações e resultados. Exigem ainda o acom-panhamento da operação, algumas pilotagensnas variações operacionais, experiência esegurança suficientes para assumir riscos emsituações extremas.

A Inteligência Artificial é um campo deconhecimentos que oferece modelos de apoio àdecisão e ao controle com base em fatos reais econhecimentos empíricos e teóricos, mesmo queapoiados em dados incompletos. O objetivodeste trabalho é apresentar a aplicação de algunsconceitos do campo da Inteligência Artificial nodesenvolvimento e implantação, a partir doconhecimento de especialistas, do controle deum processo do tipo contínuo, relevante naindústria de cimento: a clinquerização.

2. Revisão bibliográfica:a Inteligência Artificial

Inteligência é a demonstração por resultadosde princípios coerentes, em escala de tempoverificável: a natureza é inteligente em escala detempo inacessível para os humanos. O oposto dainteligência é o caos: em um sistema caótico,duas entradas muito próximas resultam em duassaídas sem qualquer conexão (Conai, 1994).

Para McCarthy (2002), inteligência é a partecomputacional da habilidade de alcançarobjetivos, percebendo-se diversos tipos e grausde inteligência em pessoas, em muitos animaise em máquinas.

Ao menos cinco escolas filosóficas se pro-põem a descrever a inteligência (Conai, 1994):

� Estruturalista: há mecanismos que reali-zam as tarefas, basta descobri-los.

� Conexionista: há processos simples que seauto-organizam, basta descobri-los.

� Genética: há a inteligência e o caos, bastasepará-los por seleção natural, como faz anatureza, porém em escala de tempoadequada.

� Fenomenológica: tudo é caótico, emavanço paralelo. Ao se dar uma sintoniamomentânea, dá-se a comunicação. Não seconhece chave para repetir a inteligência.

� Metafísica: só é possível compreender ointelecto. A inteligência pertence a outradimensão, inacessível por meios inte-lectuais.

Para Arariboia (1988), a Inteligência Artificialé um campo que usa técnicas de programação queprocuram, por intermédio de máquinas, resolverproblemas do mesmo modo que um ser humanoos resolveria. Para Nikolopoulos (1997), aInteligência Artificial é um campo de estudosmultidisciplinar, originado da computação, daengenharia, da psicologia, da matemática e dacibernética, cujo principal objetivo é construirsistemas que apresentem comportamento inteli-gente e desempenhem tarefas com um grau decompetência equivalente ou superior ao grau comque um especialista humano as desempenharia.Para McCarthy (2002), a Inteligência Artificial éa ciência e a tecnologia de construção demáquinas inteligentes, especialmente programasde computador. Relaciona-se com o uso decomputadores para o entendimento e a explo-ração da inteligência humana, não se limitando,porém, a métodos biologicamente observáveis.Para Arariboia (1988), as técnicas de InteligênciaArtificial procuram imitar mecanismos danatureza por intermédio de mecanismos tecno-lógicos cujo desenvolvimento foi baseado emmecanismos naturais.

GESTÃO & PRODUÇÃO, v.9, n.3, p.363-376, dez. 2002 365

Diversas técnicas e aplicações estão dispo-níveis no campo da Inteligência Artificial. Umareferência que remete a outras fontes é encontradaem McCarthy (2002). Para o objetivo destetrabalho são suficientes os conceitos de sistemasespecialistas, CBR e lógica fuzzy.

2.1 Sistemas especialistas, CBR elógica fuzzy

Sistemas especialistas são sistemas compu-tacionais que resolvem problemas de formasimilar ao modo como um especialista humanoos resolveria, possuindo capacidade de decisãoem campos específicos do conhecimento. Umsistema especialista resolve problemas em umaárea limitada de conhecimento, não se devendoesperar do mesmo que possa ter capacidade deresolver qualquer tipo de problema.

Os sistemas especialistas buscam a respostae aprendem com a experiência, resolvendo pro-blemas por análise inferencial, a partir desintomas e intensidades aleatórios e apoiadosem bases de conhecimento que podem,inclusive, ser transferidas. Os sistemas espe-cialistas possuem: (i) um banco de conhe-cimentos que contém fatos, regras e padrões; (ii)

um dispositivo de inferência capaz de tomardecisões; (iii) uma linguagem na qual as regrassão escritas; (iv) um organizador que inclui odispositivo de inferência, o gerenciador da basede conhecimento e as interfaces de usuários(Nikolopoulos, 1997; Rabuske, 1995).

O Raciocínio Baseado em Casos (CBR) éuma metodologia que resolve novos problemasadaptando soluções conhecidas de proble-mas antigos, ou seja, usando conhecimentogerado em experiências passadas. Um novoproblema é resolvido encontrando um casosimilar já resolvido no passado e reutilizando asolução, devidamente adaptada.

O CBR é uma abordagem incremental paraa aprendizagem, capaz de acumular conhe-cimento a partir de casos bem-sucedidos erecuperáveis de uma base de casos, na qualnovos casos são gerados e casos semelhantessão combinados. O ciclo CBR de aprendizadopode ser representado pelos 4 RE da Figura 1:(i) recuperar casos similares ao atual; (ii)reutilizar uma ou mais das soluções; (iii)revisar a solução proposta para o caso atual;(iv) registrar a nova solução como mais umcaso na base de casos (Aamodt & Plaza, 1994;Corchado et al., 2001).

Problemaatual

Soluçãoproposta

Soluçãoconfirmada

Base de casos

Reuse

Revise

Retain

Retrieve

Soluçõestestadas

Figura 1 – O ciclo CBR de aprendizado. (Fonte: Corchado et al., 2001.)


Um problema novo pode ser relacionado acasos armazenados por intermédio de uma funçãode similaridade. Uma função de similaridade gerauma saída entre 0 e 1 que indica o quanto doiscasos são similares, a partir de premissas e deponderações pertinentes ao objetivo da análise.Uma função de similaridade pode ser do tipo:

S(T, S) ( )∑=

=n

iiii wSTf

1

., , em que:

� T é o caso-alvo;

� S é o caso-fonte, residente na base decasos;

� N é o número de atributos considerados naindexação;

� f é uma função de similaridade a definir;

� w é a importância relativa do atributo(Σw

i = 1).

O caso-alvo e o caso-fonte devem ser des-critos por dimensões originadas de variáveisquantitativas normalizadas ou variáveis categóri-cas qualificadas. Cada dimensão deve assumir osvalores 0 e 1 para os extremos do intervalo devalidade, tornando os casos comparáveis. Omódulo da diferença entre dimensões informa oquanto cada dimensão afasta o caso-alvo do caso-fonte. Se as dimensões tiverem importânciadiferente, obtêm-se coeficientes de ponderação,por exemplo, por opiniões de especialistas. Afunção de similaridade toma o complemento de1 do somatório dos módulos das diferenças, pon-derados pelas importâncias relativas das dimen-sões. Casos iguais terão similaridade igual a 1;casos opostos terão similaridade nula. Os casoscom maior similaridade são os candidatos a for-mar a nova solução e gerar um novo caso-fonte.

A lógica fuzzy (difusa) é uma técnica que poderesolver problemas de modelagem complexa,com aspectos quali e quantitativos, sujeitos avariações probabilísticas relevantes ou descritospor bases de dados diferentes e incompletas. Seuprocesso decisório se baseia em variáveislingüísticas que simulam e replicam elementos dopensamento humano, principalmente em basescomparativas, tais como mais alto, mais frio,

melhor; ou vagas, tais como alto, baixo, bom(Kacprzyk, 1997).

Antes da lógica fuzzy, exemplifica-se a lógicacrisp (abrupta) (Oliveira Jr., 1999).

Sejam pessoas com 1,75 m, 1,85 m e 1,90 mde altura e seja superar 1,80 m de altura ocritério para pertencer ao conjunto dos altos.Pela lógica crisp, o indivíduo com 1,75 m nãopertence ao conjunto dos altos e pertence aoconjunto dos não-altos. Os indivíduos com 1,85m e 1,95 m pertencem ao conjunto dos altos enão pertencem ao conjunto dos não-altos. Omodo pelo qual um indivíduo passa a pertencerao conjunto é abrupto, ou seja, ao superar olimiar de pertinência o indivíduo é totalmenteadmitido no conjunto.

A lógica fuzzy assinala a diferentes indiví-duos diferentes graus de pertinência a conjuntosadjacentes, de acordo com o grau de superaçãoda condição de pertinência. A transição para apertinência ao conjunto é gradual, podendo umindivíduo intermediário pertencer aos doisconjuntos, de modo difuso. O grau de perti-nência a um conjunto é tanto maior quanto maisafastado está esse indivíduo da fronteira. Noexemplo, os indivíduos de 1,85 m e 1,95 mpertencem ao conjunto dos altos, porém oprimeiro pertence mais ao conjunto dos não-altos do que o segundo e o segundo pertencemais ao conjunto dos altos do que o primeiro.

Define-se então a função de pertinência(membership function) a conjuntos adjacentes.

Para o exemplo, seja a função de pertinênciada Figura 2. Um indivíduo de 1,80 m de alturatem um grau de pertinência 0,5 ao conjunto dosaltos e um grau de pertinência 0,5 ao conjunto dosnão-altos. Um indivíduo com 1,65 m tem grau depertinência 0 ao conjunto dos altos e de 1 aoconjunto dos não-altos. Finalmente, um indivíduocom 1,95 m tem grau de pertinência 1 ao con-junto dos altos e de 0 ao conjunto dos não-altos.

Ainda para o exemplo, seja a função depertinência: F (alto) = A; F (não-alto) = B.

Avaliando-se a função pela lógica crisp, tem-se F(1,725) = B e F(1,875) = A. Avaliando-sea função pela lógica fuzzy, tem-se F(1,725) =0,75B + 0,25A e F(1,875) = 0,25B + 0,75A.


2.2 Controladores de processosindustriais baseados emlógica fuzzy

O controle de processos industriais pelalógica fuzzy foi proposto por Mamdani e seuscolaboradores, usando a abordagem de Zadehpara conjuntos difusos e incluindo variáveislingüísticas, sentenças condicionais difusas eregras de inferências composicionais.

Os requisitos que tornam indicado o uso dalógica fuzzy para o controle de um processoindustrial são (Kacprzyk, 1997):

� Não existe um modelo do processo acontrolar, por ser demasiado complexo oudemasiado custoso seu desenvolvimento.

� O processo é bem controlado por especia-listas humanos.

� Os especialistas humanos conseguemverbalizar as regras que usam nas açõesmanuais de controle do processo.

Um processo industrial em tais condiçõespode ser controlado por um sistema especialistabaseado em lógica fuzzy, como o sistemarepresentado na Figura 3.

altonão-alto11

0 0

1,65 1,80 1,95

Figura 2 – Função de pertinência difusa para o exemplo.

Base de dados Base de regras

Dispositivo deinferências

Processo sobcontrole

Defuzzificação Fuzzificação

Entrada u

Controladorbaseado emlógica fuzzy

Variáveis de estado

Figura 3 – O uso da lógica fuzzy no controle de processos industriais[adaptado de Kacprzyk (1997)].


A base de conhecimento consiste em umabase de regras e em uma base de dados queincorpora o conhecimento do processo, geral-mente representado por uma estrutura lingüís-tica quase natural, com termos como: alto, médio,baixo, sobe um pouco, desce muito, etc. Na basede conhecimento se define um universo dediscurso consistindo nos termos a serem usados,em escala graduatória, composta por um númeroímpar de estágios, o que facilita a compreensãohumana. Por exemplo, para cinco estágios, umuniverso de discurso apropriado para os termoslingüísticos seria como na Figura 4. Nessa figuratambém se têm as correspondentes funções depertinência fuzzy, associadas a cada um dosvalores lingüísticos e normalizadas em um uni-verso de discurso [–100%, 100%] da variável. Onúmero de valores lingüísticos, o espaço, asobreposição e o formato das funções depertinência são definidos durante o projeto dosistema e dependem do grau de conhecimentoque se tem do problema (Kacprzyk, 1997).

O processo é controlado por uma variávelcontrolada e seu gradiente (x + ∆x), manipuladapor uma variável de controle ∆u. A base deregras é construída a partir de depoimentos dosespecialistas, que articulam verbalmente asrelações entre as variações na variável decontrole e as variações esperadas na variávelcontrolada. Essas articulações são representadasna base de regras de modo compreensível pelosespecialistas e utilizável pelo controlador fuzzy.

Um modo de representação é o uso desentenças condicionais (Kacprzyk, 1997):

� IF x = NS AND ∆x = NS THEN ∆u = PB;ou

� IF x = NS AND ∆x = NS THEN ∆u =h

1,1 (x, ∆x).

Outro modo é o uso de uma matriz cujasentradas são as grandezas x e ∆x e a saída é agrandeza ∆u, contendo todas as possibilidadesde cruzamento entre as variáveis. Como umcontrole real se vale de n variáveis de controle em variáveis controladas, as relações entre asvariáveis são representadas em tabelas múltiplas.Este é o formato adotado no caso em estudo.

A base de dados inclui o formato das funçõesde pertinência, os domínios das variáveis efatores de escala, empregados na defuzzificação.Caso o sistema preveja o aprendizado com opróprio processo, ou seja, modificam-se asregras a partir do resultado de sua aplicação, abase de dados deverá reter também osparâmetros de desempenho do processo.

Para o processo de fuzzificação, o contro-lador mede os valores e os gradientes dasvariáveis controladas e de certas variáveisauxiliares, as variáveis de estado, que antecipamo desempenho do controle. De acordo com asfunções de pertinência das variáveis e dosgradientes, o controlador calcula um valor fuzzy,que será usado na inferência da variação davariável de controle.

Figura 4 – Variáveis lingüísticas [adaptado de Kacprzyk (1997)].

NB PBNM Z PM

NB: negative big;

NM: negative medium;

Z: zero;

PM: positive medium;

PB: positive big.x

[–100%, 100%]


O valor inferido é imposto ao processo emunidades de engenharia, convertidas pelos fatores deescala residentes na base de dados. O valor impostoé a variação do setpoint do processo, inferido,somado ao valor atual, o setpoint do controlador.

Para Kacprzyk (1997), a força da lógica fuzzycomo lógica de controle de processos industriaisreside em sua aplicação a casos em que não setem um modelo, mas o processo é operadosatisfatoriamente por especialistas. Pela práticada engenharia de produção afirma-se que este éo caso de muitos processos relevantes naindústria de processo contínuo.

3. Uma aplicação na indústria deprocesso contínuo

A seguir descreve-se uma aplicação da lógicafuzzy de controle na indústria de processocontínuo. A aplicação ocorreu em um processode fabricação de clínquer, matéria-prima usadana produção de cimento. A clinquerização é umprocesso termoquímico operado manualmentede modo satisfatório e de difícil modelagemexata, o que satisfaz os requisitos de Mamdani.

Para que se contextualize a clinquerização,descreve-se o processo de fabricação de cimento.

3.1 A clinquerização e o processo defabricação de cimento

A seguir descrevem-se as etapas e na Figura3 apresenta-se um fluxograma de um processotípico de fabricação de cimento (Farenzena,1995).

Mineração: é o processo de desmonte,extração e remoção dos minerais que constituema matéria-prima do cimento, normalmentecalcário, argila e material estéril. Reduz-se agranulometria por intermédio da fragmentaçãoe cisalhamento em britagens e forma-se a pilhade pré-homogeneização, cuja função é pré-adequar os parâmetros químicos do material,por intermédio da dosagem de calcários ouargilas extraídos de diversas fontes.

Moagem de cru: O material extraído dapilha é seco e moído em moinhos tubulares oude rolos, transformando-se em uma mistura fina,a farinha. Na moagem de cru se ajustam osparâmetros físico-químicos da farinha porintermédio da alimentação e dosagem de diver-sos tipos de calcário. A farinha produzida éarmazenada em silos, onde passa por novoprocesso de homogeneização. A homogeneidadequímica da farinha é importante para a clinque-rização, na qual ocorre a assimilação e a com-binação da farinha com o combustível.

Clinquerização: É um processo de aque-cimento e tratamento térmico controlado, a até1.450ºC, que provoca reações termoquímicas nafarinha, originando o clínquer. Os materiais sedeslocam em oposição aos gases da combustão,que transferem calor por contato às torres deciclones. A tiragem é realizada por exaustorescom tomada de ar a jusante do forno erecuperação da farinha residual em precipi-tadores eletrostáticos. A fonte de calor é oqueimador, a montante do forno, alimentado porcarvão moído complementado por casca dearroz, óleos pesados, gás natural ou coquepetroquímico. Um parâmetro relevante nocontrole do forno é o NO

x (NO + NO

2),

principalmente por seu impacto ambiental.Moagem de cimento: A moagem do cimen-

to se dá em circuito fechado, cujo equipamentoprincipal é o moinho tubular de bolas. Asmatérias-primas são alimentadas por balançasdosadoras de vazão (ton/h), conforme os teoresda matéria-prima disponível e o tipo de produto.O arraste de material ao longo das câmaras éfeito por um exaustor, cuja tiragem arrasta omaterial moído por corpos moedores, quequebram, trituram e misturam os componentes,formando uma massa pulvurulenta e homo-gênea. Ao atingir a granulometria de saída, éelevado por um transportador vertical e classi-ficado. A fração fina se dirige aos silos deproduto pronto, enquanto a fração grossa voltapara ser moída até a granulometria especificada.A medição da fração de retorno é importante noajuste do processo.


Ensacagem: O cimento produzido na fase demoagem é conduzido por intermédio detransporte mecânico ou pneumático até umconjunto de silos, onde fica protegido daumidade ambiental. A técnica de ensacagemdepende do tipo de veículo que será empregadopara retirar o produto da fábrica. As embalagensdisponíveis são de 50 e 25 kg ou a granel.

3.2 Descrição da aplicação

O processo de clinquerização é representadona Figura 6. As variáveis de controle são a

alimentação de matéria-prima, a exaustão e ocombustível, doravante chamados de feed, fan efuel, e as variáveis de estado são a temperaturada zona de queima, a BZT (Burning-ZoneTemperature), o teor de oxigênio na queima, oO

2 e a temperatura do fundo do forno, a

BET(Back-End Temperature). As variáveis con-troladas são a produtividade em toneladas porhora e/ou a eficiência energética em kilocaloriaspor grama de produto acabado.

A lógica de controle do processo de clinque-rização reside em um controlador eletrônicobaseado em lógica fuzzy.

Fonte: Farenzena, 1995

jazida

britagensprimária esecundária

moagemde cru

torre de pré-aquecimento

forno de clínquer

hangar de matérias-primas

moagemde cimento

ensacagem despacho a granel

pré-homogeneização

silos de cimento

precipitadoreletrostático

circuito de material em processo

circuito de ar

silos dehomogeneização

Figura 5 – Fluxograma de fabricação de cimento.


Os aspectos tecnológicos ligados ao hardwaree ao software do controlador não são relevantespara o objetivo deste trabalho.

A BZT não é medida diretamente, sendoinferida por outras medições. Como o forno érotativo, a corrente do motor elétrico deacionamento é proporcional ao torque resistentedo conjunto. Devido à colagem interna, afetadapela temperatura, o torque resistente é propor-cional à temperatura da zona de queima. Estatemperatura também é proporcional ao teor deNO

x (NO + NO

2), portanto pode ser inferida

pela corrente do acionamento principal, peloNO

x ou por uma combinação de ambos. As

demais grandezas podem ser medidas porinstrumentação dedicada: analisadores de O

2 e

termo-elementos. A vazão de combustível e aalimentação de matéria-prima, em ton./hora, e avazão de exaustão, em Nm3/hora, são alteradaspor atuadores dedicados, ligados ao controlador.

Em resumo, para o controlador de processo,se têm:

� entradas do controlador: BZT, O2, BET;

� saídas do controlador: Fuel, Feed, Fan;

� variáveis auxiliares para o controle:∆BZT, ∆O

2, ∆BET, ∆Fuel, ∆Feed, ∆Fan.

Pela abordagem de Mamdani, adaptada parao caso e ilustrada na Figura 7 (Tangerino, 1994),

fuzzificam-se as variáveis de estado a partir dasentradas. Para calcular os valores fuzzy seconsideram as faixas nominais e os intervalosalocados ao universo de discurso de cadavariável e as medições dos valores instantâneose do gradiente das variáveis.

Obteve-se o bloco de regras de inferência ede defuzzificação por CBR. Lógicas similaresoperam em algumas dezenas de plantas nomundo. A lista dessas plantas é uma informaçãonegocial relevante e deve ser omitida nestetrabalho. As plantas possuem bases de regras,formadas pelo conhecimento de especialistas epráticas de produção. Ao equipar uma novaplanta, o fabricante acessa as plantas atuais e,com base em parâmetros como a matéria-prima,o produto final, o tipo de forno e a capacidadede produção, escolhe plantas similares e resgataas bases, que serão adaptadas pelos especialistaspara o caso atual.

Há diversas estratégias de controle: (i) regrasválidas para operação instável do forno esituações de emergência; e (ii) regras válidaspara operação estável. As regras para estabi-lidade são: (iia) bloco geral, que aumenta o feedaté o valor desejado pelo especialista; (iib) blocoque mantém o feed e reduz o consumo decombustível, reduzindo o fuel; e (iic) bloco queopera ao atingir 100% do fan e que controla ofeed e o fuel.

Figura 6 – Representação do processo de clinquerização e das variáveis intervenientes.

BZT ( )Burning-ZoneTemperature

BET ( )Back-End Temperature

O2

Fan

Fuel

Feed


O sistema parte segundo a estratégia (iia),associada à produtividade, até atingir o valordesejado de feed, quando assume a estratégia(iib), associada à redução de combustível. Se ofan atingir o valor máximo permitido, assume aestratégia (iic). O valor desejado de feed e ovalor máximo de fan são informados peloespecialista.

As três variáveis de estado podem assumirtrês valores fuzzy cada, incorporando as tendên-cias. Os especialistas definem como variar asvariáveis de controle nos 27 casos possíveis decada estratégia de controle. Por exemplo, para ocaso geral, seja (BZT, O

2, BET) = (High, OK,

Low). Os especialistas devem responder: o quefazer com fuel, feed e fan se a temperatura dazona de queima está ficando alta, o oxigênio estáficando OK e a temperatura do fundo do fornoestá ficando baixa? Soluções iniciais sãooferecidas pelos casos selecionados e os

especialistas confirmam ou modificam umasolução. No caso exemplificado, os especialistasindicaram as seguintes ações: aumentar pouco ofeed, reduzir pouco o fuel e reduzir muito o fan,representadas pelos valores 33, –33 e –67%(linha 6 da Tabela 1) de degraus das variáveis decontrole, previamente especificados e revisados.Completa-se a tabela de modo similar, modi-ficando-a conforme o resultado da estratégia oua prática de produção. Após a revisão, o blocode regras gerado entra para a base de casos,fechando o ciclo do CBR.

A seguir é exemplificada a lógica de controlecom uma situação hipotética. Serão usadasfunções de pertinência linear, combinaçõeseqüitativas entre a grandeza e seus gradientes etrês níveis de fuzzificação para o entendimentoda lógica. O controlador real emprega funçõesnão-lineares e combinações diversas entre agrandeza e o gradiente.

Figura 7 – Abordagem de Mamdani para a lógica de controle fuzzy.(Fonte: adaptado de Tangerino, 1994.)

Bloco de entrada de variáveis e gradientes: fuzzificação

BZT fuzzy O2 fuzzyBET fuzzy

Bloco de regras: inferências e defuzzificação

Fuel % Fan %Feed %

Bloco de escalas

T/h QT/h

Bloco de saída: unidades de engenharia

setpoint T/h setpoint Qsetpoint T/h

I, NOx BET O2


Tabela 1 – Bloco de regras geral para a clinquerização.

Bloco de regras principais

Step =

0,5 t/h 0,05 t/h 50 Nm3/h

caso BZT f O2 f BET f ∆ Feed % ∆ Fuel % ∆ Fan %

1 High High High 100 –67 –67

2 OK 67 –67 0

3 Low 33 0 100

4 OK High 100 67 33

5 OK 67 –33 0

6 Low 33 –33 –67

7 Low High 100 –100 0

8 OK 67 –67 67

9 Low 33 0 100

10 OK High High 67 0 –67

11 OK 33 –33 0

12 Low 0 67 33

13 OK High 67 33 33

14 OK 20 20 20

15 Low 0 33 50

16 Low High 0 –50 0

17 OK 0 0 50

18 Low 0 33 67

19 Low High High –33 33 –100

20 OK –67 100 0

21 Low –100 100 0

22 OK High –33 0 –67

23 OK –67 67 0

24 Low –100 67 0

25 Low High –33 –100 –33

26 OK –67 –33 0

27 Low –100 33 33

Sejam os valores nominais da Tabela 2 e asituação hipotética da Tabela 3, calculada pelafunção de pertinência linear da Figura 8,parametrizada pelos valores da Tabela 2. Nacoluna da direita da Tabela 3 se têm os valoresjá fuzzificados para as variáveis de entrada.

Agregando-se os primeiros e segundostermos das três variáveis de estado obtém-se opar:

� {(0,4 H; 0,6 OK; 0,5 H); (0,6 OK; 0,4 L;0,5 OK)}.


Tabela 2 – Faixas das variáveis necessárias ao controle no exemplo.

Variável Limites da variável Faixa do gradiente

BZT 1.250ºC a 1.450ºC ∆ BZT/min. = –3% a +3%

O2 0 a 3% ∆ O2/min. = –5% a +5%

BET 350ºC a 450ºC ∆ BET/min. = –3% a +3%

Fuel 0-5 t/h

Feed 0-100 t/h

Fan 0-5.000 Nm3/h

Não se aplica

Todas 3 níveis de fuzzificação => H, OK, L (high, OK, low)

Tabela 3 – Dados para o exemplo hipotético.

Variável Instantânea Fuzzy inst. Gradiente Fuzzy grad. Fuzzy total

Entrada: BZT 1.350ºC 1 OK 2,4% 0,8 H + 0,2 OK 0,4 H + 0,6 OK

Entrada: O2 1,5% 1 OK –4% 0,2 OK + 0,8 L 0,6 OK + 0,4 L

Entrada: BET 400ºC 1 OK 3% 1 H 0,5 H + 0,5 OK

Saída: Fuel 3,5 t/h

Saída: Feed 88 t/h

Saída: Fan 4.500 Nm3/h

Não se aplica

Figura 8 – Função de pertinência para as variáveis intervenientes no exemplo.

highlow OK

O primeiro elemento do par remete à linha 4da Tabela 1 (BZT H, O

2 OK, BET H) e o

segundo elemento remete à linha 17 da Tabela1 (BZT OK, O

2 L, BET OK). Dessas linhas (1a

parcela, 100, 67, 33, e 2a parcela, 0, 0, 50) seobtêm as contribuições para as variaçõesimpostas aos setpoints das variáveis de controlenaquele instante. As contribuições são ponde-

radas pela soma dos graus de pertinência decada variável ao respectivo conjunto.

� ∆ setpoint Feed % = (0,4 + 0,6 + 0,5) *100 + (0,6 + 0,4 + 0,5) * 0 = 150%

� ∆ setpoint Fuel % = (0,4 + 0,6 + 0,5) *67 + (0,6 + 0,4 + 0,5) * 0 = 100%


� ∆ setpoint Fan % = (0,4 + 0,6 + 0,5) *33 + (0,6 + 0,4 + 0,5) * 50 = 125%

Por fim, tem-se a conversão das variáveis nasnovas unidades de engenharia:

� ∆ Feed = 150% * 0,5 t/h = 0,75 t/h, Feedinicial = 88 t/h, novo Feed = 88,75 t/h

� ∆ Fuel = –100% * 0,05 t/h = 0,05 t/h, Fuelinicial = 3,5 t/h, novo Fuel = 3,55 t/h

� ∆ Fan = 125% * 50 Nm3/h = 62,5 Nm3/h,Fan inicial = 4.500 Nm3/h, novo Fan =4.562 Nm3/h.

A lógica de controle combina dois casosselecionados em um universo de discurso de 27casos, formando a solução. O sistema tambémapresenta capacidade de aprendizagem, a partirde testes das condições de contorno do sistema.Para testar o limite da produtividade aumenta-se o valor desejado. Ao atingir esse valor,assume-se a estratégia de redução do fuel,mantendo as demais variáveis até que umacondição de contorno seja atingida ou que umaestratégia de instabilidade assuma, o que deveser evitado. A monitoração dos resultados e aeventual modificação dos valores de estratégiasconstituem um processo de aprendizado.

4. Discussão dos resultados daaplicação

A seguir discutem-se alguns resultados decampo da aplicação dessa tecnologia.

Um operador humano age contínua, assín-crona e aleatoriamente, ao decidir sobre mudan-ças nos setpoints. Uma operação baseada emsistema especialista terá outro ritmo, pois avarredura de execução e a transferência dasdecisões da máquina para o processo não éinstantânea. Podem-se usar ciclos de 1 minutopara atualização de dados de entrada e de saídae de 3 ou 5 minutos para transferência da saídapara o campo. Um aspecto a considerar na deter-minação desses ciclos é a oscilação nas variáveisque alterações excessivas combinadas com asinércias naturais do processo podem causar.

A experiência de campo do autor mostraganhos em produtividade (t/h) e energéticos(Kcal/t) de até 3% a 5% em relação a operadoresespecialistas. O detentor da tecnologia apontadiversas aplicações com ganhos de até 6% a 10%em produtividade e de até 3% em eficiênciaenergética. Outras experiências internacionaistambém são relatadas.

Vaas & Krogbeumker (1994) relatam umaaplicação de sistema especialista em uma moa-gem de cimento na Alemanha, em que se obteveum aumento de produtividade de 3,0-3,1% e umaeconomia de energia de 2,9% após o comissio-namento. Nussbaumer (1994) relata um caso noMéxico em que um sistema especialista deotimização de processo de clinquerização trouxeaumentos de 1% e 3% na produção diária,redução de 2% e 4% no consumo energético eredução de 12% e 16% na variabilidade dosrequisitos de qualidade do clínquer. As vantagensrelatadas decorrem principalmente da melhorresposta obtida por um sistema automatizado àsvariabilidades do processo, em oposição àsincertezas do comportamento de especialistashumanos, principalmente em situações de emer-gências, períodos longos e contínuos de operaçãoe necessidade de alta produtividade. A capaci-dade de aprender e de assumir riscos tambémauxilia na construção deste resultado. Não foramabordados neste trabalho os aspectos psicológicose comportamentais de operadores especialistas.

5. Conclusão

A partir do exposto e da experiência decampo do autor e das referências, conclui-se queos sistemas especialistas, o CBR e a lógica fuzzypodem ser empregados em sistemas de controlemultivariável de processos na indústria deprocesso contínuo, com resultados satisfatórios.

Portanto, sugere-se que os engenheiros deprodução procurem conhecer as técnicas cita-das, não se restringindo ao caso estudado, masinvestigando outros processos de decisão nosquais haja ambigüidades, incertezas e varia-bilidades, e não haja um modelo exato e replicável.


6. Agradecimentos

Deseja-se reconhecer e agradecer aos refereespelas sugestões apresentadas. Seu meticuloso

ARTIFICIAL INTELLIGENCE:AN APPLICATION IN A CONTINUOUS PROCESS INDUSTRY

Abstract

This paper describes an application of the fuzzy logic control and CBR in the continuous processindustry. The techniques are discussed inside the larger branch of knowledge called Artificial Intelligence(AI), which can be related with the decision-making process in companies. Artificial Intelligence ispinpointed as a science that can support decisions in an easier and more precisely way than othersmethods as models and process indicators management. The steps for the erection of an Expert System,built mainly from human empirical experiences, are also discussed. The paper comes to an end bypresenting a decision-making routine in a thermochemical process, in the cement industry, as performedby an Expert System decision-maker, based in CBR and fuzzy logic, and leading to a discussion aboutresults and performance gains, in comparison with human-guided action in the same process.

Key words: fuzzy logic in continuous process industry, Artificial Intelligence in industrial engineering,expert systems in industrial engineering, CBR in industrial engineering.

trabalho de análise permitiu organizar eapresentar o material existente de modo maiscompreensível e consistente, qualificando oresultado final.

Referências Bibliográficas

AAMODT, A.; PLAZA, E. Case-Based Reasoning:foundational issues, methodological variations,and system approaches. AI Communications, IOSPress, v. 7, n. 1, p. 39-59. Disponível em: http://www.iiia.csic.es/People/enric/AICom_ ToC.html>.Acesso em: out. 2002.

ARARIBOIA, G. Inteligência Artificial. Rio deJaneiro: Ed. LTC, 1988.

CONAI: Tutorial Inteligência Artificial. In:CONGRESSO NACIONAL DE AUTOMAÇÃOINDUSTRIAL. Anais... São Paulo, 1994.

CORCHADO, J. et al. Hybrid instance-based systemfor predicting ocean temperature. InternationalJournal of Computational Inteligence andApplications, v. 1, n. 1, p. 35-52, 2001.

FARENZENA, H. Fabricação de cimento portland.Porto Alegre: Ed. Cimentec, 1995.

KACPRZYK, J. Multistage fuzzy control. Chichester,UK: John Wiley Sons, 1997.

MCCARTHY, J. What is Artificial Intelligence?Disponível em: <http://www-formal.stanford.edu/jmc/whatisai/whatisai.html>. Acesso em: out. 2002.

NIKOLOPOULOS, C. Expert systems: New York:Marcel Dekker, Inc., 1997.

NUSSBAUMER, A. LINKman II: Experience in theApasco Group. In: 33th Technical Meeting/10th

Aggregates and Ready-Mixed Concrete Conference.Basel, 1994.

OLIVEIRA JR., H. Lógica difusa: aspectos práticose aplicações. Rio de Janeiro: Ed. Interciência,1999.

RABUSKE, R. Inteligência Artificial. Florianópolis:Editora da UFSC, 1995.

TANGERINO, C. Lógica fuzzy aplicada emcontroladores programáveis. In: CONGRESSONACIONAL DE AUTOMAÇÃO INDUSTRIAL,CONAI. Anais... São Paulo, 1994.

VAAS, M.; KROGBEUMKER, H. Das mühlenrege-lungssystem MCE bei Phoenix Zement inBeckum. ZKG Zement-Kalk-Gips InternationalForshung-Herstellung-Verwendung, n. 9, 1994,Bauverlag GmbH, Wiesbaden, 1993.

Documents

Redes neurais, lógica fuzzy e inteligência artificial