INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA

DO MARANHÃO
DEPARTAMENTO DE EXTENSÃO E RELAÇÕES INSTITUCIONAIS
IFMA- CAMPUS AÇAILÂNDIA

ANA KALYNNE MARINO DIAS

NATHIELLY DE SOUZA SOARES PEREIRA
RICHARD LUCAS FURTADO DE MENDONÇA

A INTELIGÊNCIA ARTIFICIAL NOS PROCESSOS

INDUSTRIAIS

AÇAILÂNDIA – MA
12/2015
 ANA KALYNNE MARINO DIAS
NATHIELLY DE SOUZA SOARES PEREIRA
RICHARD LUCAS FURTADO DE MENDONÇA

A INTELIGÊNCIA ARTIFICIAL NOS PROCESSOS INDUSTRIAIS

Parte manuscrita do Projeto de

Conclusão de Curso submetido ao
Instituto Federal de Educação, Ciência
e Tecnologia do Maranhão – Campus
Açailândia, como requisito parcial à
obtenção do Título de Técnico em
Automação Industrial.

Orientador: Prof. Esp. Guilherme Cruz

Destro

AÇAILÂNDIA – MA
12/2015
 ANA KALYNNE MARINO DIAS
NATHIELLY DE SOUZA SOARES PEREIRA
RICHARD LUCAS FURTADO DE MENDONÇA

A INTELIGÊNCIA ARTIFICIAL NOS PROCESSOS INDUSTRIAIS

Parte manuscrita do Projeto de Conclusão de Curso submetido ao Instituto Federal

de Educação, Ciência e Tecnologia do Maranhão – Campus Açailândia, como
requisito parcial à obtenção do Título de Técnico em Automação Industrial.

Aprovado em ___/___/_____.

COMISSÃO EXAMINADORA:

________________________________________________
Professor Esp. Guilherme Cruz Destro (Orientador)
Professor Esp. Guilherme Cruz Destro/IFMA – Campus Açailândia

________________________________________________
Professor Esp. Alesandro Marcio Sousa Alves (Examinador)
Professor Esp. Alesandro Marcio Sousa Alves/IFMA – Campus Açailândia

________________________________________________
Professor Esp. Ismael Silva de Melo (Examinador)
Professor Esp. Ismael Silva de Melo/IFMA – Campus Açailândia
Aos alunos e professores do Curso Técnico em Automação Industrial Integrado ao
Ensino Médio do IFMA.
Agradecemos primeiramente à Deus, às nossas famílias por todo apoio e incentivo,
às nossos professores que nos instruíram e orientaram, e ao Instituto Federal,
pela oportunidade de acesso à uma educação de qualidade.
“Uma inteligência que por um tempo
determinado saberia todas as forças pelo
qual a natureza é animada e a situação dos
respectivos seres que o compõem, se de
fato fosse grande o suficiente para submeter
esses dados para análise, e conseguir
abraçar na mesma fórmula os movimentos
dos maiores corpos do universo e os do
átomo mais leve: nada seria incerto para ela,
e para o futuro, como o passado, seria
presente em seus olhos.”

Pierre-Simon Laplace (1749-1827)

 RESUMO

Neste trabalho demonstramos as tecnologias que envolvem a inteligência artificial

aplicada à automação industrial desde o conhecimento histórico, origem e conceitos
que envolvem a inteligência artificial para que este possa se situar no cenário desta
área de estudo. Explorar os sistemas baseados em conhecimento, que é uma das
áreas de grande expressividade no estudo da inteligência artificial. Nele,
demonstramos as etapas para elaboração de um sistema especialista.
Demonstramos algumas aplicações de sistemas especialistas contribuindo com
soluções automatizadas em plantas industriais. Ao final, demonstramos uma solução
prática envolvendo inteligência artificial na siderurgia.

Palavras - chave: Inteligência Artificial; Sistemas Especialistas;

Processos Industriais;
 ABSTRACT

In this work we demonstrate the technologies involving artificial Intelligence applied

to industrial automation since historical knowledge, origin and concepts involving
artificial intelligence, so that it can be located in the scenary of this área of study.
Explore the knowledge-based systems, which is area of great expressiveness in the
study of artificial Intelligence. In it, we demonstrate the steps for the preparation of na
expert system. We demonstrate some applications of expert systems contribuing
automated solutions for industrial plants. Finally, we demonstrate a pratical solution
involving artificial Intelligence in the steel industry.

Keywords: Artificial Intelligence; Expert Systems; Industrial Processes;

 LISTA DE FIGURAS

Figura 1 - Célula de um Neurônio Biológico..........................................................................15

Figura 2 - Arquitetura de um Neurônio Artificial...................................................................16
Figura 3 - Rede Neural MLP (Perceptron)..............................................................................17
Figura 4 - Aprendizado Supervisionado.................................................................................18
Figura 5 - Aprendizado não supervisionado...........................................................................19
Figura 6 - Diagrama Simplificada de um SCADA.................................................................22
Figura 7 - Diagrama da Estrutura de um Sistema Supervisório..............................................23
Figura 8 - Diagrama Básico da Arquitetura de um Sistema Especialista...............................25
Figura 9 - Diagrama de uma plataforma petrolífera...............................................................32
Figura 10 - Processo de lingotamento contínuo......................................................................33
 LISTA DE ABREVIATURAS E SIGLAS

IHM Interface de Homem-Máquina

IA Inteligência Artificial
 LISTA DE SÍMBOLOS

Xm Entradas de rede
w k 1 w km Pesos
bk Termo bias
uk Combinação linear de sinais de entrada
φ (.) Função de ativação
yk Saída
 SUMÁRIO

1 INTRODUÇÃO................................................................................................................12
2 A INTELIGÊNCIA ARTIFICIAL....................................................................................13
2.1 O Surgimento da Inteligência Artificial............................................................................13
3 CONEXIONISMO............................................................................................................14
3.1 Definição...........................................................................................................................14
3.2 Redes Neurais...................................................................................................................15
3.2.1 A Estrutura de um Neurônio Artificial..........................................................................16
3.2.2 Topografia das Redes Neurais.......................................................................................17
3.2.3 Aprendizagem das Redes Neurais Artificiais................................................................18
4 COGNITIVISMO..............................................................................................................20
4.1 Definição...........................................................................................................................20
4.2 Sistemas Supervisórios.....................................................................................................22
4.2.2 Estrutura Física de um Sistema Supervisório................................................................22
5 SISTEMAS ESPECIALISTAS......................................................................................24
5.1 Definição...........................................................................................................................24
5.2 Desenvolvimento de um Sistema Especialista..................................................................24
5.3 Modelagem do Conhecimento..........................................................................................25
5.4 O Desenvolvimento dos sistemas especialistas................................................................27
5.5 As Respostas dos sistemas especialistas...........................................................................29
5.6 Classificação dos Sistemas Especialistas..........................................................................30
5.7 Exemplo de aplicação dos sistemas especialistas.............................................................32
6 INTELIGÊNCIA ARTIFICIAL APLICADA À SIDERURGIA....................................33
6.1 Processo de lingotamento do aço......................................................................................33
6.2 Aplicação da Inteligência Artificial..................................................................................34
6.3 Solução inteligente para siderurgia...................................................................................34
7 CONCLUSÃO..................................................................................................................35
REREFÊNCIAS...................................................................................................36
 12

1 INTRODUÇÃO

No presente trabalho, será apresentada a estrutura da inteligência artificial

enquanto os seus aspectos cognitivistas e conexionistas, mais concretamente sobre
a estrutura de funcionamento da inteligência artificial seja ela em redes neurais,
sistemas supervisórios e sistemas especialistas. Será apresentada também uma
ideia de solução possível para um dado problema no contexto da siderurgia.
Está organizado em sete capítulos. A partir do capítulo 2, será abordado
sobre as bases históricas da inteligência artificial desde seu surgimento. No capítulo
3, será abordado sobre o aspecto conexionista, onde se falará sobre as redes
neurais e sua estrutura. No capitulo 4, será apresentado o cognitivismo,
principalmente sobre os sistemas supervisórios e suas funcionalidades. No capítulo
5 serão abordados os sistemas especialistas e aspectos como sua funcionalidade,
estrutura e aplicações. No capítulo 6 será mostrado uma possível solução para um
problema na área da siderurgia, aplicando os conceitos já apresentados sobre
inteligência artificial. No capítulo 7, será apresentada a conclusão de todos os
assuntos já estudados e apresentados no trabalho.
A metodologia utilizada foi a pesquisa bibliográfica, enriquecida com
pesquisas virtuais e realizações práticas relacionados a inteligência artificial.
 13

2 A INTELIGÊNCIA ARTIFICIAL

2.1 O Surgimento da Inteligência Artificial

Nos processos industriais atuais, onde as empresas buscam maior qualidade

e velocidade de produção, a utilização de Sistemas Especialistas (Que são sistema
de Inteligência Artificial que visam simular o raciocínio de "experts" em certas áreas
do conhecimento específicas) é cada vez mais comum.
De meados da década de 40, logo após a guerra alguns fenômenos
comportamentais vêm provocando uma verdadeira revolução no mundo, que fizeram
inclusive com que aumentasse em quase um terço a população deste em menos de
10 anos. Com esse crescimento populacional a demanda por interesses até então
inusitados, provocou a evolução rápida de indústrias como a de informação.
Indústria de informação esta, que evolui grandemente com o advento dos
computadores, das telecomunicações e das redes de longa distância. Uma das
marcas deste processo evolutivo que vem ocorrendo desde 1945, é o interesse pelo
estudo da inteligência. Nunca este tema foi investigado com tamanha profundidade,
certamente pelo fato de que o homem tenha alcançado um estado muito próximo de
compreensão dos seus processos de inferência, ou seja, dos seus meios de
raciocínio.
A Inteligência Artificial (IA) nasceu oficialmente em 1956, durante uma
conferência de verão em Dartmouth College, nos Estados Unidos. Jonh McCarthy,
Marvin Minsky, Nathaniel Rochester e Claude Shannon realizaram um estudo sobre
o tópico Inteligência Artificial, que a partir de então ficou conhecida, gerando
inclusive polêmicas. O primeiro grande desafio era conceituar então o novo campo
de estudo, pois, para se definir inteligência artificial era necessário antes entender-
se por definição o que era a inteligência humana. Desta forma surgiram alguns
conceitos para a Inteligência Artificial, como:
“A arte de criar máquinas que executam funções e exigem inteligência quando
executadas por pessoas”. (Kurzweil, 1990).
“O estudo das computações que tornam possível perceber, raciocinar e agir.”
(Winston, 1992).
 14

3 CONEXIONISMO

3.1 Definição

A linha conexionista tem como objetivo a modelagem da inteligência humana

por meio da mimetização matemática dos componentes do cérebro, isto é, de seus
neurônios, e de suas conexões, daí o nome conexionista. Esta proposta foi
formalizada inicialmente em 1943, quando o neuropsicólogo McCulloch e o lógico
Pitts propuseram um primeiro modelo matemático para um neurônio. Atuações do
conexionismo através das redes neurais:
Na Bioinformática com a identificação de estruturas contidas em moléculas de
DNA, RNA e Proteínas, com o objetivo de auxiliar a compreensão de suas funções.
A Farmacologia, Medicina, Indústrias Alimentícias e a própria Biologia
Molecular fazem uso de um grande volume de dados, provenientes de
sequenciamentos de DNA e Proteínas através de ferramentas de Bioinformática que
buscam extrair tais informações específicas para este uso. No entanto, existe uma
fragilidade nos métodos computacionais que atualmente são usados, em face deste
cenário se faz necessário o uso de novas aplicações.
Em função desta demanda tecnológica a tendência aponta para a
necessidade do uso de abordagem via Aprendizado de Máquina que possui
métodos eficazes para o processamento de grandes volumes de dados complexos e
variados. Uma proposta de solução são as Redes Neurais, por suas características
de aprenderem através de exemplos, não sendo necessária uma descrição completa
do problema, e ultrapassando as dificuldades com o conhecimento incompleto das
estruturas biológicas investigadas.
No controle de processos industriais: A qualidade dos produtos, a
produtividade e lucratividade dos processos e a questão ambiental, tem forçado as
indústrias a inovarem seus processos. Focados neste objetivo, os técnicos têm
concentrado esforços no Controle de Processos como soluções para sistemas não
lineares. Sistemas que envolvem controles complexos, baseados em Redes Neurais
Artificiais (RNA), por serem eficazes na modelagem de relações não lineares, podem
ser indicados como soluções para estes casos.
 15

3.2 Redes Neurais

Uma rede neural artificial (RNA) é um sistema de processamento de

informação que possui algumas características de desempenho em comum com as
redes neurais biológicas, que são os modelos para os neurônios artificiais. A Figura
1.1 apresenta um modelo de um neurônio biológico com a sequência de propagação
dos sinais pela célula. A natureza das RNA's faz com que seu estudo seja
multidisciplinar, envolvendo pesquisadores de diversas áreas, como neurofisiologia,
psicologia, física, computação e engenharia.

Figura 1 - Célula de um Neurônio Biológico

Fonte: SOARES, Pablo L. B.; DA SILVA, J. P., 2010, p. 9.

As características de resposta a estímulos apresentada por neurônios

individuais, bem como redes de neurônios, são alvo de estudo dos
neurofisiologistas, enquanto os psicólogos estudam funções do cérebro no nível
cognitivo e estão interessados na utilização de técnicas baseadas em redes neurais
para criar modelos detalhados do comportamento humano.
Cientistas da área de computação têm em vista a construção de
computadores dotados de processamento paralelo, buscando superar as limitações
impostas pelos computadores atuais, que realizam processamento serial em nível
simbólico. Inspirados na habilidade apresentada pelos seres humanos e outros
animais no desempenho de funções como o processamento de informações
sensoriais e a capacidade de interação com ambientes pouco definidos, os
 16

engenheiros estão preocupados em desenvolver sistemas artificiais capazes de

desempenhar tarefas semelhantes.
Habilidades como capacidade de processamento de informações incompletas
ou imprecisas e generalização são as principais características em tais sistemas.

3.2.1 A Estrutura de um Neurônio Artificial

O primeiro modelo artificial de um neurônio biológico data de 1943, resultado

do trabalho do neuroanatomista e psiquiatra Warren McCulloch e do matemático
Walter Pitts. Entretanto, mereceram ênfase naquilo que possibilite o conhecimento
básico de seus fundamentos, bem como a descrição dos paradigmas de
aprendizagem, evidenciando-se o modelo Perceptron Múltiplas Camadas (Multi
Layer Perceptron - MLP).
A topologia dos neurônios artificiais é totalmente diferente de qualquer outro
tipo de arquitetura de processadores:

Figura 2 - Arquitetura de um Neurônio Artificial

Fonte: SOARES, Pablo L. B.; DA SILVA, J. P., 2010, p. 60.

Nele Xm são as entradas da rede, w k 1 são os pesos, ou pesos sinápticos,

associados a cada entrada, b k é o termo bias, uk é a combinação linear dos sinais de
entrada, φ ( . ) é a função de ativação e y k é a saída do neurônio.
É através dos pesos que o neurônio tem a capacidade de aprender. Os pesos
é que são os parâmetros ajustáveis que mudam e se adaptam à medida que o
conjunto de treinamento é apresentado à rede. Assim, o processo de aprendizado
supervisionado em um neurônio artificial com pesos, resulta em sucessivos ajustes
 17

dos pesos sinápticos, de maneira que a saída da rede seja a mais próxima possível
da resposta desejada. Tipicamente, a amplitude da saída do neurônio está no
intervalo [0, 1] ou alternativamente [−1, 1].
O modelo neural também inclui um termo chamado de “bias”, aplicado
externamente, simbolizado por b k. O b k tem o efeito do acréscimo ou decréscimo da
função de ativação na entrada da rede (Ou seja, o valor da entrada já processado
nos pesos sinápticos), dependendo se é positiva ou negativa, respectivamente.
O Bias serve para aumentar os graus de liberdade, permitindo uma melhor
adaptação da rede neural aos conhecimentos recebidos.

3.2.2 Topologia das Redes Neurais

Para que uma rede neural atinja o objetivo de realizar processamentos

paralelos, é construída uma “malha” de neurônios, que formam a rede neural.
As redes neurais são organizadas de maneira que, em seu inicio, se
encontrem os neurônios que irão trabalhar os sinais de entrada, logo após uma
camada de neurônios que irá processar os dados, seguido de uma camada de
neurônios que enviará a saída:

Figura 3 - Rede Neural MLP (Perceptron)

Fonte: SOARES, Pablo L. B.; DA SILVA, J. P., 2010, p. 9.

Quanto mais camadas de neurônios, melhor seria o desempenho da rede neural,

pois aumenta a capacidade de aprendizado, melhorando a precisão com que realiza
operações e toma decisões. Mas, na prática, aumentar o número de camadas
intermediárias às vezes se torna inviável devido ao trabalho computacional, pois um
 18

número excessivo de neurônios artificiais se tornaria muito lento para

processamento.
Pesquisadores como Pitts afirmam que com apenas uma camada
intermediária na rede neural já é possível calcular uma função arbitrária qualquer a
partir de dados fornecidos. De acordo com esses autores, a camada oculta (ou
camada intermediaria) deve ter por volta de (2i+1) neurônios, onde i é o número de
variáveis de entrada. Outros, afirmam que uma camada intermediária é suficiente
para aproximar qualquer função contínua e que duas camadas intermediárias
aproximam qualquer função matemática. Havendo uma segunda camada
intermediária na rede neural, esta deve ter o dobro de neurônios da camada de
saída; no caso de apenas uma camada oculta, deverá ter s(i+1) neurônios, onde s é
o número de neurônios de saída e i, o número de neurônios na entrada.

3.2.3 Aprendizagem das Redes Neurais Artificiais

A propriedade que é de importância primordial para uma rede neural é a sua

habilidade de aprender a partir de seu ambiente e de melhorar o seu desempenho
através da aprendizagem. Uma rede neural aprende acerca do seu ambiente através
de um processo interativo de ajustes aplicados a seus pesos sinápticos e níveis de
bias.
Existem dois meios de aprendizagem das RNA’s. O primeiro modelo é o
Aprendizado Supervisionado:
 19

Figura 4 - Aprendizado Supervisionado

Fonte: SOARES, Pablo L. B.; DA SILVA, J. P., 2010, p. 61.

Nesse modelo, um professor (que já tem conhecimento prévio) opera sobre as
variáveis do ambiente de modo a emitir as saídas exatas necessárias para a
situação. Enquanto que o neurônio, sem nenhum conhecimento prévio, tenta operar
com as variáveis enviando sinais de saída incorretos, que irão para um comparador,
onde serão comparados com a saída do professor. O erro então é calculado e a
partir disto, os pesos sinápticos das redes são organizados.
Outro modelo é o do aprendizado não-supervisionado ou auto-organizado,
onde a rede deve estar em contato direto com o ambiente e não há um professor.
Em vez disso, são dadas condições para realizar uma medida
independentemente da tarefa da qualidade da representação que a rede deve
aprender, e os parâmetros livres da rede são otimizados em relação a esta medida:
 20
Figura 5 - Aprendizado não supervisionado

Fonte: SOARES, Pablo L. B.; DA SILVA, J. P., 2010, p. 62.

 21

4 COGNITIVISMO

4.1 Definição

A linha cognitivista ou simbólica orienta-se pela lógica do comportamento e

suas relações. Nesta linha, expressiva contribuição foi dada por McCarthy e Newell
considerados seus principais pesquisadores. No cognitivismo, os sistemas
especialistas ou expert system, a partir da década de 1970, demonstraram ser
possíveis e eficazes a manipulação simbólica de um grande número de fatos
especializados sobre um domínio restrito, assim como os sistemas supervisórios que
integram máquinas de um sistema e o ser humano.
O cognitivismo atua nos processos industriais com os sistemas supevisórios e
também com sistemas especialistas.
Nos sistemas supervisórios industriais: Nos parques industriais estão cada
vez mais presentes os conhecidos “Sistemas Supervisórios”. Os Sistemas
Supervisórios em um ambiente de automação viabilizam: integração dos diversos
equipamentos e dispositivos controladores de processos, monitoração de variáveis
comandos remotos, passagens de parâmetros e “set points”, visualização gráfica da
planta industrial, monitoração de alarme etc.
Este sistemas são implementados computacionalmente e possuem uma
interface homem máquina (IHM) para permitir a alimentação dos parâmetros
necessários, além de produzir relatórios e a apresentação gráfica dos processos.
A característica primordial dos sistemas supervisórios é a necessidade dos
conhecimentos fornecidos pelos seus operadores, como, por exemplo, receitas,
dosagens e parâmetros de correção.
Nos diagnósticos de falhas através dos sistemas especialistas: Os aspectos
sensíveis dos processos industriais e as relações complexas entre seus parâmetros
tornam extremamente difícil à identificação de problemas e a indicação de solução
destes para as empresas.
Sistemas baseados em conhecimentos com suporte da lógica difusa propõem
um modelo de desenvolvimento de solução, onde decisões são construídas de
acordo com informações fornecidas pelos usuários e parâmetros antes fornecidos
pelos operadores.
 22

Os avanços tecnológicos são uma realidade em constante processo de

evolução. Temas como robótica, biotecnologia e nanotecnologia lideram as
publicações em congressos e outros eventos. Neste universo de tecnologias
inteligentes, acertar no processo decisório em relação ao futuro é um grande
desafio.
As tecnologias inteligentes manifestam-se em invenções que se caracterizam
em formas complexas de inteligência artificial. A inteligência artificial ocupa os
espaços através da interação dos artefatos com o meio, até demonstrações de
consciência, cognição, auto-reprodução ou auto-correção. O que temos hoje como
robôs e máquinas automatizadas são primitivos diante de uma nova geração destes
que breve deixará os laboratórios da Sony, da Honda, etc.
Estas novas máquinas sentem o ambiente, tomam decisões complexas e até
aprender formas de aperfeiçoar sua própria qualidade e produtividade. Eles
otimizarão a execução de tarefas arriscadas e dependentes de sensores, tais como:
trabalhar em ambientes com gases tóxicos, desarmar bombas, espionar inimigos,
etc.
A inteligência artificial em seus campos conexionistas e cognitivistas vai
continuar revolucionando os computadores, melhorando os processos para busca de
dados, expandindo a tecnologia para a criação de cenários de realidade virtual,
aperfeiçoando os processos de visão mecânica e também de reconhecimento da
voz humana.
A contribuição para a saúde através de novas descobertas dos caminhos
bioquímicos dos agentes causadores das doenças e do envelhecimento, dos
medicamentos inteligentes, das drogas nanotecnológicas inteligentes, desenvolvidas
para atingir alvos específicos e curar doenças a nível molecular.
Segundo a opinião do futurólogo norte-americano Ray Kurzweil, autor do livro
“A Singularidade está próxima”, um dia o pensamento humano poderá ser copiado e
recriado em máquinas. Assim, poderemos nos transformar numa espécie de mistura
entre humanos e máquinas inteligentes.
Assim, a diminuição nos custos de processamento de dados tem feito com
que muitos pesquisadores procurem desenvolver sistemas de computação para
resolver problemas complicados ou executar tarefas que antes só eram
 23

desenvolvidas por humanos. O objetivo da Engenharia do Conhecimento é a

construção dos chamados sistemas de computação baseados no conhecimento.

4.2 Sistemas Supervisórios

Um sistema supervisório é definido como uma interface de fácil leitura, com o

objetivo de converter dados do processo de produção em gráficos ou em “telas
amigáveis”, de modo a facilitar a percepção e a atuação do operador sobre o
processo. De um modo geral é um sistema computacional que obtém os dados do
processo e os transforma em dados gráficos, mostrando-os em um monitor.
Este monitor é chamado de IHM (Interface Homem-Máquina), e atua de modo
inteligente, ou seja, o sistema supervisório lê os dados do processo, logo em
seguida atua em tal processo de modo a corrigir possíveis alterações no mesmo,
além de permitir que um operador também mude os parâmetros e setpoints. Esse
modelo de supervisório inteligente é denominado SCADA (Supervisory Control And
Data Aquisition) e é um dos mais utilizados na Indústria.

Figura 6 - Diagrama Simplificada de um SCADA

Fonte: CASILLO, Danielle, 2010, p.11.

4.2.2 Estrutura Física de um Sistema Supervisório

Os componentes físicos de um sistema de supervisão podem ser resumidos, de

forma simplificada, em: sensores e atuadores, rede de comunicação, estações
remotas (aquisição/controle) e de monitoração central (sistema computacional
SCADA).
 24

Os sensores são dispositivos conectados aos equipamentos controlados e

monitorados pelos sistemas SCADA, que convertem variáveis físicas como
velocidade, nível de água e temperatura, para sinais analógicos ou digitais. Os
atuadores são utilizados para atuar sobre o sistema, ligando e desligando
determinados equipamentos.
O processo de controle e aquisição de dados se inicia nas estações remotas,
CLPs (Controladores Lógicos Programáveis) e RTUs (Remote Terminal Units), com
a leitura dos valores atuais dos dispositivos conectados em suas entradas. Os CLPs
e RTUs são unidades computacionais específicas, utilizadas na indústria para ler
entradas, realizar cálculos ou controles, e atualizar saídas. A diferença entre os
CLPs e as RTUs é que os primeiros possuem mais flexibilidade na linguagem de
programação e controle de entradas e saídas, enquanto as RTUs possuem uma
arquitetura mais distribuída entre seus componentes de memoria, entrada e saída,
por tanto tem maior precisão.
A rede de comunicação é a plataforma por onde as informações fluem dos
CLPs/RTUs para o sistema supervisório e pode ser implementada através de cabos
Ethernet, fibras ópticas, linhas dial-up, linhas dedicadas, rádio modems, etc.
As estações de monitoração central são as unidades principais dos sistemas
SCADA, sendo responsáveis por recolher a informação gerada pelas estações
remotas e atuar em conformidade com os eventos detectados, podendo ser
centralizadas num único computador ou distribuídas por uma rede de computadores,
de modo a permitir o compartilhamento das informações coletadas.
 25
Figura 7 - Diagrama da Estrutura de um Sistema Supervisório

Fonte: CASILLO, Danielle, 2010, p.16.

5 SISTEMAS ESPECIALISTAS

5.1 Definição

São programas de computador desenvolvido por pesquisadores de inteligência

artificial durante os anos 1970 e aplicado comercialmente durante os anos 1980.
São programas constituídos por uma série de regras (às vezes também heurísticas)
que analisam informações (normalmente fornecidas pelo usuário do sistema) sobre
uma classe específica de problema (ou domínio de problema). Em síntese, são
Sistemas desenvolvidos a partir do conhecimento de um especialista humano, com o
objetivo de apresentar o mesmo desempenho desse especialista na solução de
problemas em um domínio específico.
Além do que, mais que solucionar certas necessidades específicas da
indústria, tais sistemas tem como objetivo preservar o acervo de conhecimento dos
especialistas humanos nas mais diversas áreas do conhecimento.

5.2 Desenvolvimento de um Sistema Especialista

Pode-se dividir a tarefa de desenvolvimento nas cinco fases:

• Definição do problema - envolve a compreensão do problema, identificação
de suas características, determinação dos objetivos do processo de solução do
problema e definição da metodologia a ser usada.
 26

• Aquisição de conhecimento - aquisição de conhecimento, representação e

coordenação, onde encontra-se o projeto do motor de inferência, seleção de
ferramentas de programação e coordenação do conhecimento.
• Motor de inferência - mecanismo de inferência, que representa a forma de
manipular o conhecimento, ou seja, determina a ordem que serão processadas as
informações, manipulando os dados a fim de inferir novos fatos, chegar a
conclusões ou recomendar ações.
• Implementação - onde é feito a formulação das regras que englobam o
conhecimento.
• Aprendizagem - que pode se dar por dicionário, tomada de recomendação,
indução, por analogia e aprendizagem baseada em regras.
Dois são os personagens principais envolvidos no processo de
desenvolvimento de um SE: o engenheiro de conhecimento e os especialistas. É
claro que em um ambiente industrial, inúmeras pessoas contribuem com a produção
de um artefato como este, embora os protagonistas sejam estes dois atores.

Figura 8 - Diagrama Básico da Arquitetura de um Sistema Especialista

5.3 Modelagem do Conhecimento

Modelagem do Conhecimento é: “Processo complexo e longo de extração do

conhecimento (experiência) de um especialista humano em determinado domínio”.
 27

Sistemas Especialistas são softwares caracterizados por simularem o

raciocínio de um especialista em seu âmbito (domínio) do conhecimento, portanto,
se faz necessário a descrição dos conhecimentos de um especialista, descrição esta
feita por meio da modelagem do conhecimento.
Descrever os conhecimentos de uma pessoa acerca de um domínio da
realidade é uma tarefa de grande complexidade, por isso recomenda-se que se
estabeleça de maneira definida o perímetro deste domínio a ser explorado, ou seja,
deve-se ter muito claro em quais áreas o sistema irá atuar.
A elaboração de um modelo de conhecimento passa por um processo que
envolve “extrair” o conhecimento do especialista e utilizá-lo como base para o
sistema, que baseado em formalismos previamente definidos, poderá simular o
raciocínio do especialista. O ser humano elabora as informações do seu cotidiano a
partir de modelos que, pela complexidade, são difíceis de serem compreendidos e
formalizados.
Para tomar uma decisão sobre um determinado assunto, um especialista o
faz a partir de fatos que encontra e de hipóteses que formula, buscando em sua
memória um conhecimento prévio armazenado durante anos, no período de sua
formação e durante sua vida profissional, sobre esses fatos e hipóteses.
E o faz de acordo com a sua experiência, ou seja, com o seu conhecimento
acumulado sobre o assunto e então emite a decisão. Durante o processo de
raciocínio, vai verificando qual a importância dos fatos que encontra comparando-os
com as informações do conhecimento acumulado sobre esses fatos e hipóteses.
Neste processo, vai formulando novas hipóteses e verificando novos fatos, e
esses novos fatos vão influenciar no processo de raciocínio. Este raciocínio é
sempre baseado no conhecimento prévio acumulado. Um especialista com esse
processo de raciocínio pode não chegar a uma decisão se os fatos e informações
disponíveis não forem suficientes para aplicar o seu conhecimento prévio. Pode, por
esse motivo, inclusive chegar a uma conclusão errada, mas este erro é justificado
em função dos fatos que encontrou e do seu conhecimento acumulado previamente.
Um sistema especialista deve, além de inferir conclusões, ter capacidade de
aprender novos conhecimentos e, desse modo, melhorar o seu desempenho de
raciocínio, e a qualidade de suas decisões.
 28

Desde meados de 1960 muito progresso foi feito visando dois critérios:
melhorar a qualidade da inferência sobre o conhecimento modelado, e melhorar os
métodos de modelagem do conhecimento, no sentido de torná-los mais fáceis, mais
intuitivas, mais simples.
Os sistemas especialistas derivam seu poder de muito conhecimento
específico do domínio, e por isso, a modelagem do conhecimento é uma parte muito
importante no seu desenvolvimento. O formalismo mais simples usado para modelar
o conhecimento é o de regras de produção.
As regras de produção são uma maneira de descrever como os seres
humanos processam a informação cognitiva ou simbólica. Sendo divididos em duas
partes:
1. As regras de produção ou proposições “se-então”
2. Memoria de trabalho

Exemplo:
 Uma pessoa acorda e olha no calendário e vê que é dia 15 de maio.
 “15 de maio” vai para a memoria de trabalho e ativa um novo raciocínio
 “Se é 15 de maio, então é o aniversario da esposa” novo fato vai para a
memoria de trabalho:
 “Hoje é o aniversario de Susana”
 “Se é aniversario de alguém, então é preciso comprar um presente”.
Então “presente” é colocado na memoria de trabalho e o ciclo continua.

Ele foi utilizado por sistemas especialistas de muito êxito da década de 1970,
como por exemplo, o MYCIN, um programa que faz o diagnóstico de doenças
infecciosas.
Como vemos, um sistema especialista precisa ser capaz de processar dados
números e simbólicos, então é necessário que o programador do sistema seja capaz
de representar ambos os dados de maneira que estes possam ser processados por
uma máquina. Os dados numéricos podem ser facilmente representados através de
funções e equações, já os dados simbólicos são representados através de “regras”
do tipo Se-Então, onde após ser satisfeita uma condição, é realizada uma ação.
Uma boa maneira de representar os objetos, para que estes possam ser
analisados e trabalhados pelo sistema, é organiza-los em estruturas ou “frames”. Em
um “frame” há uma série de objetos, cada um com uma série de características e
 29

atributos associados a eles, além de ser possível a hierarquização desses objetos

de modo que um objeto possa herdar de outro os mesmos atributos, se tornando
seu “filho”. Essa organização torna a analise e comparação dos objetos mais fácil,
por exemplo, caso se queira comparar o atributo “A” dos objetos “X” e “Y”, sendo
ambos os objetos pertencentes a este frame.

5.4 O Desenvolvimento dos sistemas especialistas

Os Sistemas Especialistas podem ser desenvolvidos de duas maneiras.

Sendo a primeira delas através de linguagens de programação e a segunda através
de um software próprio para este fim.
Na primeira maneira de se desenvolver um Sistema Especialista, pode-se
usar uma linguagem de programação qualquer como C++, PASCAL, JAVA entre
outros. Utilizando desta maneira, é necessário que o programador desenvolva
também o sistema de comunicação necessário para obter dados de outros sistemas
computacionais, assim como é necessário ao programador desenvolver o próprio
motor de inferência, responsável pelo “raciocínio” do sistema. Este método permite
mais liberdade para desenvolvimento e implementação do sistema, o que pode
tornar o sistema mais robusto e completo, porém, a manutenção e implantação do
sistema dependerão da qualidade do programador.
A segunda maneira de se desenvolver um Sistema Especialista é através de
softwares próprios como BLAZE EXPERT e G2. Neste sistema não é necessário
desenvolver o motor de inferência, o que torna o desenvolvimento e manutenção
mais rápida, simples e intuitiva. A desvantagem é que o sistema terá menos
robustez, pois o motor de inferência é totalmente genérico e não foi desenvolvido
para um fim especifico, além de que o sistema se torna mais limitado, e torna mais
difícil a “aquisição” de conhecimento de um especialista humano para o sistema.
 30

5.5 As Respostas dos sistemas especialistas

Nos sistemas especialistas existentes, de um modo geral, identificamos três

modos de técnicas para emitir a resposta.
No primeiro modo, o sistema determina situações onde a resposta poderá ser
encontrada. Por exemplo, imagine-se uma empresa que esteja interessada em
pesquisar petróleo. Pelas características geológicas gerais dos continentes, um
sistema especialista pode determinar, de modo geral, onde o petróleo poderá ser
encontrado, sem conseguir afirmar com precisão exatamente em que regiões se
encontrará o petróleo.
A primeira informação serve apenas para identificar, de maneira ampla, onde
se poderá encontrar a resposta, isto é, não adianta procurar a resposta fora destas
situações. Com base nesse universo de respostas e informações dadas, deverá ser
tomada outra decisão, como, por exemplo, mandar geólogos aos locais
especificados para verificarem de maneira precisa a existência ou não de vestígios
de petróleo.
No segundo modo de emitir o resultado, o sistema é mais preciso e
determina um resultado final, isto é, enfoca um valor ou um pequeno número de
respostas no conjunto de valores possíveis. E a palavra final sobre o assunto, no
nosso exemplo, seria como a palavra final do geólogo que foi ao local determinar se
existe ou não petróleo no lugar especificado.
No terceiro modo de operação o sistema não emite resultado nenhum,
apenas interage com o profissional que o está usando. O funcionamento é como
uma “conversa” entre dois profissionais, obrigando o primeiro a refletir sobre
determinadas consequências que resultarão de sua determinada decisão. Desse
modo, um profissional pode analisar melhor sua decisão e esta é tomada de maneira
mais consciente.
Neste caso, a operação do sistema foi apenas para interagir com o usuário, e
não irá emitir nenhuma decisão, esta será única e exclusivamente responsabilidade
de quem usa o sistema.
 31

5.6 Classificação dos Sistemas Especialistas

De um modo geral, os sistemas especialistas existentes, quanto as

características do seu funcionamento, podem ser classificados nas seguintes
categorias: interpretação, diagnóstico, monitoramento, predição, planejamento,
depuração, reparo, e controle. Vamos agora analisar as características dos sistemas
em cada uma dessas categorias.
1. Interpretação: São sistemas que inferem descrições de situações a partir
da observação de fatos, isto é, fazem a análise de dados e procuram determinar as
relações e seus significados. Devem considerar possíveis interpretações, eliminando
as interpretações que se mostrarem inconsistentes. Têm mecanismos que permitem
tratar dados errados, distorcidos ou até mesmo ausentes.
2. Diagnósticos: São sistemas que detectam falhas que vieram da
interpretação de dados. A análise dessas falhas pode conduzir a uma conclusão
diferente da simples interpretação de dados. Estes sistemas já tem embutidos o
sistema de interpretação de dados.
Deve detectar os problemas camuflados por falhas do sistema de
interpretação, por falhas dos equipamentos e falhas do próprio diagnóstico.
Os sistemas de diagnóstico devem permitir ao operador a decisão sobre
medidas a tomar, pois em alguns casos os dados sobre o sistema podem ser
inacessíveis, caros ou perigosos de serem recuperados.
3. Monitoramento: Este sistema deve interpretar as observações de sinais
sobre n comportamento monitorado. Deve verificar um determinado comportamento
em limites preestabelecidos, sinalizando quando forem requeridas intervenções para
o sucesso da execução.
Um sinal poderá ser interpretado de maneiras diferentes, de acordo com a
situação global percebida naquele momento, e a interpretação varia de acordo com
os fatos que o sistema percebe a cada momento.
4. Predição: A partir de uma modelagem de dados do passado e do presente,
este sistema permite uma determinada previsão do futuro. Como ele baseia sua
solução na análise do comportamento dos dados recebidos no passado, deve ter
mecanismos para verificar os vários futuros possíveis, a partir da análise do
comportamento desses dados, utilizando-se de raciocínios hipotéticos e verificando
a tendência de acordo com a variação dos dados de entrada.
 32

5. Planejamento: Neste caso, o sistema prepara um programa de iniciativas a

serem tomadas para se atingir um determinado objetivo. São estabelecidas etapas e
sub-etapas e definidas as prioridades entre as etapas.
Possui características parecidas com o sistema para a predição e
normalmente opera em grandes problemas de solução complexa. O princípio de
funcionamento, em alguns casos, é por tentativas de soluções, cabendo a análise
mais profunda ao especialista que trabalha com esse sistema.
Deve ser capaz de enfocar os aspectos mais importantes e particionar um
problema em subproblemas menos complexos, estabelecendo sempre o
relacionamento entre as metas destes subproblemas e a meta principal, estando
sempre atento para que, no cumprimento dos objetivos parciais, seja atendido o
objetivo final.
6. Depuração: Trata-se de um sistema que possui mecanismos para fornecer
soluções para o mau funcionamento provocado por distorções de dados e erros.
Fornece verificações nas diversas partes, dando certeza ao operador de que os
dados utilizados estão corretos.
7. Reparo: Este sistema desenvolve e executa planos para administrar os
reparos verificados na etapa de diagnóstico. Um sistema especialista para reparos
segue um plano para administrar alguma solução encontrada em uma etapa do
diagnóstico.
São poucos os sistemas desenvolvidos, porque o ato de executar
manutenção é uma tarefa complexa. Normalmente, estes sistemas têm a
capacidade de diagnosticar e planejar os consertos desejados.
8. Controle: É um sistema que governa o comportamento geral de outros
sistemas. É o mais completo, de um modo geral, pois deve interpretar os fatos de
uma situação atual, verificando os dados passados e fazendo uma predição do
futuro. Apresenta os diagnósticos de possíveis problemas, formulando um plano
ótimo para sua correção. Este plano de correção é executado e monitorado para que
o objetivo planejado seja alcançado. Sistemas Especialistas que fazem parte desta
categoria acabam por englobar todos os outros.
 33

5.7 Exemplo de aplicação dos sistemas especialistas

Um exemplo prático para o uso de um sistema especialista seria uma

indústria petrolífera, onde o número de sensores em uma plataforma é muito
elevado, o que faz com que a frequência de paradas de produção seja grande.
Qualquer sensor crítico, como vazamento de gás ou nível alto em vasos
acumuladores, pode levar a uma parada de produção. Após o operador identificar a
causa desta parada o sistema especialista o ajuda a colocar novamente todo o
processo em ordem.

Figura 9 - Diagrama de uma plataforma petrolífera

Os sistemas especialistas também podem ser utilizados como um

“armazenamento de conhecimento”, onde se pode manter a experiência de um
especialista humano em uma espécie de documento formal. Assim, um sistema
especialista pode servir de referencia para relatórios, cálculos e manuais futuros.
Pode-se exemplificar na mesma indústria petrolífera, onde há uma infinidade
de refinarias e equipes espalhadas pelo mundo. Um sistema especialista torna
possível o acesso de qualquer funcionário ao conhecimento de um especialista de
uma área específica, tornando assim o processo continuo, sem a necessidade de
uma parada caso um especialista real não esteja presente.
 34

6 INTELIGÊNCIA ARTIFICIAL APLICADA À SIDERURGIA

6.1 Processo de lingotamento do aço

O processo de lingotamento do aço pode ser dividido em seis partes, que

serão explicadas a partir do diagrama a seguir:

Figura 10 - Processo de lingotamento contínuo

Na primeira parte, uma panela de aço transporta o aço recém-fundido do

forno até o distribuidor. Na segunda parte, o aço fundido é despejado em um
distribuidor, onde sua temperatura poderá ser sensoriada, assim como permitirá a
flutuação das impurezas do aço, onde será distribuído entre os moldes. Na terceira
parte, o aço é despejado sobre o molde, onde tomará forma e iniciará a ser
resfriado. A quarte parte compreende a fase de resfriamento secundário, onde o aço
será conduzido sobre um veio e sprays de um liquido resfriador de alta pressão
serão despejados sobre o aço. Na quinta parte, o aço menos quente passa por uma
máquina de extração e desempeno, onde o veio de aço adquirirá uma forma de
barra sem ondulações. A sexta parte é a máquina de corte, onde a barra já solida de
aço é cortada em pequenos lingotes.
 35

6.2 Aplicação da Inteligência Artificial

Em algumas indústrias, o processo de lingotamento é controlado por um

operador, que observa o nível do aço líquido no molde, para desativar o despejo de
aço da panela e ativar o sistema de resfriamento.
Esse meio de controle é pouco eficiente, além de não ser seguro, pois uma
falha de operação pode resultar em pouca qualidade do produto ou até mesmo em
graves acidentes. Portanto, um meio de controle automatizado e inteligente, pode
além de solucionar problemas relacionados à qualidade final do produto, também
diminuir ao máximo os riscos de segurança.
Portanto, aplicando os conceitos já estudados sobre Sistemas Supervisórios,
pode-se desenvolver uma solução inteligente para o dado problema.

6.3 Solução inteligente para siderurgia

Para substituirmos um operador manual no processo, podemos usar um

sistema inteligente que, possa receber os dados de sensores de nível posicionados
no distribuidor e, possa controlar a abertura da panela de aço e ativar o sistema de
refrigeração.
O sistema inteligente operaria da seguinte maneira: Ao receber o sinal do
sensor de nível alto, fecharia a abertura da panela e ativaria o sistema de
refrigeração. Quando o sensor de nível baixo estiver “desligado”, de modo que o
distribuidor esteja vazio, abre-se a panela de aço e desliga a refrigeração, para
economia de energia. Enquanto o sensor de nível alto não for acionado, a panela
continua aberta e a refrigeração continua desligada.
Os dados acima obedeceriam a seguinte tabela verdade:
Sensor de nível Sensor de nível Panela de aço Refrigeração
alto (Entrada) baixo (Entrada) (Saída) (Saída)
0 0 1 0
0 1 1 1
1 0 X X
1 1 0 1
 36

7 CONCLUSÃO

Neste trabalho abordamos sobre a estrutura de funcionamento da inteligência

artificial, principalmente em técnicas comumente utilizadas na indústria como redes
neurais, sistemas supervisórios e sistemas especialistas. Concluímos que, as
tecnologias relacionadas à IA detêm papel de grande importância na indústria, pois
além de diminuir o tempo de produção e melhorar a qualidade do produto, a IA
cumpre também o papel de substituir o homem em tarefas insalubres, o que diminuí
consideravelmente os acidentes e danos ao ser humano.
Ao analisar problemáticas nos processos de siderurgia, forma de produção
muito comum na região de Açailândia, conseguimos propor soluções viáveis e
eficientes aplicando conceitos básicos relacionados aos conceitos de sistemas
supervisórios e sistemas especialistas.
Cumprimos todos os objetivos propostos, uma vez que foram apresentados
os principais aspectos da inteligência artificial e a sua aplicação nos processos
industriais.
Este trabalho foi muito importante para nosso aprofundamento e
compreensão deste tema, pois permitiu-nos compreender melhor os aspectos da
automação industrial, aperfeiçoar competências de investigação, seleção,
organização e comunicação de informações.

7.1
 37

REFERÊNCIAS

BARONE, Dante et. al. Sociedades Artificiais: A nova fronteira da inteligência nas
máquinas. [S.l.]: Bookman, 2003.

CAMPOS, Mario Massa de; SAITO, Kaku. Sistemas Inteligentes em Controle e

Automação de Processos. [S.l.]: Ciência Moderna, 2004.

CASILLO, Danielle. Automação e Controle de Processos. [S.l.]: Universidade Federal

Rural do Semi-árido, 2010.

GONÇALVES, Ana Paula; SALVADOR, Marcelo. O que são Sistemas Supervisórios?.

[S.l.: s. n.], 2005.

GUIMARAES, Angelo de Moura; LAGES, Newton Alberto de Castilho. Introdução a

Ciência da Computação. Rio de Janeiro, RJ: LTC, 1984.

IGNIZIO, James P. Introduction to Expert System Shell. [S.l.]: McGraw-Hill, 1991.

LEVINE, Robert I; DRANG, Diane E. et. al. Artificial Inteligency and Expert Systems.
[S.l.]: McGraw-Hill, 1998.

LUGER, George F. Inteligência Artificial: Estruturas e estratégias para a solução de

problemas complexos. [S.l.]: Bookman, 2004.

LOPES, Marcos Aurélio Moreira. A Importância dos Sistemas Supervisórios no Controle

de Processos Industriais. Ouro Preto, MG: Universidade Federal de Ouro Preto, 2009.

NATALE, Ferdinando. Automação Industrial. [S.l.]: Érica, 2007.

PIERRE, Levy. As Tecnologias da Inteligência. 2. ed. São Paulo, SP: 34, [2011].
 38

REZENDE, Solange Oliveira. Sistemas Inteligentes: Fundamentos e aplicações. [S.l.]:

Manole, 2003.

RUSELL, Stuart; NORVIG, Peter. Inteligência Artificial. [S.l.]: Campus, [199-?].

SOARES, Pablo L. B.; DA SILVA, J. P. Aplicação de Redes Neurais Artificiais em

Conjunto com o Método Vetorial da Propagação de Feixes na Análise de um Acoplador
Direcional Baseado em Fibra Ótica. 2010. Dissertação (Mestrado em Ciência da
Computação)- Universidade Estadual de Campinas, Campinas, 2010.

WINSTON, Patrick Henry. Artificial Intelligence. 3. ed. [S.l.]: Addison-Wesley Publishing

Company, 1992.