Escolar Documentos
Profissional Documentos
Cultura Documentos
Relatorio (1) .Doc - 0
Relatorio (1) .Doc - 0
TALIS MAJELA
FHELIPE DE MOURA
MICHEL LEANDRO
JEAN D'ORNELLAS
PROJETO AVALIATIVO
MANUTENO NA INDUSTRIA AUTOMOTIVA
BAMBU
MG
2014
NOVEMBRO DE
RESUMO
Este trabalho apresenta as necessidades atuais para garantir qualidade e alta produtividade de bens
e servios ,associadas ao valor crescente do capital intelectual e ao volume de informao existente e
dispersas nas organizaes,exigem prticas cada vez mais eficazes,especialmente na rea de
manuteno industrial. O modelo proposto para o desenvolvimento concebido atravs de um grafo
conceitual. Com base na analise dos mecanismos de falhas, e caracterizado por um modelo hbrido
de representao do conhecimento, combinando tcnicas de inferencias de raciocinio baseado em
regras(RBR) de raciocinio baseado em casos (RBC). Adicionalmente as apresentaes dos pontos
principais de cada etapa de desenvolvimento, o artigo aborda como conhecimento heuristico, utilizado
na analise causal de sistemas fisico industriais, pode ser compartilhado no ambiente de manufatura e
estabelece uma aproximao para o uso de sistema como ferramenta para ambos os
setores,educacional e industrial.
ABSTRACT
This paper presents the current needs to ensure high productivity and quality of goods and services
associated with the increasing value of intellectual capital and the volume of existing, dispersed
information in organizations require increasingly effective practices, especially in the area of industrial
maintenance. The proposed model for the development is made with a conceptual graph. Based on
the analysis of failure mechanisms, and is characterized by a hybrid model of knowledge
representation, combining techniques inferences from rules-based reasoning (RBR) of case-based
reasoning (CBR). Besides the presentations of each major stage of development points, the article
discusses how heuristic knowledge used in the causal analysis of industrial physical systems, can be
shared in a manufacturing environment and establishes an approach for using the system as a tool for
both sectors , educational and industrial.
Keywords: fault diagnosis, industrial and automotive maintenance, reasoning, expert systems.
SUMRIO
1)Introduo
2) SISTEMAS BASEADOS EM CONHECIMENTO
2.1) Manuteno Industrial
2.2) Aquisio do Conhecimento
2.3) Representao do Conhecimento
2.3.1) Mtodos de Inferncia
2.3.2) Tcnicas de Representao para o Tratamento de
Incerteza
2.4) Implementao e Validao do Conhecimento
3) CONCLUSO
4) AGRADECIMENTOS
1. INTRODUO
Est relacionada ao modo como as empresas gerenciam e criam novos
conhecimentos, disseminando os atravs da
organizao e incorporando
os rapidamente em novas tecnologias e produtos (Nonaka, In: Starkey,
1997).
Deste modo, empresas tambm competem pelo conhecimento superior
sobre seus processos e no apenas pela
criatividade no desenvolvimento de seus produtos, de forma que estes
so considerados manifestaes concretas do conhecimento e o quanto
valem depende em grande parte, se no inteiramente, do valor do saber que
incorporam (LeonardBarton, 1998).
Quando uma empresa valoriza o conhecimento como um ativo
corporativo, compreendendo a importncia da
necessidade de sua gesto, ela gera retornos crescentes e propicia a
busca por uma vantagem empresarial sustentvel.
A competitividade exigida pela economia globalizada estimula a inovao
contnua e valoriza o profissional com conhecimento terico e prtico altamente
especializado. A nica fonte garantida de vantagem competitiva duradoura
Ao contrrio dos ativos materiais, que diminuem medida que so
usados, os ativos do conhecimento aumentam com
o uso: idias geram novas idias [...] (Davenporte Prusak, 1998).
2.1.MANUTENO INDUSTRIAL
Ainda que mquinas sejam projetadas para trabalhar com zero defeito, na prtica, o
que ocorre que se um item
no tiver falhado dentro de um determinado perodo de tempo, ir falhar em um
instante futuro. Tal fato refora para a
manuteno sua vocao estratgica, sendo fundamental para a competitividade
industrial (Dias, 1996).
Ento, alinhada gesto da manufatura, a rea de manuteno pode adquirir uma
abordagem estratgica quando,
alm de manter itens disponveis por um longo perodo de tempo, reduzindo ao
mximo sua probabilidade de falha,
conseguir incorporar as suas atividades e aos seus processos, conhecimentos
articulveis, patenteveis e no disponveis
em fontes pblicas, transformando-se em conhecimentos superiores aos dos seus
concorrentes.
Exatamente durante o processo de desenvolvimento do SE para o diagnstico de
falha, que idias, informaes e
conceitos devem ser revistos e produzidos, transformando-se em bens cognitivos,
de tal forma que SE possam propiciar
um conhecimento superior sobre seus processos e se constituir em um meio
altamente eficaz para a criao de novos
conhecimentos. Isto ocorre pela captura das intuies, recomendaes ou insights
dos especialistas e colaboradores em
manuteno, tornando os bens cognitivos disponveis dinamicamente para serem
comunicados e compartilhados por toda a organizao.
Bens cognitivos podem ser vistos como o conhecimento explcito, formal,
sistemtico, de fcil codificao,
representado e obtido atravs de treinamento em manuais, livros e conferncias.
Mas, tambm podem ser vistos como
Fig. 2: Exemplo de uma Rede Neural Artificial de 2 camadas com 4 entradas e 2 sadas
Fig. 3: Blocos LEGO coloridos que foram expostos para o reconhecimento de padro
entrada de novo, esse erro tenda a zero. H alguns tipos de RNA supervisionadas
como Perceptron, MLP, Adaline, Madaline, e outras...
3.1.1. ADALINE
Adaptive Linear Neuron (Adaline) uma rede de camada simples (possui somente
camada de entrada de dados e camada de sada) que utiliza a regra Delta para
realizar seu aprendizado, ou seja, considera o aparecimento de um erro que
influenciar na correo dos pesos.
A arquitetura da rede Adaline usada no estudo de caso deste trabalho
mostrada na Figura 22.
gerar uma matriz de cdigos (binrios ou bipolares) que ser a entrada da rede Adaline
conforme Quadro 1.
ENTRADA DA REDE ADALINE
CORES 1
X1
X2
X3
X4
X5
X6
X7
Cor 1
1
0
0
0
0
0
0
0
Cor 2
1
0
0
1
1
1
1
1
Cor 3
1
1
0
1
0
0
1
1
Cor 4
1
0
1
0
1
0
0
0
Cor 5
1
1
0
1
1
1
0
0
Quadro 1: Matriz de cdigos binrios representando a entrada da rede Adaline
Yent J = X ki . Wij
i=0
Atualizar os pesos:
Wi,J = Wij + . (tj,k - Yent J) . x k,i
Verificar critrio de parada.
5. Fim.
3.1.1.5. CRITRIO DE PARADA
1. Pode-se usar o erro quadrtico mdio (rms) da rede, que para o estudo de caso
definido por:
2
2. Pode-se usar o nmero mximo de pocas, lembrando que uma poca equivale
a apresentar todos os padres de entrada rede.
3. Pode-se usar os critrio 1 e 2 juntos.
2.
Yent J = X ki . Wij
i=0
1, se Yent J 0
-1 se Yent J < 0
rede gere sadas duvidosas. Por isso a tolerncia deve ser definida de forma a fazer
com que a rede gere sadas satisfatrias.
3.1.2. MULTY LAYER PERCEPTRON - MLP
O Perceptron Multi-Camadas (MLP) uma extenso do Perceptron de camada
nica ou simples. Esta arquitetura apresenta uma camada com unidades de entrada,
conectada a uma ou mais camadas com unidades intermedirias, chamadas
camadas ocultas, e uma camada de unidades de sada.
O MLP utiliza-se de um processo de aprendizado supervisionado, assim
como o Adaline, sendo mais comum para seu aprendizado a utilizao do algoritmo
"Backpropagation2".
A Figura 23 mostra uma arquitetura de um MLP.
3.2.1.1. CONSIDERAES
A idia que aps o treinamento da rede, cada cluster responda melhor a
uma determinada cor.
Cada cdigo de cor convertido em binrio (7 bits) considerando que o maior
cdigo possvel de cor seria 100 (normalizao).
Se duas cores possurem cdigos binrios parecidos, pode acontecer da rede
classific-las como pertencente ao mesmo cluster (mesma classe).
Ex.: Suponha que:
Cor
Azul
Amarelo
Cdigo Decimal
30
94
Cdigo Binrio
0011110
1011110
3.2.1.2. ALGORITMO
1. Inicializar os pesos (wi,j) entre -0.5 e 0.5 ou -1 e 1;
2. Inicializar a taxa de aprendizado, prxima de 1 (= 0.9, por exemplo);
3. Inicializar o raio de vizinhana r (r = nCluster 1, por exemplo);
4. Usar topologia linear para a camada de cluster;
5. Fazer a fase de organizao dos neurnios (clusters);
6. Fazer a fase de refinamento dos neurnios (clusters).
3.2.1.3. FASE DE ORGANIZAO
5.1.
5.3.
Reduzir
5.4.
Reduzir r
Para cada padro de entrada Xk,i, faa o mesmo procedimento 5.1 e 5.2 da
fase de organizao.
Apresentar uma cor rede e verificar qual cluster venceu. Este indicar em
qual posio a pea deve ser colocada.
adotados,
como
valores
para
testes,
no
momento
do
desenvolvimento do software os seguintes ndices: para a cor branca 64, para a cor
amarela 88, para a cor vermelha 91, para a cor azul 97 e para a cor preta100. Estes
valores foram obtidos atravs de uma primeira leitura pelo sensor luminoso do SRC.
Para as leituras foi utilizado o leitor de intensidade de luz para verificao
da cor incidida sobre o bloco. A Figura 25 mostra o local, circulado de vermelho,
onde feita a leitura de intensidade de luz sobre o bloco. O ideal seria usar um
sensor leitor de cores que responde de forma mais confivel no dependendo tanto
da luz ambiente.
Branco
S/C
C
62
1884
61
1868
59
1816
61
1868
61
1868
60
1805
61
1868
Amarelo
S/C
C
61
1868
60
1805
60
1805
61
1868
60
1805
58
1705
60
1805
Vermelho
S/C
C
58
1705
58
1700
59
1816
36
505
58
1700
58
1700
60
1805
S/C
37
36
36
36
58
36
60
Azul
C
515
505
505
505
1700
505
1805
Preto
S/C
C
27
63
27
47
36
505
27
47
27
47
58
1700
27
47
Teste 08
60
1805 58
1705 58
1700 36
505
Quadro 4: ndices de testes com o sensor de luz
60
1805
1
1
1
1
1
0
0
0
1
1
0
1
1
0
0
0
1
1
0
0
0
0
0
0
1
0
0
1
0
0
0
0
1
1
0
ALVOS
1
1
1
1
-1
1
1
-1
-1
1
1
-1
1
-1
1
SADA
1
1
1
1
1
-1
1
-1
1
1
-1
-1
-1
1
1
Quadro 6: Diagnstico final do aprendizado do Adaline
5. CONSIDERAES FINAIS
No aprendizado da rede Adaline ao usar as entradas no formato bipolar o erro
converge mais rpido do que utilizar entradas binrias. No formato bipolar o nmero
de pocas caiu para 27 gerando um erro de 0.000095.
Como o leitor de luz do RSC vulnervel iluminao ambiente, e como
a rede Adaline foi treinada com tolerncia baixa, na fase de simulao ocorreu de
cores com cdigos variados serem direcionadas erroneamente para locais diversos.
Uma opo seria trabalhar com tolerncia de erro maior na rede.
O treinamento foi feito com um cdigo de cada cor, o que poderia ser feito
um treinamento com cdigos diversos para cada cor gerando assim sadas iguais
aos alvos.
No aprendizado da rede Kohonen o uso de uma taxa de aprendizado de
0.95 mostrou-se eficiente para um nmero mnimo de 10 clusters. Desta forma as
cores foram categorizadas em clusters diferenciados o que no ocorreu quando o
nmero de clusters foi menor.
O problema da repetio de clusters para padres de classes diferentes
se deve ao fato de que os cdigos binrios de cada cor deve ser bem distinto um do
outro caracterizando classes bem diferenciadas. Uma sugesto usar cdigo Gray
ao invs de cdigo binrio nas entradas, pois, o cdigo Gray resolve o problema da
distncia de Hamming que aparece nos cdigos binrios.
Como o estudo de caso define previamente as classes de padres de
entrada a rede Adaline a princpio uma opo melhor do que a rede Kohonen,
porm, o fato de haver variao na leitura dos cdigos de cores e de estas leituras
direcionarem para uma mesma classe o uso da rede Kohonen uma opo melhor.
Na verdade por se tratar de um problema com poucos padres de
entrada, em ambas as redes a estrutura foi bem simplificada e o tempo de resposta
foi bem reduzido. Assim, ambas as redes foram satisfatrias na aplicao proposta.
Vale ressaltar que se fosse feito o uso do MLP para o RSC,
provavelmente o processamento da rede deveria ser feito num computador e desta
forma uma comunicao entre o RSC e computador seria necessrio. Nas redes
usadas processou-se tudo dentro do prprio RSC que possui de 4 KB de memria
flash e 512 Bytes de RAM.
REFERNCIAS BIBLIOGRFICAS
[1] Alecrim E. (2004) Redes Neurais Artificiais
http://www.infowester.com/redesneurais.php
[2] Braga A., Et Al (2008) Redes Neurais Artificiais Teoria e aplicaes, 2 Edio.
So Paulo. Editora LTC.
[3] Chella M. (2002) Ambiente de Robtica Educacional com Logo
http://200.169.53.89/download/CD%20congressos/2002/SBC
%202002/PDF/ARQ0009.PDF
[4] Fausett L. (1994) Fundamentals of Neural Networks, 2 edio. Prentice Hall,
New Jersey.
[5] Lego Mindstorn (2010) Tutorial Lejos NXT
http://lejos.sourceforge.net/nxt/nxj/tutorial/index.htm
APNDICES
APNDICE
KOHONEN
CODIFICAO
RNA NO-SUPERVISIONADO
111
{
112
w_int[i][j]=(int)Math.round(w[i][j]);
113
w[i][j]=w_int[i][j];
114
}
115
int cores_cluster[]= new int [5];
116
for(int k=0; k<5; k++)
117
{
118
double dist=100;
119
for(int j=0; j<ncluster; j++)
120
{
121
double soma=0;
122
for(int i=0; i<7; i++)
123
soma+=Math.pow(w[i][j]-ent[k][i],2);
124
if(dist>soma)
125
{
126
j_venc=j;
127
dist=soma;
128
}
129
}
130
cores_cluster[k]=j_venc;
131
}
132
JTextArea area = new JTextArea(25,80);
133
JScrollPane barra = new JScrollPane(area);
134
String s="\t\t\t\tDIAGNSTICO\n\n ENTRADAS:";
135
136
s+="\n"+exibe(ent,5,7)+" \n\n CLUSTERS:\n"+exibe(w,7,ncluster)+" \n\n
CORESxCLUSTERS:\n\n"+mostravet(cores_cluster);
137
area.setText(s);
138
JOptionPane.showMessageDialog(null,barra,"Resultados da rede
Kohonen",JOptionPane.INFORMATION_MESSAGE);
139
System.exit(0);
140
}
141 }
107
}
108
int w_int[][]=new int[7][ncluster];
109
for(int j=0; j<ncluster; j++)
110
for(int i=0; i<7; i++)
111
{
112
w_int[i][j]=(int)Math.round(w[i][j]);
113
w[i][j]=w_int[i][j];
114
}
115
int cores_cluster[]= new int [5];
116
for(int k=0; k<5; k++)
117
{
118
double dist=100;
119
for(int j=0; j<ncluster; j++)
120
{
121
double soma=0;
122
for(int i=0; i<7; i++)
123
soma+=Math.pow(w[i][j]-ent[k][i],2);
124
if(dist>soma)
125
{
126
j_venc=j;
127
dist=soma;
128
}
129
}
130
cores_cluster[k]=j_venc;
131
}
132
JTextArea area = new JTextArea(25,80);
133
JScrollPane barra = new JScrollPane(area);
134
String s="\t\t\t\tDIAGNSTICO\n\n ENTRADAS:";
135
136
s+="\n"+exibe(ent,5,7)+" \n\n CLUSTERS:\n"+exibe(w,7,ncluster)+" \n\n
CORESxCLUSTERS:\n\n"+mostravet(cores_cluster);
137
area.setText(s);
138
JOptionPane.showMessageDialog(null,barra,"Resultados da rede
Kohonen",JOptionPane.INFORMATION_MESSAGE);
139
System.exit(0);
140
}
141 }
121
for(int j=1; j<ninter+1; j++)
122
{
123
for(int k=0; k<1; k++)
124
aux4[k]=w[j][k];
125
erro_inter[j-1]=rede.somatorio(erro_saida,aux4);
126
erro_inter[j-1]=rede.erro_intermed(erro_inter[j-1],z_ent[j]);
127
for(int k=0; k<8; k++)
128
pesos1[k][j-1]=rede.correcao_v(erro_inter[j-1],aux1[k]);
129
}
130
for(int j=0; j<1; j++)
131
for(int k=0; k<ninter+1; k++)
132
pesos2[k][j]=w[k][j]+pesos2[k][j];
133
for(int j=0; j<ninter; j++)
134
for(int k=0; k<8; k++)
135
pesos1[k][j]=v[k][j]+pesos1[k][j];
136
rms+=erro*erro;
137
w=pesos2;
138
v=pesos1;
139
}
140
rms=Math.pow(rms,2)/2;
141
s+="Epoca("+epocas+")"+" "+"Erro("+rms+")\n";
142
epocas++;
143
}
144
145
JTextArea area = new JTextArea(20,50);
146
JScrollPane barra = new JScrollPane(area);
147
String s1="PESOS CAMADA INTERMEDIARIA:", s2="PESOS CAMADA SAIDA:", s3="";
148
149
for(int i=0;i<8;i++)
150
{ s1+="\n";
151
for(int j=0;j<ninter;j++)
152
s1+=v[i][j]+"\t";
153
}
154
for(int i=0;i<ninter+1;i++)
155
{ s2+="\n";
156
for(int j=0;j<1;j++)
157
s2+=w[i][j]+"\t";
158
}
159
s3+=s+"\n\n"+s1+"\n\n"+s2;
160
area.setText(s3);
161
JOptionPane.showMessageDialog(null,barra,"Resultados do
MLP",JOptionPane.INFORMATION_MESSAGE);
162
System.exit(0);
163
}
164 }
aux[i][NUM_NEURONIOS - k] = -1;
else
aux[i][NUM_NEURONIOS - k] = 1;
}
}
return aux;
}
public static double[] converte(int b) {
int c;
int rest[] = new int[NUM_NEURONIOS];
double aux[] = new double[NUM_NEURONIOS + 1];
int j = 0;
do {
c = b / 2;
rest[j] = b % 2;
j++;
b = c;
} while (c != 1);
rest[j] = c;
aux[0] = 1;
for (int k = j; k >= 0; k--) {
if (rest[k] == 0)
aux[NUM_NEURONIOS - k] = -1;
else
aux[NUM_NEURONIOS - k] = 1;
}
return aux;
}
public static double[][] inicia_pesos_w(int nneuron) {
double w[][] = new double[NUM_NEURONIOS + 1][nneuron];
for (int i = 0; i < NUM_NEURONIOS + 1; i++)
for (int j = 0; j < nneuron; j++)
w[i][j] = -0.5 + Math.random();
return w;
}
public static double somatorio(double entrada[], double pesos[]) {
double result = 0;
for (int i = 0; i < entrada.length; i++)
result += entrada[i] * pesos[i];
return result;
}
}