Escolar Documentos
Profissional Documentos
Cultura Documentos
Departamento de Computação
2018
Relatório
Projeto Robô Cartesiano
Recortes da indústria 4.0: Melhoria de desempenho e manutenção preditiva
Grupo
Antonio Luciano Lopes Uliana - 628034
Luís Felipe Franco Candêo Tomazini - 595098
Disciplina
Sistemas de Integração e Automação Industrial
Professor
Orides Morandin Jr
Sumário
1. RESUMO ...................................................................................................................................................... 3
2. INTRODUÇÃO ................................................................................................................................................ 3
3. FUNDAMENTOS TEÓRICOS ............................................................................................................................... 5
3.1. INDÚSTRIA 4.0 ..................................................................................................................................................... 5
3.2. OTIMIZAÇÃO ........................................................................................................................................................ 6
3.3. MANUTENÇÃO PREDITIVA....................................................................................................................................... 6
4. PROPOSTA .................................................................................................................................................... 6
4.1. VISÃO GERAL ....................................................................................................................................................... 7
4.2. OTIMIZAÇÃO ........................................................................................................................................................ 7
4.3. MANUTENÇÃO PREDITIVA ...................................................................................................................................... 8
4.3.1. CONTROLE ESTATÍSTICO DE PROCESSO (CEP) ..................................................................................................................... 8
5. DESENVOLVIMENTO ....................................................................................................................................... 9
5.1 DIAGRAMAS ......................................................................................................................................................... 9
5.2 IMPLEMENTAÇÃO................................................................................................................................................ 12
6. RESULTADOS E DISCUSSÃO ............................................................................................................................. 15
7. CONCLUSÃO ............................................................................................................................................... 17
8. PROJETOS FUTUROS ...................................................................................................................................... 18
REFERÊNCIAS...................................................................................................................................................... 19
APÊNDICES ........................................................................................................................................................ 20
A. DESCRIÇÃO DE CASO DE USO .................................................................................................................................... 20
B. DIAGRAMAS DE SEQUÊNCIA ...................................................................................................................................... 22
2. INTRODUÇÃO
• Surgimento e princípios da indústria 4.0
• Fundamentos de PID
• Aprimoramento da sintonia do PID no robô cartesiano
• Manutenção preditiva
• O que foi proposto?
Embora a indústria 4.0 já tenha algumas de suas características aplicadas há algum tempo, a sua fundamentação
de conceito e nomeação foi feita pelo governo alemão como parte das estratégias governamentais voltadas à
tecnologia. Assim, o termo foi utilizado pela primeira vez em 2011, na Feira Hannover - a maior feira do mundo no
âmbito da tecnologia industrial - que ocorre todos os anos na Alemanha. Os sistemas de produção inteligentes nos
quais os princípios da Indústria 4.0 são sustentados se baseiam: na capacidade de operação em tempo real, de modo
que a aquisição, tratamento de dados e tomada de decisão possa ocorrer quase que instantaneamente nos processos
industriais; na virtualização, fazendo cópias virtuais da fábrica, permitindo a rastreabilidade e monitoramento remoto
dos processos por meio de sensores espalhados pela fábrica; pela descentralização, de modo que as ações possam ser
executadas por sistemas ciber-físicos e as próprias máquinas também possam emitir informações sobre seus estados
Para sistemas industriais que possuem uma primeira versão de controle sobre algum processo complexo, é comum
que precisem de uma sintonização inicial, independente de qual técnica utilizem. No caso do robô cartesiano não é
diferente, é necessário que seja feita uma sintonia do sistema de PID – Proporcional, Integral e Derivativo, para
controlar os parâmetros de desempenho: erro, tempo de resposta e overshoot. O termo proporcional serve para
minimizar o erro, trazendo a variável observada próxima ao setpoint, fazendo uma multiplicação do erro pelo ganho
proporcional. Valores elevados trazem instabilidade ao sistema, enquanto que valores muito baixos tornam o tempo
de resposta muito alto. O termo integral reage ao erro acumulado, ou seja, quanto maior o tempo de permanência do
3. FUNDAMENTOS TEÓRICOS
• Conceitos da indústria 4.0
• Técnicas de sintonia de PID e sua melhoria
• Manutenção preditiva
• Comunicação com a indústria 4.0
3.2. OTIMIZAÇÃO
A técnica de Ziegler Nichols não é um algoritmo de otimização propriamente dito, mas sim uma heurística. Seu
uso se deve não por ser o melhor método, mas pelo fato de ser de fácil implementação. Contudo, apresenta diversas
desvantagens, como a necessidade de um ajuste fino posterior e não ser possível sacrificar um parâmetro em
detrimento de outro. Outro ponto grave é que esta heurística fica presa em máximos locais, não conseguindo explorar
outros cenários de busca na tentativa de chegar em um máximo global. De modo geral, esse método é satisfatório no
momento em que se faz a sintonia do PID. Porém, com a utilização do equipamento, pode-se utilizar os dados das
execuções para melhorar a sintonia. Esta é a motivação para se incluir um módulo de indústria 4.0 no projeto,
utilizando uma técnica heurística ou meta heurística de otimização para sintonização do PID e não apenas para a
manutenção preditiva como ocorre geralmente.
Por outro lado, técnicas como a do algoritmo Expectation Maximization (EM) são métodos iterativos para
encontrar um valor de máxima posteriori, fazendo uma estimativa dos parâmetros em modelos estatísticos. O
processo pode ser dividido em duas etapas: a de expectation (E), na qual uma função é criada e sua função de
probabilidade é avaliada com os parâmetros atuais; e a de maximization (M), na qual é feita a maximização dos
parâmetros na função de probabilidade encontrada no passo anterior. Assim como o algoritmo de Ziegler Nichols, o
EM tem o problema de ficar preso em máximos locais. Existe a possibilidade de evitar tal problema com o princípio de
hill climbing, alternando a estimativa inicial de forma aleatória. Outra alternativa são algoritmos genéticos (AGs), os
quais utilizam uma população de possíveis soluções para um problema de otimização, a fim de encontrar soluções
melhores. AGs são utilizados em problemas do tipo NP, porém, podem ficar presos em máximos locais, isto é,
dependendo da heurística de busca podem chegar a resultados que sejam ótimos num determinado contexto (num
curto espaço de tempo, ou para uma quantidade de dados limitada) mas não sejam realmente um resultado otimizado
num contexto global; ou até mesmo em valores aleatórios, pois não tendem a sacrificar ganhos menores em
detrimento de otimizações futuras.
4. PROPOSTA
• Melhoria da sintonia por otimização em tabela
• Escopo da manutenção preditiva
• Monitoramento por Controle Estatístico de Processos (CEP)
Figura 2 – Diagrama de Componentes que influenciam e são influenciados pela indústria 4.0, direta ou indiretamente
(Fonte: Elaborado pelos autores).
O eixo robótico troca informações com o supervisório, através de uma comunicação que utiliza o protocolo
modbus, enviando e recebendo dados, dos quais os parâmetros de desempenho de controle (erro, tempo de resposta
e sobressinal) serão importantes para a avaliação da indústria 4.0. Esses dados são relacionados à posição cartesiana
que o eixo atinge em funcionamento, comparado à posição que ele deveria atingir. Dessa forma, é possível construir
uma arquitetura de software que seja capaz de avaliar esses parâmetros e otimizá-los, com o intuito de se obter
valores mais próximos ao objetivo pré-definido incialmente ao longo do tempo. Além disso, com um grande volume
de dados, também será possível realizar suposições com relação a possíveis falhas nas peças, baseados nos parâmetros
de desempenho analisados e testes em cima deles. Com isso, é possível realizar métodos que façam um
acompanhamento do robô e realizem uma manutenção preditiva, analisando os dados recolhidos pelo sistema
supervisório e repassados para a indústria 4.0, de modo que o supervisório possa optar por atuar, com base nessas
informações, diretamente no sistema. Para fins de aplicação, o sistema supervisório e a indústria 4.0 estarão instalados
no mesmo computador, mas funcionarão em sistemas independentes.
Contudo, o sistema da indústria 4.0 não atuará diretamente no sistema do robô cartesiano, mas permitirá uma
análise descentralizada, em tempo real, dos dados, buscando otimizar o funcionamento do eixo e até prever possíveis
falhas, como desmagnetização do motor e falta de lubrificação do parafuso. Essas falhas podem ser observadas com
maior clareza, forçando para que elas aconteçam e observando o comportamento do sistema com elas. Com isso, é
possível traçar um padrão e conseguir prever, no futuro, quando essas falhas se iniciarem e atuar de maneira
preventiva no sistema, impedindo que falhas maiores aconteçam. Desse modo, caso o sistema passe a se comportar
de maneira “estranha”, os valores dos parâmetros de desempenho do sistema poderão acusar, em tempo real e de
forma descentralizada, determinada falha específica, como por exemplo uma possível desmagnetização do motor.
Isso ocorre por que esses valores se assemelham aos valores observados pelos erros forçados. Sendo assim, esse
problema pode ser corrigido antes que o motor se desmagnetize totalmente e pare o funcionamento no meio das
operações e até perca sua funcionalidade, fazendo com que seja necessária uma manutenção corretiva e com um
custo muito mais elevado.
Além das técnicas citadas acima, uma outra aplicação, essa mais robusta, utilizada na indústria é a lógica Fuzzy.
Essa técnica permite a avaliação dos dados considerando as variâncias do meio em que está instalado. Dessa forma, é
uma técnica mais avançada, e que leva em consideração outros aspectos aqui não considerados. Contudo, para o viés
deste projeto, não é possível a execução, em tempo hábil, de técnicas tão avançadas como Fuzzy.
4.2. OTIMIZAÇÃO
Serão utilizados os dados passados pelo módulo eletrônico, no nosso projeto uma Raspberry Pi, para analisar seu
desempenho. A partir de dados tabelados da simulação das constantes KP, KI e KD, serão feitas análises em fluxos
Após o mapeamento destes cenários, é possível verificarmos se o PID não está com desempenho ideal, e
sobretudo, qual a forma que devemos tratar tal problema: resintonizar o PID, trocando as suas constantes KP, KI e KD;
ou dar a devida manutenção à máquina, como por exemplo em casos de deslubrificação do parafuso, falha de leitura
de velocidade angular ou desmagnetização do motor.
5. DESENVOLVIMENTO
• Explicação dos diagramas
• Uso de Python (próximo relatório)
• Uso da biblioteca gráfica Seaborn (próximo relatório)
• Uso da biblioteca estatística PySPC (próximo relatório)
5.1 DIAGRAMAS
Primeiramente, o sistema irá importar os dados tabelados das constantes KP, KI e KD que tiveram as suas simulações
feitas anteriormente. Em seguida, será obtido o valor da carga a ser movimentada pelo eixo robótico, lembrando que
neste projeto a tabela conterá apenas valores para 3kg, uma vez que esta é a mais comum. Será então escolhido o
último conjunto de constantes utilizada pelo PID, podendo ser o da sintonização inicial ou um da tabela previamente
importada. Será analisado se o erro está dentro da faixa permitida. Caso esteja, o sistema segue seu fluxo. Do
contrário, o algoritmo de otimização da indústria 4.0 irá apontar um novo conjunto de constantes a ser utilizado no
PID. Verifica-se se o usuário quer realizar uma nova iteração, ou seja, mover uma nova carga. Em caso afirmativo,
volta-se ao passo de obtenção da carga, repetindo-se o ciclo. Em caso negativo, encerra-se o fluxo. A figura 4 ilustra
este processo em forma de diagrama de atividades.
Existem dois atores que participam do fluxo de execução do módulo da indústria 4.0: o usuário e o sistema em si.
O usuário pode assumir múltiplas funcionalidades dentro da estrutura organizacional da empresa. Este pode ser tanto
um engenheiro interessado na melhoria da produção e dos processos, bem como o operador que coloca as cargas no
eixo robótico. Assim, como funcionalidades requeridas por ele pode-se mencionar a solicitação da otimização do erro
do deslocamento da carga e realizar uma nova iteração, ou seja, mover uma nova carga. O sistema terá como
funcionalidades requeridas a importação da tabela com as constantes a serem utilizadas no PID, a busca pelo último
conjunto de constantes do PID utilizada para a carga atual e a determinação de para qual conjunto de constantes deve-
se utilizar após última iteração. A figura 5 ilustra estes casos de uso em forma de diagrama de casos de uso.
Para cada caso de uso da figura 5 existe uma descrição de caso de uso específica, contando com: nome do caso de
uso, ator primário, pré-condição, pós-condição, curso normal e curso alternativo. Essa descrição, a qual está no
apêndice A, ajuda a entender qual é o fluxo das ações de cada caso de uso, qual o fluxo alternativo caso essa ação
não se comporte da maneira esperada (ou comum), o que é necessário de entrada, qual saída produz e também quais
atores do sistema estão envolvidos nessas ações.
Nas sequências dentro do sistema, primeiramente, deve-se importar a tabela com as constantes KP, KI e KD que
foram mapeadas na simulação. Será passado o caminho do arquivo no computador para o sistema, o qual retornará a
tabela e a confirmação de sucesso. No uso do sistema, este irá buscar o último conjunto de constantes utilizado para
a nova iteração. Este conjunto pode ser o da sintonização inicial ou um da tabela previamente importada. É feita a
solicitação do início do sistema. Em seguida, busca-se o último conjunto de constantes utilizado. Será verificado se o
parâmetro de desempenho do erro está dentro da faixa de valores esperado. Caso o usuário queira uma nova iteração
do sistema, recomeça-se o fluxo. Do contrário, este é finalizado. Por fim, com base no erro da última iteração,
escolhido um dos conjuntos de constantes KP, KI e KD da tabela previamente importante. Em seguida, estas constantes
serão utilizadas na próxima iteração. As figuras contidas no apêndice B ilustram este processo em forma de diagrama
de sequência.
Finalmente, as funções e variáveis do programa desenvolvido pela atuação da indústria 4.0 são referentes à ótica
de melhoria da sintonia do PID. Para representá-las, baseou-se no diagrama de classes da UML, como mostra a figura
6. Contudo, na prática, não existem classes na função, e sim um conjunto de funções e variáveis que funcionam em
um único fluxo dos dados.
5.2 IMPLEMENTAÇÃO
Assim como já discutido ao longo deste relatório, é de fundamental importância a utilização de gráficos para
exibição visual dos dados que são monitorados pela indústria 4.0. Com isso, é possível observar as mudanças nos
valores de erro, no caso analisado pela otimização de PID, e também controlar outras variáveis, no futuro, caso seja
de necessidade de avanços do projeto. Além disso, a manutenção preditiva - quando utilizada na indústria real - faz a
análise de dados, comumentemente, por meio de gráficos, como o gráfico CEP. Desse modo, para a implementação
desses gráficos, e também pela facilitação na programação das funções da indústria 4.0, optou-se por utilizar a
linguagem python. Essa linguagem possui uma fácil implementação por não necessitar de declarações, por ter uma
fácil comunicação com diferentes sistemas operacionais, facilidade em importação e exportação de arquivos, uma
ampla comunidade em fóruns de discussão e, principalmente, uma larga escala de bibliotecas disponíveis, dentre elas
a PySPC (Python Statistical Control). Por se tratar de uma biblioteca estatística, de geração de gráficos para leitura
humana, ela facilita a visualização dos dados tanto através de variáveis, como de atributos. A figura 7 mostra um
exemplo de como os gráficos dessa biblioteca podem ser exibidos.
Como citado no item 5.1 deste relatório, o diagrama de atividades da figura 4 representa o fluxo de dados da
melhoria de sintonização do PID. São realizadas algumas chamadas de funções que irão carregar o arquivo de dados,
que está armazenado em formato de tabela, juntamente com a última iteração calculada (caso seja a primeira iteração
calculada, é atribuído um valor default para as constantes de PID), para que o erro dessa iteração possa ser comparado
com o erro que vai ser gerado, de modo a analisar a variação entre os erros e determinar se o PID foi otimizado ou
não. Posteriormente, um novo PID é selecionado, caso ele tenha um valor de erro aceitável, isto é, abaixo de 10%. A
escolha do novo PID é realizada com base nos valores do dataset, da tabela 1 do item 4.2 deste relatório, que por sua
vez teve seus valores gerados a partir de 5 simulações realizadas no software SciLab. Nessas simulações, foi observado
que quanto o maior valor do erro - variável que está sendo observada para otimização do PID - menor deve ser a
discrepância entre os valores de KP, KI e KD; além disso, os valores das constantes devem ser próximos de uma faixa de
0 a 20 para o KP, 0.1 a 1.0 para o KI e 0.001 a 0.09 para o KD, de modo que os resultados obtidos do parâmetro de
controle (erro, tempo de resposta e overshoot) não sejam muito elevados e convirjam para um valor próximo ao
setpoint (posição de para do eixo robótico).
Além da implementação da função de aprimoramento do PID, também foi implementada uma função que exibe
os gráficos do tipo CEP, e que também poderá ser utilizado para observar o comportamento do sistema no que tange
a manutenção preditiva. Esse gráfico é exibido na figura 8.
Figura 8 – Exemplo de curva de tendência do controle estatístico de processos (Fonte: Elaborado pelos autores)
Para a implementação desse programa de geração gráfica, é necessária a utilização da biblioteca PySPC, com
vantagens descritas no tópico 5.1 deste relatório. Os dados armazenados no arquivo em formato de tabela, pelo
programa de otimização do PID são carregados, posteriormente esses dados são tratados para o formato correto de
manipulação da PySPC, de modo que as iterações fiquem no eixo x e os valores de erro no eixo y. Desse modo, é
possível observar as variações de erro ao longo das iterações, de modo que é possível fazer uma análise das variações
muito bruscas em relação aos erros anteriores e, dessa forma, prever possíveis falhas, causadas por variações fora dos
6. RESULTADOS E DISCUSSÃO
• Comparação do projeto com a indústria real
• Comparação do erro sem e com a adição da otimização
• Estimativa do tempo economizado com a predição de um erro futuro pelo gradiente no CEP
A aplicação que este projeto possui, numa escala industrial é extremamente ampla. Um braço robótico, que se
movimenta em um ou mais eixo(s) pode ser utilizando tanto dentro de fábricas, como soluções para problemas
urbanos e rurais e também na área da saúda. Especificamente em uma fábrica, esse tipo de maquinário é comum para
serviços que exigem esforços repetitivos, resistência, força e, em alguns casos, rapidez. Dentre as tarefas mais comuns,
estão: movimentação de cargas, elevadores, fundição, pintura, sondagem, inspeção de produtos, fresadora,
reconhecimento de imagens, entre outras aplicações de eixos robóticos. Além da aplicação direta e utilizada no dia-a-
dia normalmente pelas pessoas como o elevador, a figura 9 também mostra uma aplicação industrial de uma
fresadora, que se move em duas direções para executar a fabricação de peças de diversos materiais - no caso da
fresadora operatriz - como metálicos, plásticos e até madeiras; já algumas outras fresadoras são especializadas no
corte de um tipo específico de material. Esse tipo de máquina é frequentemente utilizado para criar peças detalhadas
por meio de equipamentos especializados e automatizados.
Desse modo, a inteligência por trás deste projeto que está sendo construída possui inúmeras aplicações, desde os
softwares que estão sendo implementados, passando pela parte mecânica e elétrica, juntamente com a eletrônica.
Fisicamente, a aparência atual dele está próxima a de um protótipo de elevador de cargas, como mostra a figura 10.
7. CONCLUSÃO
• Retomada do que é o projeto
• Resumo da análise de resultados
• Próximos passos e melhorias
• Para cada uma das perguntas abaixo referenciar uma tabela/gráfico/imagem que embase a resposta
o Leitura crítica da hipótese de o erro ser em decorrência da resolução do sensor
o Identificar quando utilizar e quando não utilizar este método
o O método proposto traz ganhos na redução do erro?
o O esforço computacional compensa o ganho de precisão?
No âmbito do desenvolvimento deste projeto, o módulo da indústria 4.0 pode trazer dois principais benefícios:
aprimorar a sintonia do PID que foi previamente ajustado pelo módulo de controle e atuar na manutenção preditiva,
com análise de gráficos estatísticos do tipo CEP para analisar o desempenho do sistema, em tempo real, de forma
descentralizada. Com um PID melhor calibrado, utilizando uma técnica mais avançada para cenários mais críticos, por
exemplo cargas mais pesadas ou cargas com uma frequência de utilização, que tem o objetivo de ter um sistema
funcionando de maneira melhor na maioria das vezes que é utilizado. Já a manutenção preditiva contribui para uma
análise de dados com o objetivo de prever possíveis falhas, baseada em padrões de comportamento; com isso, evita-
se que o desgaste mecânico se torne um problema de alto custo para a fábrica, visto que o operador de manutenção
possa prever as falhas e trocar as peças que estão causando o problema - baseado na análise dos gráficos - evitando
que seja necessária uma manutenção corretiva e bloqueando o processo de fabricação.
Na função de melhoria do PID, poderiam ser utilizadas outras técnicas mais robustas, como por exemplo algoritmos
genéticos e lógica fuzzy. Com isso, haveria a garantia de que a evolução em relação à sintonização inicial do PID
pudesse fornecer uma diferença significativa. Além disso, a manutenção preditiva pode ser melhorada analisando-se
8. PROJETOS FUTUROS
• Uso de modelo adaptativo fuzzy (AG)
• Simular desgaste para predizer cenários
• Comunicação entre múltiplos equipamentos
Na implementação atual, temos um banco de PIDs alternativos caso seja necessária a melhoria da sintonia do que
foi feito pelo grupo de controle. Neste sistema, foi feita a simulação para cada um dos conjuntos de constantes e sabe-
se em qual situação cada um deles será melhor: caso o overshoot seja muito alto, ou caso o erro tenha subido
abruptamente. Contudo, existem técnicas melhores como a utilização de um modelo adaptativo fuzzy. Neste cenário,
seriam feitas buscas por uma solução ótima para o problema. A cada iteração os pontos fortes de cada modelo seriam
incorporados, enquanto que os menos benéficos seriam descartados.
Com o objetivo de não apenas indicar que um erro está próximo de ocorrer, mas também indicar qual o problema
que acontecerá, pode-se ser implementado um algoritmo supervisionado para a classificação dos dados de acordo
com classes pré-determinadas. Ilustrativamente, poderiam ser criadas 4 classes de interesse, como por exemplo
desmagnetização do motor, falha de leitura de velocidade angular, falha de leitura da altura e desgaste mecânico. A
linha de tendência para cada um desses casos tende a ser diferente, com algumas subindo ou caindo mais rápido.
Desta maneira, baseado em aprendizados passados o sistema poderia inferir qual o problema que irá acontecer,
alertando a equipe para que a devida manutenção seja feita.
Como dito anteriormente, para que tal procedimento seja possível é necessário conhecimento passado dos dados
para que se possa fazer uma inferência. Quanto mais dados mais preciso será o resultado. Uma das maneiras de se
conseguir mais dados é conectando diversos equipamentos. Com a transmissão dos seus dados para um sistema
central, todos os equipamentos poderiam usufruir dos dados gerados pelos demais dentro de uma mesma indústria,
ou até mesmo de todos os equipamentos da fabricante a depender da política de privacidade dos dados. Com este
volume de informações melhores predições podem ser feitas, ao passo que novos desafios surgem, vide como
transmitir os dados (Bluetooth, ZigBee ou outra comunicação sem fio), qual a periodicidade do envio e recebimento
dos dados e também onde serão armazenados estes dados. Tais provocações remetem à figura 1, a qual deu origem
a este projeto e continua relevante nos trabalhos futuros, uma vez que todos os aspectos da indústria 4.0 devem ser
considerados novamente.
FRANCO, J. et al. Sintonia De Controladores PID Utilizando Algoritmos Genéticos. Revista Online De Inteligência
Computacional Aplicada, 2010.
JOZEF HERčKO, E. S. J. H. Industry 4.0 As A Factor Of Productivity Increase. TRANSCOM PROCEEDINGS 2015 , 2015.
NG, A. CS229 Lecture Notes, 2018. Disponivel em: <http://cs229.stanford.edu/notes/cs229-notes8.pdf>. Acesso em:
20 nov. 2018.
SCHMIDT, R. et al. Industry 4.0 - Potentials For Creating Smart Products: Empirical Research Results. Business
Information Systems, 2015.
SILVA, C. Q. Statistical Process Control Charts Library for Humans, 2017. Disponivel em:
<https://github.com/carlosqsilva/pyspc/blob/master/README.md>. Acesso em: 11 nov. 2018.
SISTEMAS, L. 10 pilares da indústria 4.0 - Conheça a importância de cada tecnologia, 2018. Disponivel em:
<http://www.lwtsistemas.com.br/10-pilares-da-industria-4-0>. Acesso em: 20 nov. 2018.
VUKSANOVIC, D. Industry 4.0: The Future Concepts And New Visions Of Facotry Of The Future Development.
International Scientific Conference On ICT And E-Business Related Research, 2017.
- Curso Normal:
1. Usuário escolhe a opção de solicitar novos valores de constante.
2. Sistema retorna PID mais otimizado.
3. Sistema busca na tabela de dados um valor correspondente de PID.
4. Novos valores de constantes de PID são obtidos.
5. Enquanto usuário desejar buscar por constantes de PID, voltar para curso normal 2.
6. Encerrar caso de uso
- Curso Alternativo:
1a) Usuário digita valor inválido na interface de decisão do programa.
- Mensagem de erro é exibida.
- Ir para etapa 1 do curso normal.
- Curso Normal:
1. Sistema busca pelo caminho onde a tabela está armazenada no computador.
2. É feita a leitura do arquivo.
3. Arquivo é importado para o programa.
4. Encerrar caso de uso.
- Curso Alternativo:
2a) Ocorre erro de leitura.
- Mensagem de erro é exibida.
- Ir para etapa 1 do curso normal.
- Curso Alternativo:
3a) Valor de erro do PID atual já é o mais otimizado para o caso.
- Valores de constantes de PID são mantidos para o caso.
- Ir para etapa 5 do curso normal.
- Curso Normal:
1. Sistema compara valor de erro atual com valores da tabela.
2. É feita a busca da faixa de valores de erro que correspondam a esse erro dentro da tabela.
3. Sistema busca na tabela de dados um valor correspondente de PID.
4. Valor encontrado é retornado.
5. Encerrar caso de uso
Figura 13 – Diagrama de sequência – Buscar último PID (Fonte: Elaborado pelos autores)
Figura 14 – Diagrama de sequência – Solicitar otimização de erro (Fonte: Elaborado pelos autores)