Вы находитесь на странице: 1из 146

TECNICAS INTELIGENTES

EM SISTEMAS DE
MANUFATURA




Resultados da disciplina Manufatura e Automao
Editado por Orlando Durn
Professor da disciplina
PUCV Chile

2
Apresentao


A Manufatura Moderna esta evoluindo para a aplicao de Tcnicas Inteligentes na resoluo dos
principais problemas, sejam estes nas etapas de Planejamento tanto como execuo. Por este
motivo, acreditamos, que alem do estudo dos principais modelos de organizao, ferramentas
tecnolgicas (hardware e software) e demais filosofias, o que se apresenta como um grande desafio
para os novos engenheiros e tcnicos e o conhecimento e aplicao das tcnicas de Inteligncia
Computacional (IC). Dentro desse contexto, a parte final da disciplina Automao e Manufatura do
Mestrado Profissional em Projeto e Processos de Fabricao apontou ao conhecimento das
principais tcnicas de IC e sua aplicao em problemas concretos. Os alunos tiveram contato com a
Lgica Difusa, os Algoritmos Genticos e as Redes Neurais. Puderam aplica-las e experimentar as
suas principais nuances.

Este documento rene os trabalhos finais realizados pelos alunos na disciplina Manufatura e
Automao. Como uma forma de motivar a produo de literatura cientifica dos mestrandos se
decidiu realizar como ultima avaliao um trabalho que relatasse as experincias vividas pelos
alunos ao aplicar trs tcnicas vindas a Inteligncia Computacional sendo aplicados a problemas
tpicos da Manufatura. Desta forma, se encontram aqui relatos de aplicao da Lgica Difusa a
problemas de diagnstico de problemas de Usinagem, de Algoritmos Genticos em problemas de
Otimizao em Gesto de Estoques e na obteno de Velocidades de Corte e de Mxima Produo
e, por ltimo, Redes Neurais Artificiais para recomendao de Velocidade de corte em funo do
tipo de material da ferramenta, dureza e presso especifica de corte do material da pea e outros
parmetros operacionais. Todos estes trabalhos foram complementados, em alguns casos, por casos
trazidos por alguns dos colaboradores, os quais, acreditamos, poderiam ser a semente para futuros
trabalhos aplicados. A utilizao do MATLAB foi relevante em estes trabalhos, bem como a
disposio dos alunos, que se mostraram interessados em aprender e aplicar estas tcnicas.










Orlando Duran
Editor

3
Sumrio


Pagina


1. Lgica difusa (fuzzy) aplicao prtica Anderson Hoose e Tiago Reginato ................. 4

2. Inteligncia Artificial Aplicada a Manufatura: Exemplos de Aplicaes Jeferson Antonio Gevinski e
Laercio Aderichn ............................................................................................................................................. 12

3. Um exerccio de aplicao MATLAB utilizando lgica Fuzzy, algoritmos genticos e redes neurais.. Jairo
Machado e Nilo Scheidmandel ........................................................................................................................ 37

4. Inteligncia Computacional na Manufatura atravs do Software Matlab. Jaqueline Varela Maiorka e Samuel
Scheleski 61


5. Modelagem de Solues Prticas de Engenharia com Utilizao de Algoritmo Genrico, Fuzzy Logic e Redes
Neurais atravs do Matlab. Nilson da Luz Freire e Gleber Dall Agnol ................................................. 78


6. Otimizao de manufatura por meio de tcnicas inteligncia artificial. Ricardo Andre Pessatto de Ton e
Luciano Favretto da Rocha .......................................................................................................................... 94


7. Prottipo de Planejador de Operaes de Fresamento usando Lgica Difusa. Cledir Colling e Eduardo Walker
....................................................................................................................................................................... 111

8. Anlise do processo de usinagem utilizando as tcnicas de inteligncia computacional: Lgica fuzzy,
Algoritmos Genticos e Redes Neurais. Carlos Gustavo de Marco e Giovani Carlos Vani ......................... 118


9. Manufatura usando tcnicas inteligentes. Alexandro Maffei e Carlos Frederico Viero ................................. 135







4




LGICA DIFUSA (FUZZY) APLICAO PRTICA




Anderson Hoose
Universidade de Passo Fundo UPF Passo Fundo Brasil
anderson@jan.com.br

Tiago Reginato
Universidade de Passo Fundo UPF Passo Fundo Brasil
tiago.reginato@hotmail


Resumo
O objetivo deste trabalho apresentar um breve conceito da lgica difusa, com base na modelagem
de uma aplicao prtica, com foco na indstria metalrgica. Apresenta-se uma breve introduo
onde est descrito o problema a ser solucionado, seguindo posteriormente para a modelagem do
problema, representado por meio de figuras. Para finalizar tem-se os resultados obtidos e
concluses que visam conciliar a operao da lgica difusa com a experincia tcnica adquirida.

Palavras-chave: fuzzy, inteligncia artificial, lgica.


1. Introduo

Atualmente na indstria metalrgica ocorre a utilizao de vrios processos de corte
decorrente da grande diversidade de peas que formam os diversos produtos que so oferecidos.
Estas peas so constitudas por diferentes espessuras e geometrias, e por este motivo
elaborou-se um estudo com o uso da Lgica Difusa (Fuzzy), utilizando-se o software Matlab,
visando facilitar a obteno de informaes quanto ao processo de corte ideal a ser utilizado,
apresentando-se tambm alguns conceitos relacionados a este mtodo.
Descrio do problema: o problema consiste em identificar qual o processo de corte ideal a
ser utilizado com base na espessura do material e geometria da pea. Conforme as especificaes
adotadas pela Empresa, a selao do processo de corte inadequado em determinada espessura e
geometria de pea tende a distorcer o custo de produo ou mesmo fazer uso do processo que no
seja o ideal.

2. Lgica Difusa Aplicao Prtica (Modelagem dos Dados)

Conforme citado por Winograd (2012), a Inteligncia Artificial uma cincia que procura
estudar e compreender o fenmeno da inteligncia e por outro um ramo da engenharia, onde
Mestrado Profissional em Projeto e Processos de Fabricao
UPF-FEAR
Passo Fundo RS Brasil


5
Dados de sada (output):
Processo Corte
Guilhotina
Puncionadeira
Plasma
Laser


Ento

procura contruir instrumentos para apoiar a inteligncia humana. Conhecida tambm pelas siglas
I.A., a inteligncia como computao, tenta simular o pensamento dos peritos e os nossos
fenmenos cognitivos, constituindo-se na procura do modo como os seres humanos pensam.
Considera-se que a lgica difusa ou lgica fuzzy admite valores lgicos intermedirios entre
o falso (0) e o verdadeiro (1); por exemplo o valor mdio talvez (0,5). Isto significa que um valor
lgico difuso um valor qualquer no intervalo de valores entre 0 e 1. Este tipo de lgica engloba de
certa forma conceitos estatsticos principalmente na rea de Inferncia.
O conceito "fuzzy" pode ser entendido como uma situao onde no podemos responder
simplesmente "Sim" ou "No". Mesmo conhecendo as informaes necessrias sobre a situao,
dizer algo entre "sim" e "no" como por exemplo "talvez", "quase", ....se torna mais apropriado.
As implementaes da lgica difusa permitem que estados indeterminados possam ser
tratados por dispositivos de controle. Assim, possvel avaliar conceitos no-quantificveis, como
exemplo tem-se casos prticos: avaliar a temperatura (quente, morno, mdio, etc...), o sentimento de
felicidade(radiante, feliz, aptico, triste, etc...).
Desta forma, para aplicao prtica neste relatrio, todos os dados de entrada (input) e os
dados de sada (output), foram cadastrados na forma no-quantificvel, ver quadro 1.


Quadro 1: Representao das entradas e sadas

Dados de entrada (input):
Geometria Peas (colocado
no mtodo fuzzy)
Simples sem furos
Simples com furos
Mdia sem furos
Mdia com furos
Complexas

Espessuras Chapas
(colocado no mtodo fuzzy)
Usado na
indstria
Fina 0,8 a 4,75 mm
Fina / Mdia 4,75 a 6,30 mm
Mdia 6,30 a 12,5 mm
Mdia / Grossa 12,5 a 16 mm
Grossa 16 a 31,5mm



A representao dos exemplos de geometrias mencionadas no quadro 1, esto representados
na figura 1.
Observa-se na tabela anterior que a indstria adota medidas quantitativas (em mm de
espessura), enquanto que para o mtodo fuzzy necessrio colocar medidas qualitativas de
espessuras como: fina, mdia e grossa.
No caso prtico da indstria, o processo de corte com guilhotina envolve o menor custo de
produo e o mais simples entre os mencionados acima, enquanto que o processo laser o
considerado de maior custo, constituindo um dos mais complexos em termos de programao e
operao juntamente com os de puncionadeira e plasma.
Desta forma, os dados de entrada e sada aps cadastrados no programa, aparecem conforme
visualizado na figura 2.

Fonte: Informaes tcnicas de corte

6



Figura 1: Geometria das peas

















Fonte: solid works UPF (2011 x64 Edition)




Figura 2: Dados de entrada e sada (vista da tela)














Fonte: laboratrio informtica UPF (2012)



Em seguida, selecionou-se cada dado de entrada ou sada e foram cadastrados os parmetros
no mesmo, de espessura de chapa, geometria de peas e processo de corte, visualizados nas figuras
3, 4 e 5.
Os parmetros para a espessura de chapa foram colocados respectivamente: fina, fina/mdia,
mdia, mdia/grossa, grossa, parametrizando-se os valores nos mesmos de 0,8 a 31,5. Estes por sua
vez tero sua visualizao representada no subcaptulo dos resultados obtidos.
Observa-se que foram colocados qualitativamente da espessura mais fina para a mais grossa.


7


Figura 3: Vista da tela de espessura de chapa












Fonte: laboratrio informtica UPF (2012)

Os parmetros para a geometria de pea (figura 4), foram colocados respectivamente:
simples sem furo, simples com furo, mdia sem furos, mdia com furos, complexa. Observa-se que
foram colocados na ordem de complexidade, ou seja, partindo da geometria mais simples para a
mais complexa, atribuindo-se valores de 0 at 10 respectivamente.


Figura 4: Vista da tela de Geometria das peas












Fonte: laboratrio informtica UPF (2012)


Os parmetros de corte, foram colocados respectivamente na ordem do processo mais
simples at o mais complexo (figura 5), ou que consiste em maior tecnologia de corte (guilhotina,
puncionadeira, plasma, laser).

Figura 5: Vista da tela de Processo de corte















8
Fonte: laboratrio informtica UPF (2012)

Aps o cadastro dos parmetros, selecionou-se a opo referente a elaborao das regras,
onde com base no conhecimento tcnico, interligou-se os parmetros de entrada e sada. Conforme
descrito pelos autores no caso da inferncia utilizada pelo mtodo fuzzy, cada conjunto de
operaes bsicas ou regras interligado atravs das letras, E e OU escolhidos, so possveis vrias
verses da implicao. Isso porque, na lgica ntida, A B (A implica B) equivalente a vrias
sentenas.
Na figura 6, apresenta a lista de regras elaboradas, onde a formao das mesmas ocorre
atravs da interligao entre uma varivel da espessura de chapa e uma varivel da geometria de
pea, ento interliga-se com um determinado processo de corte, e acidiona-se a mesma em uma
lista.
Como exemplo tem-se:

Espessura de chapa Geometria de pea Processo de Corte

Fina e Simples sem furos ento Guilhotina
Grossa e Mdia com furos ento Plasma
Desta forma, toda vez que for colocar uma determinada espessura e geometria de pea,
como soluo ser apresentado qual o processo de corte ideal a ser utilizado.



Figura 6: Vista da tela de gerao de regras












Fonte: laboratrio informtica UPF (2012)


A elaborao das regras constitui-se no ltimo passo. A seguir seguem os resultados obtidos
e concluses.

3. Resultados Obtidos


Selecionando a opo de visulizar as regras, o programa gera uma coluna de grficos
decorrente de cada parmetro de entrada e sada que foi inserido inicialmente no mesmo. A tela est
representada na figura 7.






9
Corte em
guilhotina
(geometria
simples sem furo e
espessura fina)
Figura 7: Vista da Tela de visualizao grfica das regras.
















Fonte: laboratrio informtica UPF (2012)

Inicialmente, atravs do resultado da figura 7, percebe-se que cada espessura de chapa mais
a geometria de pea ter como soluo um determinado processo de corte. Estas regras foram
definidas pelo conhecimento tcnico do operador que as gerou e definiu estes como os parmetros
ideais. Assim cada combinao somente vai gerar uma soluo, pois as regras estabelecidas foram
cadastradas desta forma. Constata-se que para chapas finas, no o ideal utilizar o processo de corte
plasma, definido atravs da regra, asssim como para chapas de espessura grossa este processo o
ideal. Uma melhor identificao do resultado gerado pela formao das regras pode ser visualizada
na opo grfica do software, figura 8, onde percebe-se que a lgica formada condizente com o
conhecimento tcnico. Observa-se que as peas com geometria simples sem furos especificadas
com chapas de espessura fina e fina/mdia so processadas pelo corte em guilhotina.

Figura 8: Visualizao do grfico

















Fonte: laboratrio informtica UPF (2012)

As peas com geometrias mdias com furos e formas complexas, especificadas com chapas
de espessura fina at mdia so processadas no corte em laser, e peas com espessuras de chapa
grossa so todas processadas no corte com plasma. Este resultado pode ser observado na figura 8.
Corte em laser
(geometria mdia
com furo, complexa e
espessura fina at
mdia)

10
guilhotina
laser
plasma
puncionadeira
M
a
i
s

s
i
m
p
l
e
s

a
t


a

m
a
i
s

c
o
m
p
l
e
x
a

Espessura fina at a mais grossa
Na figura 9, tem-se a representao superior do grfico e as reas correspondem a cada
processo de acordo com a geometria e espessura do material a ser utilizado.
Este grfico procura representar um plano cartesiano, onde h valores nos eixos X e Y,
conforme os dados que foram introduzidos no programa no momento da modelagem do problema.
Assim as espessuras de chapas, fina at grossa, foram colocadas entre os valores correspondentes de
0,8 at 31,5 (ver figura 3 ), enquanto que a geometria foi classificada seguindo um valor de 0 at 10
(ver figura 4),


Figura 9: Vista superior do grfico






















Fonte: laboratrio informtica UPF (2012)


Demonstrado no grfico da figura 9, visualiza-se que quanto menor a espessura e mais
simples a geometria, o corte em guilhotina o ideal. Assim como espessuras finas e mdias, com
geometrias de peas complexas, o processo ideal o laser.
Para espessuras grossas de material, independente da geometria da pea, o processo ideal o
corte plasma.
O processo em puncionadeira neste caso est na rea das peas com espessuras fina/mdia
at mdia/grossa e geometrias que variam de peas simples com furao at geometrias mdias com
furos, no sendo recomendado para corte de peas com geometrias complexas.


4. Concluses


Constata-se que na modelagem do problema a ser resolvido, o dono do conhecimento
quem define quantas variveis de entrada se ter, para que seja possvel chegar na resposta desejada
ou ideal. Assim o software vai operar seguindo as regras que foram estabelecidas, sendo que ao usar
os mesmos dados de entrada, como exemplo: geometria simples sem furo e espessura fina, sempre
ter a mesma resposta, neste caso o corte em guilhotina.

11
Percebe-se tambm que no h determinao do formato ideal quanto ao nmero ideal de
solues ou regras estabelecidas, sendo esta uma deciso do especialista que vai depositar o seu
conhecimento tcnico na modelagem do problema.
Pode ocorrer de o usurio do programa, que vai buscar as solues, no saiba o motivo de se
ter chegado a determinado resultado. Como exemplo: o uso do corte plasma ideal para chapas de
espessura grossa porque o consumo de gs e energia so menores comparados ao laser, e a
velocidade de corte superior ao corte laser, sendo que para puncionadeira as espessuras grossas
requerem uma fora de estampagem superior capacidade da mquina, e as guilhotinas em sua
grande maioria no suportam cortar chapas superiores a espessuras 12,5mm, que neste caso foi
considerado como espessura mdia. H todo um conhecimento por de trs das regras estabelecidas
para que se chegue no resultado ideal.
Assim, o modelo fuzzy, busca simular a forma do pensamento humano, onde atravs do
conhecimento depositado pelo especialista, que a pessoa que detm o conhecimento de
determinado assunto, sugere as entradas, sada e elabora as regras, faz com que se chegue a
determinadas solues.


5. Referncias Bibliogrficas
Lgica Difusa. Disponvel em < http://pt.wikipedia.org>. Acesso em: 20 de janeiro de 2012.
O Conceito Fuzzy. Disponvel em <http://pucsp.br>. Acesso em: 20 de janeiro de 2012.
WINOGRAD, Terry. Inteligncia Artificial. Disponvel em <www.citi.pt/educao_final>. Acesso
em: 21de janeiro de 2012.

12



Inteligncia Artificial Aplicada a Manufatura: Exemplos de Aplicaes



Jeferson Antonio Gevinski
Universidade de Passo Fundo - UPF Passo Fundo Brasil
jeferson.gevinski@net.crea-rs.org.br

Laercio Aderichn

Universidade de Passo Fundo - UPF Passo Fundo Brasil
laercioa@yahoo.com.br


Resumo
A Inteligncia Artificial (AI) j pode ser encontrada nas indstrias de ponta e est cada vez mais se
popularizando. Existem inmeras aplicaes da AI para a rea de manufatura. Nesse trabalho so
apresentados trs exemplos simples de aplicaes para auxiliar os processistas responsveis pela
rea de tornearia das empresas. A lgica difusa utilizada para a seleo da classe de inserto mais
adequada para diferentes tipos de aplicaes e condies de usinagem. A tcnica de Algoritmos
Genticos empregada na obteno da velocidade de corte para mxima produo. Por fim as redes
neurais artificiais so usadas para a confeco de um sistema para a obteno de dados de
velocidades de corte inserindo alguns valores de entrada.
Palavras-chave: lgica difusa, algoritmos genticos, redes neurais artificiais.

1. Introduo

Em todas as reas do sistema produtivo cada vez maior a importncia da reduo dos
custos de operao. No que tange a usinagem de metais com ferramentas de geometria definida a
economia na manufatura um desafio aos engenheiros de processos. O aumento da produtividade
de peas torneadas, fresadas, mandriladas ou furadas uma das maneiras de minimizar os custos
produtivos. Segundo Sandvik Coromant (2011a) a soluo para esse problema pode ser influenciada
por vrios fatores, entre eles:
- seleo do mtodo de usinagem e percurso da ferramenta;
- escolha da ferramenta, geometria da pastilha e classe de metal duro;
- dados de corte (velocidade, avano e profundidade de corte);
- baixo nmero de rejeies;
- menos troca da ferramenta - mais tempo de usinagem;
- disponibilidade de produto - menos estoque;
- treinamento tcnico - melhor compreenso.
Apesar do grande avano tecnolgico encontrado na segunda dcada do sculo XXI a
Mestrado Profissional em Projeto e Processos de Fabricao
UPF-FEAR
Passo Fundo RS Brasil



13
otimizao do processo de usinagem depende e muito da experincia e do conhecimento dos
processistas e operadores de mquinas. Os sistemas CAM (Computer Aided Manufacturing
Manufatura Assistida por Computador) so utilizados para a confeco do programa NC, porm, a
seleo da estratgia de usinagem, ferramentas e dados de corte, entre outros, dependem do
programador. O objetivo desse trabalho de lanar mo de trs tcnicas de Inteligncia Artificial
(AI) para a resoluo de trs problemas especficos da rea de torneamento. Essas tcnicas sero
implantadas no MAtrix LABoratory (MATLAB). Segundo The Mathworks Inc. (2012) o Matlab
uma linguagem computacional tcnica de alto nvel e um ambiente interativo para o
desenvolvimento de algoritmos, visualizao e anlise de dados e computao numrica. A Lgica
Difusa mostrada no Captulo 2 utilizada na seleo de insertos para diferentes configuraes de
trabalho. No Captulo 3 a tcnica de Algoritmos Genticos apresentada para a otimizao da
potncia necessria da mquina para diferentes dados de corte. Finalmente no Captulo 4 as Redes
Neurais Artificiais so utilizadas para a obteno da velocidade de corte em diferentes condies de
usinagem e materiais. O Captulo 5 apresenta concluses acerca do trabalho.

2. Lgica Difusa

A teoria de conjuntos difusos um meio de especificar o quanto um objeto satisfaz a uma descrio
vaga, mas no de forma alguma considerado um mtodo para raciocnio incerto. O nome
conjuntos difusos deriva da interpretao do predicado como a definio implcita de um
conjunto de seus elementos um conjunto que no tem limites precisos, mas que expressa o grau de
pertinncia a um conjunto que tem cada um dos elementos. Logo, a lgica difusa trabalha com um
conjunto de variveis que no tem limites definidos, ou seja, a transio entre a permanncia e a no
permanncia de uma varivel em um conjunto gradual. Ela baseia-se na observao de que as
pessoas podem fazer boas decises com base em informao imprecisa e no numrica, onde esta
informao representada por mtodos matemticos atravs de modelos difusos (RUSSELL e
NORVING, 2004).
A lgica difusa um mtodo para raciocnio com expresses lgicas que descrevem a pertinncia a
conjuntos difusos. Ela considerada um sistema verdade-funcional fato que causa srias
dificuldades, problema este que surge da inabilidade de uma abordagem verdade-funcional para
levar em conta as correlaes ou anticorrelaes entre as proposies componentes. Esta lgica tem
aplicaes com grande sucesso em reas como a robtica em controle de movimentos,
processamento de imagens e viso de mquina, reconhecimento de patres, aprendizagem de
mquina e o projeto de sistemas inteligentes (RUSSELL e NORVING, 2004).
Segundo Duran (2012), os problemas baseados nos conjuntos difusos se originam da utilizao de
classificao lingustica. Depois de formar os conjuntos difusos correspondentes a um determinado
problema, necessrio obter uma resposta desses, sendo que em muitos casos importante que esta
resposta no seja difusa. Assim deve-se transformar uma resposta difusa para uma que no seja,
utilizando o conceito de defuzzificao, onde existem diversos mtodos propostos para realizar esta
transformao.
Uma metodologia para construir sistemas de controle em que o mapeamento entre os parmetros de
entrada e sada com valores reais representado por regras difusas denominada de controle difuso.
Os predicados difusos podem receber uma interpretao probabilstica em termos de conjuntos
aleatrios, isto , variveis aleatrias cujos valores possveis so conjuntos de objetos. Logo, esta
abordagem de conjuntos aleatrios parece captar aspectos de impreciso sem introduzir graus de
liberdade (RUSSELL e NORVING, 2004).

2.1 Descrio do Problema

A seleo correta do inserto para as mais variadas condies de torneamento um grande desafio
nas indstrias. Saber qual a melhor pastilha para o desbaste, usinagem mdia ou acabamento; para

14
boas condies de usinagem ou quando essas condies so mdias ou difceis pode no ser uma
tarefa to simples. A escolha entre um inserto mais tenaz em detrimento a um mais resistente ao
desgaste em condies que esse ltimo seria o mais indicado pode acarretar problemas de
acabamento superficial, tolerncias dimensionais podem no ser atendidas, alm de diminuir
bruscamente a vida til da ponta de corte (SANDVIK COROMANT, 2010). Um sistema
computacional que utiliza a Lgica Difusa poder ajudar pessoas no especialistas a selecionarem o
inserto adequado para o torneamento de aos.

2.2 Modelamento de dados

Para implantar o sistema utilizando a Lgica Difusa necessrio inicialmente entender as regras
utilizadas para a escolha dos insertos. Conforme Sandvik Coromant (2010) inicialmente
necessria a escolha do material da pea, devido ao escopo desse trabalho ser reduzido foi
estipulado o material da classe ISO P, que so os aos baixa-liga com dureza mdia de 180 HB.
Para delimitar o sistema foi escolhida a geometria positiva do inserto.
O segundo passo a escolha do tipo de aplicao da operao, pois as operaes so dividas em
desbaste, usinagem mdia e acabamento. A Figura 1 apresenta as explicaes de cada tipo de
aplicao.

Figura 1 - Tipos de Aplicaes para a Operao de Torneamento

Fonte: SANDVIK COROMANT (2010)

O terceiro passo seleo das condies de usinagem que so apresentadas Figura 2.

Figura 2 Condies de Usinagem para a Operao de Torneamento

Fonte: SANDVIK COROMANT (2010)

A Figura 3 apresenta um diagrama de fcil compreenso para a seleo de classes de
insertos de um grande fornecedor.

15
Figura 3 Viso geral da classe ISO P

Fonte: adaptado de SANDVIK COROMANT (2010)

As regras para a operao de acabamento devero respeitar a Figura 4.

Figura 4 Seleo de classe de inserto para operao de acabamento de aos

Fonte: adaptado de SANDVIK COROMANT (2010)

A escolha da classe do inserto para as operaes de usinagem mdia regida pela Figura 5.

16
Figura 5 Seleo de classe de inserto para operao de usinagem mdia de aos

Fonte: adaptado de SANDVIK COROMANT (2010)

No que diz respeito as operaes de desbaste de aos a seleo de classes de insertos deve respeitar
a Figura 6.

Figura 6 Seleo de classe de inserto para operao de usinagem mdia de aos

Fonte: adaptado de SANDVIK COROMANT (2010)

17

Para a montagem do sistema foram inseridas variveis de entrada e sada com seus respectivos
valores conforme o Quadro 1.

Quadro 1 - Variveis de entrada e sada com seus respectivos valores
Varivel de Sada Valor
Varivel de Entrada Valor Linguistico Valor Numrico PFGC4215 PFGC4215
Acabamento 0 PFGC4225 PFGC4225
Usinagem Mdia 0,5 PMGC4215 PMGC4215
Desbaste 1 PMGC4225 PMGC4225
Boas 0 PMGC4235 PMGC4235
Mdias 0,5 PRGC4215 PRGC4215
Difceis 1 PRGC4225 PRGC4225
PRGC4235 PRGC4235
Condies
Operao

Fonte: AUTORES (2012)

A Figura 7 apresenta o esquema grfico de entradas e sadas do sistema de lgica difusa.

Figura 7 Tela do Matlab R2011a de entradas e sadas do sistema de lgica difusa

Fonte: AUTORES (2012)

Na Figura 8 exibido um grfico com os valores de uma das variveis de entrada.
Figura 8 Tela do Matlab R2011a com os valores de uma das variveis de entrada

Fonte: AUTORES (2012)

18
Por fim foram criadas as regras relacionando os valores de entradas com os valores de sada que so
apresentadas na Figura 9.

Figura 9 Tela do Matlab R2011a com os valores de uma das variveis de entrada

Fonte: AUTORES (2012)

2.3 Resultados obtidos

Os resultados podem ser apresentados atravs de um visualizador grfico das regras. A Figura 10
apresenta graficamente o resultado da desfuzzificao considerando usinagem e condies
mdias.

Figura 10 Tela do Matlab R2011a com o visualizador grfico das regras

Fonte: AUTORES (2012)

Para complementar a visualizao de maneira intuitiva a Figura 11 apresenta um grfico 3D de
superfcie representando o resultado da desfuzzificao de uma hiptese de usinagem e condies
mdias.

19
Figura 11 Grfico 3D de superfcie

Fonte: AUTORES (2012)

Os resultados considerando as hipteses principais so apresentados no Quadro 2.

Quadro 2 - Resultados da desfuzzificao considerando as hipteses principais

Fonte: AUTORES (2012)

3. Algoritmos Genticos

3.1 Evoluo e Busca

A teoria da evoluo, desenvolvida por Charles Darwin em Ontheof Speciesby Meansof
Natural Selection (1859), apresenta em sua idia central que as variaes, tambm conhecidas como
mutaes, ocorrem na reproduo e sero preservadas em geraes sucessivas, em proporo
aproximada a seu efeito sobre a adaptao reprodutiva. A teoria de Darwin foi desenvolvida sem
qualquer conhecimento de como as caractersticas dos organismos pode ser herdadas e modificadas.
As leis probabilsticas que governam esses processos foram identificadas por Gregor Mendel
(1866), um monge que fez experincias com ervilhas usando o que ele denominou fertilizao
artificial. Watson e Crick (1953) identificaram a estrutura da molcula do DNA e seu alfabeto. Em
modelo padro, a variao ocorre por mutaes localizadas na sequencia de genes e por crossover
onde o DNA de um descendente gerado pela combinao de longas sees de DNA de cada pai.
A principal diferena entre a busca em feixe estocstico e a evoluo o uso da reproduo
sexuada, na qual os sucessores so gerados a partir de vrios organismos ao invs de apenas um.
Porm, os mecanismos reais da evoluo so muito mais ricos do que permite a maioria dos
algoritmos genticos. O importante o fato de que os prprios genes codificam os mecanismos
pelos quais o genoma produzido e convertido em um organismo. Em algoritmos genricos, esses
mecanismos constituem um programa separado que no est representado dentro das cadeias que
esto sendo manipuladas.
Por ter gerado cerca de 10
45
organismos sem melhorar suas heursticas de busca, a evoluo
de Darwin pode parecer um mecanismo ineficiente, porm cinquenta anos antes de Darwin, Jean
Lamark (1809) props uma teoria da evoluo pela qual as caractersticas adquiridas por adaptao
durante a vida de um organismo seriam transmitidas a seus descendentes. Tal processo seria efetivo,

20
mas no parece ocorrer na natureza. Mais tarde, James Baldwin (1896) props uma teoria similar
em suas caractersticas superficiais onde o comportamento aprendido durante a vida de um
organismo poderia acelerar a velocidade da evoluo. Diferente da teoria de Lamarck, a teoria de
Baldwin inteiramente consistente com a evoluo de Darwin, porque se baseia em presses de
seleo operando sobre indivduos que encontraram pontos timos no conjunto de comportamentos
possveis permitidos por sua constituio gentica. Simulaes em computadores confirmam que o
efeito de Baldwin real, desde que a evoluo comum possa criar organismos cuja medida interna
de desempenho esteja de alguma forma relacionada adaptao real.

3.2 Algoritmo Gentico

Conforme Russell, um algoritmo gentico uma variante de busca em feixe estocstica,
onde os estados sucessores so gerados pela combinao de dois estados pais, em vez de serem
gerados pela modificao de um nico estado. Conforme ocorre com a busca em feixe, os
algoritmos genticos comeam com um conjunto de k estados gerados aleatoriamente, chamado de
populao. Cada estado, tambm chamado de indivduo, representado como uma cadeia,
geralmente de valores 0 e 1, sobre um alfabeto finito, e avaliado pela funo de avaliao,
chamado de funo de fitness. Uma funo de fitness deve retornar valores mais altos para estados
melhores.
Como a busca em feixe estocstico, os algoritmos genticos combinam uma propenso para
subir a encosta com a explorao aleatria e com a troca de informaes entre processos de busca
paralelos. A principal vantagem dos algoritmos genticos vem da operao de crossover,
intuitivamente vindo da habilidade do crossover para combinar grandes blocos de genes que
evoluem de forma independente para executar funes teis, elevando assim o nvel de
granularidade em que a busca opera. Matematicamente, se as posies do cdigo gentico forem
permutadas inicialmente em ordem aleatria, o crossover no trar nenhuma vantagem.
A teoria de algoritmos genticos explica como isso funciona usando a idia de esquema,
uma sub-cadeia na qual algumas posies podem ser deixadas sem especificao. As cadeias que
correspondem ao esquema so chamadas de instncias do esquema. Os algoritmos genticos
funcionam melhor quando os esquemas correspondem a componentes significativos de uma
soluo. Por exemplo, se a cadeia for a representao de uma antena, os esquemas podero
representar componentes da antena, como refletores e defletores. provvel que um bom
componente seja bom em uma grande variedade de projetos diferentes. Isso sugere que o uso bem
sucedido de algoritmos genticos exige uma cuidadosa engenharia na representao. Na prtica, os
algoritmos genticos tiveramum amplo impacto sobre problemas de otimizao, como leiautes de
circuitos e escalonamento de prestao de servios. No momento no est claro se a atrao de
algoritmos genticos surge de seu desempenho ou de suas origens esteticamente agradveis na
teoria da evoluo. Ainda h muito trabalho a ser feito para identificar as condies sob as quais os
algoritmos genticos funcionam bem.

3.1 Descrio do Problema

Conforme Ferraresi (1970) um dos grandes desafios da rea de usinagem de conhecer as
condies de corte que acarreta o mnimo custo de fabricao. Aumentando os dados de velocidade
de corte ou do avano, diminui-se o tempo mquina, minimizando a parcela do custo de fabricao
referente mquina. Porm, simultaneamente a vida da aresta de corte diminuda, fazendo com
que o custo devido ferramenta aumente. Desta forma existem condies de usinagem, nas quais o
custo total de fabricao seja o mnimo. Durante muito tempo entendeu-se que a velocidade de corte
econmica fosse aquela que retirasse o maior volume de cavaco em um determinado tempo de
usinagem. Posteriormente adotou-se essa definio como a velocidade de corte para mxima
produo. Em alguns casos interessante saber essa velocidade para obter a produo mxima em
detrimento do custo mnimo.

21

3.2 Modelamento de dados

Segundo Ferraresi (1970) admitindo uma mquina operatriz com apenas uma nica
ferramenta de corte e dividindo o ciclo total de usinagem em fases pode-se calcular o tempo total de
confeco por pea como:

1
onde:

= tempo total de confeco por pea em min;
= tempo de corte propriamente dito em min;
= tempo secundrio de usinagem em mim;
= tempo de aproximao e afastamento da ferramenta em min;
= tempo de preparo da mquina em min;
= tempo de troca da ferramenta em min;
= tempo de afiao em min;
= lote de peas;
= nmero de trocas ou afiaes da ferramenta, para a usinagem do lote Z.
Seja

o nmero de peas usinadas durante a vida de uma ferramenta e admitindo-se que o
preparo da mquina operatriz seja feito com ferramentas afiadas, tem-se:

2
ento,

3
Substituindo-se na equao 1 resulta:


4
Para se calcular a velocidade de corte de mxima produo, isto , o tempo mnimo de confeco
por pea, a equao 4 aplicada ao caso de torneamento cilndrico de uma pea esquematizado na
Figura 12.

22
Figura 12 - Torneamento cilndrico de uma pea

Fonte: adaptado de FERRARESI (1970)


De acordo com a Figura 12 o percurso de avano , correspondente ao tempo :


5
sendo,


6
tem-se:

7
onde:

= tempo de corte propriamente dito em min;
= percurso de avano em mm;
= dimetro da pea em mm;
= avano em mm/rotao;
= velocidade de corte em m/min.

Substituindo-se na equao 4 resulta:

23

8

Pela equao de Taylor temse para um determinado avano e profundidade de corte do par
ferramenta-pea:

9

onde:
= coeficiente angular da reta T versus v em um diagrama dilogartmico (admissional);
= vida da ferramenta para uma velocidade de corte de .

Admitindo que os termos e sejam constantes e substituindo o valor de na equao 8 tem-se:

10

Considerando como tempo improdutivo total e como o tempo de troca (e afiao) da ferramenta a
Figura 13 apresenta a variao dessas grandezas em funo da velocidade de corte. Nota-se que o
tempo de corte diminui com o aumento da velocidade, o tempo permanece invarivel e o
tempo aumenta com a velocidade.
Figura 13 - Representao das diferentes parcelas do tempo total de fabricao por pea, em funo da velocidade de
corte

Fonte: FERRARESI (1970)

24

Sendo os termos e variveis com o avano e a profundidade de corte, para um determinado par
ferramenta-pea, conclui-se que o tempo total de confeco por pea (para um desgaste da
ferramenta pr-determinado) um funo da velocidade de corte, do avano e da profundidade que
matematicamente representada por:

11
Para se obter o valor mnimo desta funo, deve-se igualar a zero a sua diferencial total.
Considerando e constantes a velocidade de corte para produo mxima, isto , mnimo, se
dar quando a derivada de em relao for nula. Logo a velocidade para mxima produo :

12
Com a soluo analtica em mos o prximo passo foi a implementao da soluo em Matlab. O
Quadro 3 apresenta os dados do exemplo hipottico criado de modo a facilitar a implementao da
soluo atravs de algoritmos genticos. Para os valores das constantes e foi levado em
considerao uma ferramenta de P10 e o material da pea de Ao ABNT 1045.

Quadro 3 - Dados do exemplo hipottico
1 Tempo total de confeco por pea t
t
? [min]
1.1 Tempo de corte propriamente dito t
c
3 [min]
1.2 Tempo secundrio de usinagem t
s
1 [min]
1.3 Tempo de aproximao e afastamento da ferramenta t
a
1 [min]
1.4 Tempo de preparo da mquina t
p
10 [min]
1.5 Tempo de troca da ferramenta t
ft
10 [min]
1.6 Tempo de afiao t
fa
5 [min]
1.7 Lote de peas Z 100 -
1.8 Percurso de avano l
a
100 [mm]
1.9 Dimetro da pea d 100 [mm]
1.10 Avano a 0,2 [mm/rot]
1.11 Velocidade de corte v ? [m/min]
1.12 Coeficiente angular da reta equao de Taylor x 3,84 -
1.13 Vida da ferramenta equao de Taylor K 2,50E+10 -

Fonte: AUTORES (2012)

A Figura 14 apresenta a funo objetivo criada.
Figura 14 - Funo objetivo

Fonte: AUTORES (2012)

O toolbox de algoritmos genticos do Matlab foi usado para gerar a soluo do problema. A Figura
15 mostra a tela do programa usando algoritmos genticos para minimizar a funo objetivo. Os

25
parmetros alterados foram o nmero de variveis (1), limite inferior (0), tamanho da populao
(500), nmero de geraes (500) os demais ficaram com seus valores padres.

Figura 15 - Tela do Optimization Tool do Matlab

Fonte: AUTORES (2012)

O grfico plotado com os resultados das iteraes apresentado na Figura 16.

Figura 16 - Grfico plotado com os resultados das iteraes

Fonte: AUTORES (2012)


26
3.3 Resultados obtidos

O Quadro 4 exibe os resultados comparando a soluo analtica com a dos algoritmos genticos.
Quadro 4 - Resultados da soluo anlitica e dos algoritmos genticos
Parmetro Smbolo
Soluo
Analtica
Algoritmos
Genticos
Diferena Unidade
Velocidade para mxima produo v
mxp
192 254 32% [m/min]
Tempo total de confeco por pea t
t
2,96 2,88 -3% [m/min]

Fonte: AUTORES (2012)

4. Redes Neurais Artificiais

Segundo Russell e Noving (2004), um neurnio uma clula no crebro cuja principal
funo coletar, processar e disseminar sinais eltricos, e acredita-se que a capacidade de
processamento do crebro emerge principalmente de redes de tais neurnios. Por esse motivo, o
trabalho da inteligncia artificial teve como objetivo criar redes neurais artificiais, que so modelos
matemticos inspirados na estrutura neural de organismos inteligentes, tambm podendo ser dita
como sistemas computacionais estruturados numa aproximao computao baseada em ligaes.
O primeiro modelo matemtico simples de neurnio foi criado em 1943 por McCullock e Pitts,
onde em termos gerais ele dispara quando uma combinao linear de suas entradas excede algum
limiar. Desde aquele ano, foram desenvolvidos modelos muito mais detalhados e realistas, tanto
para neurnios quanto para sistemas maiores no crebro, levando ao moderno campo da
neurocincia computacional.
As redes neurais tem habilidade para executar computao distribuda, tolerar entradas
ruidosas e aprender, adquirindo conhecimento atravs da experincia. Elas so compostas de ns ou
unidades conectadas por vnculos orientados. Uma grande rede neural artificial pode ter centenas ou
milhares de unidades de processamento. Essas unidades, geralmente so conectadas por canais de
comunicao que esto associados a determinado peso, e elas fazem operaes apenas sobre seus
dados locais, que so entradas recebidas pelas suas conexes. O comportamento inteligente de uma
rede neural artificial vem das interaes entre as unidades de processamento da rede (RUSSELL e
NORVING, 2004).
Os neurnios so formados pelos dendritos, que so conjuntos de terminais de entrada, pelo corpo central onde ocorre o
processamento, e pelos axnios, que so os terminais de sada. A









Figura 17 apresenta um neurnio artificial, com os sinais de entrada (X
1
, X
2
, ..., X
P
), os
pesos (W
1
, W
2
, ..., W
P
) e a sada y dada por y = 0 (se a < t) ou y = 1 (se a t). Neste modelo, o
nvel de atividade a dado por:
a = W
1
X
1
+ W
2
X
2
+ ... + W
P
X
P

13


27











Figura 17 - Neurnio artificial

Fonte: DURAN (2012)

Os sinais so apresentados entrada, cada sinal multiplicado por um nmero ou peso, que
indica a sua influncia na sada da unidade, a feita a soma ponderada dos sinais que produz um
nvel de atividade. Se este nvel de atividade exceder um certo limite, a unidade produz uma
determinada resposta de sada.

4.1 Descrio do Problema

Segundo Sandvik Coromant (2011a) o aumento dos dados de corte e as melhorias de
processo podem reduzir drasticamente o custo por pea e, portanto, aumentar a lucratividade da
empresa. Na maioria dos casos, muito mais lucrativo aumentar os dados de corte do que aumentar
a vida til da ferramenta.
A grande questo como saber se esto sendo utilizados os dados de corte corretos. O
avano e a profundidade de corte so apresentados nas embalagens do inserto, todavia a velocidade
de corte (Vc) depende principalmente do material que vai ser torneado. Os fabricantes de insertos
fornecem tabelas com informaes de Vc aproximadas para diferentes materiais, porm como existe
uma mirade de materiais s vezes o material que se deseja usinar no est contemplado nessas
tabelas. Existe a necessidade de um sistema especialista que fornea uma sada, nesse caso
velocidade de corte, inserindo algumas entradas tais como: classe do material a ser usinado, classe
do inserto, fora de corte especfica, dureza, avano.

4.2 Modelamento de dados

Para modelar os dados primeiramente buscou-se na literatura informaes de velocidades de corte
para alimentar o sistema. Como referncia foi optado por um grande fabricante de ferramentas
reconhecido internacionalmente. No catlogo de ferramentas de torneamento dessa empresa foram
retiradas as informaes necessrias. A Figura 18 apresenta as recomendaes de velocidade de
corte com uso de refrigerao para aos em valores mtricos.


28
Figura 18 - Recomendaes de velocidade de corte com uso de refrigerao, valores mtricos

Fonte: SANDVIK COROMANT (2011b)

Os dados do fabricante foram depurados em uma tabela onde foram filtradas as informaes. Foram selecionadas
apenas colunas e linhas que contivessem dados completos de modo a evitar erros. Sendo assim foram escolhidas 4
classes de insertos e 10 materiais. A
Tabela 1 mostra os dados de velocidades de corte filtrados.
A primeira coluna da
Tabela 1 indica que os materiais pertencem ao Grupo ISO P de Aos. Esses materiais so
classificados de acordo com uma estrutura de cdigo chama MC. Essa estrutura configurada para
que o cdigo MC possa representar uma variedade de propriedades e caractersticas do material da
pea usando uma combinao de letras e nmeros. Ao descrever no apenas a composio do
material, mas tambm o processo de fabricao e o tratamento trmico, que sem dvida influenciam
as propriedades mecnicas, uma descrio mais exata est disponvel, que pode ser usada para gerar
melhoria nas recomendaes de dados de corte (SANDVIK COROMANT, 2011a).

Tabela 1 - Tabela depurada com as informaes utilizadas na rede neural artificial

29

Fonte: adaptado de SANDVIK COROMANT (2011b)

A coluna 2 classifica o material de acordo com o sistema chamado Cdigo CMC Coromant
Material Classification (Classificao Coromant de Materiais). Sistema esse utilizado pelo
fabricante at a substituio pelo mtodo MC. A coluna 3 detalha o tipo de material. Na coluna 4
apresentada a fora especfica de corte kc
0,4
que calculada atravs de kc
1
que pode ser explicado
como fora, Fc, na direo de corte (veja Figura 19), necessria para cortar uma rea de cavacos de
1 mm que possui uma espessura de 1 mm. O valor de kc
0,4
leva em considerao a espessura de
cavacos hm de 0,4mm e inserto neutro com ngulo de sada nulo. O valor kc
0,4
diferente para os
seis grupos de materiais e tambm varia para cada grupo (Id, 2011a).

Figura 19 - Fora Fc na direo de corte

Fonte: SANDVIK COROMANT (2011a)

A coluna 5 apresenta a dureza Brinell (HB) do material. As demais colunas so mostram as
classes de insertos consideradas. Quanto mais a esquerda maior a resistncia ao desgaste da classe
e quanto mais a direita maior a tenacidade (Id, 2011a).
Para inserir os dados no Matlab foram revertidos em valores numricos as informaes alfa-
numricas. O Quadro 5 apresenta a converso dos valores alfa-numricos em valores numricos
para a insero no Matlab.

30
Quadro 5- Converso de valores alfa-numricos em valores nmericos

Fonte: AUTORES (2012)

Uma matriz foi gerada com os dados da
Tabela 1 e do Quadro 5 para alimentar a rede neural artificial com dados de entrada e sada. A matriz criada
apresentada parcialmente no Quadro 6. As cinco primeiras linhas referem-se aos dados de entrada e a sexta linha (Vc)
refere-se a informao de sada. Sendo assim foram geradas uma matriz de entrada de 5 linhas x 60 colunas e uma sada
de 1 linha x 60 colunas.

Quadro 6 - Dados da matriz gerada para a insero dos dados de entrada e sada da rede neural artificial

Fonte: AUTORES (2012)

Para a gerao da rede neural artificial no Matlab foi utilizado o Toolbox Neural Network Start
(nnstart). A Figura 20 exibe a tela de seleo dos dados de entrada e sada.
A Figura 21 mostra a tela de validao e teste dos dados. A populao de 60 amostras foi dividada
aleatoriamente em 42 amostras de treinamento (70% do total), 9 amostras de validao (15% do
total) e 9 amostras de teste (15% do total).

31
Figura 20 - Tela do Matlab R2011a de seleo de dados de entrada e sada

Fonte: AUTORES (2012)

Figura 21 - Tela do Matlab R2011a de validao e teste dos dados

Fonte: AUTORES (2012)


32
A Figura 22 indica que foram usados 10 neurnios na camada oculta para formar a
arquitetura da rede neural.
Figura 22 - Tela do Matlab R2011a da arquitetura da rede

Fonte: AUTORES (2012)

A rede foi treinada em 21 iteraes e os erros ficaram bem prximo a 1, pr-requisito para que a
rede ser confivel. Os erros em todas as etapas poder vistos na Figura 23.

Figura 23 Tela parcial do Matlab R2011a de treinamento da rede

Fonte: AUTORES (2012)

A distribuio dos erros em um histograma forma uma distribuio normal conforme vista na
Figura 24, fato que aponta uma convergncia nos resultados.


33
Figura 24 Tela do Matlab R2011a com plotagem do histograma de erros em cada etapa

Fonte: AUTORES (2012)

A plotagem dos grficos de regresso dos dados conforme Figura 25 indica uma boa distribuio
dos dados em relao linha de ajuste.

Figura 25 Tela do Matlab R2011a com plotagem da regresso dos dados em cada etapa

Fonte: AUTORES (2012)



34
4.3 Resultados obtidos

Depois de gerada a rede neural artificial essa carregada no espao de trabalho do Matlab
(Workspace) atravs de uma linha de comando. Depois de carregada lanado um vetor linear com
as entradas para as quais se quer gerar uma sada. Para gerar a sada antes preciso transpor o vetor
e aps entrar com o comando para chamar a rede neural e gerar a sada. Esses comandos referidos
podem ser visualizados na Figura 26 que apresenta a tela janela de comando do Matlab durante o
teste de uma hiptese.
Figura 26 Tela do Matlab R2011a com plotagem da regresso dos dados em cada etapa

Fonte: AUTORES (2012)

Para testar a rede neural foram lanados valores de entradas conhecidos da
Tabela 1 de modo a gerar uma sada que fosse comparada ao valor real. O Quadro 7
apresenta as entradas e os respectivos valores de velocidades de corte tabelados e obtidos pela rede
neural com a diferena em percentual entre os dois.

Quadro 7 - Dados da matriz gerada para a insero dos dados de entrada e sada da rede neural artificial

Fonte: AUTORES (2012)

5. Concluses


35
As aplicaes apesar de serem simples demonstram o quanto so poderosas essas tcnicas de
Inteligncia Artificial. A idia central desse trabalho foi demonstrar exemplos de aplicaes de trs
tcnicas de AI para a resoluo de problemas de manufatura.
Acerca dos resultados da implantao do sistema de lgica difusa para a seleo de classes de
inserto esses se mostraram satisfatrios, uma vez que os comparando com a literatura os mesmos
estavam corretos.
Em relao a soluo por algoritmos genticos houve uma diferena muito grande no resultado da
velocidade de corte em relao a soluo analtica. Esse erro pode estar ligado a aos parmetros de
tamanho de populao ou algum outro. A tcnica de algoritmos genticos uma ferramenta
poderosa para a resoluo de problemas complexos que no possuem soluo analtica. Nesse
trabalho apenas se limitou em apresentar o caso da velocidade para mxima produo, porm pode-
se trabalhar com a velocidade de mnimo custo e o intervalo de mxima eficincia. Alm de incluir
ferramentas com vrios cortante, para operao de fresamento. Enfim o leque de aplicaes muito
amplo.
O algoritmo de rede neural artificial apresentou algumas diferenas quando os resultados mostrados
por ele foram comparados aos fornecidos pela literatura. Esse fato deve-se talvez a populao
relativamente pequena que fora usada para o treinamento da rede. Porm as diferenas encontradas
no so significativas, sendo assim os valores podem ser usados tranquilamente na indstria.
Como sugesto de trabalhos futuros podem ser interligadas as trs tcnicas em uma aplicao
standalone que possua uma interface amigvel. Tambm pode ser incrementado o banco de dados
para que as aplicaes possam ser o mais generalista possvel.

6. Referncias

DURAN, O.. Lgica Difusa (Apresentao). PUCV Chile, 2012.

RUSSELL, Stuart J.; NORVING, Peter. Inteligncia Artificial. Rio de Janeiro Elsevier, 2004.

SANDVIK COROMANT. Corokey. So Paulo: Sandvik do Brasil, 2010. Catalgo.

SANDVIK COROMANT. Ferramentas para torneamento. So Paulo: Sandvik do Brasil, 2011.
Catlogo. Disponvel em: <http://www.coromant.sandvik.com/br>. Acesso em: 20 jan. 2012.

SANDVIK COROMANT. Manual tcnico de usinagem: torneamento, fresamento, furao,
mandrilamento, sistemas de fixao. So Paulo: Sandvik do Brasil, 2011. Disponvel em:
<http://www.coromant.sandvik.com/br>. Acesso em: 20 jan. 2012.

SARAVANAN, R. Manufacturing Optimization Through Intelligent Techniques. CRC/Taylor
& Francis, 2006.

THE MATHWORKS INC.. MATLAB: The Language Of Technical Computing. Disponvel em:
<http://www.mathworks.com/products/matlab/>. Acesso em: 20 jan. 2012.

THE MATHWORKS INC.. Product Help Matlab R2011a, 2011.

FERRARESI, Dino. Fundamentos da Usinagem dos Metais. So Paulo: Edgard Blcher, 1970.

36



Um exerccio de aplicao MATLAB utilizando lgica Fuzzy, algoritmos
genticos e redes neurais.



Jairo Machado
Universidade de Passo Fundo UPF Passo Fundo Brasil
jairo@upf.br

Nilo Scheidmandel
Universidade de Passo Fundo UPF Passo Fundo Brasil
Nilo.scheidmandel@upf.br


Resumo
O objetivo deste documento apresentar um exerccio de aplicao do software MATLAB,
utilizando-se a lgica Fuzzy, algoritmos genticos e redes neurais, comentando o desenvolvimento
das aplicaes e seus resultados.
Palavras-chave: matlab, Fuzzy, algoritmo gentico, rede neural.

Abstract
The purpose of this paper is to present an exercise in application of MATLAB software, using the
fuzzy logic, genetic algorithms and neural networks, commenting on the development, applications
and results.
Keywords: matlab, fuzzy, genetic algorithm, neural network.


1. Introduo

MATLAB um software para modelagem matemtica de sistemas. um sistema grfico
que integra a capacidade de se fazer clculos, programao e visualizao grfica em um ambiente
interativo, onde os problemas e suas solues so expressos em uma linguagem matemtica
amigvel. O programa possui ferramentas para vrios tipos de aplicaes. Portanto, basta que o
MATLAB seja adaptado atravs de comandos especficos para que se possa modelar situaes e
questionamentos em muitas reas do conhecimento.
Apresentaremos neste documento, aplicaes j previamente modeladas: lgica Fuzzy (FIS
editor), algoritmos genticos (optimtool) e redes neurais (nnstart) como requerido na disciplina
manufatura e automao ministrada pelo prof. Dr. Orlando Mauricio Durn Acevedo.
Na utilizao da lgica Fuzzy ser descrita a aplicao da modelagem para o processo de
soldagem MAG, onde os parmetros de soldagem (amperagem, voltagem e velocidade de
soldagem) e os provveis defeitos decorrentes do processo de soldagem (mordeduras, respingos e
porosidade) so correlacionados, a fim de que se possa interagir na correo do processo e
procedimento de soldagem a partir das informaes (inputs) visualmente percebidas nas inspees
Mestrado Profissional em Projeto e Processos de Fabricao
UPF-FEAR
Passo Fundo RS Brasil



37
rotineiras da execuo do cordo de soldagem. Desta forma, a cada anlise realizada, foram
definidas regras (rules) para cada situao percebida na atividade. Ao final das definies e
experimentao hipottica de um cordo de solda executado em ao ABNT 1020, obteve-se pela
modelao Fuzzy respostas para o melhoramento do cordo de solda a partir da interpolao e/ou
inferncia dos parmetros j mencionados para a correo do processo.
Em se tratando da modelagem de redes neurais (nnstart), foi criada uma rede neural para
clculo de velocidade de usinagem de ao carbono, utilizando-se tabela da sandvik de insertos e
recomendaes de uso, disponibilizada pelo prof. Dr. Orlando Mauricio Durn Acevedo. De posse
da rede treinada, foram inseridos dados da prpria tabela, comparando-se os resultados obtidos a
fim de comprovar o aprendizado da rede neural.
Ao utilizarmos a modelagem por algoritmos genticos (optimtool) buscamos uma aplicao
na rea de logstica e administrao dos materiais. Aps breve discusso sobre o tema, definiu-se a
abordagem de estoque de materiais como o tema a ser estudado. Especificamente, o clculo do
custo total envolvendo estoques. Analisaremos a quantidade ideal a ser adquirida em cada operao
de reposio de estoque (lote econmico) parametrizando valores de custo total, considerando-se o
custo de estocagem mnimo para o perodo considerado, chegando-se assim a valores de estoque
mnimo e custos relacionveis. O resultado obtido (custo total de armazenamento) ser indicativo de
MELHOR abordagem para a definio do perfil financeiro do estoque de materiais estudado.
A seguir passamos a relatar os exerccios realizados, suas implicaes e resultados obtidos.

2. Aplicao da modelagem Fuzzy para o processo de soldagem MAG

A aplicao da modelagem para o processo de soldagem MAG, considera os parmetros de
soldagem (amperagem, voltagem e velocidade de soldagem) e os provveis defeitos decorrentes do
processo (mordeduras, respingos e porosidade). A fim de que se possa interagir na correo do
processo e procedimento de soldagem, os parmetros de soldagem e os possveis defeitos
apresentados no processo sero correlacionados. A inspeo da tarefa de soldagem contribuir para
a modelagem das regras Fuzzy.
A modelagem foi realizada considerando-se os parmetros (variveis) e os defeitos do
processo de soldagem, sendo estes as entradas no sistema. As sadas para correo do processo so
a amperagem, a voltagem e a velocidade da soldagem, como parmetros de inferncia para o
soldador corrigir o processo de soldagem MAG.
A seguir, descrevemos a situao em estudo:
- Cordo de solda em junta de topo, na posio plana, de ao ABNT 1020, pelo
processo de soldagem MAG, considerando-se os parmetros de soldagem
(Amperagem, Voltagem e Velocidade de Soldagem) e os defeitos de
soldagem (porosidade, mordeduras e respingos) para a parametrizao da
mquina de soldagem utilizada no processo, conforme figura 1 abaixo:


38
Figura 27: Descrio da situao do estudo


Fonte: Apostila ESAB de soldagem MIG/MAG (2005)

O processo de soldagem MAG caracterizado pelo uso de gs de proteo ativo, ou mistura
de gases, com caractersticas descritas conforme figura 2 abaixo:

Figura 28: Processo de soldagem MAG


Fonte: Apostila ESAB de soldagem MIG/MAG (2005)

1. Cabo de solda (NEGATIVO)
2. Refrigerao da tocha (GUA)
3. Gs de proteo
4. Gatilho da tocha
5. gua de refrigerao para tocha
6. Condute do arame
7. Gs de proteo vindo do cilindro
8. Sada de gua de refrigerao
9. Entrada de gua de refrigerao
10. Entrada de 42 V (CA)
11. Cabo de solda (POSITIVO)
12. Conexo para a fonte primria (220/380/440 V)

Ao soldar-se a referida junta, pelo processo especificado, obtm-se no cordo de solda,
aparentes defeitos (porosidades, mordeduras e respingos), em funo das variveis primrias
(voltagem, amperagem e velocidade de soldagem) no estarem devidamente reguladas.
O soldador verifica o cordo de solda que executou na pea de ensaio para parametrizao
do processo e aponta o resultado obtido em relao aos parmetros e defeitos visualizados.
Desta forma, teremos variaes de voltagem, amperagem e velocidade de soldagem ao
executar-se a soldagem da junta. Tambm so percebidos os defeitos decorrentes da prtica de
soldagem, que so relacionados a no observao das variveis de amperagem, voltagem e
velocidade de soldagem que foram estabelecidos primariamente.

39
Para soldar a junta em ao carbono ABNT 1020, na posio plana, utilizando-se o processo
MAG, sem que se apresentem defeitos no cordo requerido, tem-se que observar os seguintes
parmetros:
- Tipo de junta: junta de topo
- Material da junta: Ao ABNT 1020
- Posio de soldagem: Posio plana
- Processo de soldagem: Processo MAG
- Amperagem: 200A
- Voltagem: 20 v
- Velocidade de soldagem: 0.5m/min.
Os defeitos no cordo de solda apresentam-se na medida em que os parmetros definidos
no so mantidos ou so modificados ao longo do processo de obteno do cordo na junta. O
soldador realiza inspeo visual do cordo obtido e baseado em sua anlise, modifica os parmetros
de amperagem, voltagem ou velocidade de soldagem. A caracterizao dos defeitos percebidos na
inspeo indicam as inferncias necessrias aos parmetros a fim de que se obtenha o cordo
desejado: isento de mordeduras, respingos ou porosidades.
Quando o cordo de solda inspecionado apresenta respingos (figura3), os parmetros de
soldagem necessitam ajuste. Como os parmetros que compem o ajuste, no respondem
individualmente pelo resultado buscado, ser necessrio que se avalie cada valor j especificado
para amperagem, voltagem e velocidade de avano da soldagem. Somente um soldador experiente e
qualificado poder identificar a real contribuio dos valores atribudos inicialmente aos parmetros
que no esto atendendo o resultado requerido (cordo de solda isento de respingos).

Figura 29: Cordo de solda com respingos


Fonte: Apostila ESAB de soldagem MIG/MAG (2005)

Pela anlise inicial, podemos afirmar que a presena de respingos no cordo de solda pode
ser atribuido a alta amperagem, baixa voltagem e alta velocidade de soldagem. Entretanto, para que
se corrijam os parmetros citados, os soldadores utilizam o mtodo da tentativa e erro. Como
sabemos, este mtodo ineficiente e oneroso. Um experiente soldador poderia afirmar que a
presena de respingos no cordo de solda resultado da alta amperagem e alta velocidade de
soldagem. Assim, a correo do defeito apresentado seria corrigir os dois parmetros em valores
adequados. Entretanto, na temos como saber quanto o parmetro voltagem afeta os resultados j
corrigidos.
Quando o cordo de solda inspecionado apresenta mordeduras (figura4), os parmetros de
soldagem tambm requerem ajustes. Como j redimensionamos os parmetros para reduzir ou
eliminar os respingos, a abordagem para eliminao das mordeduras no cordo da junta soldada
ser novamente o mtodo de tentativa e erro. Desta vez teremos DUAS sadas indesejadas
(respingos e mordeduras) e TRS parmetros a serem sintonizados. Percebe-se neste instante que
o nvel de complexidade para a soluo da situao problema requer ainda MAIS experincia do

40
soldador e consequentemente mais tempo para se atingir a melhoria requerida. Como os parmetros
que compem o ajuste, no respondem individualmente pelo resultado buscado, ser necessrio que
se avalie cada valor j especificado para amperagem, voltagem e velocidade de avano da soldagem
para corrigir a nova situao.
Figura 30: Mordeduras


Fonte: Apostila ESAB de soldagem MIG/MAG (2005)

O mesmo ocorre quando o cordo de solda inspecionado apresenta porosidades (figura5), os
parmetros de soldagem necessitam novo ajuste. Como j redimensionamos os parmetros para
reduzir ou eliminar os respingos e tambm eliminar as mordeduras na junta soldada, novamente o
mtodo de tentativa e erro ser utilizado. Desta vez teremos TRS sadas indesejadas (respingos,
mordeduras e porosidade) e TRS parmetros a serem sintonizados. A experincia do soldador
ser rigorozamente exigida e consequentemente mais tempo ser necessrio para se atingir a
melhoria requerida. Ser necessrio que se avalie cada valor j especificado para amperagem,
voltagem e velocidade de avano da soldagem para corrigir a nova situao.

Figura 31: Porosidade cordo de solda


Fonte: Apostila ESAB de soldagem MIG/MAG (2005)

Para que se tenham GANHOS de qualidade, tempo, custo e performance no processo
apresentado, foi desenvolvido um sistema fuzzy de recomendaes ao soldador a fim de que no
mais utilize o mtodo de tentativa e erro.
Inicialmente foram definidas as variveis de entrada (input) para o sistema fuzzy na tela FIS
editor (figura 6):
- Amperagem inicial
- Voltagem inicial
- Velocidade-soldagem inicial
- Porosidades
- Respingos
- Mordeduras


41
Figura 32: Tela MATLAB FIS editor


Fonte: Software MATLAB (R2011a)

A ps a definio das entradas (input) foram definidas as variveis de sada (output) na
mesma tela (figura 7):
- Amperagem a ser regulada
- Voltagem a ser regulada
- Velocidade-soldagem a ser regulada

Figura 33: FIS editor - entradas e sadas


Fonte: Software MATLAB (R2011a)

Para cada varivel (entrada ou sada) foram detrminados os parmetros para fuzzificao e
desfuzzificao (figura 8):


42
Figura 34: Parmetros de entrada e sada


Fonte: Software MATLAB (R2011a)

Aps a definio das entradas e sadas, iniciou-se a definio das regras (rules) para
completar a modelao do sistema. As regras foram definidas a partir dos parmetros de cada
varivel, abrangendo as situaes provveis no processo de soldagem MAG em seu
desenvolvimento. Assim a modelagem est apta a orientar os soldadores na execuo da tarefa.
Na figura 9 apresentamos a tela correspondente definio das regras. Foram estabelecidas
cinquenta regras, abrangendo as mais diferentes situaes vivenciadas na execuo da tarefa de
soldar. Para cada inspeo visual realizada pelo soldador, para cada situao identificada no
processo, foram relacionadas provveis solues de regulagem dos parmetros (amperagem,
voltagem e velocidade de soldagem) que pudessem orientar a correo dos parmetros a serem
adotados na nova regulagem do processo e assim obter-se um cordo de solda isento de defeitos
aparentes (respingos, mordeduras ou porosidades).
Aps a modelagem do sistema fuzzy, obtemos respostas atravs de grficos e assim
podemos aprimorar as regras e simular resultados. Uma vez que estamos convencidos das solues
apresentadas, passamos a adotar o modelo.
Para o processo de soldagem MAG aqui apresentado, os demais parmetros no sero
considerados para a busca de melhores resultados no processo.

Figura 35: Editor de Regras


Fonte: MATLAB (R2011a)

Na figura 10 podemos verificar graficamente o resultado das regras definidas e a resposta
obtida pela modelagem:


43
Figura 36: Visualizador grfico das regras


Fonte: MATLAB (R2011a)

Para a situao em que necessrio soldar uma junta de topo em ao carbono ABNT 1020,
na posio plana, utilizando-se o processo MAG, sem que se apresentem defeitos no cordo
requerido, os parmetros abaixo devem ser observados:
- Tipo de junta: junta de topo
- Material da junta: Ao ABNT 1020
- Posio de soldagem: Posio plana
- Processo de soldagem: Processo MAG
- Amperagem: 200A
- Voltagem: 20 v
- Velocidade de soldagem: 0.5m/min.
Entretanto, se o soldador IDENTIFICAR no cordo de solda a presena de defeitos
como porosidade, mordeduras ou respingos, o mesmo dever considerar a observncia dos
parmetros de amperagem, voltagem e velocidade de soldagem sugerida pelo sistema para inferir
novos dados no processo e assim corrigir a situao evidenciada.
Por outro lado, a anlise da situao poder ser realizada a partir da manipulao
grfica (grfico 10) para a obteno de novas sugestes de melhorias. Os parmetros de sada sero
modificados medida que se manipulam os grficos definidos no modelo a partir da LINHA
CENTRAL de cada entrada dos dados modelados.
O sistema responde indicando as probabilidades a serem consideradas na correo do
processo para cada dado de sada (amperagem sugerida, voltagem sugerida e velocidade soldagem
sugerida). Na tabela 1 abaixo, apresentamos uma situao tpica de comportamento do sistema de
soldagem MAG, considerando-se as variveis de entrada e sada j mencionadas:
Tabela 2: Parmetros definidos para o processo MAG
PARMETRO
S
VALORES
EVIDENCIADOS
Tipo de Junta Junta de topo
Material da
junta
Ao ABNT 1020
Posio de
soldagem
Posio plana
Processo de
soldagem
Processo MAG
Amperagem 200 A
Voltagem 20 v
Velocidade de
soldagem
0.5m/min.
Fonte: Nilo Scheidmandel e Jairo Machado ( 2012)

44

O soldador realizou o ajuste dos parmetros de acordo com a tabela 1e iniciou o
processo de soldagem requerido em uma pea teste, para confirmar os resultados exigidos: cordo
de solda isento de respingos, mordeduras ou porosidades.
Ao inspecionar a pea teste, verificou a presena de GRANDE quantidade de
respingos e discreta presena de mordeduras no cordo de solda. Anotou as evidncias e realizou a
leitura dos parmetros de soldagens (amperagem, voltagem e velocidade de soldagem) na mquina
de solda, obtendo os resultados apresentados na tabela 2:

Tabela 3:Parmetros evidenciados no processo MAG
PARMETRO
S
VALORES
EVIDENCIADOS
Tipo de Junta Junta de topo
Material da
junta
Ao ABNT 1020
Posio de
soldagem
Posio plana
Processo de
soldagem
Processo MAG
Amperagem 270A
Voltagem 20 v
Velocidade de
soldagem
0.4m/min.
Fonte: Nilo Scheidmandel e Jairo Machado ( 2012)

Percebe-se notvel variao na amperagem e pequeno decrscimo na velocidade de
soldagem. Os demais parmetros permanecem iguais e, portanto no inferem ou interferem na
anlise realizada. Para corrigir o resultado do cordo de solda, ser necessrio INFERIR novos
parmetros no processo de soldagem at que se obtenha o resultado requerido.
Ao acessar o sistema Fuzzy, o soldador verifica que a indicao diminuir a
amperagem, manter a voltagem e aumentar a velocidade de soldagem. Como no h indicao de
QUANTO diminuir ou aumentar, o soldador atuar concomitantemente na variao de valores dos
parmetros de voltagem e amperagem, at obter o resultado requerido. O resultado na obteno dos
novos valores buscados ser mais rpido, com foco definido (amperagem e voltagem) permitindo ao
soldador conduzir o processo aos valores de controle do processo.
Podemos analisar os resultados possveis, manipulando os grficos das regras
(figura10) determinando as variaes para cada varivel de entrada, obtendo-se assim novas
respostas para a situao evidenciada.
Desta forma, no exerccio acima descrito, foram ajustadas as entradas de
amperagem (deslocada linha mediana para a esquerda = aumento), velocidade de soldagem (
deslocada linha mediana para esquerda = aumento), voltagem ( deslocada a linha mediana para a
esquerda = aumento) , respingos (deslocada a linha mediana para a esquerda = muito) e
mordeduras (deslocada a linha mediana para a direita, passando do centro = menos) obtendo-se
assim indicao grfica da situao evidenciada na avaliao do cordo de solda. Na figura 11
apresentamos o resultado:

45
Figura 37: Tabela grfica das regras com "ajustamento" da linha central, conforme parmetros evidenciados.


Fonte: MATLAB (R2011a)

A leitura do resultado desta manipulao est identificada na figura 12 e corresponde
orientao de diminuir a amperagem, manter a voltagem e aumentar a velocidade de soldagem.

Figura 38: Resultado dos parmetros de sada - Amperagem, Voltagem e velocidade de soldagem.

Fonte: MATLAB (R2011a)
Comparando-se os grficos das tabelas da figura 10 com os grficos das tabelas da
figura 11 pode-se visualizar a DIFERENA significativa nas indicaes grficas para o problema
evidenciado.
Podemos concluir que a modelagem Fuzzy atende as necessidades propostas no
exerccio de orientao ao soldador do processo MAG, no que tange modelagem realizada em
funo das variveis definidas na realizao do cordo de solda. O modelo construdo poder ser
implementado, criando-se interface de leituras amigveis aos soldadores dos processos de
soldagem, cabendo realizao de estudos futuros para o melhor entendimento do software

46
MATLAB e o alinhamento objetivo das necessidades do processo de soldagem MAG. Ser
necessrio tambm ampliar as variveis de entrada e sada do sistema e reordenar os parmetros de
cada varivel, considerando-se a complexidade do processo de soldagem.

3. Desenvolvimento de rede neural para clculo de velocidade de avano em usinagem com
insertos, utilizando-se tabela de referncia da SANDVIK

Para a modelagem de uma rede neural de tomada de decises, foi utilizada uma tabela de
referncia (figura 13) da empresa SANDVIK utilizada para determinao de insertos em
ferramentas de usinagem, em conformidade com a classe dos materiais a serem usinados, fora de
corte requerida, especificao da dureza dos materiais, velocidade de avano, especificao do
inserto, e velocidade de corte.
Figura 39: Tabela SANDVIK de referncia.


Fonte: Material didtico prof. Dr. Orlando Mauricio Durn Acevedo (2012)

Na figura acima, para a construo da rede neural, quando da descrio dos parmetros
codificou-se a caracterizao dos insertos da seguinte maneira:
- CT 5015 = 1
- GC 1525 = 2
- GC 1025 = 3
Para definio da rede neural, foram criadas duas matrizes de dados, baseadas nos dados da
figura 13, de tal forma que a primeira matriz corresponde a matriz de entrada, de ordem 5x81 e uma
matriz de sada de ordem 1x81. Os dados inseridos foram tabulados da seguinte forma:
- Indicado valor do cdigo do material coromant (CMC, exemplo 01.1), especificao da
fora de corte (por exemplo, 2000N/mm), especificao da dureza Brinell (por exemplo,
125 HB) correspondente, especificao da velocidade de avano (por exemplo, 0.1mm/r),
especificao do tipo de inserto (exemplo, CT 5015 correspondendo na matriz ao nmero 1).
- Indicado valores de velocidade de corte para matriz de sada.
Aps as definies mencionadas, passou-se a estruturar a rede neural, determinando-se os
parmetros requeridos pelo software MATLAB.
Na figura 14 apresentamos a tela inicial (nnstart):


47
Figura 40: Tela inicial nnstart


Fonte: MATLAB (R2011a)

Aps acessar a tela inicial (figura14), acessando o boto fitting tool, temos a tela ( figura 15)
apresentada abaixo:

Figura 41: Tela fitting tool (nntool)


Fonte: MATLAB (R2011a)

Na seta indicativa (1) da figura acima, faremos a entrada de dados (inputs). Para adicionar os
inputs rede neural, basta clicar no boto indicado (1) e selecionar o arquivo de entrada (matriz de
entrada ordem 5x81), que foi previamente definido e j apresentado no pargrafo acima. O mesmo
procedimento necessrio para a definio do arquivo de sada (matriz de entrada ordem 1x81)
clicando no boto indicado (2) na mesma figura. Em seguida, clicamos no boto NEXT e teremos
acesso tela da figura 16 e determinamos as variveis treinamento, validao e teste. Sugere-se o
percentual de at 70% como parmetro de treinamento da rede neural e 15% para validao e 15%
para teste da rede definida.
O prximo passo clicar no boto NEXT e teremos a prxima tela a ser trabalhada.
1
2

48
Figura 42: Validao e teste da rede neural


Fonte: MATLAB (R2011a)

Na figura 16 o nmero indicativo (3) corresponde ao percentual definido para o aprendizado
da rede. O nmero inicativo (4) corresponde ao percentual definido para a validao da rede, e o
nmero indicativo (5) corresponde ao percentual definido a testagem da rede. Aps preencher os
valores percentuais aos respectivos parmetros, clica-se no boto NEXT e teremos a tela indicativa
na figura 17 para a definio das camadas neurais da rede. Em nossa modelagem, usaremos 10
camadas na construo da rede neural, como apresenta o nmero indicativo (6) abaixo:

Figura 43: Tela definio camadas de neurnios


Fonte: MATLAB (R2011a)


Definido o nmero de camadas neurais escondidas, clica-se o boto NEXT no canto direito
da tela e o MATLAB processa a rede neural definida, apresentando a tela indicada na figura 18 da
prxima pgina:

3
4
5
6

49
Figura 44: Tela para treinamento da rede neural


Fonte: MATLAB (R2011a)


O nmero indicador (7) corresponde ao boto de treinamento da rede neural
modelada. Ao clicar este boto, estaremos treinando a rede neural para os parmetros definidos
nas telas anteriores. Os nmeros indicativos (8), (9) e (10) identificam os demais parmetros de
resultado da rede, respectivamente: exemplos criados, regresso dos valores de R e mdia quadrada
dos erros.
Valores de regresso R mede a correlao entre as sadas e metas definidas na rede
neural. Um valor de R igual a um (1) significa uma relao estreita, o valor de zero (0) para a
mesma relao, significa uma relao aleatria.
Quando treinamos a rede neural, devemos ficar atentos aos indicadores de R, pois
quanto mais prximo de um (1) este nmero se aproxima, mais estreita a correlao existente
entre o aprendizado e as respostas obtidas.

Figura 45: Tela INDICANDO o nvel de treinamento da rede neural


Fonte: MATLAB (R20111a)

7
9
8
10
10

50
O nmero indicativo (10) na figura 19 evidencia os valores de R obtidos para o treinamento,
validao e teste da rede neural. Os trs valores aproximam-se de um (1) indicam a forte relao
entre as respostas de referncia e os valores obtidos pela rede treinada.
Na figura 20 abaixo, podemos evidenciar graficamente a relao entre o treinamento, a
validao e o teste da rede:

Figura 46: Relao grfica entre treinamento, validao e resultados da rede neural treinada


Fonte: MATLAB (R2011a)

Analisando cada grfico da figura acima, podemos evidenciar os desvios de resultados e as
assertivas da rede no processo de aprendizado. Com os resultados acima expostos, podemos
esperar resultados relacionais estreitos para esta rede neural. Outras anlises de desempenho
podero ser detalhadas a partir dos resultados do uso especfico da rede determinada.
Salvaremos a rede clicando no boto NEXT no acesso da prxima tela, como indicado na
prxima pgina (figura 21), escolhendo o local de armazenamento do arquivo correspondente
(.mat) para posterior utilizao na definio da velocidade de corte para insertos em usinagem de
matrias.
De posse da rede neural definida, passaremos a utiliz-la da seguinte maneira:
a) Comprovar a eficincia da rede neural desenvolvida, utilizando cinco (5) valores de
referncia da tabela da figura 13 tabela de referncia da empresa SANDVIK, como

51
DADOS de entrada rede neural, para a obteno do valor da velocidade de corte
para usinagem em materiais de ao carbono.
b) Comparar os cinco (5) resultados obtidos da rede neural com os resultados definidos
na tabela da figura 13 da empresa SANDVIK,
Sero organizados os dados em formato de matriz, seguindo-se a mesma orientao dos
dados de alimentao da rede neural. Os dados apresentados sero identificados como S1, S2, S3,
S4 e S5 conforme tabela abaixo:

Tabela 4: Dados para obteno dos valores de velocidade de usinagem
D
ADOS
VALORES
EVIDENCIADOS
S
1
[ 110 2000 125 0.2 1]
S
2
[ 210 2150 180 0.1 2]
S
3
[ 130 2200 170 0.3 3]
S
4
[ 311 2500 200 0.05 1]
S
5
[ 620 2100 200 0.2 2]

Fonte: Jairo Machado e Nilo Scheidmandel (2012)

Na tabela 4 apresentaremos os dados completos da empresa SANDVIK para comparao
dos resultados obtidos:

Tabela 4: Dados completos para obteno dos valores de velocidade de usinagem da empresa SANDVIK
D
ADOS
VALORES
EVIDENCIADOS
Vel. corte (m/min) Rede Neural
S
1
[ 110 2000 125 0.2 1] 440 m/min
S
2
[ 210 2150 180 0.1 2] 320 m/min
S
3
[ 130 2200 170 0.3 3] 210 m/min
S
4
[ 311 2500 200 0.05 1] 395 m/min
S
5
[ 620 2100 200 0.2 2] 105 m/min

Fonte: Jairo Machado e Nilo Scheidmandel (2012)

Para obtermos os dados da velocidade de corte, a partir dos parmetros da tabela 3, vamos
acessar a tela indicada na figura 21(na pgina seguinte), observando os passos abaixo:
1. Criar a varivel S1digitando os valores correspondentes na sintaxe:
S1 = [ 110 2000 125 0.2 1]
2. Criar a varivel S1 com a sintaxe:
S1 = S1
3. Digitar o comando SIM com a sintaxe:
SIM (net, S1);

52
4. Obter o nmero correspondente a velocidade de corte especificada pela rede
neural;

Em seguida, completaremos os dados na tabela 5 e comparamos os resultados obtidos pela
rede neural com os valores da tabela da empresa SANDVIK.
Vejamos os passos executados na tela da figura 21 e respectivos nmeros indicadores:

Figura 47: Tela comando SIM e respostas da velocidade de corte


Fonte: MATLAB (R2011a)

Repetimos os mesmos passos para as demais variveis S2, S3, S4 e S5 e obteremos os
valores correspondentes. Agora podemos completar os dados na tabela 5:

Tabela 5: Dados completos para COMPARAO dos valores de velocidade de usinagem
D
ADOS
VALORES
EVIDENCIADOS
Vel.
corte (m/min)
Re
de Neural
%
assertividade
S
1
[ 110 2000 125 0.2 1] 440
m/min
42
4 m/min
96%
S
2
[ 210 2150 180 0.1 2] 320
m/min
31
1m/min
97%
S
3
[ 130 2200 170 0.3 3] 210
m/min
20
5m/min
98%
S
4
[ 311 2500 200 0.05
1]
395
m/min
37
0m/min
93%
S
5
[ 620 2100 200 0.2 2] 105
m/min
10
2m/min
97%

Fonte: Jairo Machado e Nilo Scheidmandel (2012)

Na comparao dos dados, percebe-se claramente a estreita relao existente entre o
aprendizado da rede neural e os dados obtidos na tabela de referncia.
Calculando a mdia da assertividade dos dados comparados teremos:


Passo 1
Passo 2
Passo 3
Velocidade de corte

53


Ento a mdia de assertividade para esta rede neural de 96,2 %
Podemos afirmar que na comparao das respostas dos dados obtidos pela rede neural, a
diferena entre o valor de referncia e o valor calculado oscilou em 2% para S3 e em 7% para S4.
Eliminando-se o melhor resultado e o pior resultado da tabela, teramos uma mdia de 96,6%. Em
teste a rede neural atingiu 97,9 % de assertividade, com um significativo desvio (ver figura 20).
Podemos concluir que os resultados obtidos podem ser melhorados, a partir da reviso dos
parmetros de modelagem da rede neural e suas caractersticas de desempenho. Para obtermos
resultados ainda melhores na avaliao da rede neural necessrio aumentar a quantidade de
variveis de teste, de tal forma a obter-se respaldo estatstico na anlise dos resultados obtidos.
Aprofundar o entendimento das funcionalidades e aplicaes do software MATLAB
tambm so requisitos importantes para melhorar os resultados j obtidos.
Como recomendaes futuras, indicamos a construo de novos experimentos em redes
neurais, com aplicaes em processos com maior nmero de variveis a partir da definio de
projeto especfico para esta finalidade.

4. Aplicao de algoritmo gentico no clculo de custos totais de armazenamento em
almoxarifado de matrias

Ao utilizarmos a modelagem por algoritmos genticos (optimtool) buscamos uma aplicao
na rea de logstica e administrao dos materiais. Aps breve discusso sobre o tema, definiu-se a
abordagem de estoque de materiais como o tema a ser desenvolvido. Especificamente, o clculo do
custo total envolvendo do lote econmico. A partir da anlise da quantidade ideal a ser adquirida
em cada operao de reposio de estoque (lote econmico), da parametrizao de valores de custo
total e custo de estocagem mnimo para o perodo considerado, calcularemos o custo total de
armazenamento, modelando os algoritmos genticos (optimtool) do software MATLAB.
A frmula do lote econmico de compra (Q) dada por:

Equao (1): Clculo do lote econmico


Fonte: Bowersox e Closs (2001)

Onde A o custo de armazenagem, C

o custo de obteno, P o preo de compra, I a
taxa de juros e D a Demanda.
O custo total do lote econmico pode ser calculado pela frmula abaixo:

Equao (2): Clculo do custo total do lote


Fonte: Bowersox e Closs (2001)


Onde CT o custo total, C o custo de obteno, D a demanda, Q o lote econmico, I
a taxa de juros e A o custo de armazenagem.
O modelo do lote econmico de compra (Q) criticado por vrios autores, pois o mesmo
pressupe demanda constante durante o perodo em estudo, o que na prtica no acontece. Tambm
temos que considerar outros custos envolvidos no clculo do lote, como custo de carregamento,

54
aluguel de rea ocupada (dependem de rateios questionveis) e custos de obsolescncia (difceis de
mensurar).
Segundo Bowersox e Closs (2001, p.215), h trs tipos de tcnicas de previso do lote
econmico: qualitativa, de sries temporais e causais.

As tcnicas qualitativas usam informaes como opinies de especialistas e dados especiais
para prever o futuro. Uma tcnica qualitativa pode considerar o passado ou no.

Tcnicas baseadas em sries temporais concentram-se inteiramente em padres histricos e
alteraes desses padres, para gerar previses.

As tcnicas causais, como as tcnicas de regresso, usam variveis explicativas ou
independentes para descrever uma relao entre um evento importante e suas principais causas.
Para o exerccio do uso de algoritmos genticos, usaremos a equao (1) para clculo de lote
econmico e a equao (2) para o clculo do custo total do lote econmico.

Para acessar a tela de algoritmos genticos, devemos digitar na tela do MATLAB a palavra
optimtool, como mostrado pelo nmero indicativo (1) na figura 22 abaixo:

Figura 48: Tela MATLAB optimtool


Fonte: MATLAB (R2011a)

Aps digitar o comando optimtool, tem-se acesso tela optimization tool, como mostra a
figura 23 abaixo. Nesta tela, sero digitados os parmetros de definio do algoritmo gentico
necessrio resoluo do clculo do custo do lote econmico.

1
0

55
Figura 49 : Tela Setup and Results

Fonte: MATLAB (R2011a)

Na figura 23, o nmero indicativo (2) corresponde escolha da funo a ser utilizada. Para o
exemplo de aplicao que estamos apresentando, definimos a funo como sendo algoritmo
gentico (ga genetic algorithm). O nmero indicativo (3) corresponde funo (fitness function)
que ser utilizada. Em nosso exemplo usaremos as equaes (1) e (2) para informara varivel (@)
deste campo. Entretanto, antes de informar a varivel, necessitamos escrever a equao em
linguagem apropriada, criando assim a varivel necessria utilizao do algoritmo gentico como
mostrado na figura 24:

2
3
0
4
0
5
0

56
Figura 50:Tela edio da equao para clculo do lote


Fonte: MATLAB (R2011a)

importante ressaltar que a descrio da funo acima, foi obtida a partir da equao (2):

Equao (2): Clculo do custo total do lote


Fonte: Bowersox e Closs (2001)

Onde o valor de C corresponde a R$ 3,00; o valor de D corresponde a 5000 unidades; o
valor de I corresponde a 0,7 e o valor de A corresponde a R$ 150,00.
Com os valores acima descritos, a equao tem a seguinte forma:

Equao 3: Frmula do clculo para os parmetros definidos


Fonte: Jairo Machado e Nilo Scheidmandel (2012)

Agora que temos a funo definida, voltamos tela da figura 23 e preenchemos a varivel
(@lote_fun). Apresentamos na figura 25 o preenchimento da tela e o resultado obtido.


57
Figura 51: Indicao da varivel @ e resultado obtido


Fonte: MATLAB(R2011a)

Na figura 25 o nmero indicativo (3) corresponde a varivel (@) informada. O nmero
indicativo (4) corresponde ao nmero de variveis da equao, o nmero indicativo (5) corresponde
ao limite mnimo, o nmero indicativo (6) indica o boto de incio do clculo solicitado e o nmero
indicativo (7) corresponde ao resultado obtido aps rodar (start) o clculo solicitado.
Aps executar as iteraes necessrias, para uma 100 geraes (figura 26),a resposta obtida
foi o valor de Ct = 39.131,56. Ou seja, o custo total para aquisio do lote mnimo ser
representado por Ct = R$ 39.131,56 para a situao determinada na definio da funo do
exemplo apresentado.

Figura 52: Convergncia de resultados para 100 geraes


Fonte: MATLAB (R2011a)
3
0
4
0
5
0
6
7

58

importante evidenciar que o resultado obtido poder ser melhorado se ao invs de
considerarmos 100 geraes, considerarmos 400 geraes (figura 27).

Figura 53: Convergncia de resultados para 100 geraes


Fonte: MATLAB (R2011a)

Mudando o critrio de geraes, temos NOVO resultado, para a mesma situao, ou seja: o
resultado obtido ser Ct = 20.598,00. O custo total para a aquisio do lote mnimo passou a ser de
R$ 20.598,00. Isto se deve ao aprimoramento gentico obtido pelo incremento de geraes.
Outras consideraes podero ser apuradas, mas imprescindvel o entendimento aqui
apresentado para que se possa aprofundar o estudo e aplicaes.
Como consideraes futuras, sugerimos a reviso dos contedos relacionados ao conceito de
estoque mnimo e custos que envolvem tal situao, bem como entendemos necessria a reviso do
entendimento matemtico dos algoritmos genticos e sua aplicao pelo software MATLAB.

5. Consideraes finais

O software MATLAB mostrou-se de fcil compreenso e muito interativo em seu uso. um
software para modelagem que integra capacidade de realizar clculos, programaes e visualizaes
grficas em ambiente amigvel e de fcil entendimento. O programa possui ferramentas para vrios
tipos de aplicaes, possibilitando adaptaes atravs de comandos especficos para que se possam
modelar situaes e questionamentos nas mais variadas reas do conhecimento.
As aplicaes previamente modeladas que foram utilizadas na apresentao deste
documento (lgica Fuzzy, algoritmos genticos e redes neurais) proporcionaram grande
aprendizado e reflexo sobre as situaes estudadas e as aplicaes realizadas.
Na utilizao da lgica Fuzzy, conclumos que a modelagem realizada atende as
necessidades propostas no exerccio de orientao ao soldador do processo MAG. O modelo
construdo dever ser melhorado, criando-se interface de leituras amigveis aos soldadores dos
processos de soldagem, cabendo realizao de estudos futuros para o melhor entendimento do
software MATLAB e o alinhamento objetivo das necessidades do processo de soldagem MAG.
Ser necessrio tambm ampliar as variveis de entrada e sada do sistema e reordenar os
parmetros de cada varivel, considerando-se a complexidade do processo de soldagem. A riqueza
de informaes complementares que so obtidas atravs dos grficos gerados, e das possibilidades

59
de inferncia na modelagem realizada do-nos a certeza de que muito h que ser entendido, porm o
caminho j conhecido.
Em se tratando da modelagem de redes neurais, os resultados alcanados foram
surpreendentes, pois a criao da rede neural, o treinamento da rede e as respostas obtidas na
validao prtica da rede demonstraram a capacidade e fora desta ferramenta de trabalho na
aplicao em usinagem. Utilizando-nos da tabela de insertos e recomendaes de uso da empresa
sandvik, disponibilizada pelo prof. Dr. Orlando Mauricio Durn Acevedo, foram inseridos dados da
prpria tabela, comparando-se os resultados obtidos a fim de comprovar o aprendizado da rede
neural. Podemos afirmar que na comparao das respostas dos dados obtidos pela rede neural, a
diferena entre o valor de referncia e o valor calculado oscilou em 2% e 7% demonstrando assim a
capaciade acertiva da modelagem. Podemos concluir que os resultados obtidos podem ser
melhorados, a partir da reviso dos parmetros de modelagem da rede neural e suas caractersticas
de desempenho. Resultados melhores na avaliao da rede neural sero possveis aumentando-se a
quantidade de variveis de teste. Aprofundar o entendimento das funcionalidades e aplicaes do
software MATLAB tambm so requisitos importantes para melhorar os resultados j obtidos.
Como recomendaes futuras, indicamos a construo de novos experimentos em redes
neurais, com aplicaes em processos com maior nmero de variveis a partir da definio de
projeto especfico para esta finalidade.
Ao utilizarmos a modelagem por algoritmos genticos buscamos uma aplicao simples na
rea de logstica e administrao dos materiais. A abordagem de estoque de materiais,
especificamente o clculo do custo total do lote econmico, levou-nos a modelar matematicamente
uma funo que nos apresentasse o melhor resultado. Analisaremos a quantidade ideal a ser
adquirida em cada operao de reposio de estoque (lote econmico) parametrizando valores de
custo total, considerando-se o custo de estocagem mnimo para o perodo considerado, chegando-se
assim a valores de estoque mnimo e custos relacionveis. O resultado obtido (custo total de
armazenamento) ser indicativo de MELHOR abordagem para a definio do perfil financeiro do
estoque de materiais estudado.
O exerccio de aplicao das modelagens Fuzzy, algoritmos genticos e redes neurais do
presente documento indicam a forma inicial de aprendizado do software MATLAB. Muito h para
ser aprendido e aplicado. Muito esforo ainda necessrio para que se alcancem melhores
resultados na aplicao das ferramentas apresentadas. Sugerimos complementar o aprendizado com
mais leituras e novos exerccios de aplicao.


Referncias

BALLOU, H. Ronald. Logstica empresarial. So Paulo: Atlas, 2009.

BERTAGLIA, Paulo Roberto. Logstica e Gerenciamento da Cadeia de Abastecimento.
4ed. So Paulo: Saraiva, 2006

BOWERSOX, Donald J. GLOSS, David. Logstica Empresarial: o processo de
integrao da cadeia de suprimentos. 1 Ed. So Paulo: Atlas, 2001.

ESAB, Apostila de Soldagem MIG/MAG. So Paulo: ESAB, 2005.

SLACK, Nigel et al. Administrao da Produo. So Paulo: Atlas, 2002.

SARAVANAN, R. Manufacturing Otimization Through Intelligents Techiques,1 Ed. 2006




60


Inteligncia Computacional na Manufatura atravs do Software Matlab




Jaqueline Varela Maiorka
Universidade de Passo Fundo UPF Passo FundoBrasil
jaque_maiorka@hotmail.com

Samuel Scheleski
Universidade de Passo Fundo UPF Passo FundoBrasil
engss@bol.com.br


Resumo
O objetivo deste trabalho aplicao de trs ferramentas da Inteligncia Artificial na soluo de
problemas identificados na engenharia.
Dessa maneira, inicialmente os sistemas computacionais sero brevemente abordados apresentados
suas caractersticas e finalmente, apresentaremos a aplicao de cada sistema
os mesmos sero solucionados atravs da aplicao de 03 ferramentas computacionais diferentes.
Este documento est escrito de acordo com o modelo indicado para os artigos, assim, serve de
referncia, ao mesmo tempo em que comenta os diversos aspectos da formatao. Observe as
instrues e formate seu artigo de acordo com este padro. Solicitamos que observe com ateno as
indicaes aqui contidas, pois uma formatao correta contribui para uma boa avaliao do seu
artigo.
Palavras-chave: Inteligncia Computacional , Manufatura , Matlab
.




Mestrado Profissional em Projeto e Processos de Fabricao
UPF-FEAR
Passo Fundo RS Brasil




61


1. Sistemas Inteligentes

Os sistemas inteligentes, tambm chamados de sistemas especialistas so desenvolvidos para
interagir e aprender sobre os usurios, ou tentar compreender sobre os interesses dos usurios. Estes
sistemas utilizam de tcnicas de busca heursticas para oferecer uma variedade de opes que o
usurio pode necessitar.
H uma vasta gama de aplicaes que podem ser empregados, assim como h vrios tipos de
sistemas especialistas. Ou seja, sistemas inteligentes possuem subdivises no qual se diferenciam
uns dos outro principalmente pela forma que os dados/informaes so tratados. Vejamos Figura 01
no qual apresenta os tipos de sistemas inteligentes existentes. Neste trabalho, iremos abordar
especificadamente o uso da inteligncia computacional para o solucionamento de problemas na
engenharia mecnica.

Figura 01: Sistemas Inteligentes

Fonte: Prof. Fernando Gomide, Curso EA 072 Inteligncia
Artificial em Aplicaes Industriais

Os sistemas especialistas se destinam a auxiliar o tomador de decises na manipulao de
problemas de decises mal-estruturados. O termo mal-estruturado significa que os fatores
determinantes para a deciso so desconhecidos, em nmero muito elevado ou sujeitos a
interdependncias impenetrveis (SCHEER, 1993).

62
Os sistemas especialistas podem proporcionar suporte em duas situaes diferentes, isto :
1) escolha de informaes relevantes e disponveis; e/ou
2) escolha das ferramentas que podem ser utilizadas para processar essas informaes e na
interpretao e avaliao dos resultados.
Cabe ressaltar que as informaes podem consistir de dados ou de modelos que representem
uma seo de determinada operao real.
Outro quesito importante quanto multiplicidade de informaes, pois quanto mais
variado o nmero de opes que podem ser escolhidas, mais sobrecarregadas as solues
sistemticas iro se tornar. Podemos citar como exemplo, a configurao de um sistema para as
reas de compras onde a lista de materiais /matria-prima ampla e diversificada.
Muito embora possamos encontrar algumas dificuldades para a implantao de um sistema
especialista tambm podemos citar muitas vantagens, sendo estas:
- abordagem heurstica escolha entre solues, isto , nem todas as possveis solues so
exploradas mas apenas as que apresentarem elevada probabilidade de sucesso (fatores de certeza);
- rea-problema a ser representada no precisa ser integralmente descrita;
- os sistemas especialistas so capazes de aprender;
- so capazes de explicar as medidas adotadas e os passos escolhidos;
- so capazes de requisitar informes ausentes necessrias soluo do problema;
- tm capacidade de manter em separado as informaes objetivas, as regras e os componentes
solucionadores de problemas.
Uma vantagem bem interessante quanto otimizao de custos que os sistemas podem
proporcionar. Vejamos um exemplo:
- Com a ajuda de um sistema de classificao de materiais, no qual as matrias-primas estejam
classificadas de acordo com caractersticas tcncias e fsicas, podem ser calculadas os custos de
utilizao de matrias-primas alternativas. A otimizao dos custos de produo implica a
alternativa de se achar uma variante de planejamento de operaes de trabalho de menor custo ou a
necessidade de substituir um processo de produo por outro mais econmico (SCHEER, 1993).
Finalmente, vale ressaltar que h diferentes tipos de sistemas computacionais, no entanto, os
mesmos podem estar interligados, conforme pode ser visto na Figura 02 abaixo ilustrada.







63



Figura 02: Sistemas Computacionais

Fonte: Prof. Fernando Gomide, Curso EA 072 Inteligncia
Artificial em Aplicaes Industriais


2. Lgica Difusa
Segundo LGICA DIFUSA. In: WIKIPDIA a lgica Fuzzy tambm chamada de lgica
Difusa e uma extenso da lgica boleana que admite valores lgicos intermedirios entre o
FALSO (0) e o VERDADEIRO (1).
As implementaes da lgica fuzzy permitem que estados indeterminados possam ser tratados por
dispositivos de controle. Desse modo, possvel avaliar conceitos no-quantificveis. Casos
prticos: avaliar a temperatura (quente, morno, mdio, etc...), o sentimento de felicidade(radiante,
feliz, aptico, triste...), a veracidade de um argumento (correctssimo, correcto, contra-
argumentativo, incoerente, falso, totalmente errneo, etc..)
A lgica fuzzy deve ser vista mais como uma rea de pesquisa sobre tratamento da incerteza, ou
uma famlia de modelos matemticos dedicados ao tratamento da incerteza, do que uma lgica
propriamente dita. A lgica difusa normalmente est associada ao uso da proposto por L
Ao trabalhar com a lgica fuzzy comum chamar a lgica boleana de lgica ntida.

64
Vrios pesquisadores de verses booleanas de lgica no aceitam a lgica fuzzy como uma
verdadeira lgica, no sentido em que aceitam, por exemplo, a lgica modal. Isso pode ser associado
a diferentes fatos, entre eles o fato de muitos modelos permitirem solues aproximadas que no
correspondem a uma "verdade" lgica.
2.1 . Problema Proposto

O problema proposto o desenvolvimento de um modelo fuzzy que ajude os projetistas na
seleo de rolamentos em em seus projetos. O modelo foi desenvolvido com base no catalogo
online da skf. Os parmetros de entrada so:


espao disponvel
cargas
desalinhamento
preciso
velocidade
giro silencioso
rigidez
deslocamento axial
montagem e desmontagem
vedantes integrados


Os parmetros de sada so os tipos de rolamento:

Rgidos de esferas;
Tipo Y;
Esferas de contato angular;
Auto compensadores de esferas;
Rolos cilndricos;
Rolos de agulhas;
Agulhas combinadas;
Rolos cnicos;
Auto compensadores de rolos;
Rolos toroidais;
Axiais de esferas;
Axiais de esferas de contato angular;


65
Axiais de rolos cilndricos;
Axiais de rolos de agulhas;
Axiais autocompensadores;

A figura 3 mostra a tela inicial com o diagrama inicial com os dados de entrada e sada
montado no toolbox fuzzy do matlab.

Figura 3 Tela Inicial Toobox Fuzzy


Abaixo a figura 4 mostra a tela do matlab com os resultados obtidos conforme 4 regras
estipuladas. As regras podem ser modificadas pelos projetistas com base em suas experincias.















66
Figura 4 Resultados com base nas regras


2.2 Concluses

Com a anlise dos resultados podemos concluir que o diagrama desenvolvido pode agilizar a
seleo dos rolamentos. Ele deve ser aprimorado, acrescentando-se mais parmetros e mais
variveis. Esse aprimoramento acontecer quando o mesmo for utilizado. A cada utilizao se
poder detectar problemas e acrescentar informaes.

3. Algoritmos Genticos

Um algoritmo gentico (AG) uma tcnica de busca utilizada na cincia da computao
para achar solues aproximadas em problemas de otimizao e busca, fundamentado
principalmente pelo americano John Henry Holland. Algoritmos genticos so uma classe particular
de algoritmos evolutivos que usam tcnicas inspiradas pela biologia evolutiva como
hereditariedade, mutao, seleo natural e recombinao (ou crossing over).
- no necessitam de nenhum conhecimento derivado do problema, apenas de uma forma de
avaliao do resultado;
- usam transies probabilsticas e no regras determinsticas.
Para (TELES e GOMES, 2010). Os algoritmos genticos bsicos funcionam da seguinte
forma:

67
1.Gerao da populao inicial que consiste de um conjunto de possveis solues para o
problema a ser resolvido. Essa populao geralmente gerada de forma aleatria;
2.A populao avaliada (de acordo com uma funo chamada funo de custo) e cada
cromossomo recebe um valor que reflete sua qualidade para resoluo do problema;
3.Depois de avaliados, os indivduos passam por um processo de seleo onde os
indivduos mais aptos so selecionados e os menos aptos so descartados;
4. So aplicados os operadores genticos nos cromossomos selecionados. Os operadores
genticos mais conhecidos so o de cruzamento e o de mutao;
5. Uma nova gerao de solues obtida contendo os descendentes gerados pelas
modificaes realizadas na etapa 4;
6. As etapas de 2 a 5 so repetidas at que seja encontrada uma soluo satisfatria.

A Populao inicial gerada de forma aleatria, a populao inicial o ponto de partida
para a evoluo do algoritmo gentico. Cada um dos indivduos da populao representa uma
possvel soluo para o problema. Uma vez gerada, a populao avaliada pela funo de custo. A
populao de um AG formada por indivduos. A representao desses indivduos define como a
estrutura ser manipulada. Essa representao depende do tipo de problema a ser resolvido. Os
principais tipos de representao binria, real e simblica. A representao binria utilizada para
problemas inteiros e numricos, sendo que os problemas numricos tambm podem fazer uso de
representao real.
Para (SARAVANAN, 2006) o operador de crossover o principal responsvel para o
aspecto de busca de algoritmos genticos, muito embora o operador de mutao tambm usado
com moderao para este fim.
(SARAVANAN, 2006) afirma:

...O operador de mutaes realiza mudanas de 1-0 e vice-versa com uma
probabilidade de mutao pequena, P
m
. A necessidade de mutao manter a
diversidade na populao. Por exemplo, se em determinada posio ao longo do
comprimento da corda tm um valor 0 e uma outra 1, necessrio mutao nessa
posio para obter o melhor, nem reproduo, nem operador de crossover descritos
acima so capazes de criar um 1 nessa posio. A incluso de mutao introduz
alguma probabilidade de se transformar em um 0 que 1. Alm disso, para a
melhoria local de uma soluo, a mutao pode ser til.pg.20

Outra particularidade do Algoritmo Gentico a utilizao de regras probabilsticas para
guias suas buscas. Sendo assim, o comportamento deste sistema pode fornecer respostas at ento
desconhecidas, sendo que os outros sistemas, normalmente, geram respostas j conhecidas. Com
isso, AG fornece resposta em qualquer espao de busca levando o resultado tima desejada.

68


3.1 Descrio do problema

O problema descrito o modelamento de uma mola helicoidal adequada no intuito de
dimensionar seu DIAMETRO EXTERNO (D) com MNIMA MASSA, para o transporte cargas
estabelecidas satisfazendo o desempenho e manter quesitos dimensionais j existentes.
Quesitos pr determinados:
- Dimetro do arame(d);
- N de voltas da mola;
- Volume da mola(Vm);
Variveis:
Dimetro externo da mola(D);

Figura 5: Mola helicoidal

Fonte: (TELES e GOMES, 2010)
3.2 Soluo

Inicialmente, utilizando-se do comando EDITOR (Matlab), foi inserido a funo
ABSOLUTA, no intuito de MINIMIZAR A EQUAO.

Figura 06: Funo proposta

Fonte: (TELES e GOMES, 2010)

Vejamos Figura 07 na qual ilustra a equao inserida no Software Matlab:

69

Figura 07: Funo algoritmo no Matlab

Fonte: os autores (2012)
Aps a insero da funo, prefixando valores dimensionais para a mola, foi solicitado ao
Sotware gerar a funo, sendo assim, o valor fornecido pelo programa como Melhor Valor para o
dimensionamento do Dimetro da Mola foi 7,41023mm e Mdia 7,41717.
Para gerar o grfica abaixo, figura 08, foi selecionado 100 geraes de cromossomos e
selecionado para que funo inicialize do zero, no intuito de apresentar somente valores acima de 0.

Figura 08: Grfico da Funo no Matlab

Fonte: os autores (2012)




70
3.3 Concluso

Atravs do grfico gerado, conclui-se que o desenvolvimento de um Algoritmo Gentico
para a funo escolhida executou bem a tarefa desejada, pois foi apresentado valores prximos aos
ideais em projetos mecnicos, mais especificadamente, para o design de molas helicoidais.
Visando o dimensionamento de outras peas, os resultados alcanados podem ser ainda
eficientes, visto que atualmente, os projetos mecnicos se objetivam na busca de reduo de peso
das peas com os mesmos comportamentos mecnicos.


4. Redes Neurais

Redes Neurais, como o prprio nome diz, a cpia de um neurnio humano em
desenvolvimento, no qual o sistema nervoso se adapte ao seu meio ambiente. Assim, como a
plasticidade essencial para o funcionamento dos neurnios Humano, ela tambm empregada no
conceito de REDE NEURAL.
Na forma geral, uma rede neural uma mquina que projetada para modelar a maneira
como o crebro realiza uma tarefa particular ou funo de interesse; a rede normalmente
implementada utilizando-se componentes eletrnicos e/ou programao em um computador digital.
Para HAYKIN (2000), uma rede neural um processador maciamente paralelo distribuidor
constitudo de unidade de processamento simples, que tm a propenso natural para armazenar
conhecimento experimental e torn-lo disponvel para uso. Ela se assemelha ao crebro em dois
aspectos:
1) O conhecimento adquirido pela rede a partir de seu ambiente atravs de um processo de
aprendizagem;
2) Foras de conexo entre neurnios, conhecidos como pesos sinpticos, so utilizadas para
armazenar o conhecimento adquirido.
A principal vantagem da aplicao de rede neural a capacidade de produzir sadas
adequadas para entradas que no estavam presentes durante o treinamento (aprendizagem). Gerando
assim, capacidade de soluo de problemas complexos e/ou de grande escala.
Uma das aplicaes atravs de um polinmio, representado atravs de CURVE FITTING.
Se utilizarmos esta funo, atravs da interpretao da funo matemtica empregada, a rede neural
responsvel em replicar os coeficientes e/ou componentes da respectiva funo.



71
4.1Descrio do problema

Os processos de usinagem envolvem bastante parmetros, e com isso,geram dificuldade
perante aos programadores das mquinas CNC. Sendo assim, objetiva este exerccio fornecer um
software adequado visando a interpretao correta das informaes geradas.
Vale ressaltar, como trata-se de uma rede neural, o software poder apresentar informaes
adicionais, at ento no conhecidas, justificando ainda mais a importncia da utilizao do mesmo
pelos programadores.
Parmetros pr determinados (informaes de ENTRADA):
- Tipo de material(Ex: 120);
- Fora de Corte ;
- Dureza(HB);
- Avano;
Resposta/varivel (informaes de SAIDA):
- Velocidade de corte(Vc);


4.2 Soluo

Inicialmente, utilizando-se do comando nnstart (Matlab), foi inserido 02 (dois) quadros de
informaes de usinagem j pr estabelecidos pelos fabricantes de Pastilhas. Sendo assim, o
primeiro quadro apresenta valores de ENTRADA e o segundo quadro apresenta informaes de
SAIDA.
Com isso, gerou-se dois bancos de dados, vejamos:
-DADOS DE ENTRADA: (matriz 4x22);
-DADOS DE SADA: (matriz 1x22).

Aps gerar o banco de dados, foi utilizado a funo FITTING TOOL, para efetuar a leitura
probabilstica dos valores fornecidos. Nesta etapa, pode-se alterar vrios critrios, tais como:
tamanho da amostra a ser analisada, quantidade de testes que se deseja efetuar, grfico do
comportamento das variveis inseridas, etc.
Neste experimento, foi utilizado 70% do dados como treinamento; 15% dos dados foram
ocupados para validao e os outro 15% para teste.
Vejamos figura 07, que apresenta a tela de validao.


72





Figura 07: Etapas de Validao

Fonte: os autores (2012)



Finalmente, na tela inicial do Software Matlab, inserimos valores para leitura das
ENTRADAS e conferimos se a resposta, ou seja, se a informao de SAIDA foi similar aos valores
tabelados. As figuras 08, 09, 10, 11 e 12 apresentam os cinco experimentos realizados, com
informaes diferentes de ENTRADA.

73
Figura 08: Teste 01

Fonte: os autores (2012)

Figura 09: Teste 02

Fonte: os autores (2012)

74

Figura 10: Teste 03

Fonte: os autores (2012)
Figura 11: Teste 04

Fonte: os autores (2012)

75

Figura 12: Teste 05

Fonte: os autores (2012)


4.3 Concluso

Atravs das informaes geradas pelo teste e comparadas com as informaes tabeladas,
obteve-se o grfico abaixo:
Tabela 01: Velocidade de corte tabelado x calculado
VC 1 VC 2 VC 3 VC 4 VC 5
TABELA 395 195 650 260 1450
TESTE 396,503 244,8995 634,9695 262,8535 567,775
VARINCIA 0,38% 25% 5,23% 4,61% 60%
Fonte: os autores (2012)

Finalmente, os resultados obtidos foram consideravelmente diferentes ao inicialmente
alimentados atravs do banco de dados, e com isso, acreditamos que a ferramenta LOGICA
NEURAL possa ser vlida, na medida em que, o banco de dados fornea bastante informaes para
o aprendizado do software.

76


Referncias

Livros:

HAYKIN, Simon. Redes Neurais: Principios e prtica. Bookman Editora, 2000. Porto Alegre
Brasil. 2 Edio.

SARAVANAN, Dr. Rajendran. Manufacturing Optimization through Intelligent Techniques.
Estados Unidos: Tylor & Francis, 2006.

Revistas:
Teoria e Prtica na Engenharia Civil, n.15, p.29-39, Abril de 2010. Comparao de algoritmos
genticos e programao quadrtica sequencial para otimizao de problemas em engenharia.
TELES, Mateus Lembi;GOMES, Herbert Martins.



Sites:
http://www.dca.fee.unicamp.br/~gomide/courses/EA072/transp/EA072InteligenciaComputacional7.
1.pdf<stio da internet acessado em 20/01/2012>.

LGICA DIFUSA. In: WIKIPDIA, a enciclopdia livre. Flrida: Wikimedia Foundation,
2011. Disponvel em:
<http://pt.wikipedia.org/w/index.php?title=L%C3%B3gica_difusa&oldid=26878568>. Acesso em:
21 jan. 2012.

Catlogo online SKF , disponvel em <http://www.skf.com.br>. Acesso em: 21 jan. 2012.

77



Modelagem de Solues Prticas de Engenharia com Utilizao de Algoritmo
Genrico, Fuzzy Logic e Redes Neurais atravs do Matlab




Nilson da Luz Freire
Universidade de Passo Fundo UPF Passo Fundo Brasil
luzfreire@oi.com.br

Gleber Dall Agnol
Universidade de Passo Fundo UPF Passo Fundo Brasil
gleberdallagnol@hotmail.com


Resumo
O objetivo deste documento descrever de forma clara um levantamento terico e um exemplo de
aplicao referente ao algoritmo genrico (AG), Fuzzy Logic e Redes Neurais.
Palavras-chave: Algoritmo, Fuzzy, Neurais.



1. Introduo

O Algoritmo Gentico (AG) considerado um mtodo robusto, utilizado basicamente para
resolver problemas em pesquisas numricas, otimizao de funes e aprendizagem de mquinas,
dentre outras reas.
Por outro lado, o Fuzzy Logic permite a construo de sistemas, sendo elaborado para
tomada de decises, enquanto as Redes Neurais consistem na capacidade do computador em
assemelhar-se ao crebro humano, capaz de desenvolver a capacidade de aprendizagem, pois
aprende com a experincia.
Com base nas capacidades e limitaes de cada mtodo, ser apresentado um exemplo
prtico de engenharia para cada um.



2. Algoritmo Gentico (AG)

Atravs da funo de entrada Optimtool na tela principal do Matlab, tem-se acesso a
programao Algoritmo Genrico. Para opo solver deve-se digitar ga Genetic Algoritham.



Mestrado Profissional em Projeto e Processos de Fabricao
UPF-FEAR
Passo Fundo RS Brasil



78
Figura 1 Interface Algorithm Genetic



Descrio do Problema

Os principais problemas de desenvolvimento de um sistema de transmisso que necessita de
correias so:


Problemas:
Determinar o dimetro da polia maior (d1) e a polia menor (d2)
Solues:
Sistema que avalie todas as variveis envolvidas e dimensione os dimetros das polias em
consenso com o sistema, a fim de avaliar os melhores dimetros para d1 e d2.

Modelagem dos Dados

A equaao submetida ao software :




L: Comprimento da correia (mm)
d
1
: Dimetro maior (mm)
d
2
: Dimetro menor (mm)
C: Distncia entre centros (mm)
As variveis d
1
e d
2
o software ira definir em funo do valor l (comprimento da correia)
informado pelos usurios.
Neste exemplo, informamos um valor para L de 1130 mm de comprimento.
A seguir sero apresentados todos os passos para executar esses dados no software:



79
Primeiro Passo:
Aps definidas as funes, passamos para o editor, na interface inicial do matlab para
criarmos a equao no software, com isto indicamos a funo sempre tendo em mente que o nome
informado nessa equao de grande importncia, pois o mesmo ser requerido posteriormente
pelo matlab para compilao dos dados. Na figura abaixo, na primeira linha, percebemos que temos
a nossa varivel entre parnteses e na segunda, as duas variveis determinadas pelos nmeros 1 e 2,
isto porque o matlab interpreta esta codificao atravs de vetores. Realizado isto iremos salvar tal
equao para ser utilizada no matlab.

Figura 2 Editor de Equao



Segundo Passo:
Selecionamos o item genetic algorithm e abaixo informamos o nome da equao,
adicionando antes da equao o simbolo @, em seguida indicamos o numero de variaveis que tem
nosso problema e colocamos um limite de zero para que os valores se mantenham na faixa
estabelecida. Como o algoritimo gentico trabalha com famlias necessario indicarmos diferentes
valores no item population, para com isso termos uma maior varincia de dados e nos
aproximarmos do valor mais aceitvel possvel. Realizados tais procedimentos, iniciamos o
programa.












80
Figura 3 Resultado da Equao 1



Figura 4 Resultado da Equao 2






81
Figura 5 Resulta do Grafico das Equao1 e 2






Resultados Obtidos
Os resultados formecidos pelo algortmo gentico para um comprimento L de 1130 mm, so
d1 igual a 81,337 e d2 igual a 128,836, j para um comprimento de 1800mm, os valores de d1 e d2
foram de 276,061 e 360,848mm, sendo que foram execudas varias anlises no programa e os
valores variam entre os citados acima, mas todos dentro de uma margem aceitvel. Os valores
informados so satisfatrios e representam os valores prximos do ideal.

Concluses

Podemos observar que possvel obter os valores dos diametros d1 e d2, com preciso
apenas informando ao software, o comprimento da correia (L), o que vem confirmar a hiptese de
que possvel resolver outros problemas semelhantes que dependem de uma equao para
desempenhar suas funes. Dessa forma pode contribuir para confirmao de um ponto otimo para
diversos problemas de engenharia.


3. Fuzzy Logic

Utilizando o programa Matlab, programao Fuzzy baseado em experimento do sistema de

82
diagnstico de otimizao de problemas inerentes ao processo de torneamento. Neste processo
foram tomadas aes de entradas com os possveis problemas e sadas com as possveis solues,
para posteriormente aplicarmos esses resultados em situaes prticas.
Com esse mtodo, ser possvel avaliar nveis de otimizao e garantir condies de corte
para minimizar os problemas de operao de torneamento, como por exemplo, componentes
usinados e o melhor intervalo de mxima eficincia dos componentes mecnicos.
A figura 6 apresenta a tela principal do Fuzzy, onde a parte de cor amarela reprenta as
entrada do sistema, a parte azul, a sada e a parte branca, a gerao de regras entre a entrada e sada.


Figura 6 Fuzzy Logic




Descrio do Problema

Entre os principais problemas de usinagem, que dependem das condies de operaes do
mesmo, seguem abaixo:


Problemas:
- Desgaste de Flanco/Entalhe
- Craterizao
- Deformao Plstica
- Aresta Postia
- Pequenas fissuras perpendiculares aresta de corte
- Pequenas fraturas na aresta de corte
- Quebra de pastilha
- Enrolamento de cavacos
- Vibrao

Solues:
- Variaes de velocidade de corte

83
- Variaes de avano
- Variaes de profundidade de corte
- Selecionar classe de ferramenta
- Selecionar raio de ponta
- Selecionar geometria


Modelagem dos Dados

A figura 7 e 8 representam a entrada e a sada dos dados no software (matlab), as quais
representam os problemas e as solues de usinagem respectivamente.

Figura 7 Entradas de Dados




Figura 8 Sada de Dados

84



Cada entrada ou sada deve apresentar opes individuais para quantificar os resultados, pois
a figura 9 apresenta a tcnica de modelar as opes no matlab.

Figura 9 Opes internas de entrada e sada




De posse das alternativas de cada varivel de entradas e sadas, necessrio fazer a todas as
regras que relacionem todos os problemas de usinagem apresentados com as possveis solues, as
quais ficam a carter do conhecimento tcnico usurio.










85
Figura 10 Gerao de regras





Resultados Obtidos

O grfico das regras (figuras 10) relata os parmetros determinados pela gerao das regras
(figuras 11 e12) graficamente, que possibilita manipularmos cada item atravs da movimentao
horizontal da linha, a qual se restringe aos atributos dados na entrada e sada. Dessa forma, atravs
do cdigo gerado pelo fuzzy, poder ser utilizado em outro software para executar operaes de
usinagem computadorizada. No item dez da figura 10, percebemos a melhor ordenao dos
problemas de entradas e as possveis variveis que se encontram juntamente com os problemas para
termos como melhor analisar o problema e com isso recomendar aes para sanar tais problemas.
Avaliando as figuras 11 e 12 vemos graficamente as entradas referentes aos problemas e as
suas possveis causas destes problemas. O lado esquerdo onde temos a linha vermelha de rolagem
nos auxilia na obteno dos resultado, pois cada entrada tem uma varivel interna que se mostra
com seu preenchimento em amarelo. Com isso, vemos que, por exemplo, o item dez, que apresenta
desgaste de flanco/entalhe, mostra o seguintes resultados; se h desgate, vemos que a velocidade de
corte est alta, a classe de ferramenta est baixa, com isso, os resultados aparecem direita, em cor
azul, demostrando qual ser a soluo para tal problema, no caso diminuir a velocidade de corte e
aumentar a dureza da classe.

Tal funo facilita a compreenso dos problemas e incentiva solues, porm deve ser de
responsabilidade de uma pessoa tecnicamente capacitada.












86
Figura 11 Grafico de regras



Figura 12 Grfico de regras



Concluses

Podemos observar que possvel parametrizar problemas diversos de usinagem, a fim de
termos solues apropriadas de acordo com a necessidade de usinagem para que posteriormente,
essas decises fiquem a merc do software.



4. Redes Neurais

Com a tendncia das mquinas (computador) apresentarem capacidades semelhantes ao
crebro humano, capazes de aprender com a experincia, torna-se necessrio informar dados de
entrada e sada para o software.
A experincia atribuda ao programa implica em informar dados de entrada (variveis que
ir trabalhar) e sadas ao programa para o programa aprender e posteriormente apresentar os
resultados quando solicitado.
A figura 13 apresenta a tela principal da Rede Neural, onde tambm deve-se informar dados
de entrada e sada.


87
Figura 13 Rede Neurais no MATLAB





Descrio do Problema

As dificudades no controle dimensional e geomtrico em componentes fabricados, segem a
abaixo:

Problemas:
Dificuldade de identificar a tolerncia para dimenses de 1 mm a 5 mm nos diversos graus
de liberdade.

Solues:
Desenvolver um algoritmo.

Modelagem dos Dados

Primeiramente no programa devemos informar os dados de entrada e sada. Sempre a
varivel de sada deve ser uma das variveis de entrada, como por exemplo, a tolerncia:

Entrada: - Dimenso Sada: - Tolerncia
- IT Qualidade
- Tolerncia


A tabela 01 a seguir relaciona os valores normatizados de tolerncia para dimenses de (1 a
500) mm conforme a norma NBR 6158 Sistema de Tolerncia e Ajustes.


Tabela 01 NBR 6158 Sistem de Tolerncias e Ajustes

88


A seguir sero apresentados todos os passos para executar esses dados no software
(MATLAB):

Primeiro Passo:

Aps lanar no sistema (Matlab) os dados de entrada e sada, eles devem ser informados no
software (figura14).
A figura 14 representa tela inicial da anlise dos dados de entrada e de sada, os quais esto
salvos no banco de dados do programa. No banco de dados podem ter vrios arquivos de entrada e
sada disponveis para serem carregados, quando for necessria sua anlise.

Figura 14 Rede Neurais no MATLAB



Segundo Passo:

Aps carregar o arquivo de entrada e sada desejado, deve-se informar o percentual de 80
porcento para aprendizagem e 10 porcento para validao e mais 10 porcento para teste, tela
representada na figura 15.



89
Figura 15 Seleo de Aprendizagem



Terceiro Passo:

Nesse passo deve-se informar o nmero de camadas ocultas para o sistema.

Figura 16 - Nmero de camadas Escondidas


Quarto Passo:
Esse o passo (Retrain) onde se realiza o treinamento do sistema em funo dos dados de
entrada e sada carregados anteriormente.








90
Figura 17 Treinamento



Aps clicar no boto Retrain o sitema inicia o treinamento do sistema e abre a tela (figura
l8)

Figura 18 Interaes de Aprendizagem


Quinto Passo:
Para ter o resultado grfico da varivel solicitada de sada, nesse caso a tolerncia associada,
cada varivel de entrada, deve-se clicar no boto plot regression da figura 17. Caso nos grficos da
figura 19 tiverem vrios pontos de dispero, pode-se clicar no boto plot regression vrias vezes
at diminuir os pontos de dispero.

Azul (entrada) dimenses

91
Verde (entrada) IT qualidade
Vermelha (entrada) tolerncia
Preta (sada) tolerncia

Portanto, quando o grfico de cada uma dessas variveis estiver com os pontos praticamente
sobre a reta, a anlise estar concluida, ou seja, no haver disperso significativa nas variveis.

Figura 19 Representao grfica dos resultados



Resultados Obtidos
Vendo os resultados obtidos, percebemos que a rede neural treinada encontrou a equao
que define tais valores, pois a partir da terceira rede de treinamento, as planilhas de dados finais no
tiveram mais alterao, com isto dando garantias da perfeita soluo do exemplo apresentado.
Concluses

Podemos observar que possvel obtermos a tolerncia, atravs da rede Neurais, com
preciso, apenas informando ao software a dimenso e o IT desejado, o que vem confirmar a
hiptese de que possivel desenvolver mquinas capazes de aprender com a experincia, pois esse
algortmo desenvolvido para informar a tolerncia de uma determinda situao pode ser atribudo
para uma maquina que quando necessitar saber a tolerncia ter a resposta imediata, sem a
intercesso humana. A resposta pode ser de duas formas: linha de comando e/ou interface grfica.

Por outro lado pode-se seguir um roteiro para executar uma tarefa qualquer.


92
1 Definir os padres
2 Inicializar a rede
3 Definir os parmetros de treinamento
4 Treinar a rede
5 Testar a rede


Referncias

GUIMARES, A. Controle Dimensional e Geomtrico. 1999. pg. 29 Uma introduo
metrologia industrial, Universidade de Passo Fundo, Rio Grande do Sul.

ABNT.NBR 6158. Sistema de tolerncias e ajustes, (2005).

DURN. Orlando. Algoritmo Gentico, Passo Fundo, p. 1-13, abr./jan. 2012.

DURN. Orlando. Modelo de Otimizao, Passo Fundo, p. 1-3, abr./jan. 2012.

DURN; Orlando. CONSALTER; A. Luiz. Aplicao de Algoritmos Genticos e Equao
Expandida de Taylor pra a Obteno do Intervalo de Mxima Eficincia, Passo Fundo, p. 1-21,
abr./jan. 2012.

93




OTIMIZAO DE MANUFATURA POR MEIO DE TCNICAS INTELIGNCIA
ARTIFICIAL


Ricardo Andre Pessatto De Toni
Universidade De Passo Fundo UPF Passo FundoBrasil
ricardodetoni@terra.com.br

Luciano Favretto Da Rocha
Universidade De Passo Fundo UPF Passo FundoBrasil
eng.lfr@gmail.com


Resumo
O objetivo deste trabalho apresentar solues para diferentes situaes ou problemas encontrados
nas situaes do dia-a-dia, sendo estas desenvolvidas atravs das lgicas de Inteligncia Artificial
Fuzzy, Redes Neurais Artificiais e Algoritmos Genticos. apresentado uma breve introduo de
cada problema, um resumo das lgicas, o desenvolvimento do trabalho e os resultados obtidos.

Palavras-chave: Inteligncia Artificial, Fuzzy, Redes Neurais, Algoritmos Genticos.
























Mestrado Profissional em Projeto e Processos de Fabricao
UPF-FEAR
Passo Fundo RS Brasil



94



1. Introduo


Com o desenvolvimento das tcnicas de Inteligncia Artificial atravs das aulas ministradas,
podemos aplicar as mesmas em situaes que ocorrem no cho de fbrica, na manufatura. Para tal
ser extrado de duas empresas, trs problemas corriqueiros onde so expostos abaixo:

1) Queima e falta de cura da pintura.

Resumo do Processo de Pintura P:

A pintura a p com aplicao por pulverizao eletrosttica. As partculas de p recebem
uma carga eltrica na pistola de aplicao. A pea a ser revestida presa em um dispositivo
aterrado. As partculas de p com carga eltrica so atradas pela pea aterrada e aderem na pea
como se fossem pequenos ms. As partculas ficam na superfcie da pea at serem recobertas
com partculas carregadas e a superfcie da pea ser carregada. Nesse momento, as partculas
aplicadas so repelidas pelas partculas carregadas da pea e o processo de acabamento
interrompido. Isto garante uma pelcula de espessura uniforme. A cura do revestimento um
processo que se aplica em ps termofixos. Depois que a superfcie da pea aquecida,
temperatura desejada (182C a 210C), mantida nessa temperatura por um certo tempo,
normalmente 20 minutos, enquanto o agente de cura desenvolve as propriedades desejadas na
pelcula.




Figura A Imagens de cabines de pintura e aplicao.




O processo de pintura p se condiz em: preparao da superfcie a ser pintada atravs de
agentes qumicos ou ao mecnica(granalha); secagem da superfcie ou eliminao de ps
provenientes do processo anterior; aplicao do p de tinta na superfcie atravs de eletrlise e em
seguida a cura da tinta em estufa de alta temperatura.

95
Quando o processo de cura no ocorre da forma procedimentada(problemas operacionais ou
do equipamento) a mesma acarreta em problemas; dois destes so: Falta de cura, a tinta no cura
por completo e fica mole e, queima da tinta, a mesma passa do ponto correto de cura e escurece.

Para soluo destes problemas ser utilizada a lgica Fuzzy com o software Matlab.

Resumo de Lgica Fuzzy:

A lgica difusa ou lgica fuzzy uma extenso da lgica booleana que admite valores
lgicos intermedirios entre o FALSO (0) e o VERDADEIRO (1); por exemplo o valor mdio
'TALVEZ' (0,5). Isto significa que um valor lgico difuso um valor qualquer no intervalo de
valores entre 0 e 1. Este tipo de lgica engloba de certa forma conceitos estatsticos principalmente
na rea de Inferncia.
As implementaes da lgica difusa permitem que estados indeterminados possam ser
tratados por dispositivos de controle. Desse modo, possvel avaliar conceitos no-quantificveis.
Casos prticos: avaliar a temperatura (quente, morno, mdio, etc...), o sentimento de
felicidade(radiante, feliz, aptico, triste...), a veracidade de um argumento (correctssimo, correcto,
contra-argumentativo, incoerente, falso, totalmente errneo, etc..)
A lgica fuzzy deve ser vista mais como uma rea de pesquisa sobre tratamento da incerteza,
ou uma famlia de modelos matemticos dedicados ao tratamento da incerteza, do que uma lgica
propriamente dita. A lgica difusa normalmente est associada ao uso da teoria de conjuntos fuzzy
proposto por Lukasiewicz.
Ao trabalhar com a lgica fuzzy comum chamar a lgica booleana de lgica ntida.
Muitos pesquisadores de verses booleanas de lgica no aceitam a lgica fuzzy como uma
verdadeira lgica, no sentido em que aceitam, por exemplo, a lgica modal. Isso pode ser associado
a diferentes fatos, entre eles o fato de muitos modelos permitirem solues aproximadas que no
correspondem a uma "verdade" lgica.[1].

[1] http://pt.wikipedia.org/wiki/L%C3%B3gica_difusa.


Desenvolvimento:

Aps a abertura das mesmas foi realisado o input das variveis, as quais, segue descritas
abaixo:
- Queima de Tinta:
Causas: Grande quantidade de calor enviada(emitida) pelos queimadores; as peas
ficam muito tempo dentro da estufa e, a circulao do ar quente muito alta;
- Tinta sem cura:
Causas: Pouca quantidade de calor enviada(emitida) pelos queimadores; as peas
ficam pouco tempo dentro da estufa e, a circulao do ar quente muito baixa;
Na figura D abaixo podemos observar que tem-se cinco entradas e trs sadas.













96
Figura B Variveis de entra e de sada






















Feito a insero das variveis, deve-se ento alocar as mesmas com seus respectivos valores
conforme tabela abaixo:

Tabela 1 Valores das Variveis















Figura C Variveis com seus respectivos valores
Entrada Sada
Valores
Queima da Tinta Baixo Quantidade de calor enviado pelo queimador recomendada Baixo
Medio Medio
Alto Alto
Falta de Cura Baixo Tempo de Estufa recomendada Baixo
Medio Medio
Alto Alto
Quantidade de calor enviado pelo queimador Baixo Circulao de Ar dentro da Estufa recomendada Baixo
Medio Medio
Alto Alto
Tempo de Estufa Baixo
Medio
Alto
Circulao de Ar dentro da Estufa Baixo
Medio
Alto

97























Com isto, abre-se a janela Rule Editor, figura D, e constroi-se as regras, baseando-se nas
variveis, nos seus respectivos valores e nos problemas.


Figura D Variveis com seus respectivos valores





Resultados:


98
Conforme demonstra a figura E e com o auxilio das regras, figura D, podemos atravs destas
elaborar uma Instruo de Trabalho para os operadores do setor de pintura sendo esta simples e de
fcil utilizao.


Figura E Sada de Informaes



















Tabela 2 Instruo de Trabalho

















Concluses:

Conforme descrito na fase introdutoria, os problemas relacionados a falta de qualidade ou
processo de cura da tinta p no procedimentado, leva a retrabalhos e solicitaes de garantia pelo
cliente final; com o desenvolvimento da lgica Fuzzy encontrou-se uma forma de elaborar uma
Instruo de Trabalho para os operadores do setor de pintura, pois quando visto tanto o problema de
queima de tinta, quanto o de falta de cura, estes iro facilmente observar uma grade(planilha) com
as especificaes bsicas para sanar os mesmos, com isto ganhando-se em qualidade e tempo.

Instruo de Trabalho
D
i
m
i
n
u
i
r

a

q
u
a
n
t
i
d
a
d
e

d
e

c
a
l
o
r

e
n
v
i
a
d
o

p
e
l
o

q
u
e
i
m
a
d
o
r
A
u
m
e
n
t
a
r

a

q
u
a
n
t
i
d
a
d
e

d
e

c
a
l
o
r

e
n
v
i
a
d
o

p
e
l
o

q
u
e
i
m
a
d
o
r
D
i
m
i
n
u
i
r

o

t
e
m
p
o

d
e

e
s
t
u
f
a

(
a
p

s

o

a
q
u
e
c
i
m
e
n
t
o

i
n
i
c
i
a
l
)
A
u
m
e
n
t
a
r

o

t
e
m
p
o

d
e

e
s
t
u
f
a

(
a
p

s

o

a
q
u
e
c
i
m
e
n
t
o

i
n
i
c
i
a
l
)
A
u
m
e
n
t
a
r

C
i
r
c
u
l
a

o

d
e

A
r

d
e
n
t
r
o

d
a

E
s
t
u
f
a
D
i
m
i
n
u
i
r

a

C
i
r
c
u
l
a

o

d
e

A
r

d
e
n
t
r
o

d
a

E
s
t
u
f
a
Queima de Tinta
X X X
Falta de Cura
X X X

99


2) Algoritmo Gentico para melhorar desempenho de transformadores
O algoritmo gentico uma tcnica de busca utilizada na cincia da computao para achar
solues aproximadas em problemas de otimizao e busca, fundamentado principalmente pelo
americano John Henry Holland.
A evoluo geralmente se inicia a partir de um conjunto de solues criado aleatoriamente
e realizada por meio de geraes. A cada gerao, a adaptao de cada soluo na populao
avaliada, alguns indivduos so selecionados para a prxima gerao, e recombinados ou alterados
para formar uma nova populao. A nova populao ento utilizada como entrada para a prxima
iterao do algoritmo.[2]
Iremos aplicar a tcnica para saber qual a corrente mxima que o transformador suportaria
para manter os nveis de temperatura dento dos valores recomendados por norma.
Os transformadores so equipamentos utilizados para adequar a tenso e impedncia dos
circuitos, no caso dos utilizados na gerao, transmisso e distribuio so basicamente dois tipos
elevadores de tenso e rebaixadores de tenso.
Figura F - Transformador





Ambos os tipos tem limitada a potencia que o produto tenso vezes a corrente, ou seja, a
de transformao pela temperatura de trabalho que dada pela formula.


100
( )
o
al no
a c
e
I
I
H GEO u u +
|
|
.
|

\
|
+ = A
+
6 , 1
min
arg
*

Au
e
a elevao de temperatura do ponto mais quente do enrolamento sobre o topo do leo
que pode chegar no mximo (120C)
GEO (gradiente enrolamento/leo) obtido quando ensaiado em fabrica, (23,8C)
H
+
= dado de norma (15C)
a c
I
arg
= Corrente solicitada pela carga
al no
I
min
= Corrente nominal do transformador
u
o
=temperatura do topo do leo mxima obtida pela soma da temperatura ambiente
a
T
(norma 40C) mais a temperatura do leo
o
T (41,2C)

Como pode ser visto na formula o nico parmetro que podemos variar o u
o
que a
temperatura do leo que tem uma relao a temperatura ambiente, porm no linear
Com o auxilio da teoria de algoritmo genrico vamos procurar a temperatura u
o
para que
possamos utilizar o transformador acima da corrente nominal.
No exemplo do transformador abaixo temos que a temperatura

( ) C
e
120 2 , 81
79 , 0
79 , 0
* 15 8 , 23
6 , 1
= + |
.
|

\
|
+ = Au

( ) = |
.
|

\
|
+ =
6 , 1
79 , 0
79 , 0
* 15 8 , 23 120
o
u

Utilizando o Matlab funo optimization tool para soluo do problema que deve procurar
a correte de carga mxima admissvel para conservar as temperatura limites de trabalho do
transformador, sabendo que pelas formulas j calculada que 0,79kA iremos verificar se o
aplicativo encontra o mesmo valor.


101
Figura G - corrente maxima para temperatura limite 81,2C



Figura H - Grfico tendendo a zero como resuldado da funo.


O resultado foi exatamente o valor calculado anteriormente.
Para verificarmos certificarmos o funcionamento do aplicativo incerimos mais duas temperatura
limites para verificar qual ser a corrente admissivel de operar com o mesmo transformador sem
ultapassemos a tempertura limite, o resultado esto nas proximas duas figuras I e J

102
Figura I - corrente maxima para temperatura limite 70C



Figura J - corrente maxima para temperatura limite 60C


Podemos concluir que o aplicativo busca o valor exato neste caso a corrente mxima, para que seja
atendida as limitaes impostas no caso a temperatura.




103
Tabela 4 Tabela com os valores calculados pelo aplicativo
GEO 23,8 C 23,8 C 23,8 C
H
+
15 C 15 C 15 C
I
nominal
0,79 kA 0,79 kA 0,79 kA
I
carga
0,79 kA 0,926 kA 1,037 kA
u
o
81,2 C 70 C 60 C
uA
c
120 C 120 C 120 C
Aplicativo 120 C 120,0272 C 119,9618 C
Erro % 0 C 0,022644 C -0,03186 C

Analisando a tabela da figura podemos concluir que o aplicativo busca o valor muito prximo neste
caso a corrente mxima, para que seja atendida as limitaes impostas no caso a temperatura.


Concluso:

Utilizando a metodologia do Algoritmo Gentico por meio do aplicativo Optimization Tool do
software Matlab podemos encontrar um valor de temperatura para que possamos utilizar o
transformador com uma corrente a cima da nominal sem que com isso ultrapassemos a temperatura
limite segundo norma que aponta para 120C.

























[2] http://pt.wikipedia.org/wiki/Algoritmo_gen%C3%A9tico




104
3) Elaborar uma Rede Neural Artificial para Encontrar valores de
Velocidade de Corte para Diferentes Classes de Insertos.

Resumo do Problema:

Baseando-se nas tabelas do catalogo da Sandivik, tabela 5 abaixo, temos diferentes
velocidades de corte para diferentes classes de inserto sendo assim, quando tiver situaes
diferentes em dureza, por exemplo, que no esteja especificada na tabela necessita-se da velocidade
de corte caracteristica para tal.


Tabela 5 Tabela Sandvik para Ao
















Resumo de Redes Neurais Artificiais:
Uma rede neural artificial composta por vrias unidades de processamento, cujo
funcionamento bastante simples. Essas unidades, geralmente so conectadas por canais de
comunicao que esto associados a determinado peso. As unidades fazem operaes apenas sobre
seus dados locais, que so entradas recebidas pelas suas conexes. O comportamento inteligente de
uma Rede Neural Artificial vem das interaes entre as unidades de processamento da rede.
A operao de uma unidade de processamento, proposta por McCullock e Pitts em 1943, pode
ser resumida da seguinte maneira:
- Sinais so apresentados entrada;
- Cada sinal multiplicado por um nmero, ou peso, que indica a sua influncia na sada da
unidade;
- feita a soma ponderada dos sinais que produz um nvel de atividade;
- Se este nvel de atividade exceder um certo limite (threshold) a unidade produz uma
determinada resposta de sada.




105
Figura k Esquema de unidade McCullock - Pitts.






Suponha que tenhamos p sinais de entrada X1, X2, ..., Xp e pesos w1, w2, ..., wp e limitador t; com
sinais assumindo valores booleanos (0 ou 1) e pesos valores reais.
Neste modelo, o nvel de atividade a dado por:
a = w1X1 + w2X2 + ... + wpXp
A sada y dada po
y = 1, se a >= t ou
y = 0, se a < t.
A maioria dos modelos de redes neurais possui alguma regra de treinamento, onde os pesos de suas
conexes so ajustados de acordo com os padres apresentados. Em outras palavras, elas aprendem
atravs de exemplos.
Arquiteturas neurais so tipicamente organizadas em camadas, com unidades que podem estar
conectadas s unidades da camada posterior.

Figura L - Organizao em camadas.









106
Usualmente as camadas so classificadas em trs grupos:
- Camada de Entrada: onde os padres so apresentados rede;
- Camadas Intermedirias ou Escondidas: onde feita a maior parte do processamento,
atravs das conexes ponderadas; podem ser consideradas como extratoras de
caractersticas;
- Camada de Sada: onde o resultado final concludo e apresentado.
Uma rede neural especificada, principalmente pela sua topologia, pelas caractersticas dos ns e
pelas regras de treinamento. A seguir, sero analisados os processos de aprendizado[3].
Desenvolvimento:

Com o auxilio do software Matlab, inclui-se as variveis em seu editor dividindo-as em
entradas e sadas conforme mostrado abaixo:

Variveis de entrada:

- Cdigo;
- Kc(N/mm2);
- HB;
- fn(mm/r);
- Classe.

Varivel de Sada:

- Vc(m/min).

Figura M Entrada das Informaes
[3] http://www.icmc.usp.br/~andre/research/neural/#hist

107
Na figura L, temos a representao da rede com algumas interaes, onde constata-se uma
aproximao de R ao valor 1(um) e, tambm, no grfico demonstra um alinhamento dos pontos,
indicando que a rede esta pronta para fazer testes de validao.
Na figura M, temos o grfico de erro que mostra uma tendncia para uma curva de Gauss,
condizendo tambm para um bom alinhamento da rede.

Figura N Entrada das Informaes
Figura O Grfico de Erro













108
Resultados:
Na tabela 6, mostra valores retirados da tabela 5 parmetros de corte da Sandvik, valores de
entrada para a rede neural e os resultados de Velocidade de corte obtidos.
Podemos observar que a variao entre a velocidade de corte indicada pelo fabricante e a
encontrada na rede neural esta muito prxima, o que respalda os dados encontrados
anteriormente em relao ao aprendizado da rede.
Figura R Sada do resultado para uma determinada situao













Tabela 6 Tabela de dados e resultados obtidos


















Concluso:

Pelo expressado na tabela 6, podemos utilizar a rede neural elaborada para valores tabelados
e no tabelados, como por exemplo, na industria metalurgica, nem sempre um determinado lote de
materia prima tem a dureza especificada de tabela, sendo assim, aplica-se o valor encontrado desta
dureza na rede neural elaborada acima e a mesma retorna o valor da velocidade de corte para tal.


Tabela Sandvik
Cdigo 110 210 321 630
Kc (N/mm2) 2000 2150 3900 2650
HB 125 180 325 225
fn(mm/rot) 0,05 0,05 0,05 0,2
Classe 5015 5015 1525 1525
Recomendao Sandvik
Vc(m/min) 650 480 145 85
Resultado da Aplicao do Software
Vc(m/min) 655,65 480,51 149,01 92,34
Variao 0,87% 0,11% 2,77% 8,64%

109

Concluso


Aps estudo das trs tcnicas de Inteligencia Artificial, Lgica Fuzzy, Algoritmos Genticos
e Redes Neurais Artificiais e aplicao das mesmas em casos reais do cotidiano, verifica-se o
grande potncial destas devido aos resultados obtidos nas diferentes aplicaes e simulaes. Pode-
se observar ainda, que h uma grande abrangencia das mesmas para outras utilizaes, por exemplo,
no campo de solda, corte, equilibrio trmico, etc... Em resumo, a utilizao destas tcnicas por meio
do Software Matlab possibilita a soluo de inmeros problemas coriqueiros da industria
otimizando assim o trabalho. Cabe um estudo mais aprofundado de cada tcnica para aprimorar
ainda mais as solues levando a resultados ainda mais precisos e otimizados.


Referncias

Norvig, Peter; Russell, Stuart. Inteligncia Artificial, Campus, v. 5, set./dez. 2007.

Carvalho, Andr C. Ponce. Redes Neurais e Artificiais Teoria e Aplicao, LTC, V. 1, 2007.

Shaw, Ian S.. Controle e Modelagem Fuzzy, Blucher, V. 1, 2 edio, 2010.

Linden, Ricardo.. Algoritimos Genticos, Blasport, V. 1, 2 edio, 05/11/2008.

http://www.icmc.usp.br/~andre/research/neural/#hist. Acesso em: 21/01/2012

http://pt.wikipedia.org/wiki/Algoritmo_gen%C3%A9tico. Acesso em: 21/01/2012

http://pt.wikipedia.org/wiki/L%C3%B3gica_difusa. Acesso em: 21/01/2012


110




Prottipo de Planejador de Operaes de Fresamento usando Lgica Difusa




Cledir Colling
Universidade de Passo Fundo UPFRSBrasil
cledir.colling@hotmail.com

Eduardo Walker
Universidade de Passo Fundo UPFRSBrasil
eduardo.0212@hotmail.com




Resumo

O uso de softwares de apoio uma prtica cada vez mais comum dentro das empresas.
Programas como o Matlab do importante ajuda em atividades complexas onde existe grande
variedade de informaes a serem gerenciadas. Uma aplicao, por exemplo, o uso da ferramenta
Fuzzy Logic na determinao da velocidade de corte de um cabeote fresador, em funo de
variveis como dimetro do cabeote e nmero de pastilhas na ferramenta.

Palavras-chave: cabeote fresador, velocidade de corte, Matlab e Fuzzy Logic.

1. Introduo

No dia-a-dia encontramos vrias situaes onde precisamos definir parmetros de produo
de peas, principalmente relacionados aquelas que sofrem algum processo de usinagem.
Informaes como tipo de pastilha, nmero de pastilhas, dimetro do cabeote, dureza de material e
velocidade de corte so importantes para determinar a combinao entre elas que resulta num
melhor desempenho da operao.
Para facilitar tomada dessa deciso existe um software chamado Matlab, o qual capaz de
processar dados incompletos e fornecer solues aproximadas para problemas que outros mtodos
no conseguem resolver. Termos como muito alto, aumentando, razovel e muito baixo podem ser
usados como inputs/ outputs para a soluo do problema.
O presente trabalho tem o objetivo de apresentar, de maneira bem simples, um exemplo
fictcio de resoluo de problema de usinagem aplicando o comando Fuzzy Logic no Matlab.

2. Descrio do problema

Cabeotes fresadores so ferramentas utilizadas nos processos de usinagem por fresamento.
Nesse processo algumas variveis (parmetros) merecem destaque especial ao determinar a melhor
Mestrado Profissional em Projeto e Processos de Fabricao
UPF-FEAR
Passo Fundo RS Brasil



111
velocidade de corte: dimetro do cabeote fresador, tipo e nmero de pastilhas utilizadas na
ferramenta e sua forma de fixao; Figura 1.


Figura 1 Exemplos de cabeotes fresadores

Fonte: www.pivetamaqfer.com.br (01/2012)


Nesta atividade avaliamos a influncia do dimetro do cabeote fresador e do nmero de
pastilhas no cabeote na determinao da velocidade de corte (Vc).
Na prtica existem tabelas que ilustram a velocidade de corte correspondente ao tipo de
operao juntamente com o tipo de material da ferramenta e o tipo de material a ser usinado. Mas
esta tambm pode ser calculada atravs da frmula ilustrada abaixo.



A escolha da velocidade de corte correta muito importante para que obtenhamos bons
resultados de usinagem, vida til da ferramenta e acabamento superficial. A velocidade de corte
incorreta num processo de usinagem pode gerar alguns problemas na hora da usinagem.
Quando utilizamos uma velocidade de corte maior, temos um superaquecimento da
ferramenta que perde suas caractersticas de dureza e de tenacidade, temos tambm um
superaquecimento da pea e desgaste prematuro da ferramenta de corte.
Quando utilizamos uma velocidade de corte menor, o corte fica sobrecarregado, gerando
travamento e quebra da ferramenta.

3. Modelagem dos dados

Primeiramente definimos quais seriam as variveis de entradas e sadas na nossa atividade,
em seguida atribumos diferentes valores para elas. O dimetro do cabeote fresador foi dividido em
trs situaes: pequeno, mdio e grande. O nmero de pastilhas no cabeote tambm foi dividido
em trs situaes: 0 at 4 pastilhas de usinagem no cabeote, 5 at 10 pastilhas no cabeote e 11 at
15 pastilhas no cabeote. E a velocidade de corte foi dividida em: baixa, mdia e alta.
J com o tema, variveis e situaes definidas, partimos para a o software Matlab, e com o
auxilio do comando Fuzzy montamos as situaes de entrada e sada.
Para incluir as condies de entrada: clica em Edit + Add Variable + Input + Enter; Figura 2.
Para incluir situaes de sada: clicar em Edit + Add Variable + Output + Enter; Figura 2.








112






Figura 2 Incluso de variveis

Fonte: Matlab 7.12.0 (2012)

Devemos renomear as entradas para do cabeote fresador e N de pastilhas no
cabeote e a sada para Velocidade de corte. Para renomear devemos clicar sobre o grfico e
alterar no campo indicado abaixo; Figura 3.

Figura 3 Renomeao das variveis

Fonte: Matlab 7.12.0 (2012)

113

E por final inclumos as situaes nas variveis de entrada e sada; Figura 4.





Figura 4 Atribuio das situaes nas variveis

Fonte: Matlab 7.12.0 (2012)

Com todas as informaes no sistema, podemos montar as regras que serviro de base para o
resultado final no trabalho. Para montar as regras clicamos em Edit + Rule.
Na figura abaixo temos algumas regras montadas, por exemplo: a combinao do
cabeote fresador grande com N de pastilhas no cabeote de 11 at 15, resulta numa Velocidade
de Corte mdia. Figura 5.

Figura 5 Montagem das regras

114

Fonte: Matlab 7.12.0 (2012)

Para visualizar as regras em forma grfica, clicamos em View + Rules.
Na Figura 6, est ilustrada a combinao de do cabeote fresador mdio com N de
pastilhas no cabeote de 5 at 10 resultando numa Velocidade de Corte mdia.

Figura 6 Ilustrao grfica das regras 1

Fonte: Matlab 7.12.0 (2012)

Na Figura 7, est ilustrada a combinao de do cabeote fresador pequeno com N de
pastilhas no cabeote de 10 at 15 resultando numa Velocidade de Corte alta.

Figura 7 Incluso grfica das regras 2

115

Fonte: Matlab 7.12.0 (2012)

E na Figura 8, est ilustrada a combinao de do cabeote fresador grande com N de
pastilhas no cabeote de 0 at 5 resultando numa Velocidade de Corte baixa.

Figura 8 Incluso grfica das regras 3

Fonte: Matlab 7.12.0 (2012)

Concluso

Pelo fato de conseguir processar dados incompletos e mesmo de processar o uso de termos
na definio de parmetros, o Matlab um software de apoio muito importante que pode
economizar muitos recursos se usado corretamente durante o planejamento de atividades fabris. No
entanto, importante ressaltar que esses dados s sero processados e as sadas s sero confiveis
se os inputs usados para definio das regras so confiveis, e isso depende muito da confiabilidade
das informaes que o profissional que est programando tiver disponvel.
Em outras palavras, apesar da grande ajuda que prestam s empresas, os softwares por si s
no so efetivos na resoluo de problemas e na criao de solues melhores para os
procedimentos do dia-a-dia. O grande responsvel pela evoluo tecnolgica continua sendo o
homem, que atravs da experincia acumulada consegue fornecer dados confiveis aos sistemas
eletrnicos na busca por solues mais eficientes e lucrativas.


116
Referncias

PIVETA MQUINAS E FERRAMENTAS. Disponvel em :
http://www.pivetamaqfer.com.br/portal/index.php?page=shop.product_details&flypage=flypage.pb
v.v4.tpl&product_id=334&category_id=223&option=com_virtuemart&Itemid=207. Acesso em 20
janeiro 2012.

http://en.wikipedia.org/wiki/Fuzzy_logic. Acesso em 23 de Janeiro de 2012.


117




Anlise do processo de usinagem utilizando as tcnicas de inteligncia
computacional: Lgica fuzzy, Algoritmos Genticos e Redes Neurais




Carlos Gustavo de Marco
Universidade de Passo Fundo UPF| Passo Fundo - Brasil
caiodemarco@hotmail.com

Giovani Carlos Vani
Universidade de Passo Fundo UPF Passo Fundo - Brasil
giovanivani@hotmail.com


Resumo
Este artigo apresenta uma proposta para avaliao do comportamento das variveis de entrada em
um processo de usinagem, e a resposta da velocidade de corte como sada deste processo, atravs de
uma anlise utilizando como tcnicas de inteligncia computacional a Lgica Fuzzy, Algoritmos
Genticos e Redes Neurais. Com o auxlio do software Matlab foram realizados experimentos para
as trs cujas concluses so discutidas ao final de cada seo deste artigo.
Palavras-chave: Lgica Fuzzy, Algoritmos Genticos, Redes Neurais, Matlab.



1. A Lgica Fuzzy


A lgica difusa ou lgica fuzzy uma extenso da lgica boolena que admite valores lgicos
intermedirios entre o FALSO (0) e o VERDADEIRO (1); por exemplo o valor mdio 'TALVEZ'
(0,5). Isto significa que um valor lgico difuso um valor qualquer no intervalo de valores entre 0 e
1. Este tipo de lgica engloba de certa forma conceitos estatsticos principalmente na rea de
inferncia.
Mestrado Profissional em Projeto e Processos de Fabricao
UPF-FEAR
Passo Fundo RS Brasil



118
As implementaes da lgica difusa permitem que estados indeterminados possam ser
tratados por dispositivos de controle. Desse modo, possvel avaliar conceitos no-quantificveis.
Casos prticos: avaliar a temperatura (quente, morno, mdio, etc...), o sentimento de felicidade
(radiante, feliz, aptico, triste...), a veracidade de um argumento (correctssimo, correcto, contra-
argumentativo, incoerente, falso,totalmente errneo, etc..)
A lgica fuzzy deve ser vista mais como uma rea de pesquisa sobre tratamento da incerteza,
ou uma famlia de modelos matemticos dedicados ao tratamento da incerteza, do que
uma lgica propriamente dita. A lgica difusa normalmente est associada ao uso da teoria dos
conjuntos fuzzy proposto por Lukasiewicz..
Ao trabalhar com a lgica fuzzy comum chamar a lgica booleana de lgica ntida.
Muitos pesquisadores de verses booleanas de lgica no aceitam a lgica fuzzy como uma
verdadeira lgica, no sentido em que aceitam, por exemplo, a lgica modal. Isso pode ser associado
a diferentes fatos, entre eles o fato de muitos modelos permitirem solues aproximadas que no
correspondem a uma "verdade" lgica.
1.1 - Exemplificando a lgica Fuzzy:
Um dos exemplos da maneira de pensar da lgica difusa, remete para o paradoxo clssico do
mentiroso de Creta, que diz que todos os habitantes de Creta so mentirosos. Se o que ele diz for
verdade, ento ele um mentiroso (mas diz a verdade!). Se estiver mentindo, ento a frase
verdadeira e ele no mentiroso (mas acabou de dizer uma mentira). (Kosko, 1992).
1.2 Trabalho Prtico.
Nos estudo apresentado a seguir sobre usinagem, definimos como variveis de entrada a
dureza do material a ser usinado e a dureza da pastilha de corte; e como varivel de sada a
velocidade de corte, como pode ser visto na figura 1.
Figura 1 Dados entrada Mat Lab

119
Figura1 Fonte UPF
Na seqencia definimos os parametros para medir estas vriaveis e logo aps foram geradas
as regras para rodar o software Mat Lab, como mostra a figura 2.
Figura 2 Criao das Regras

Figura 2 Fonte os autores
Uma vez geradas as regras efetuamos a anlise atravs do software, cujos resultados so
apresentados nas figuras 3 e 4 abaixo.
Figura 3 Anlise dos resultados.

Figura 3 Fonte os autores

120
Figura 4 Grfico de Resposta

Figura 4 Fonte: Os autores
1.3 Anlise dos resultados
A Anlise dos dados de sada das regras criadas pelo usurio, permite gerar valores
quantitativos a partir de valores qualitativos , desta maneira pode auxiliar na tomada de deciso
de seria a melhor maneira de otimizar o processo em questo.
O sistema lgico clssico poderoso para resolver problemas especificados em termos de
dois valores (binrio). O sistema lgico fuzzy, como extenso dos sistemas clssicos consegue
manipular problemas em que h vrios estados de deciso, incluindo o binrio. Alm disso, o
sistema fuzzy trata com conceitos lingsticos (mais, menos, maior,...) de uma forma parecida
com a do ser humano. A fora da Lgica Fuzzy deriva da sua habilidade em inferir concluses e
gerar respostas baseadas em informaes vagas, ambguas e qualitativamente incompletas e
imprecisas. Neste aspecto, os sistemas de base Fuzzy tm habilidade de raciocinar de forma
semelhante dos humanos. Seu comportamento representado de maneira muito simples e
natural, levando construo de sistemas compreensveis e de fcil manuteno.
O procedimento de raciocnio fuzzy paralelo, ou seja, a combinao da parte antecedente
da regra com a entrada pode ser computada de forma paralela. Isso faz com que o procedimento
fuzzy seja apropriado para ser implementado em processadores paralelos.


121

2- Algoritmos Genticos
A principal funo da utilizao dos Algortmos Genticos minimizar o erro de uma
determinada funo; Em nosso caso utilizamos para calcular a(s) Velocidades de Corte para um
determinado processo de usinagem, onde calculada a partir dos valores informados na equao,
estes valores so o Rpm (rotaes por minuto), o dimetro da pea e o Pi (constante). Com auxlio
do software Matlab e foram realizados experimentos cujas concluses so discutidas ao final deste
artigo.
2.1 Trabalho Prtico.
Na usinagem ocorrem muitos problemas em funo da variao dos fatores utilizados para
realizar o processo, como velocidade de rotao, velocidade de avano, profundidade de corte entre
outros problemas que podem surgir com a utilizao destes parmetros de forma no adequada.
Para que uma ferramenta corte um material, necessrio que um se movimente em relao ao outro
a uma velocidade adequada. Para que a usinagem seja realizada com mquina de movimento
circular, necessrio calcular a rpm da pea ou da ferramenta que est realizando o trabalho
calcular o gpm (golpes por minuto).
O problema do operador, neste caso, justamente realizar esses clculos. Vamos supor que
voc seja um torneiro e precise tornear com uma ferramenta de ao rpido um tarugo de ao 1020
com dimetro de 25 mm. Qual ser a rpm do torno para que voc possa fazer esse trabalho
adequadamente?
Velocidade de corte: Para calcular a rpm, seja da pea no torno, seja da fresa ou da broca,
usamos um dado chamado velocidade de corte, Velocidade de corte o espao que a ferramenta
percorre, cortando um material, dentro de um determinado tempo.
A velocidade de corte depende de uma srie de fatores, como: tipo de material da
ferramenta; tipo do material a ser usado; tipo de operao a ser realizada; condies da
refrigerao; condies da mquina etc.
Embora exista uma frmula que expressa a velocidade de corte, ela fornecida por tabelas
que compatibilizam o tipo de operao com o tipo de material da ferramenta e o tipo de material a
ser usinado.

122
Clculo da Velocidade de Corte em funo do rpm e do dimetro da pea a ser usinada ou
processada.
Para o clculo da velocidade de corte em funo dos itens citados acima, voc tambm usa
uma frmula:
N = vc 1000
n o nmero de rpm;
vc a velocidade do corte;d
d o dimetro do material e
3,14 (constante).
Dica:
Como o dimetro das peas dado em milmetros e a velocidade de corte dada em metros
por minuto, necessrio transformar a unidade de medida dada em metros para milmetros. Da a
utilizao do fator 1.000 na frmula de clculo da rpm.
Para isso utilizamos a mesma frmula para o clculo porem escrevemos igualamos a equao a zero
assim obtemos a seguinte equao:

Vc = v ((pi*d*n)/1000)

Ao ser utilizado o programa para realizar os clculos da Velocidade de corte gerou a tabela 1
abaixo onde, quando calculado a equao com os mesmos dados adicionados no programa geraram
os mesmos valores, validando assim a equao.



d
d


123
Tabela 1 Anlise da equao atravs do Mat Lab.

Tabela 1 - Fonte: Os autores


Foram testadas vrias opes de velocidades e confrontadas com tabelas de processos de usinagem
os resultados gerados foram praticamente os mesmos, validando as possibilidades de sua
utilizao.Na figura abaixo mostrado o grfico gerado do teste realizado para gerar o valor da
velocidade requerida, foi utilizado um limite de 300 para o nmero de geraes e termo de Stall
time limit de 1000, o grfico representou corretamente a velocidade requerida conforme pode ser
visto na figura 4 abaixo.


124
Figura 4 - Grfico gerado pelo algoritmo gentico

Figura 4 Fonte: Os autores

2.2 Anlise dos resultados.
A Anlise dos dados de sada das regras criadas pelo usurio, permite gerar valores desta
maneira pode auxiliar na tomada de deciso de seria a melhor maneira de otimizar o processo
em questo.
Todos os valores de velocidade podem ser utilizados sem que seja preciso a interveno de
clculos, como por exemplo a interpolao para chegarmos aos valores esperados. Como as
tabelas de velocidade sempre apresentam valores reais ou inteiros onde muitas mquinas de
usinagem as tolerncias de usinagens so diferentes as velocidades apresentadas em tabelas,

125
assim podemos utilizar para calcularmos os valores de velocidade utilizando a equao e o
programa.
O operador deste sistema poder tomar decises de forma mais precisa e correta, pois o sistema
ir resolver problemas especificados em termos dos valores apresentados pelo operador ou
disponveis na memria de sua mquina.
O maior ganho ser na qualidade da operao de usinagem, pois o operador ir sempre utilizar a
ferramenta e a mquina de forma a otimizar seu uso ou a ferramenta e a mquina trabalharo de
forma onde o custo de operao ser otimizado.

3 Redes Neurais

Redes Neurais Artificiais so modelos matemticos inspirados na estrutura neural de
organismos inteligentes; Adquirem conhecimento atravs da experincia.
Uma grande rede neural artificial pode ter centenas ou milhares de unidades de
processamento; j o crebro de um mamfero pode ter muitos bilhes de neurnios.
Os neurnios so formados pelos:
- Dendritos (conjunto de terminais de entrada)
- Corpo central (processamento)
- Axnios (terminais de sada)
Os neurnios se comunicam atravs de sinapses. Sinapse a regio onde dois neurnios
entram em contato e atravs da qual os impulsos nervosos so transmitidos entre eles. Os impulsos
recebidos por um neurnio A, em um determinado momento, so processados, e atingindo um dado
limiar de ao, o neurnio A dispara, produzindo uma substncia neurotransmissora que flui do
corpo celular para o axnio, que pode estar conectado a um dendrito de um outro neurnio B. O
neurotransmissor pode diminuir ou aumentar a polaridade da membrana ps-sinptica, inibindo ou
excitando a gerao dos pulsos no neurnio B. Este processo depende de vrios fatores, como a
geometria da sinapse e o tipo de neurotransmissor


126
3.1 - Funcionamento de uma Rede Neural
Uma rede neural artificial composta por vrias unidades de processamento; Essas
unidades, geralmente so conectadas por canais de comunicao que esto associados a
determinado peso.
As unidades fazem operaes apenas sobre seus dados locais, que so entradas recebidas
pelas suas conexes. O comportamento inteligente de uma Rede Neural Artificial vem das
interaes entre as unidades de processamento da rede.
3.1.1 - Caractersticas
a) So modelos adaptativos treinveis; Podem representar domnios complexos (no
lineares) So capazes de generalizao diante de informao incompleta
b) Robustos; So capazes de fazer armazenamento associativo de informaes
c) Possuem grande paralelismo, o que lhe conferem rapidez de processamento
3.1.2 - Organizao em Camadas
Usualmente as camadas so classificadas em trs grupos:
a) Camada de Entrada: onde os padres so apresentados rede;
b) Camadas Intermedirias ou Escondidas: onde feita a maior parte do processamento,
atravs das conexes ponderadas; podem ser consideradas como extratoras de caractersticas;
c) Camada de Sada: onde o resultado final concludo e apresentado. Ver na figura abaixo
como so organizadas as camadas do Neurnio Artificial.
3.1.3 - O processo de Aprendizado
A propriedade mais importante das redes neurais a habilidade de aprender de seu
ambiente e com isso melhorar seu desempenho.
Isso feito atravs de um processo iterativo de ajustes aplicado a seus pesos, o treinamento.
O aprendizado ocorre quando a rede neural atinge uma soluo generalizada para uma classe
de problemas.

127

3.2 - A Coleta dos Dados
A coleta dos dados para a soluo deste problema de velocidade de corte ser a partir de
tabelas com nmeros j existentes porem precisamos para solucionar o problema; Sero coletados
inmeros dados para a entrada e para a sada da rede neural.
Entradas, so os nmeros ou valores de referencia que tornaro a coleta de dados ou
cruzamento de dados pelo programa mais fcil na estrada estaro os valores referentes a tipos de
pastilhas para o processo de usinagem de uma dado material.
As Sadas sero valores de velocidades de corte que cada tipo de pastilhas de usinagem
possui diferentemente uma das outras, podendo haver entre elas valores iguais ou muito prximos, o
que ir diferenciar uma das outras ser a natureza do sua fabricao ou classes de durezas.
A tabela 5. abaixo mostra uma matriz para os valores de entrada formada por quatro linhas
e vinte colunas ou uma matriz 4 x 20, os valores referentes esto inseridos nas tabelas abaixo.
Tabela 5 Matriz dos valores de entrada

Tabela 5 Fonte: UPF




128
Continuao tabela 5.

Tabela 5 Fonte: UPF

Posterior a coleta dos dados de resistncia mecnica (N/mm) dureza (HB) Velocidade de
corte (m/min) faremos a montagem da tabela ou matriz de entrada no programa MATLAB ver
tabela 6 abaixo.
Tabela 6 Matriz da coleta de dados de entrada para gerar anlise.

Tabela 6 Fonte: Os autores

129
Posterior coleta dos dados de resistncia mecnica (N/mm) dureza (HB) Velocidade de
corte (m/min) faremos a montagem da tabela ou matriz de entrada no programa MATLAB faz-se a
coleta dos dados para a matriz de sada que uma matriz um x vinte ou 1 x 20 ver tabela 7 das
sadas abaixo.
Tabela 7 Dados de sada para anlise

Tabela 7 Fonte: Os autores
3.3 - Treinamento do Sistema
Quando todos os dados ou valores de entrada e de sada forem devidamente inseridos no
programa faz-se os treinamentos, estes devem ser realizados de acordo com a necessidade do
usurio ou quantas vezes forem necessrias para a soluo do problema.
As planilhas abaixo mostram os resultados a partir da quinta vez que os dados foram
treinados, como os resultados mantiveram-se de forma regular ou sem maiores alteraes que
comprometam os resultados os mesmos foram inseridos nos grficos abaixo.
Assim so apresentados os dados dos treinamentos finais para a soluo do problema.
Treinamento 01:

130
Tabela 8 Treinamento 01

Tabela 8 Fonte Os autores

Treinamento 02:
Tabela 9 Treinamento 02

Tabela 9 Fonte: Os autores



131
Tabela 10: Treinamento 03

Tabela 10 Fonte : Os autores
Tabela 11 Treinamento 04

Tabela 11 Fonte: Os autores



132


Tabela 12 Treinamento 05

Tabela 12 Fonte: Os autores

3.4 - Concluso
Aps a utilizao e comprovao dos resultados obtidos atravs da utilizao das Redes
Neurais e com apoio no MATLAB podemos concluir que todos os resultados obtidos so
satisfatrios.
Como o problema proposta pelo grupo de trabalho tinha a finalidade de resolver problemas
de Velocidade de Corte durante o processo de usinagem ficou evidente que pode ser aprimorado e
posteriormente implantado para a sua utilizao como forma de auxilio em resolver ou achar as
velocidades de corte para qualquer rpm ou partindo da prpria varivel (velocidade de corte)
Com o uso do MATLAB possvel sabermos o valor de uma dada velocidade de corte que
no esteja tabelada em tabelas do fabricante, para assim otimizarmos nosso processo produtivo
melhorando nosso custo final do processo e posteriormente uma reduo dos custos do processo.

133
4 Referencias Bibliogrficas.
Kosko - Neural networks and fuzzy systems: a dynamical systems approach to machine
intelligence Kosko, Bart Prentice-Hall International, 1992.
Lesko, Jim - Design Industrial - Materiais e Processos de Fabricao para designers;
Luis R. M. Lopes , Fundamentos dos Algotmos Genricos
Ricardo Linden, Algoritmos Genticos, Brasport 2 Edio
SARAVANAN,Manufacturing Optimization through Intelligent Techniques;

134



Manufatura usando tcnicas inteligentes


Alexandro Maffei
Universidade Passo Fundo UPF Passo Fundo Brasil
maffei@comilonibus.com.br

Carlos Frederico Viero
Universidade Passo Fundo UPF Passo Fundo Brasil
viero@comilonibus.com.br


Resumo
O objetivo deste documento apresentar uma introduo ao tema Manufatura e Automao de
modo a otimizar a manufatura atravs de tcnicas inteligentes. Dentre as diversas tcnicas e
mtodos existentes, iremos abordar nesse texto o Lgica Fuzzy, Algoritmos Genticos e Redes
Neurais Artificiais, mtodos esses que servem como base para desenvolvimento de estudos na rea
de Inteligncia Artificial, tendo uma vasta aplicao em diversas reas do conhecimento, auxiliando
projetos e pesquisas bem com em reas de atividade empresariais, podendo essas tcnicas serem
utilizadas desde a indstria aeroespacial, robtica, medicinal, hospitalares, agrcola ao mercado
financeiro podendo citar as projees em investimentos na bolsa de valores. Aps a introduo do
tema, finalizaremos o estudo, apresentaremos um caso pratico de utilizao de cada um dos
mtodos atravs da utilizao do software MatLab.


Palavras-chave: Lgica Fuzzy, Algoritmos Genticos, Redes Neurais Artificiais, MatLab.


1. Introduo

Existem varias tcnicas de otimizao usadas para resolver os mais diversos tipos de
problemas, contudo cada tcnica e especifica para resolver um tipo de problemas que envolvam o
tema, otimizao de manufatura, contudo em casos especficos e com o uso correto elas so muito
eficazes no sentido de otimizar em muito seus desempenhos. sendo aplicadas em quase todos os
setores que interferem na manufatura, como em projetos, planejamento da produo, manuteno,
controle da qualidade e operao em geral. Nesse texto abordaremos a utilizao da Lgica Fuzzy,
onde foi comparado diversas situaes para o processo de fabricao de peas em fibra de vidro
com o processo de spray-up hand lay up. Para a lgica de Algoritmos Genricos foi realizado o
estudo para verificar a velocidade de corte para um determinado tipo de material, j para as Redes
Neurais foi verificado a influencia da dureza de um material em diversas situaes. Em todos os
casos foi utilizao do software MatLab para verificao dos problemas.


Mestrado Profissional em Projeto e Processos de Fabricao
UPF-FEAR
Passo Fundo RS Brasil



135

2. Lgica Fuzzy

A lgica fuzzy surgiu com base na Teoria de Conjuntos Fuzzy, no ano de 1965, em que a
primeira vez foi usado o termo lgica fuzzy na publicao feita por Lorfi A. Zadeh nos Estados
Unidos. O termo em ingls fuzzy traduzido, tem o significado como algo vago, indefinido,
incerto. Mas traduzido para o portugus os termos mais utilizados na rea de inteligncia artificial
so nebuloso ou difuso.
A lgica fuzzy trata de um raciocnio que busca classificar em nmeros uma determinada
realidade ou situao, que trabalha com muitas variveis incertas e vagas, afim de facilitar o
trabalho ou manipulao dos computadores. A pesar de ser imprecisa a lgica fuzzy nos mostra mais
informaes que a lgica clssica que se restringe somente ao verdadeiro e falso. As definies de
fatos pela lgica fuzzy so mais gradual e detalhados reduzindo a perda de informao, portanto
mais coerente com a realidade.
Na lgica Aristotlica nos diz que uma afirmao pode ser verdadeira ou falsa somente um
ou outro estado nunca os dois ao mesmo tempo. J Boole nos da valores para estes estados das
afirmaes 1 para verdadeiro e 0 para falso. Porm Russel nos diz que nem todos os problemas
podem ser resolvidos pela lgica bivalente. Tambm temos Jan Lukasiewicz que desenvolveu a
lgica multinvel em contrapartida a lgica Aristotlica. A lgica fuzzy expresso usada por Lofti A.
Zadeh baseado na lgica multinvel GROSKO, A. P., GROSKI, J.S.(2006).
A idia da lgica fuzzy bem simples e foge da idia de ficar somente entre o 1 e o 0. Para
ela, h existem vrios nveis entre estes dois estados. Podemos pegar um copo cheio at a boca, um
pela metade e um vazio. Temos 1 cheio, 0 vazio e 0,5 meio cheio meio vazio. Poderamos, tambm,
ter 25% do copo cheio e assim sucessivamente. Isso nos mostra que no h somente estados
deterministicos, neste caso, para o copo cheio ou vazio. Existem estados intermedirios entre o 1
cheio e o 0 vazio. Desta forma e com este princpio bem simples a lgica fuzzy funciona.
A Lgica Fuzzy baseada na teoria dos Conjuntos Fuzzy. A teoria dos Conjuntos Fuzzy diz
que dado um determinado elemento que pertence a um domnio, verificado o grau de pertinncia
do elemento em relao ao conjunto. O grau de pertinncia a referncia para verificar o quanto
possvel esse elemento poder pertencer ao conjunto. O grau calculado atravs de uma
determinada funo que retorna geralmente um valor real que varia entre 0 1, sendo que 0 indica
que no pertence ao conjunto, e 1 pertence.

Tabela 01 Um exemplo de tabela de pertinncia de um conjunto Fuzzy
Altura de um Homem Baixo Mdio Alto
1,50m
1 0 0
1,60m
0,6 0,3 0
1,70m
0,1 1 0
1,80m
0 0,3 5
1,90m
0 0 1
2,0m
0 0 1


2.1. Estudo de Caso
Para o nosso estudo de caso utilizando lgica Fuzzy iremos aplicar a tecnologia em um
problema do dia-a-dia relacionado a fabricao de peas em fibra de vidro com os processos de
spray-up hand lay up. Este processo composto pelos seguintes materiais: Fio Roving,Resina Epxi
e Catalizador
O processo de cura da resina nestes tipos de processo sofre interferncia de um nmero
grande de variveis, mas as principais so a temperatura no ambiente de trabalho e a umidade

136
relativa do ar. Tambm temos o tamanho mdio, em m
2
, do lote de produo como sendo uma
terceira varivel que tem um impacto menor no processo, porem exerce uma influncia
considervel.
A funo do catalizador neste processo acelerar o tempo de cura da resina ou, tambm,
permitir que, em dias muito hmidos ou frios, cure no tempo mdio estipulado para o processo. A
mistura de catalizador e resina se da na forma de proporo, ou seja, se vamos fazer um litro (1
litro) de preparado iremos usar X% de resina e Y% de catalizador. X% e Y% so percentuais que
tem como base o total de resina que vai se produzir para ser aplicada no processo.
Assim vamos modelar o problema matematicamente baseado na tcnica de lgica fuzzy,
para tanto usaremos as variveis de entrada como sendo temperatura mdia ambiente, umidade
relativa do ar e tamanho mdio de lote de produo das peas. Aps a definio dos valores de cada
varivel iremos utilizar as regras para que o sistema possa nos apresentar uma varivel de sada
(quantidade de catalizador) a ser usado na mistura. Este valore ser dado como baixo, mdio ou alto
e ter seus valores respectivos dentro de um intervalor definido na tabela referente a varivel de
sada.
A necessidade de catalizador em relao a temperatura ocorre da seguinte forma:
Quanto menor a temperatura maior a quantidade de catalizador
Quanto maior a temperatura menor a quantidade de catalizador

A necessidade de catalizador em relao a umidade do ar ocorre da seguinte forma:
Quanto maior a umidade maior a quantidade de catalizador
Quanto menor a umidade menor a quantidade de catalizador

A necessidade de catalizador em relao ao tamanho mdio do lote a ser produzido ocorre
da seguinte forma:
Quanto maior o tamanho mdio das peas maior a quantidade de catalziador
Quanto menor o tamanho mdio das peas menor a quantidade de catalizador

Tabela 02: Tabela demonstrando os valores de significncia de uma das variveis (temperatura)
Temperatura em C Baixa Mdia Alta
0 1 0 0
10 1 0 0
15 0,1 0,1 0
20 0 0,9 0
25 0 1 0
30 0 0,1 0,1
35 0 0 0,5
40 0 0 0,8
45 0 0 0,9
50 0 0 1


137
Figura 01: Imagem referente a tabela de dados da temperatua


Fonte: MatLab (teste lgica fuzzy para determinar quantidade catalizador a ser utlizidado em funo da temperatura)


2.2. Analise dos Resultados
Foram realizadas varias simulaes com diversas hipteses, sendo elas as seguintes:

Hiptese 1 Temperatura baixa, umidade baixa tamanho do lote mdio, aps a simulao no
MatLab, verificouse que temos que usar quantidade de resina prximo a 50% do total do volume a
produzir, o que podemos perceber pela posio da centride mais prxima de 50 (ver figura 02).

Figura 02: Imagem resultados atingidos a partir da hiptese 1 (temperatura e umidade baixas e lote mdio)


Hiptese 2 Temperatura baixa, umidade alta tamanho do lote mdio. O mesmo
comportamento observado na centride. Isso mostra que o sistema esta reagindo bem a questo da
temperatura e excesso de umidade do ar. Para testarmos o funcionamento da umidade do ar,
elevaremos a temperatura (em tese deveria baixa a quantidade de catalizador) e vamos aumentar a
umidade relativa do ar.
Hiptese 3 Aumentar a temperatura e deixar a umidade do ar alta: Tambm observamos
que a umidade esta influenciando de forma correta a varivel de sada, pois em dias quentes mas
com chuva devemos aumentar a quantidade de catalizados na mistrua. Isso mostra uma boa
formao das regras do sistema, as variveis principais que influenciam o sistema esto
funcionando de forma satisfatria.

Hiptese 4 Iremos manter a temperatura alta e traremos a umidade para mdia: Notamos
neste caso que a centroide se desloca para o meio, ou seja, devemos ter um equilbrio entre

138
catalizador e resina. Isto a condio ideal de fabricao das peas neste processo. Logo o sistema
esta reagindo muito bem com relao as variveis que mais afetam o processo.

2.3. Concluso
A figura 03 mostra a relao entre a temperatura e a quantidade de catalizador e vemos que
quanto menor a temperatura maior ser o percentual de resina na mistura. J a figura 04 demonstra a
relao entre umidade e resina usada na mistura, quanto maior a umidade maior a quantidade de
catalizador na mistura. Por fim podemos ver a representao 3D das variveis modeladas no nosso
problema (figura 05). Nele vemos que as variveis e as regras esto modeladas de forma correta.
Vemos na regio amarela do grfico, onde mostra uma quantidade de catalizador prxima de 40%.
Que coincide com o comportamento das outras variveis. Com o problema formulado e modelado,
apesar de a lgica fuzzy depender do conhecimento para sua modelagem ela se mostra bem precisa
quando bem modelada. Mostrando-se assim um boa ferramenta para alguns tipos de problema de
pertinncia que ocorrem no dia-a-dia da manufatura.
Assim conclumos que o problema foi bem modelado, o sistema reage de forma satisfatria
e tem um comportamento semelhante ao da realidade. Claro que os percentuais de resina sugeridos
pelo sistema devem ser calibrados no processo a partir de agora.

Figura 03: Grafico representando a proporo entre temperatura e catalizador


Figura 04: Grafico representando a proporo entre umidade e quantidade de resina


139
Figura 05: Representao tridimensional das variaveis



3. Algoritmo Genticos

Algoritmo Gentico uma tcnica atual foi proposta em meados da dcada de 70 por John
H. Holland inspirado nas teorias darwinianas. Este mtodo considerado robusto, utilizado
basicamente para resolver problemas em pesquisas numricas, otimizao de funes e
aprendizagem de mquinas dentre outras reas. Otimizao a cincia para obter os melhores
resultados de diversos recursos restritos (SARAVAN, 2006).
O algoritmo gentico, assim como programao evolutiva e estratgica evolutiva, parte de
uma base conceitual que consiste na simulao da evoluo de estruturas individuais, via processo
de seleo e os operadores de busca, refeitos como operadores genticos, tais como mutao e
crossover (cruzamento ou recombinao). Todo o processo depende do grau de adaptao, ou
seja, do fitness (aptido), do indivduo frente ao ambiente.
Geralmente existem apenas dois componentes principais utilizados no AG, que dependem
do problema a ser resolvido: a representao do problema e a funo de adaptao. Os outro
elementos so: populao, seleo, cruzamento e mutao, onde cada possvel soluo (indivduo
ou cromossomo), possui um tamanho fixo. Por exemplo, se for usado representao binria (0 e 1,
representada por K) e o indivduo ter tamanho (T) igual a 6, todos os indivduos tero o mesmo
tamanho. Por exemplo, 011101 e 111010, conclui-se que a quantidade de indivduos possveis para
esta representao ser 26, ou generalizando KT, onde K pode variar de acordo com o alfabeto
utilizado. O importante desta representao que cada indivduo representa um ponto no espao das
possveis solues para o problema.
O algoritmo gentico bsico envolve seis passos: tendo incio na gerao da populao;
avaliao da populao; teste de convergncia ou critrio de trmino para a otimizao; seleo e
aplicao dos operadores do AG; e criao de uma nova gerao. Podemos visualizar o
funcionamento do AG em etapas que definem: a funo de adaptao; as variveis e parmetros do
AG; com isso gera-se a populao inicial que avaliar cada indivduo. O critrio de trmino
caracteriza-se: a seleo de indivduos; o processo de cruzamento; o processo de mutao e encerra-
se com a avaliao de cada indivduo, munidos dos valores para impresso. A primeira etapa a
definio de qual ser a funo para representar o problema, esta a chave para um resultado
satisfatrio do AG.
Aps a definio da funo pode-se acrescentar a parametrizao do sistema, ou seja, neste
momento que as variveis so inicializadas, alguns exemplos de variveis que devem ser iniciadas
so: tamanho da populao; quantidade de gerao; taxa de cruzamento; taxa de mutao; tamanho
do indivduo entre outros. O terceiro passo a gerao da populao de forma aleatria com a
quantidade de indivduos e seu tamanho determinado em parmetro, com distribuio uniforme pelo
espao de busca. A quinta etapa analisar o critrio da parada do sistema, que pode ser pelo nmero

140
de geraes estabelecidas, pelo tempo de execuo ou algum outro indicador. A seleo dos
indivduos da populao um passo importante, ou seja, os indivduos selecionados tm a maior
probabilidade de participarem do processo de escolha para uma nova gerao. O melhor material
gentico tem maior chance de ser selecionado. Aps a escolha, so aplicados os operadores de
cruzamento e/ou mutao. Primeiramente, o cruzamento, dividindo a populao em pares de
cromossomos da populao atual e a cada novo indivduo aplica-se o processo de mutao, gerando
desta forma uma nova populao em substituio a anterior. Os indivduos da nova gerao so
novamente avaliados pela funo de adaptao, comeando assim um novo ciclo a partir da quinta
etapa, at a condio de trmino ser atendida. Finalmente, quando a condio de trmino atendida
o indivduo mais apto considerado como um forte candidato para ser a soluo que estava sendo
procurada. Em ltima anlise, a impresso do resultado final demonstra as informaes decorrente
da necessidade que o usurio tem, podendo, por exemplo, mostrar o melhor indivduo da ltima
gerao, ou mostrar a ltima populao inteira, ou qualquer indivduo que se possa extrair as
informaes.

3.1. Estudo de Caso
Para o nosso estudo de caso usamos um problema de otimizao. Queremos achar o melhor
custo de corte para uma determinada quantidade de peas a serem cortadas.
Para iniciarmos nossa resoluo devemos achar a menor velocidade de corte que dada pela
seguinte equao:

Velocidade de Corte dada pela equao abaixo:



Valor das variveis:
C2 : 150
X: 3.45
C3: 200
K:
Substituindo-se os valores na equao chegamos ao valor de 144,05 para a menor Velocidade de
Corte.
Agora vamos a equao que devemos otimizar.




Velocidade de corte agora na equao ser chamada de Vc.
Vc
mnimo
: 144,05
C
1
: 100
C
2
: 150
C
3
: 200
l
f:
155
d: 70
f: 0,3

Nosso valor testado dever dar 101,9773. Agora vamos construir nossa otimizao no
MaTlab.

Primeiramente iremos abrir o MatLab e digitar a funo a ser otimizada. Na tela inicial do
MaTlab File,New,Script, aps o sistema mostrar a tela de inicializao (ver figura 06).

141

Figura 06: Tela inicializao Algoritmos Genticos (MatLab)


Nesta tela digitamos nossa funo que ser otimizada posteriormente. Nossa equao tem
uma varivel (v) que ser otimizada e representa a Velocidade Mnima de Corte. Aps digitar a
frmula devemos publicar a funo. File, Publish prim_fun.m que foi o nome que demos a nossa
funo. Agora vamos ir no editor de comando do MATLAB e digitar optimtool. Aps abrese uma
funo chamada solver. No solver selecionar ga, em fitness function digitar @prim_fun e no
Number of Variables digitar 1. Agora vamos rodar nossa otimizao pela primeira vez. Apertamos
o boto Start e o sistema nos mostra o seguinte grfico: (ver figura 07).

Figura 07: Grfico com primeiro resultado AG


Notem que o resultado encontrado pelo sistema foi 105.682 longe ainda do que desejamos
que 101,97. Como vimos no texto acima j temos a representao do problema, a funo uma das
coisa que podemos mexer na populao. Seu valor padro 20 vamos passar para 100 e rodar
novamente, (ver figura 08). Podemos repar que nos aproximamos mais da soluo desejada e assim
sucessivamente at chegarmos a soluo terica (equao da velocidade de corte).






142
Figura 08: Mais uma tentativa para checar a soluo do problema AG


3.2. Concluso
A concluso deste trabalho que mexendo nas populaes e nas geraes conseguimos
chegar em um valor bem prximo do esperado. Isso mostra que a ferramenta tem preciso muito
boa. Porm quando rodamos vrias vezes vamos achando valores diferentes devido a heurstica do
sistema que reclassifica seus dados.


4. Redes Neurais Artificiais

O corpo humano constitudo por vrios rgos essenciais, dentre eles o crebro, rgo
inspirador dos estudos descritos nesse capitulo, dando nfase ao seu funcionamento e aos
chamados circuitos neurais cerebrais que possuem ligaes entre seus neurnios (sinapses), que em
conjunto formam as redes de neurnios que conduzem informaes por todo o corpo humano, alem
de gerir a capacidade de tomada de deciso, caracterstica essa que distingue os humanos das outras
espcies de animais.

Figura 09 Constituintes do neurnio

Fonte: Material didtico Prof Dr. Orlando Duran, UPF (2012)

Inspirado nessa capacidade de tomada de deciso ou inteligncia, que iniciou-se os estudos
das Redes Neurais Artificiais (RNAs), que um modelo com capacidade de aprender, generalizar
ou extrair regras de um conjunto de dados complexos de modo a conferir ao sistema uma
caracterstica ou similaridade, que podemos chamar de neurnio artificial.
Apesar dos esforos em se modelar os neurnios biolgicos, o que se conseguiu apenas foi
uma aproximao em modelos matemticos capazes de generalizarem diante de informaes
incompletas, representar problemas complexos e robustos, capazes de armazenar informaes
associativamente, alm de possurem um grande paralelismo que os conferem uma maior

143
velocidade no processamento. A figura 10 mostra uma generalizao do modelo de um neurnio
artificial.

Figura 10 Modelo de um neurnio artificial

Fonte: Material didtico Prof Dr. Orlando Duran, UPF (2012)

Esse modelo representa um neurnio artificial onde cada informao de entrada (X
n
)
multiplicada por um peso (W
n
), onde resulta em uma soma ponderada, que indica a influencia ou
importncia na sada do neurnio, fornecendo uma informao de sada.
Conforme o avano dos estudos, casos mais complexos vo aparecendo, a partir da a
utilizao de somente um neurnio artificial no suficiente para solucionar problemas complexos,
que geralmente so a grande maioria das equaes, assim necessitamos utilizar neurnios
interconectados, o que chamamos de Rede Neural Artificial (RNA). Rede Neural o nome fantasia
para o modelo de interferncia multidimensional e no lineares, (VICENTE, R. 2002).
A importncia das RNAs, esta na capacidade de representar problemas complexos, bastantes
genricos com representao de famlias de funes no lineares, com muitas variveis de entrada e
sada de forma a serem controladas por parmetros ajustados de acordo com a percepo do
pesquisador.

4.1. Estudo de Caso
Primeiramente para entrar no MaTlab. No editor de comandos digitar nnstart, mostrado na
figura 11, onde iremos carregar dados com 23 referencias ao ao STEEL CT5015 <Colocar aqui os
parmetros que tem na planilha Velocidade_23_501>. Iremos rodar o primeiro treino de nossa rede
neural, onde verificamos que os valores de R ficaram acima de 9, porm podem melhorar pois seu
valor ideal 1. A figura 12 mostra como ficaram regraes de nossa rede..


Figura 11: Tela do MatLab para estudo de Redes Neurais





144
Figura 12: Resultados de R


Rodaremos novamente nossa rede treinando-a novamente. Isto para verificarmos se
conseguimos melhorar seu aprendizado. Abaixo (figura 13) temos o histograma dos erros.

Figura 13: Histograma dos erros


Pelos valores de R vemos que pioramos nossa condio de soluo. Iremos alterar um
parmetro da nossa rede. Number of Hiden Neurons de 10 iremos para 15 Hiden Neurons.
Rodaremos um treino para ver se melhoramos. No segundo treino que fizemos com Hiden Neurons
igual a 15, onde chegamos a concluso que os valores R foram satisfatorios onde os pontos ficaram
muito prximos a reta com grande nmero de incidncias.
Novamente treinamos a rede, agora com 29 parmetros do mesmo material anterior. J no
primeiro treino conseguimos dados muito bons. Vejamos que tivemos todos os valores de R acima
de 9 e regrees bos para all e training. Iremos testar entao com 15 Hiden Neurons onde os
seguintes resultados foram alcanados: Resultados bons para training mas com muitos pontos ainda
distantes no all.
Agora iremos fazer uma analise com um misto de materiais e, tambm , incluiremos a
codificao do material como parmetro de entrada. Este parmetro estar presente na linha 5 da
planilha de Materiais e so as seguintes:


145
- STEEL CT5015 501
- STEEL GC1525 502
- STAINLESS STEEL GC1525 -601
- STAINLESS STEEL GC1005 602
- CAST IRON CC650 901
Rodamos pela primeira vez e verificamos pelas sadas que o resultado no foi muito bom.
Tendo valores de R inferiores a 9 e constatamos que a melhor forma deste grfico seria na forma de
uma curva de Gaus, que estamos conseguindo. Estes resultados foram obtidos com 10 Hiden
Neurons. Para 15 Hiden Neurons o resultado mostrado nas figuras 14, 15 e 16.

Figura 14: Resultados obtidos com 15 hiden neurons


Figura 15: Erro conseguido com 15 hiden neurons



146
Figura 16: Resultados Training para 15 hidens neurons



4.2. Concluso
Concluses das redes neurais que esta rede tem um desempenho melhor com um nmero
maior de inputs de um mesmo material. Quando se misturam os materiais, mesmo passando
parmetros que identifiquem o material que ir ser cortado o desempenho da rede no muito bom.


Referncias

SARAVANAN, R. Optimization through Intelligent Techniques. Boca Raton, Florida: CRC,
2006. Disponvel em:
<http://dl.dropbox.com/u/17641528/Livro%20SARAVANAN%20manufacturing%20Optimization
%20through%20Intelligent%20Techniques.rar>. Acesso em 20 de jan. de 2012.

GEOFFREY G, T.; JUDE W. S. Knowledge-Based Artificial Neural Networks. Siemens
Corporate Research, Princeton. Disponivel em <http://128.105.2.28/machine-learning/shavlik-
group/towell.aij94.pdf >. Acesso em 20 de jan. de 2012.

VIEIRA, C.V.; ROISEMBERG. M. Redes Neurais Artificiais: Um Breve Tutorial. Universidade
Federal de Santa Catarina: Disponvel em <www.inf.ufsc.br/~l3c/artigos/TutorialRNA.pdf>.
Acesso em 20 de jan. de 2012.

VICENTE, R. Redes Neurais para Inferencia Estatistica. FEA/USP. 2002: Disponivel em <
www.ime.usp.br/~rvicente/RNcomMatlab.pdf >. Acesso em 20 jan. 2012.

GROSKO, A. P., GROSKI, J.S. Algoritimo genetico: Reviso histrica e exemplificao (2006).
Pontifcia Universidade Catlica do Paran, Cascavel, Paran.

KOHAGURA, T. Lgica Fuzzy e suas aplicaes. 2006 Tese (Concluso Graduao),
Universidade Estadual de Londrina, Londrina, Paran.