Você está na página 1de 23

Universidade Federal de São Carlos

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 ............................................................................................................................... 8
3.1. INDÚSTRIA 4.0 ..................................................................................................................................................... 8
3.2. OTIMIZAÇÃO ........................................................................................................................................................ 8
3.3. MANUTENÇÃO PREDITIVA....................................................................................................................................... 9
4. PROPOSTA .................................................................................................................................................... 9
4.1. VISÃO GERAL ....................................................................................................................................................... 9
4.2. OTIMIZAÇÃO ...................................................................................................................................................... 10
4.3. MANUTENÇÃO PREDITIVA .................................................................................................................................... 10
4.3.1. CONTROLE ESTATÍSTICO DE PROCESSO (CEP) ................................................................................................................... 11

5. DESENVOLVIMENTO ..................................................................................................................................... 12
5.1 DIAGRAMAS ....................................................................................................................................................... 12
5.2 IMPLEMENTAÇÃO................................................................................................................................................ 15
6. RESULTADOS E DISCUSSÃO ............................................................................................................................. 17
7. CONCLUSÃO ............................................................................................................................................... 18
8. PROJETOS FUTUROS ...................................................................................................................................... 19
REFERÊNCIAS...................................................................................................................................................... 20
APÊNDICES ........................................................................................................................................................ 21
A. DESCRIÇÃO DE CASO DE USO .................................................................................................................................... 21
B. DIAGRAMAS DE SEQUÊNCIA ...................................................................................................................................... 23

Projeto Robô Cartesiano 2


1. RESUMO
• O que é a Indústria 4.0?
• Sobre quais aspectos da Indústria 4.0 o sistema irá atuar?
• Objetivo
A Indústria 4.0, também comumente chamada de Fábrica Inteligente, é uma implementação no âmbito industrial
na qual sistemas ciber-físicos monitoram os processos físicos da fábrica e fazem com que as decisões e o controle dos
processos sejam descentralizados. Os sistemas comunicam-se numa interação entre dispositivos e humanos, em
tempo real e, na maioria das vezes, com uma conexão sem fio. Para uma fábrica ou sistema ser considerado Indústria
4.0, ele deve incluir: interoperabilidade (máquinas, dispositivos, sensores e pessoas se conectando e trocando
informações em tempo real sobre os processos da fábrica); transparência da informação (os sistemas criam uma cópia
virtual do mundo físico através de dados captados por sensores, de modo a contextualizar a informação); assistência
técnica (capacidade do sistema de dar suporte aos humanos na tomada de decisão e solução de problemas, e também
a habilidade de auxiliar os humanos com tarefas muito complexas ou até inseguras para humanos) e decisão
descentralizada (capacidade de sistemas ciber-físicos tomarem decisões simples sem auxílio humano, se tornando o
mais autônomo possível) (VUKSANOVIC, 2017).
Considerando os aspectos referentes ao projeto do Robô Cartesiano, a Indústria 4.0 agirá sobre duas óticas
principais: melhoria na sintonia do PID e manutenção preditiva. A melhoria do PID ocorrerá através de uma meta-
heurística de busca utilizando um algoritmo que medirá o valor percentual de erro e escolherá, dentro de uma tabela
de valores de PID, novos valores de constantes (KP, KI e KD) caso o valor de erro esteja fora da faixa definida como
aceitável. Desse modo, as taxas de erro são observadas e o PID tem a sua sintonia melhorada. A manutenção preditiva
atuará baseando-se na análise de dados recolhidos pela Indústria 4.0 por meio da comunicação com o sistema
supervisório. Seus principais objetivos são colher dados do sistema em tempo real e servir como suporte de
realimentação do sistema com os dados tratados da forma como o usuário responsável pelo sistema deseje. Nesse
sentido, os cenários para os quais serão recolhidos dados para serem observados na Indústria 4.0, através de uma
interface em um computador, são: falta de lubrificação no parafuso e desmagnetização do motor. Dessa forma, é
possível realizar o monitoramento das condições de qualidade das partes mais críticas, fazendo uma comunicação via
ModBus - um protocolo de comunicação - com o sistema supervisório, podendo corrigir possíveis problemas de forma
antecipada a uma falha maior, evitando assim que necessite de uma manutenção mais complexa e custosa do
equipamento.
Para ambas as aplicações da indústria 4.0 deste projeto (aprimoramento da sintonia do PID e manutenção
preditiva) também haverá uma medida gráfica, via gráficos estatísticos denominados CEP (Controle Estatístico do
Processo). Essa ferramenta, embora seja um primeiro passo de análise de dados dentro de uma indústria, é
extremamente importante para que os gerentes ou responsáveis pelo desempenho de controle (neste caso, sintonia
de PID) e também pela área de manutenção dos equipamentos dentro de uma indústria.

2. INTRODUÇÃO
• Surgimento e princípios da indústria 4.0
• Fundamentos de PID
• Aprimoramento da sintonia do PID no robô cartesiano
• Manutenção preditiva
• Objetivo do projeto
o Comparação do projeto com a indústria real
o Comparação do erro sem e com a adição da otimização
o Estimativa do tempo economizado com a predição de um erro futuro pelo gradiente no CEP

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

Projeto Robô Cartesiano 3


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
de vida (qualidade e funcionamento das peças) por meio de dados que possam mapear essas condições das máquinas;
e modularidade, que visa uma produção mais inteligente, sendo controlados a relação de necessidade vs capacidade
produtiva de cada módulo das etapas de produção. A figura 1 ilustra os conceitos da indústria 4.0 em formato
conceitual para melhorar visualização dos diversos conceitos.

Figura 1 – Conceitos da indústria 4.0 (Fonte: adaptada de (SISTEMAS, 2018))

Esses fundamentos da indústria 4.0 são uma aplicação no âmbito das fábricas, que só é possível pelo avanço
tecnológico e alguns conceitos recentemente surgidos, como Internet das Coisas (IoT), Big Data Analytics e Segurança
da Informação. O conceito de IoT consiste na conexão em rede de dispositivos físicos (máquinas e sensores) com
softwares de controle de dados por meio de sistemas eletrônicos embarcados. O Big Data Analytics consiste num
mapeamento de uma quantidade de dados que torna impossível para uma análise humana, então os dados capturados
dentro da indústria (estado das máquinas, controle de processos, análise de desempenho, quantidade de produtos
fabricados, quantidade de material aproveitado e desperdiçado, dentre muitos outros dados relevantes para a
produtividade da fábrica) são tratados através de softwares inteligentes, que se baseiam no conceito 6C (Connection,
Cloud, Cyber, Content, Community e Customization). A segurança, assim, se torna um dos fatores mais importantes
para a existência da Indústria 4.0, pois com esse grande volume de dados, as informações se tornam vulneráveis e são
necessárias aplicações que mantenham backups de dados e robustez da informação, isto é, todas as informações
utilizadas pela indústria 4.0 precisam ser confiáveis, de modo que não hajam falhas na transmissão de dados via rede,
que os dados sejam passados entre os dispositivos de forma integral e que não ocorram perdas nesse processo

Projeto Robô Cartesiano 4


(SCHMIDT, MÖHRING, et al., 2015). Além da integralização desses conceitos citados, a atuação da indústria 4.0
também abrange a computação na nuvem, que tem como princípio básico o armazenamento de dados
descentralizado hospedado em uma central (ou servidor) que poderá ser acessado, através do acesso à internet de
qualquer lugar do mundo; a realidade aumentada que é uma tecnologia que permite uma interação entre o mundo
real e o virtual através de computação gráfica e desenhos em 3D; e também robôs colaborativos que atuam
atendando a demandas de uma fábrica como transporte de cargas e materiais durante o processo de fabricação,
movimentação de peças e tendo todas suas atividades monitoradas (segurança de atuação, força, potência, velocidade
de precisão).
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
erro, maior será este termo. Para isso, realiza-se uma integração do erro no tempo. Digitalmente, isso equivale a somar
todos os valores da variável até o momento e multiplicar pelo intervalo de amostragem. Já o termo derivativo é
utilizado como uma forma de estimar erros futuros a partir das variações passadas, sendo assim, é proporcional à
mudança do erro nos últimos momentos medidos. O derivativo é mais usado quando a variável de controle, neste
caso a posição cartesiana, tem mudança lenta, sendo necessária uma resposta rápida a erros. Esses termos fazem
referência a valores de constantes, definidas no sistema PID, justamente KP (constante proporcional), KI (constante
integral) e KD (constante derivativa).
Existem diversos métodos para se fazer uma sintonia de PID (FRANCO, AMARAL, et al., 2010), dentre elas o Ziegler
Nichols e Expectation Maximization (EM). A primeira técnica trata de uma abordagem mais superficial do problema e
rápida de ser implementada. Ela resolve o problema de forma que, na maioria dos casos e aplicações, se torna
satisfatória pela velocidade de implementação e por trazer resultados de maneira mais eficaz do que não utilizar
técnica alguma. De outra forma, o algoritmo EM possui uma maior complexidade e tende a utilizar modelos mais
avançados com o objetivo de encontrar um máximo global, baseando-se na estatística (NG, 2018). Sendo assim, esta
forma de solução é aplicada em ambientes industriais que visam processos mais avançados e modelos com soluções
mais satisfatórias. No caso da indústria 4.0, deste projeto, este é um modelo que poderia ser considerado para
implementar o aprimoramento do PID, com o intuito de avançar na técnica utilizada de sintonia inicial do PID, que usa
o Ziegler Nichols. Contudo, para fins de aplicação do Robô Cartesiano, será construída uma função que interpreta a
taxa de erro ao longo do tempo, isto é, dado um setpoint (posição cartesiana a qual se quer chegar), quão distante o
valor alcançado está desse ponto. Para isso, a função precisará calcular a variação da posição atual, de modo a
perceber aproximação ou afastamento do setpoint. Inicialmente, será usada apenas uma função matemática e cálculos
de derivadas, posteriormente esses dados serão plotados em um gráfico para melhor exibição. No escopo deste
projeto, iremos desprezar a premissa de que o erro pode ser causado devido à baixa resolução do sensor, pois o intuito
é explorar os conceitos da indústria 4.0 no que tange um robô cartesiano.
A manutenção preditiva tem como objetivo acompanhar de forma periódica a utilização do equipamento, neste
caso, o projeto robô cartesiano. As vantagens do uso da manutenção preditiva incluem a antecipação da necessidade
de serviços de manutenção do equipamento, a eliminação da chance de desmontagem desnecessária, o aumento do
tempo de disponibilidade dos equipamentos, a redução das paradas de emergência, o aumento do aproveitamento
da vida útil dos equipamentos e da confiabilidade do desempenho e a determinação prévia de interrupções de
fabricação. Para este acompanhamento será feita a análise de dados recolhidos pela Indústria 4.0 por meio da
comunicação com o módulo eletrônico do robô cartesiano, o qual conterá os dados das constantes KP, KI e KD, carga
(em intervalos de 500 gramas) e erro.
Portanto, o objetivo deste projeto é realizar o monitoramento do comportamento de um sistema de controle,
denominado Robô Cartesiano, auxiliando-o com a predição de defeitos e ajustes de otimização de funcionamento
baseado em análise temporal em uma comunicação com dados de controle do sistema supervisório.
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 saúde. Especificamente em uma fábrica, esse tipo de maquinário é comum para

Projeto Robô Cartesiano 5


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 utilizada no dia-a-
dia normalmente pelas pessoas como o elevador, a figura 2 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.

Figura 2 – Fresadora operatriz (Fonte: (MOJIMAK, 2018) )

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 3
Contudo, os módulos do projeto podem ser adaptados para outros tipos de aplicação, e com o módulo da indústria
4.0 não é diferente. Além disso, é um dos módulos de mais fáceis transposição para diferentes aplicações de um robô
cartesiano. Isso é possível por conta da documentação construída até aqui e a implementação das funções que captam
os dados de posição cartesiana do robô, e tratam esses dados de modo a melhorar a calibração do PID e atuar com
manutenção preditiva. A figura 4 exibe uma visão lateral do equipamento, na qual também é possível observar os
equipamentos acoplados como motor e de eletrônica, como sensores, CIs, shields e um arduino.

Projeto Robô Cartesiano 6


Figura 3 – Foto frontal do robô cartesiano (Fonte: Elaborado pelos autores)

Figura 4 – Foto lateral do robô cartesiano (Fonte: Elaborado pelos autores)

Projeto Robô Cartesiano 7


3. FUNDAMENTOS TEÓRICOS
• Conceitos da indústria 4.0
• Técnicas de sintonia de PID e sua melhoria
• Manutenção preditiva
• Comunicação com a indústria 4.0

3.1. INDÚSTRIA 4.0


A indústria 4.0 é uma área que vem sendo explorada por diversos profissionais, dentre eles, os da Engenharia de
Computação. Esses estudos tornam possível a coleta e análise de dados de diversas máquinas para reduzir custos de
processos e aumentar a sua eficiência. Como a indústria 4.0 abrange desde realidade aumentada, passando por
manufatura aditiva e indo até robôs colaborativos, iremos nos concentrar em apenas alguns pontos que agregam
maior valor ao projeto no que diz respeito à melhoria de sua eficiência.
Em um escopo maior, de uma fábrica com diversas máquinas podemos pensar na coleta de dados destes diversos
equipamentos através dos mais diversos sensores, os quais serão transmitidos para uma arquitetura de cloud
computing na qual serão armazenados. Com a combinação destas informações é possível fazer análises mais
profundas, uma vez que se tem registros de diversas máquinas ao longo de um grande período de tempo. É possível
fazer predições mais assertivas, relatórios de falhas mais elaborados e manutenções mais focadas e de forma preditiva,
já que técnicas big data e analytics permitem este processo como um todo.
Além disso, seria possível melhorar a sintonia de máquinas com o seu uso e interconexão de informações.
Smartphones de uso comercial já possuem tal funcionalidade: ao sair da fábrica existe um mecanismo de
reconhecimento da biometria. Porém, com o uso no dia-a-dia o sistema se aperfeiçoa a cada vez que o usuário utilize
o reconhecimento biométrico. A extensão do raciocínio é análoga à indústria. Os equipamentos vêm pré-configurados
com algoritmos PID, por exemplo (JOZEF HERčKO, 2015). Contudo, ao operar o equipamento o desempenho pode ser
melhorado com os dados de cada utilização, sobretudo se combinados com as informações de múltiplas máquinas.
Este processo será explicado em maiores detalhes a seguir, nos cenários de otimização e manutenção preditiva.

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, não há garantia de que encontrarão a solução ótima,
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 resultados
otimizados num contexto global; ou até mesmo em valores aleatórios, pois não tendem a sacrificar ganhos menores
em detrimento de otimizações futuras.

Projeto Robô Cartesiano 8


3.3. MANUTENÇÃO PREDITIVA
Atualmente, a manutenção preditiva engloba ou o aumento da eficiência da produção ou o aumento da eficiência
da manutenção diretamente. O aumento da eficiência da produção pode ser descrito como a maximização do tempo
em que os equipamentos estão funcionando ou, simplesmente, predizer o número de itens que serão reprovados em
testes de inspeção de qualidade. Indo além, baseado no erro produzido é possível inferir qual o defeito que a máquina
tem. No tópico 4.3 e no seu sub-tópico 4.3.1 serão descritas estas abordagens no contexto do nosso problema.
É possível fazer estas estimativas baseado nas leituras mais recentes do dispositivo, combinando ou não com os dados
de outros equipamentos também, com o auxílio de algoritmos de predição. O objetivo é não só mostrar que há a falha,
mas também onde ela está e possivelmente os riscos envolvidos. Desta forma, cada equipamento pode receber o
reparo necessário antes que o problema interfira na linha de produção, sem impactar também no tempo de ociosidade
do mesmo.

4. PROPOSTA
• Visão Geral do funcionamento do sistema
• Como melhorar a sintonia de PID
• Como atuar na manutenção preditiva
• Monitoramento por Controle Estatístico de Processos (CEP)

4.1. VISÃO GERAL


A indústria 4.0 se comunica diretamente com o sistema supervisório, que por sua vez se comunica com o Robô
Cartesiano, como mostra a figura 5.

Figura 5 – 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

Projeto Robô Cartesiano 9


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, uma outra aplicação, essa mais robusta, utilizada na indústria é a lógica Fuzzy. Essa
técnica permite a avaliação dos dados considerando as incertezas 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. PROPOSTA DE MELHORIA DA OTIMIZAÇÃO DO PID


Dentro dos métodos de atuação da indústria 4.0 do sistema, a utilização da otimização de PID será importante
para implementar uma técnica de sintonia mais eficiente do que aquela implementada pela sintonia inicial do PID.
Para isso, 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
condicionais para determinar quando a escolha de cada conjunto de constantes é mais recomendado. Em um primeiro
momento será utilizado um método de heurística de otimização em forma de tabela ao invés de um algoritmo
genético. A tabela 1 mostra os valores das constantes KP, KI e KD obtidas em 5 simulações diferentes no SciLab para a
carga de 3kg, juntamente com o erro em relação ao setpoint. Caso o desempenho seja melhor com os novos valores,
deve-se melhorar a sintonia do PID. A motivação para o uso de conceitos de otimização da Indústria 4.0 é que a
sintonização das constantes exige um alto poder computacional, por isso serão colocados valores que sejam
satisfatórios para os parâmetros de desempenho e serão utilizados conceitos de indústria 4.0 para melhorá-los,
encontrando um ótimo global ao invés de ficar preso em um ótimo local. Para tanto, iremos analisar a linha de
tendência (gradiente) dos pontos e mudar o KI (e posteriormente KP e KD) para evitar que estoure o máximo e o mínimo
e fique entre os valores aceitáveis. Para melhorar a sintonia precisaremos de dados fabricados, contendo KP, KI e KD,
Carga (alta, média e baixa), Erro, Overshoot e Tempo de resposta.

Tabela 1 – Tabela com os valores de constantes KP, KI e KD simulados para cada carga no eixo robótico, junto ao erro
obtido
Carga (kg) KP KI KD Erro (%)
3 5,0 0,2 0,01 0,455
3 4,0 1,0 0,001 0,003
3 1,0 0,1 0,0 0,000
3 13,0 0,1 0,0 0,108
3 13,0 0 0,0 0,000
(Fonte: Elaborado pelos autores)

4.3. MANUTENÇÃO PREDITIVA


O segundo método de atuação da indústria 4.0, a partir dos dados recuperados através do supervisório será a
manutenção preditiva; ela será importante para analisar o comportamento do sistema, por gráficos, e prever possíveis
falhas de maneira preditiva, isto é, se basear nos dados para prever falhas de acordo com o comportamento do
funcionamento do sistema. Na manutenção preditiva, será feito o acompanhamento dos dados de uso (configurações
e desempenho) para antecipar problemas que possam causar gastos maiores. Por este motivo, é importante na
implementação do projeto que seja adicionado este conceito. Assim, caso o desempenho não esteja sendo bom em

Projeto Robô Cartesiano 10


nenhuma carga é possível que vá ocorrer uma falha. Para tanto é necessário que se verifiquem os resultados de
desempenho em 3 cenários:
• Em perfeito estado de funcionamento;
• Quando houver desintonização do PID;
• Quando houver a falta de manutenção.

Após o mapeamento destes cenários, é possível verificarmos se o PID não está com o desempenho planejado, 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.

4.3.1. CONTROLE ESTATÍSTICO DE PROCESSO (CEP)


O Controle Estatístico de Processo (CEP) é uma metodologia da indústria para medir e controlar a qualidade
durante um processo de manufatura. O objetivo é que as medições relativas ao processo, no nosso caso o
deslocamento do robô cartesiano, sejam feitas em tempo real durante a manufatura. Estes dados podem ser então
visualizados na forma de um gráfico com os limites mínimos e máximos de controle e especificação aceitáveis. Este
monitoramento em tempo real permite que o fluxo seja interrompido para que o problema seja corrigido e não afete
mais processos futuros.
Para obter tal controle é feita a suposição de que a variável a ser controlada segue uma distribuição normal. Assim,
deve ser controlada a sua média (µ) e desvio padrão (σ), os quais em um processo sobre controle, não terão variação
ao longo do tempo. Desta forma, no gráfico de controle, além das variáveis citadas anteriormente, teremos presentes
também o limite superior de controle (LSC) e o limite inferior de controle (LIC). A figura 6 ilustra como será a
visualização dos dados para o Controle Estatístico de Processo.

Figura 6 – Exemplo de visualização do CEP (Fonte: (INTERNATIONAL, 2018))

Projeto Robô Cartesiano 11


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 7 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 8 ilustra estes casos de uso em forma de diagrama de casos de uso.

Figura 8 – Diagrama de casos de uso (Fonte: Elaborado pelos autores)

Para cada caso de uso da figura 8 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.

Projeto Robô Cartesiano 12


Figura 7 – Diagrama de atividades (Fonte: Elaborado pelos autores)

Projeto Robô Cartesiano 13


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, conforme ilustrado no diagrama de sequência da figura 9. 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 os demais processos em forma de diagrama de sequência.

Figura 9 – Diagrama de sequência – Importar tabela (Fonte: Elaborado pelos autores)

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
10. Contudo, na prática, não existem classes na função, e sim um conjunto de funções e variáveis que funcionam em
um único fluxo dos dados.

Figura 10 – Diagrama de Classes Adaptado (Fonte: Elaborado pelos autores)

Projeto Robô Cartesiano 14


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 11 mostra um
exemplo de como os gráficos dessa biblioteca podem ser exibidos.

Figura 11 – Exemplo de visualização de gráficos da biblioteca PySPC (Fonte: (SILVA, 2017; VUKSANOVIC, 2017))

Projeto Robô Cartesiano 15


Como citado no item 5.1 deste relatório, o diagrama de atividades da figura 7 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).

O diagrama de atividades (página 13) documenta o fluxo de dados da função de aprimoramento do PID, de modo
que seja possível entender como o sistema da indústria 4.0 vai tratar as informações, assim que elas chegam do
sistema supervisório para otimizar seus valores e devolvê-las para a atuação do supervisório. Computacionalmente,
as funções construídas em python que representam as caixas desse diagrama, possuem as seguintes características e
parâmetros:

l carrega_conjunto_de_dados(dataset): abre o arquivo com os dados das simulações de funcionamento do eixo


robótico em formato de tabela, contendo para cada simulação, os campos constantes de PID (kP, kI e kD), carga
utilizada e erro. O arquivo carregado é retornado pela função, para que seja usado posteriormente.

l recebe_carga_utilizada(): o peso que se deseja realizar a simulação é atribuído pela chamada da função que
retorna um valor arredondado para baixo (usando a função floor() da biblioteca math).

l pega_ultima_iteracao(last_iterations_file, carga): escolhido o peso para executar, a função irá retornar a linha
da tabela com os dados da última iteração calculada, para que o erro dessa iteração possa ser comparado com o
erro da iteração que será calculada a seguir.

l determinar_pid_tabela(ultimo_erro, conjunto_constantes): irá escolher o PID a ser utilizado, fazendo com que a
calibração inicial (da equipe do módulo de controle) seja otimizada por essa função da indústria 4.0

A estratégia utilizada na função que recebe a carga utilizada de arredondar o valor lido é necessária para que caso
o usuário do programa da indústria 4.0 opte por “setar” (escolher/escrever) uma carga com um número diferente dos
disponíveis na tabela de dados, o programa aproxime para um número mais próximo, colocando para cima. Isso ocorre
por que a equipe do módulo de controle do projeto decidiu por criar um banco de PIDs começando em 0,5 kg e tendo
incrementos de 1kg até 4,5 kg. Por este motivo, necessitou-se fazer uma escolha de implementação para quando a
carga informada não fosse uma destas especificadas. Sendo assim, caso o usuário queira fazer uma simulação com,
por exemplo 3kg (que não estará disponível na tabela de dados), esse peso será aproximado para 3.5, e não para 2.5kg,
pois assim o eixo robótico atuará com uma segurança, no sentido de que quanto maior o valor da carga, mais crítico
para o sistema e, portanto, menos risco de se trabalhar com uma programação de uma carga menor, quando na
verdade é maior.

Por fim, caso tenha sido encontrado um PID que seja aceitável (do ponto de vista do usuário que estava utilizando
o programa), esse valor é salvo como último PID, para que posteriormente possa ser utilizado novamente, e o
programa se encerra.

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 12.

Projeto Robô Cartesiano 16


Figura 12 – 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
padrões considerados normais. Esses padrões normais podem ser medidos forçando erros, tais como citados
anteriormente: desmagnetização do motor e falta de lubrificação do parafuso. Com essas observações, através do
gráfico estatístico do tipo CEP, exibido na figura 12, um padrão de comportamento para determinadas falhas pode ser
traçado e, no futuro, essas falhas podem ser percebidas com antecedência, aplicando assim o conceito de manutenção
preditiva.

6. RESULTADOS E DISCUSSÃO
• Metodologia dos testes
• Análise de escalabilidade

Por se tratar de um programa de relativa fácil implementação e com uma documentação de código e de UML bem
estruturados, os testes possuem uma metodologia baseada no comparativo entre os resultados obtidos da sintonia
inicial do PID, realizada pela equipe de controle como sendo o baseline. A comparação seria feita analisando os
parâmetros de desempenho de controle, mais especificamente a análise do erro. Dessa forma, os dados de
desempenho do sistema que são capturados pelo supervisório e repassados para a indústria 4.0 contendo os PID’s
utilizados na sintonia inicial seriam comparados com os valores gerados pela estratégia de otimização da indústria 4.0.
Com esse comparativo, seriam gerados gráficos de análise da melhoria de desempenho, traçando as diferenças de
erro obtidos ao longo do tempo de cada um.
No caso da manutenção preditiva, os testes seriam constantemente utilizados de modo a manter o sistema
atualizado com dados precisos referentes aos principais causadores de falhas. Com isso, seriam forçadas falhas no
sistema, como desmagnetização do motor e falta de lubrificação no parafuso, para analisar como o robô cartesiano se

Projeto Robô Cartesiano 17


comporta quando essas falhas acontecem, de modo que quando elas ocorram de fato, isso possa ser percebido e haja
uma atuação da manutenção preditiva em cima dessas falhas. Portanto, testes como esses devem ser feitos
periodicamente para garantir que existe uma inteligência do sistema atualizado, que percebe essas falhas, pois com o
tempo, o comportamento previsto do sistema em cima desses problemas pode mudar ao passo que as peças vão
envelhecendo e também por não ter uma análise mais aprofundada sobre outros possíveis problemas em outras
peças.
Deve-se fazer a ressalva de que os experimentos feitos ao longo do projeto e os testes citados anteriormente não
levam em conta o volume dos dados processados. Um robô cartesiano faz diversas operações por segundo, sendo
gerado um novo dado a cada uma delas. Em um dia de execução, poderiam ser gerados centenas de milhares de novos
dados em apenas uma máquina. Ao se considerar que um dos princípios da indústria 4.0 é a conexão entre diversos
dispositivos, este número extrapola facilmente os milhões. Apesar de ser rápido de prototipar na linguagem Python,
faltam recursos de desempenho que permitam que o projeto se torna escalável. É necessária uma linguagem que
tenha a capacidade não só de processar este volume de dados, mas também de recebê-los de forma rápida e contínua.
Por este motivo, testes com maior volume de dados simulando o cenário real devem ser realizados para verificar a
viabilidade da arquitetura escolhida.

7. CONCLUSÃO
• Retomada do que é o projeto
• Resumo da análise de resultados
• Análise da demanda com a entrega
• Prova de conceito isolada
• Próximos passos e melhorias
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 eficientes, 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 outros possíveis cenários de falha, além da desmagnetização do motor e da falta de lubrificação do
parafuso. Outra possível melhoria dela é o acréscimo de outras análises diferentes do CEP, como por exemplo a técnica
TOFD (Time of Flight Diffraction), que permite a simplificação dos padrões tradicionais utilizados na detecção de
defeitos utilizando transdutores, permitindo a detecção de defeitos internos da máquina de forma mais rápida e eficaz.
Aliando técnicas estatísticas análises físicas dos materiais que compõem o equipamento e monitoramento via software
computacional, é possível construir um ambiente inteligente dentro de uma fábrica, com análise eficaz,
descentralizada e com redução de custos significativas.
Vale-se ressaltar que o escopo deste projeto foi o de uma prova de conceito isolada, ou seja, apesar de haver
diversos times trabalhando em partes diferentes de um mesmo projeto, não há uma integração total entre os módulos
para testar em sua completude quesitos como comunicação de dados e escalabilidade. A contribuição principal é o
estudo da viabilidade do uso de tecnologias da indústria 4.0 em um projeto de robô cartesiano, simulando cenários
de menor escala. Neste sentido, percebe-se um alinhamento entre o que foi proposto e o que foi entregue. Foram
utilizadas técnicas simples, mas que demonstram a eficácia da metodologia. O projeto não teve
superdimensionamentos em termos algorítmicos. Foi utilizado um método de heurística de otimização em forma

Projeto Robô Cartesiano 18


de tabela que traz resultados satisfatórios ao problema, sem que fossem necessários modelos complexos
que fazem o uso de meta-heurísticas como uma rede neural. Além disso, os trabalhos desenvolvidos ao longo
deste projeto servirão de base, principalmente documental, para que as turmas dos semestres seguintes
possam dar sequência na implementação das funcionalidades do robô cartesiano, com o intuito de provar
que é possível construir projetos de maneira sequencial e bem documentada dentro das disciplinas do
departamento.

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.

Projeto Robô Cartesiano 19


REFERÊNCIAS

FRANCO, J. et al. Sintonia De Controladores PID Utilizando Algoritmos Genéticos. Revista Online De Inteligência
Computacional Aplicada, 2010.

INTERNATIONAL, D. Statistical Process Control (SPC), 2018. Disponivel em: <http://www.datalyzer.com/statistical-


process-control>. Acesso em: 05 out. 2018.

JOZEF HERčKO, E. S. J. H. Industry 4.0 As A Factor Of Productivity Increase. TRANSCOM PROCEEDINGS 2015 , 2015.

MOJIMAK. Fresadora industrial - Mojimak, 2018. Disponivel em: <https://www.mojimak.com.br/fresadora-


industrial>. Acesso em: 20 nov. 2018.

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.

Projeto Robô Cartesiano 20


APÊNDICES

A. DESCRIÇÃO DE CASO DE USO

Nome: Solicitar otimização de erro

Ator Primário: Usuário

Pré-Condição: O sistema deve estar em funcionamento

Pós-Condição: Novos valores de constante de PID são retornadas

- 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.

Nome: Importar Tabela de constantes de PID

Ator Primário: Sistema

Pré-Condição: O sistema deve estar em funcionamento

Pós-Condição: Uma tabela de PID é importada ao programa

- 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.

Nome: Determinar PID da tabela

Ator Primário: Sistema

Pré-Condição: A tabela deve estar importada

Pós-Condição: PID mais adequado é retornado

Projeto Robô Cartesiano 21


- Curso Normal:
1. Sistema faz a leitura dos parâmetros de desempenho.
2. Sistema compara valor de peso e parâmetros de desempenho.
3. Sistema busca na tabela de dados um valor correspondente de PID.
4. Novos valores de constantes de PID são obtidos.
5. Encerrar caso de uso

- 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.

Nome: Buscar Último PID

Ator Primário: Sistema

Pré-Condição: O usuário deve ter requisitado um valor otimizado de PID.

Pós-Condição: Valor de PID dentro da faixa de erro definida é retornado.

- 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

Projeto Robô Cartesiano 22


B. DIAGRAMAS DE SEQUÊNCIA

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)

Figura 15 – Diagrama de sequência – Determinar PID (Fonte: Elaborado pelos autores)

Projeto Robô Cartesiano 23