Escolar Documentos
Profissional Documentos
Cultura Documentos
LEONARDO MAIA
ALUMÍNIO
2023
ESCOLA SENAI “ANTÔNIO ERMÍRIO DE MORAES”
CURSO TÉCNICO EM ELETROELETRÔNICA
LEONARDO MAIA
ALUMÍNIO
2023
ALUMÍNIO
2023
LEONARDO MAIA
Banca Examinadora
_____________________________________
_____________________________________
_____________________________________
Toda essa trilha foi graças ao apoio geral de todos os citados. Em especial, o
papel do educador que é a base e a essencial da nossa trajetória educacional.
RESUMO
Tabela 1 - Acidentes graves ocorridos nos EUA entre 1984 e 1991 relacionados a
empilhadeiras 17
Tabela 2 - Porcentagem dos motivos de acidentes ocorridos com empilhadeiras no
Brasil 18
Tabela 3 - Informações sobre o processador do Maixduino 35
Tabela 4 - Interfaces e dimensões do Maixduino 35
LISTA DE ILUSTRAÇÕES
1 – INTRODUÇÃO .................................................................................................... 11
4 - CONCLUSÃO ...................................................................................................... 46
5 - REFERÊNCIAS ................................................................................................... 48
11
1 – INTRODUÇÃO
A relação entre humano e tecnologia tem avançado nos últimos anos. O avanço
da indústria 4.0 é, possivelmente, o pilar que irá moldar a sociedade nos próximos
anos e será um caminho para a proximidade entre homem e Inteligência Artificial (I.A).
Há uma vasta aplicação dessa tecnologia em várias camadas da sociedade, desde
assistentes virtuais a carros autônomos, logo, é possível executar o controle de forma
inteligente e independente.
2- PESQUISAS BIBLIOGRÁFICAS
A empresa Angus Lift Trucks LTD. (2022) observa a empilhadeira como um dos
equipamentos mais conhecidos usados em armazéns e canteiros de obras, por causa
da pequena cabine e do garfo usado para levantar e abaixar objetos.
Além dessa informação, a Angus Lift Trucks LTD. (2022) cita alguns dois
maiores usos de empilhadeiras e áreas de utilização, de acordo com seu site:
1. Armazéns:
Os itens que precisam ser movidos podem determinar o garfo a ser usado. Os
postes de carpete são para rolos de carpete pesados, enquanto os garfos de madeira
e compensado lidam facilmente com cargas de madeira.
13
2. Canteiros de obras
Fonte:https://anguslifttrucks.co.uk/wp-content/uploads/2021/04/CPCS-A17-
Telescopic-Handler-Training-01-300x150.jpg
3. Empilhamento
Fonte:https://anguslifttrucks.co.uk/wp-content/uploads/2021/02/Capture-1-
300x300.jpg
14
Como indicado, cada empilhadeira contém seu modelo ideal e tipo de garfo,
além da transpaleteira escolhida, além de fatores gerais
Mesmo que citado por Neto (2018), a empilhadeira não seja um veículo
efetivamente preparado para uma via pública, ele necessitaria de documentos extras
15
para regulamentar seu uso nelas, como Registro Nacional de Veículos Automotores
(RENAVAM) e emplacamento obrigatório.
Um dos locais que fornecem o curso focado nesta área, é o próprio Serviço
Nacional de Aprendizagem Industrial (SENAI), como mostrado no próprio site, o nome
do curso cita a NR-11, com o nome “NR-11 – Operação de Empilhadeira”:
● Requisitos
● Área
Segurança no Trabalho
● Carga Horária
32 horas
1. Tombamentos
Podem ocorrer por vários fatores, como excesso de carga, piso desnivelado,
manobras incorretas, manobras com carga suspensa ou por obstáculos como
buracos, ou objetos no caminho.
2. Quedas de materiais
3. Atropelamentos
4. Colisões
Tabela 1 - Acidentes graves ocorridos nos EUA entre 1984 e 1991 relacionados a empilhadeiras
Causa do Acidente Quantidade
Desatenção do Operador 59
Capotagem, tombamento 53
Carga instável 45
Operador atingido por carga 37
Empregados elevados 26
Falta de formação 19
Excesso de peso, uso inapropriado 15
Acidente durante a manutenção 14
Equipamento inapropriado 10
Visão obstruída 10
Queda de uma plataforma ou ais 9
Acidente não relacionado com empilhadeiras 9
Transporte de passageiro em excesso 8
Outro empregado atingido por carga 8
Queda de empilhadeira 6
Veículo engatado 6
Excesso de velocidade 5
Total 339
Fonte: OSHA
Entre mais desses dados alarmantes, AHM Solutions (2022) comenta como na
série histórica brasileira relativa aos últimos dez anos (2012 a 2021), é possível
verificar que grande parte dos acidentes foi causada pela operação de máquinas e
equipamentos (15%). Em 2021, esse percentual se manteve elevado, em 16% do
total.
acidentes dentre movimentações de cargas, os casos têm como análise os casos mais
possíveis para a causa do acidente, como apresentado na tabela 2:
Tabela 2 - Porcentagem dos motivos de acidentes ocorridos com empilhadeiras no Brasil
Possíveis causas Percentual
Falta de inspeção completa do equipamento e 90%
seus acessórios
Equipamento inapropriado para a carga ser 85%
transportada
Capacidade dos acessórios e cabos 75%
subavaliados
Existência de obstáculos a serem transpostos 65%
Capacidade de carga do terreno subavaliada 55%
Inabilidade do operador 50%
Geometria da peça que exigiria o emprego de 45%
equipamentos auxiliares
Características do terreno 40%
Condições ambientais adversas, com muita 35%
chuva e vento
Local inapropriado 35%
Falha estrutural no equipamento 25%
Dimensões e peso das cargas 20%
Acessibilidade do equipamento e da carga 20%
Falta de um adequado isolamento da área 15%
Fonte: AFANP
Isso acarreta a acidente fatais com simples erros humanos, portanto, como
sugerido pela AHM Solutions (2022): “[...]acidentes ocupacionais envolvendo
máquinas e equipamentos resultaram em amputações e outras lesões gravíssimas
com uma frequência 15 vezes maior do que as demais causas.”
Para isto, os usos das empilhadeiras devem ser buscados somente quando
necessários, aprimorando assim, as análises preliminares antes do serviço, um
processo com mais trâmites que prolonga a duração, porém que visa garantir a
segurança dos funcionários e das posses da empresa, priorizando um processo mais
criterioso e minucioso por parte de todos.
e) dificulte-se a burla.
meio das redes. Um desses tipos de controle é o controle de acesso que busca
gerenciar movimentações por entre os setores.
● Terceira Camada
Essa etapa diz respeito ao controle de acesso dos departamentos. Deve estar
alinhada com a política de segurança e confidencialidade da organização, capaz de
gerenciar acesso as áreas restritas. São utilizados dispositivos de controle como
portas eletrônicas com identificação; identificadores de cartões, crachás, biometrias
ou senhas; câmeras de controle.
Art. 1º Esta Lei dispõe sobre o tratamento de dados pessoais, inclusive nos
meios digitais, por pessoa natural ou por pessoa jurídica de direito público ou privado,
com o objetivo de proteger os direitos fundamentais de liberdade e de privacidade e o
livre desenvolvimento da personalidade da pessoa natural.
A primeira conclusão que se pode extrair de seu artigo 1º é que a lei não protege
apenas dados em meios digitais, o que corrobora a impressão quanto ao seu atraso,
mormente diante da já mencionada preocupação que juristas externavam sobre a
proteção de dados há mais de um século.
Haykin (2001) destaca que o projeto de uma rede neural é motivado pela
analogia com o cérebro, que é uma prova viva de que o processamento paralelo
tolerante a falhas é não somente possível fisicamente, mas também rápido e
poderoso. Os neurobiólogos olham para as redes neurais (artificiais) como uma
ferramenta de pesquisa para a interpretação de fenômenos neurobiológicos. Por outro
lado, os engenheiros olham para a neurobiologia procurando novas ideias para
resolver problemas mais complexos do que aqueles baseados em técnicas
convencionais de projeto por conexões fixas. Estes dois pontos de vista são ilustrados
respectivamente pelos dois exemplos a seguir:
1. Não-linearidade
2. Mapeamento de Entrada-Saída
conjunto até que a rede alcance um estado estável onde não haja mais modificações
significativas nos pesos sinápticos. Os exemplos de treinamento previamente
aplicados podem ser reaplicados durante a sessão de treinamento, mas em uma
ordem diferente. Assim, a rede aprende dos exemplos ao construir um mapeamento
de entrada-saída para o problema considerado. Tal abordagem nos faz lembrar do
estudo de inferência estatística não-paramétrica, que é um ramo da estatística que
trata da estimação independente de modelo, ou, do ponto de vista biológico,
aprendizagem tabula rasa (German et. Al., 1992); o termo “não-paramétrico” é
utilizado aqui para significar o fato de que não são feitas suposições prévias sobre o
modelo estatístico dos dados de entrada. Considere, por exemplo, uma tarefa de
classificação de padrões, na qual o objetivo seja atribuir um sinal de entrada
representando um objeto físico ou evento a uma entre várias categorias (classes)
preestabelecidas. Em uma abordagem não-paramétrica para este problema, o
objetivo é “estimar” fronteiras de decisão arbitrárias no espaço do sinal de entrada
para a tarefa de classificação de padrões utilizando um conjunto de exemplos, e fazê-
lo sem invocar um modelo de distribuição probabilístico. Um ponto de vista similar está
implícito no paradigma de aprendizagem supervisionada, o que sugere uma analogia
próxima entre o mapeamento de entrada-saída realizado por uma rede neural e a
inferência estatística não-paramétrica.
3. Adaptabilidade
As redes neurais têm uma capacidade inata de adaptar seus pesos sinápticos
a modificações do meio ambiente. Em particular, uma rede neural treinada para operar
em um ambiente específico pode ser facilmente retreinada para lidar com pequenas
modificações nas condições operativas do ambiente. Além disso, quando está
operando em um ambiente não-estacionário (1. e., onde as estatísticas mudam com
o tempo), uma rede neural pode ser projetada para modificar seus pesos sinápticos
em tempo real. A arquitetura natural de uma rede neural para classificação de
padrões, processamento de sinais e aplicações de controle, aliada à capacidade de
adaptação da rede, a torna uma ferramenta muito útil para classificação adaptativa de
padrões, processamento adaptativo de sinais e controle adaptativo. Como regra geral,
pode-se dizer que quanto mais adaptativo se fizer um sistema, assegurando-se de
que o sistema se mantenha estável, mais robusto tenderá a ser o seu desempenho
quando o sistema for exigido a operar em um ambiente não-estacionário. Contudo,
26
deve ser enfatizado, que adaptabilidade nem sempre resulta em robustez; na verdade
pode resultar no contrário. Um sistema adaptativo com constantes de tempo
pequenas, por exemplo, pode se modificar rapidamente e assim tender a responder a
perturbações espúrias, causando uma drástica degradação no desempenho do
sistema. Para aproveitar todos os benefícios da adaptabilidade, as constantes de
tempo principais do sistema devem ser grandes o suficiente para que o sistema ignore
perturbações espúrias, mas ainda assim serem suficientemente pequenas para
responder a mudanças significativas no ambiente; o problema aqui descrito é referido
como o dilema da estabilidade-plasticidade (Grossberg, 1988b).
4. Resposta a Evidências
5. Informação Contextual
6. Tolerância a Falhas.
Uma rede neural, implementada na forma física (em hardware), tem o potencial
de ser inerentemente tolerante a falhas, ou capaz de realizar computação robusta, no
sentido de que seu desempenho se degrada suavemente sob condições de operação
adversas. Se um neurônio ou suas conexões são danificados, por exemplo, a
recuperação de um padrão armazenado é prejudicada em qualidade. Contudo, devido
à natureza distribuída da informação armazenada na rede, o dano deve ser extenso
para que a resposta global da rede seja degradada seriamente. Assim, a princípio,
uma rede neural exibe uma degradação suave do desempenho em vez de apresentar
uma falha catastrófica. Há algumas evidências empíricas para a computação robusta,
mas geralmente ela não é controlada. Para se assegurar que uma rede neural seja de
27
fato tolerante a falhas pode ser necessário adotar-se medidas corretivas no projeto do
algoritmo utilizado para treinar a rede (Kerlirzin e Vallet, 1993).
7. Implementação em VLSI
Fonte:https://didatica.tech/wp-content/uploads/2020/09/image-5-768x406.png
O processo será repetido por cada coluna, avançando para direita até o fim de
todas o ramo, descendendo linha por linha até o momento em que todas as camadas
sejam associadas a, ao menos, um neurônio.
2.4.1 Convolução
Fonte: https://i.stack.imgur.com/fvXjE.jpg
29
2.4.2 Aglomeração
Fonte: https://datascience.eu/wp-content/uploads/2020/09/image-8.png
Fonte:https://miro.medium.com/v2/resize:fit:1400/1*JzTo8JRsXePkq8qlw_A6hw.png
30
O COCO é uma organização que formou por deep learning (aprendizado com
mais de 120.000 imagens), uma base de dados em larga escala destinada a
segmentação e detecção de objetos, baseada em um contexto e categorização do
que foi localizado, alguns dos exemplos de imagem estudadas pela base de dados
são mostrados na figura 7.
Figura 7 - Exemplo de treinamento do base de dados
Fonte:https://cocodataset.org/images/coco-examples.jpg
Ela é uma versão aprimorada da Rectified Linear Unit (ReLU), que se baseia
no uso dos neurônios durante o processo de convolução, que é basicamente se ele
encontrar uma entrada de informação negativa, ele mantém o valor dela nulo. Desse
modo, a computação das imagens é feita de forma mais eficiente, alocando somente
a memória necessária para a aplicação dos filtros, o que economiza espaço de
processamento na placa de prototipação.
A Leaky ReLU é uma melhoria desse conceito, já que anular um dos neurônios
faziam eles não se ativarem mais, agora, ao invés de anular o valor se é associado
um valor próximo a 0 (0,01).
Fonte: https://www.youtube.com/watch?v=ag3DLKsl2vk
O Intersection over Union (IoU) é uma métrica para avaliar a qualidade das
detecções. É usada para medir a sobreposição entre duas caixas delimitadoras
(bounding boxes), em contextos de detecção de objetos ou segmentação de imagens,
como colocada na fórmula abaixo:
(Á𝑟𝑒𝑎 𝑑𝑎 𝐼𝑛𝑡𝑒𝑟𝑠𝑒çã𝑜)
𝐼𝑜𝑈 =
(Á𝑟𝑒𝑎 𝑑𝑎 𝑈𝑛𝑖ã𝑜)
Fonte:https://b2633864.smushcdn.com/2633864/wp-
content/uploads/2016/09/iou_equation.png?lossy=2&strip=1&webp=1
Fonte: https://www.youtube.com/watch?v=ag3DLKsl2vk
33
2.6 Sinalizações
Fonte: https://fastautomacao.com.br/blog/wp-content/uploads/2020/05/img-1_2020-
05-12.png
2.7 Hardware
● VGA: 640x480
● QVGA: 320x240
Fonte:https://image.dfrobot.com/image/data/KIT0157/1.jpg
2.8 Software
2.8.1 MicroPython
3 – DESENVOLVIMENTO
Para o suporte do nosso trabalho, a impressão 3D foi utilizada para formar esta
peça, ela é uma tecnologia que cria objetos tridimensionais a partir de um modelo
digital, com as parametrizações específicas para ele, como indicado na figura 13.
Figura 13 - Projeto de impressão do suporte do projeto
Fonte:https://cdn.thingiverse.com/renders/35/a9/35/78/e8/b21f6a9633787f9cff
3b7e2abfef294a_display_large.jpg
No contexto do projeto, ela será utilizada para segurar a peça de acrílico
dispondo os componentes. Esses suportes podem ser desenhados de acordo com as
especificações do projeto, permitindo uma fixação precisa e personalizada,
proporcionando maior estabilidade e funcionalidade ao produto.
Cada um desses LEDs estará equipado com um resistor de 68Ω (Ohms), para
limitarem sua corrente, mantendo o alto funcionamento sem terem seu brilho
prejudicado. O LED ON, permanecerá como uma indicação de que todo o sistema
está ligado e pronto para funcionamento, logo que a placa Maixduino é acionada. As
de EMP ON e EMP OFF, estão ligadas eletronicamente via a chave de ignição, junto
de uma relay interno que permite esta ligação. Para isto, foi necessário um booster
para ligar um relay que a entrada é 5v já que os pinos do Maixduino enviam saídas de
1,8V e 3,3V.
Porém, a entrada do relé não pode ler abaixo de 5V, e a solução é usar um
amplificador de tensão, que gera uma tensão contínua pulsada em um indutor (ou
capacitor), permitindo que a corrente produza energia magnética (ou elétrica)
armazenada, que é então usado para produzir uma saída. Em outras palavras, um
conversor de tensão DC-DC armazena a energia gerada devido a uma tensão DC
pulsada aplicada a um indutor ou capacitor e a utiliza em sua saída.
Já, a botoeira de cor verde (colocado como entrada), serve como um comando
para a placa dizendo que ele está permitindo o registro do rosto identificado pela
câmera e seus respectivos pontos, eixo X e Y e o nível de profundidade em relação
ao grid.
• maixpy_v0.6.2_84_g8fcd84a58_openmv_kmodel_v4_with_ide_support:
0x00000
• FaceDetection: 0x300000
• FaceLandmarkDetection: 0x400000
• FeatureExtraction: 0x500000
44
Todas essas alocações referidas, foram feitas com o uso do kflash_gui, uma
ferramenta gráfica usada para gravar firmware, ele é compatível com o Maixduino,
que são microcontroladores populares usados em projetos de IoT e em dispositivos
embarcados. Ele oferece uma interface amigável para gravar firmwares em
dispositivos que usam esses chips.
Para a entrada de variáveis nos pinos, foi substituído a biblioteca machine, pois
não tinha compatibilidade com o processador, ao invés dela uma opção é usar GPIO,
já que ela é um periférico que acompanha o microcontrolador, apesar dela ser focada
em operações básicas de entrada e saída de pinos, ela conseguirá comandar as
variáveis de controle. GPIO tem funcionalidade de enviar tensão e controlar os pinos.
O regime feito pelo programa por meio de um loop while, é explicitado na figura
19:
45
4 – CONCLUSÃO
5 - REFERÊNCIAS
BRASIL, Portal MTP, Nº 4219, Brasília: Esplanada dos Ministérios, 2022. Disponível
em: https://www.gov.br/trabalho-e-emprego/pt-br/acesso-a-informacao/participacao-
social/conselhos-e-orgaos-colegiados/comissao-tripartite-partitaria-
permanente/arquivos/normas-regulamentadoras/nr-12-atualizada-2022-1.pdf. Acesso
em 8 dez. 2023
BRASIL, Portal MTPS, Nº 505, Brasília: Esplanada dos Ministérios, 2023. Disponível
em: https://www.gov.br/trabalho-e-emprego/pt-br/acesso-a-informacao/participacao-
social/conselhos-e-orgaos-colegiados/comissao-tripartite-partitaria-
permanente/normas-regulamentadora/normas-regulamentadoras-vigentes/nr-11-
atualizada-2016.pdf. Acesso em: 17 nov. 2023.
DIDÁTICA TECH. O que são Redes Neurais e Deep Learning? Disponível em:
https://didatica.tech/introducao-a-redes-neurais-e-deep-learning/. Acesso em: 12 set.
2023.
KHOSLA, S. et. al. CNN | Introduction to Pooling Layer. Geeks for Geeks.
Disponível em:https://www.geeksforgeeks.org/cnn-introduction-to-pooling-layer/.
Acesso em 12 set. 2023.
NIELSEN, M. Neural Networks and Deep Learning, 9ª ed., 2015. Disponível em:
https://static.latexstudio.net/article/2018/0912/neuralnetworksanddeeplearning.pdf.
Acesso em: 21 nov. 2023.
50