Sie sind auf Seite 1von 17

...............................................................................................................................

ENCN2GARA
SISTEMAS DE INFORMAO
MARCELO FONSECA LISBOA CRUZ - 251662011
PORTFLIO I
DIREITO E LEGISLAO EM INFORMTICA
...............................................................................................................................
Guarul!"
201#
MARCELO FONSECA LISBOA CRUZ
PORTFLIO I
DIREITO E LEGISLAO EM INFORMTICA
Tra$al! a%r&"&'(a)! a! Cur"! )& S*"(&+a" D&
I',!r+a-.! Fa/ul)a)& ENIAC %ara a )*"/*%l*'a )&
D*r&*(! & L&0*"la-.! &+ I',!r+1(*/a.
Guarul!"
201#
Respostas
.............................................................................................................
ATIVIDADE PROPOSTA
Inteligncia Artificial: uma aplicao em uma indstria
de processo contnuo
Os processos industriais
No cenrio competitivo atual, construir e gerenciar conhecimento de apoio a
especialistas no controle de processos industriais pode ser til para uma
organizao de fabricao, principalmente para processos que ocorram sob
incertezas e com dados incompletos.
O controle manual em um processo industrial contnuo exercido instante a
instante, por intermdio de decises que exigem do especialista o conhecimento
necessrio para relacionar aes e resultados. Exigem ainda o acompanhamento da
operao, algumas pilotagens nas variaes operacionais, experincia e segurana
suficiente para assumir riscos em situaes extremas.
A Inteligncia Artificial um campo de conhecimentos que oferece modelos de
apoio deciso e ao controle com base em fatos reais e conhecimentos empricos e
tericos, mesmo que apoiados em dados incompletos. O objetivo deste trabalho
apresentar a aplicao de alguns conceitos do campo da Inteligncia Artificial no
desenvolvimento e implantao, a partir do conhecimento de especialistas, do
controle de um processo do tipo contnuo, relevante na indstria de cimento: a
clinquerizao.

2. Reviso bibliogrfica: a Inteligncia Artificial
Inteligncia a demonstrao por resultados de princpios coerentes, em escala de
tempo verificvel: a natureza inteligente em escala de tempo inacessvel para os
humanos. O oposto da inteligncia o caos: em um sistema catico, duas entradas
muito prximas resultam em duas sadas sem qualquer conexo (Conai, 1994).
Para McCarthy (2002), inteligncia a parte computacional da habilidade de
alcanar objetivos, percebendo-se diversos tipos e graus de inteligncia em
pessoas, em muitos animais e em mquinas.
Ao menos cinco escolas filosficas se propem a descrever a inteligncia (Conai,
1994):
- Estruturalista: h mecanismos que realizam as tarefas, basta descobri-los.
- Conexionista: h processos simples que se auto-organizam, basta descobri-los.
- Gentica: h a inteligncia e o caos, basta separ-los por seleo natural, como
faz a natureza, porm em escala de tempo adequada.
- Fenomenolgica: tudo catico, em avano paralelo. Ao se dar uma sintonia
momentnea, d-se a comunicao. No se conhece chave para repetir a
inteligncia.
- Metafsica: s possvel compreender o intelecto. A inteligncia pertence outra
dimenso, inacessvel por meios intelectuais.
Para Arariboia (1988), a Inteligncia Artificial um campo que usa tcnicas de
programao que procuram, por intermdio de mquinas, resolver problemas do
mesmo modo que um ser humano os resolveria. Para Nikolopoulos (1997), a
Inteligncia Artificial um campo de estudos multidisciplinar, originado da
computao, da engenharia, da psicologia, da matemtica e da ciberntica, cujo
principal objetivo construir sistemas que apresentem comportamento inteligente e
desempenhem tarefas com um grau de competncia equivalente ou superior ao
grau com que um especialista humano as desempenharia. Para McCarthy (2002), a
Inteligncia Artificial a cincia e a tecnologia de construo de mquinas
inteligentes, especialmente programas de computador. Relaciona-se com o uso de
computadores para o entendimento e a explorao da inteligncia humana, no se
limitando, porm, a mtodos biologicamente observveis. Para Arariboia (1988), as
tcnicas de Inteligncia Artificial procuram imitar mecanismos da natureza por
intermdio de mecanismos tecnolgicos cujo desenvolvimento foi baseado em
mecanismos naturais.
Diversas tcnicas e aplicaes esto disponveis no campo da Inteligncia Artificial.
Uma referncia que remete a outras fontes encontrada em McCarthy (2002). Para
o objetivo deste trabalho so suficientes os conceitos de sistemas especialistas,
CBR e lgica fuzzy.
2. !istemas especialistas" CBR e l#gica fuzzy
Sistemas especialistas so sistemas computacionais que resolvem problemas de
forma similar ao modo como um especialista humano os resolveria, possuindo
capacidade de deciso em campos especficos do conhecimento. Um sistema
especialista resolve problemas em uma rea limitada de conhecimento, no se
devendo esperar do mesmo que possa ter capacidade de resolver qualquer tipo de
problema.
Os sistemas especialistas buscam a resposta e aprendem com a experincia,
resolvendo problemas por anlise inferencial, a partir de sintomas e intensidades
aleatrios e apoiados em bases de conhecimento que podem, inclusive, ser
transferidas. Os sistemas especialistas possuem: (i) um banco de conhecimentos
que contm fatos, regras e padres; (ii) um dispositivo de inferncia capaz de
tomar decises; (iii) uma linguagem na qual as regras so escritas; (iv) um
organizador que inclui o dispositivo de inferncia, o gerenciador da base de
conhecimento e as interfaces de usurios (Nikolopoulos, 1997; Rabuske, 1995).
O Raciocnio Baseado em Casos (CBR) uma metodologia que resolve novos
problemas adaptando solues conhecidas de problemas antigos, ou seja, usando
conhecimento gerado em experincias passadas. Um novo problema resolvido
encontrando um caso similar j resolvido no passado e reutilizando a soluo,
devidamente adaptada.
O CBR uma abordagem incremental para a aprendizagem, capaz de acumular
conhecimento a partir de casos bem-sucedidos e recuperveis de uma base de
casos, na qual novos casos so gerados e casos semelhantes so combinados. O
ciclo CBR de aprendizado pode ser representado pelos 4 RE da Figura 1: (i)
recuperar casos similares ao atual; (ii) reutilizar uma ou mais das solues; (iii)
revisar a soluo proposta para o caso atual; (iv) registrar a nova soluo como
mais um caso na base de casos (Aamodt & Plaza, 1994; Corchado et al., 2001).


Um problema novo pode ser relacionado a casos armazenados por intermdio de
uma funo de similaridade. Uma funo de similaridade gera uma sada entre 0 e
1 que indica o quanto dois casos so similares, a partir de premissas e de
ponderaes pertinentes ao objetivo da anlise. Uma funo de similaridade pode
ser do tipo:
em que:
- T o caso-alvo;
- S o caso-fonte, residente na base de casos;
- N o nmero de atributos considerados na indexao;
- f uma funo de similaridade a definir;
- w a importncia relativa do atributo ( = 1).
O caso-alvo e o caso-fonte devem ser descritos por dimenses originadas de
variveis quantitativas normalizadas ou variveis categricas qualificadas. Cada
dimenso deve assumir os valores 0 e 1 para os extremos do intervalo de validade,
tornando os casos comparveis. O mdulo da diferena entre dimenses informa o
quanto cada dimenso afasta o caso-alvo do caso-fonte. Se as dimenses tiverem
importncia diferente, obtm-se coeficientes de ponderao, por exemplo, por
opinies de especialistas. A funo de similaridade toma o complemento de 1 do
somatrio dos mdulos das diferenas, ponderados pelas importncias relativas das
dimenses. Casos iguais tero similaridade igual a 1; casos opostos tero
similaridade nula. Os casos com maior similaridade so os candidatos a formar a
nova soluo e gerar um novo caso-fonte.
A lgica fuzzy (difusa) uma tcnica que pode resolver problemas de modelagem
complexa, com aspectos quali e quantitativos, sujeitos a variaes probabilsticas
relevantes ou descritos por bases de dados diferentes e incompletas. Seu processo
decisrio se baseia em variveis lingsticas que simulam e replicam elementos do
pensamento humano, principalmente em bases comparativas, tais como mais alto,
mais frio, melhor; ou vagas, tais como alto, baixo, bom (Kacprzyk, 1997).
Antes da lgica fuzzy, exemplifica-se a lgica crisp (abrupta) (Oliveira Jr., 1999).
Sejam pessoas com 1,75 m, 1,85 m e 1,90 m de altura e seja superar 1,80 m de
altura o critrio para pertencer ao conjunto dos altos. Pela lgica crisp, o indivduo
com 1,75 m no pertence ao conjunto dos altos e pertence ao conjunto dos no-
altos. Os indivduos com 1,85 m e 1,95 m pertencem ao conjunto dos altos e no
pertencem ao conjunto dos no-altos. O modo pelo qual um indivduo passa a
pertencer ao conjunto abrupto, ou seja, ao superar o limiar de pertinncia o
indivduo totalmente admitido no conjunto.
A lgica fuzzy assinala a diferentes indivduos diferentes graus de pertinncia a
conjuntos adjacentes, de acordo com o grau de superao da condio de
pertinncia. A transio para a pertinncia ao conjunto gradual, podendo um
indivduo intermedirio pertencer aos dois conjuntos, de modo difuso. O grau de
pertinncia a um conjunto tanto maior quanto mais afastado est esse indivduo
da fronteira. No exemplo, os indivduos de 1,85 m e 1,95 m pertencem ao conjunto
dos altos, porm o primeiro pertence mais ao conjunto dos no-altos do que o
segundo e o segundo pertence mais ao conjunto dos altos do que o primeiro.
Define-se ento a funo de pertinncia (membership function) a conjuntos
adjacentes.
Para o exemplo, seja a funo de pertinncia da Figura 2. Um indivduo de 1,80 m
de altura tem um grau de pertinncia 0,5 ao conjunto dos altos e um grau de
pertinncia 0,5 ao conjunto dos no-altos. Um indivduo com 1,65 m tem grau de
pertinncia 0 ao conjunto dos altos e de 1 ao conjunto dos no-altos. Finalmente,
um indivduo com 1,95 m tem grau de pertinncia 1 ao conjunto dos altos e de 0 ao
conjunto dos no-altos.


Ainda para o exemplo, seja a funo de pertinncia: F (alto) = A; F (no-alto) = B.
Avaliando-se a funo pela lgica crisp, tem-se F(1,725) = B e F(1,875) = A.
Avaliando-se a funo pela lgica fuzzy, tem-se F(1,725) = 0,75B + 0,25A e
F(1,875) = 0,25B + 0,75A.
2.2 $ontroladores de processos industriais baseados em l#gica fu%%y
O controle de processos industriais pela lgica fuzzy foi proposto por Mamdani e
seus colaboradores, usando a abordagem de Zadeh para conjuntos difusos e
incluindo variveis lingsticas, sentenas condicionais difusas e regras de
inferncias composicionais.
Os requisitos que tornam indicado o uso da lgica fuzzy para o controle de um
processo industrial so (Kacprzyk, 1997):
- No existe um modelo do processo a controlar, por ser demasiado complexo ou
demasiado custoso seu desenvolvimento.
- O processo bem controlado por especialistas humanos.
- Os especialistas humanos conseguem verbalizar as regras que usam nas aes
manuais de controle do processo.
Um processo industrial em tais condies pode ser controlado por um sistema
especialista baseado em lgica fuzzy, como o sistema representado na Figura 3.


A base de conhecimento consiste em uma base de regras e em uma base de dados
que incorpora o conhecimento do processo, geralmente representado por uma
estrutura lingstica quase natural, com termos como: alto, mdio, baixo, sobe um
pouco, desce muito, etc. Na base de conhecimento se define um universo de
discurso consistindo nos termos a serem usados, em escala graduatria, composta
por um nmero mpar de estgios, o que facilita a compreenso humana. Por
exemplo, para cinco estgios, um universo de discurso apropriado para os termos
lingsticos seria como na Figura 4. Nessa figura tambm se tm as
correspondentes funes de pertinncia fuzzy, associadas a cada um dos valores
lingsticos e normalizadas em um universo de discurso [-100%, 100%] da
varivel. O nmero de valores lingsticos, o espao, a sobreposio e o formato
das funes de pertinncia so definidos durante o projeto do sistema e dependem
do grau de conhecimento que se tem do problema (Kacprzyk, 1997).


O processo controlado por uma varivel controlada e seu gradiente (x + x),
manipulada por uma varivel de controle u. A base de regras construda a partir
de depoimentos dos especialistas, que articulam verbalmente as relaes entre as
variaes na varivel de controle e as variaes esperadas na varivel controlada.
Essas articulaes so representadas na base de regras de modo compreensvel
pelos especialistas e utilizvel pelo controlador fuzzy.
Um modo de representao o uso de sentenas condicionais (Kacprzyk, 1997):
- IF x = NS AND x = NS THEN u = PB; ou
- IF x = NS AND x = NS THEN u = h1,1 (x, x).
Outro modo o uso de uma matriz cujas entradas so as grandezas x e x e a
sada a grandeza u, contendo todas as possibilidades de cruzamento entre as
variveis. Como um controle real se vale de n variveis de controle e m variveis
controladas, as relaes entre as variveis so representadas em tabelas mltiplas.
Este o formato adotado no caso em estudo.
A base de dados inclui o formato das funes de pertinncia, os domnios das
variveis e fatores de escala, empregados na defuzzificao. Caso o sistema
preveja o aprendizado com o prprio processo, ou seja, modificam-se as regras a
partir do resultado de sua aplicao, a base de dados dever reter tambm os
parmetros de desempenho do processo.
Para o processo de fuzzificao, o controlador mede os valores e os gradientes das
variveis controladas e de certas variveis auxiliares, as variveis de estado, que
antecipam o desempenho do controle. De acordo com as funes de pertinncia das
variveis e dos gradientes, o controlador calcula um valor fuzzy, que ser usado na
inferncia da variao da varivel de controle.
O valor inferido imposto ao processo em unidades de engenharia, convertidas
pelos fatores de escala residentes na base de dados. O valor imposto a variao
do setpoint do processo, inferido, somado ao valor atual, o setpoint do controlador.
Para Kacprzyk (1997), a fora da lgica fuzzy como lgica de controle de processos
industriais reside em sua aplicao a casos em que no se tem um modelo, mas o
processo operado satisfatoriamente por especialistas. Pela prtica da engenharia
de produo afirma-se que este o caso de muitos processos relevantes na
indstria de processo contnuo.

&. 'ma aplicao na indstria de processo contnuo
A seguir descreve-se uma aplicao da lgica fuzzy de controle na indstria de
processo contnuo. A aplicao ocorreu em um processo de fabricao de clnquer,
matria-prima usada na produo de cimento. A clinquerizao um processo
termoqumico operado manualmente de modo satisfatrio e de difcil modelagem
exata, o que satisfaz os requisitos de Mamdani.
Para que se contextualize a clinquerizao, descreve-se o processo de fabricao de
cimento.
&. A clin(ueri%ao e o processo de fabricao de cimento
A seguir descrevem-se as etapas e na Figura 3 apresenta-se um fluxograma de um
processo tpico de fabricao de cimento (Farenzena, 1995).
)inerao: o processo de desmonte, extrao e remoo dos minerais que
constituem a matria-prima do cimento, normalmente calcrio, argila e material
estril. Reduz-se a granulometria por intermdio da fragmentao e cisalhamento
em britagens e forma-se a pilha de pr-homogeneizao, cuja funo pr-
adequar os parmetros qumicos do material, por intermdio da dosagem de
calcrios ou argilas extrados de diversas fontes.
)oagem de cru: O material extrado da pilha seco e modo em moinhos
tubulares ou de rolos, transformando-se em uma mistura fina, a farinha. Na
moagem de cru se ajustam os parmetros fsico-qumicos da farinha por intermdio
da alimentao e dosagem de diversos tipos de calcrio. A farinha produzida
armazenada em silos, onde passa por novo processo de homogeneizao. A
homogeneidade qumica da farinha importante para a clinquerizao, na qual
ocorre a assimilao e a combinao da farinha com o combustvel.
$lin(ueri%ao: um processo de aquecimento e tratamento trmico controlado,
a at 1.450C, que provoca reaes termoqumicas na farinha, originando o
clnquer. Os materiais se deslocam em oposio aos gases da combusto, que
transferem calor por contato s torres de ciclones. A tiragem realizada por
exaustores com tomada de ar a jusante do forno e recuperao da farinha residual
em precipitadores eletrostticos. A fonte de calor o queimador, a montante do
forno, alimentado por carvo modo complementado por casca de arroz, leos
pesados, gs natural ou coque petroqumico. Um parmetro relevante no controle
do forno o NOx (NO + NO2), principalmente por seu impacto ambiental.
)oagem de cimento: A moagem do cimento se d em circuito fechado, cujo
equipamento principal o moinho tubular de bolas. As matrias-primas so
alimentadas por balanas dosadoras de vazo (ton/h), conforme os teores da
matria-prima disponvel e o tipo de produto. O arraste de material ao longo das
cmaras feito por um exaustor, cuja tiragem arrasta o material modo por corpos
moedores, que quebram, trituram e misturam os componentes, formando uma
massa pulvurulenta e homognea. Ao atingir a granulometria de sada, elevado
por um transportador vertical e classificado. A frao fina se dirige aos silos de
produto pronto, enquanto a frao grossa volta para ser moda at a granulometria
especificada. A medio da frao de retorno importante no ajuste do processo.
*nsacagem: O cimento produzido na fase de moagem conduzido por intermdio
de transporte mecnico ou pneumtico at um conjunto de silos, onde fica
protegido da umidade ambiental. A tcnica de ensacagem depende do tipo de
veculo que ser empregado para retirar o produto da fbrica. As embalagens
disponveis so de 50 e 25 kg ou a granel.
&.2 +escrio da aplicao
O processo de clinquerizao representado na Figura 6. As variveis de controle
so a alimentao de matria-prima, a exausto e o combustvel, doravante
chamados de feed, fan e fuel, e as variveis de estado so a temperatura da zona
de queima, a BZT (Burning-Zone Temperature), o teor de oxignio na queima, o O2
e a temperatura do fundo do forno, a BET(Bac-!nd Temperature). As variveis
controladas so a produtividade em toneladas por hora e/ou a eficincia energtica
em kilocalorias por grama de produto acabado.



A lgica de controle do processo de clinquerizao reside em um controlador
eletrnico baseado em lgica fuzzy.
Os aspectos tecnolgicos ligados ao hardware e ao software do controlador no so
relevantes para o objetivo deste trabalho.
A BZT no medida diretamente, sendo inferida por outras medies. Como o
forno rotativo, a corrente do motor eltrico de acionamento proporcional ao
torque resistente do conjunto. Devido colagem interna, afetada pela temperatura,
o torque resistente proporcional temperatura da zona de queima. Esta
temperatura tambm proporcional ao teor de NOx (NO + NO2), portanto pode ser
inferida pela corrente do acionamento principal, pelo NOx ou por uma combinao
de ambos. As demais grandezas podem ser medidas por instrumentao dedicada:
analisadores de O2 e termo-elementos. A vazo de combustvel e a alimentao de
matria-prima, em ton./hora, e a vazo de exausto, em Nm
3
/hora, so alteradas
por atuadores dedicados, ligados ao controlador.
Em resumo, para o controlador de processo, se tm:
- entradas do controlador: BZT, O2, BET;
- sadas do controlador: "uel, "eed, "an;
- variveis auxiliares para o controle: BZT, O2, BET, Fuel, Feed, Fan.
Pela abordagem de Mamdani, adaptada para o caso e ilustrada na Figura 7
(Tangerino, 1994), fuzzificam-se as variveis de estado a partir das entradas. Para
calcular os valores fuzzy se consideram as faixas nominais e os intervalos alocados
ao universo de discurso de cada varivel e as medies dos valores instantneos e
do gradiente das variveis.


Obteve-se o bloco de regras de inferncia e de defuzzificao por CBR. Lgicas
similares operam em algumas dezenas de plantas no mundo. A lista dessas plantas
uma informao negocial relevante e deve ser omitida neste trabalho. As plantas
possuem bases de regras, formadas pelo conhecimento de especialistas e prticas
de produo. Ao equipar uma nova planta, o fabricante acessa as plantas atuais e,
com base em parmetros como a matria-prima, o produto final, o tipo de forno e a
capacidade de produo, escolhe plantas similares e resgata as bases, que sero
adaptadas pelos especialistas para o caso atual.
H diversas estratgias de controle: (i) regras vlidas para operao instvel do
forno e situaes de emergncia; e (ii) regras vlidas para operao estvel. As
regras para estabilidade so: (iia) bloco geral, que aumenta o feed at o valor
desejado pelo especialista; (iib) bloco que mantm o feed e reduz o consumo de
combustvel, reduzindo o fuel; e (iic) bloco que opera ao atingir 100% do fan e que
controla o feed e o fuel.
O sistema parte segundo a estratgia (iia), associada produtividade, at atingir o
valor desejado de feed, quando assume a estratgia (iib), associada reduo de
combustvel. Se o fan atingir o valor mximo permitido, assume a estratgia (iic). O
valor desejado de feed e o valor mximo de fan so informados pelo especialista.
As trs variveis de estado podem assumir trs valores fuzzy cada, incorporando as
tendncias. Os especialistas definem como variar as variveis de controle nos 27
casos possveis de cada estratgia de controle. Por exemplo, para o caso geral, seja
(BZT, O2, BET) = (High, OK, Low). Os especialistas devem responder: o que fazer
com fuel, feed e fan se a temperatura da zona de queima est ficando alta, o
oxignio est ficando OK e a temperatura do fundo do forno est ficando baixa?
Solues iniciais so oferecidas pelos casos selecionados e os especialistas
confirmam ou modificam uma soluo. No caso exemplificado, os especialistas
indicaram as seguintes aes: aumentar pouco o feed, reduzir pouco o fuel e
reduzir muito o fan, representadas pelos valores 33, -33 e -67% (linha 6 da Tabela
1) de degraus das variveis de controle, previamente especificados e revisados.
Completa-se a tabela de modo similar, modificando-a conforme o resultado da
estratgia ou a prtica de produo. Aps a reviso, o bloco de regras gerado entra
para a base de casos, fechando o ciclo do CBR.


A seguir exemplificada a lgica de controle com uma situao hipottica. Sero
usadas funes de pertinncia linear, combinaes eqitativas entre a grandeza e
seus gradientes e trs nveis de fuzzificao para o entendimento da lgica. O
controlador real emprega funes no-lineares e combinaes diversas entre a
grandeza e o gradiente.
Sejam os valores nominais da Tabela 2 e a situao hipottica da Tabela 3,
calculada pela funo de pertinncia linear da Figura 8, parametrizada pelos valores
da Tabela 2. Na coluna da direita da Tabela 3 se tm os valores j fuzzificados para
as variveis de entrada.




Agregando-se os primeiros e segundos termos das trs variveis de estado obtm-
se o par:
- {(0,4 H; 0,6 OK; 0,5 H); (0,6 OK; 0,4 L; 0,5 OK)}.
O primeiro elemento do par remete linha 4 da Tabela 1 (BZT H, O2 OK, BET H) e o
segundo elemento remete linha 17 da Tabela 1 (BZT OK, O2 L, BET OK). Dessas
linhas (1
a
parcela, 100, 67, 33, e 2
a
parcela, 0, 0, 50) se obtm as contribuies
para as variaes impostas aos setpoints das variveis de controle naquele
instante. As contribuies so ponderadas pela soma dos graus de pertinncia de
cada varivel ao respectivo conjunto.
- setpoint "eed % = (0,4 + 0,6 + 0,5) * 100 + (0,6 + 0,4 + 0,5) * 0 = 150%
- setpoint "uel % = (0,4 + 0,6 + 0,5) * 67 + (0,6 + 0,4 + 0,5) * 0 = 100%
- setpoint "an % = (0,4 + 0,6 + 0,5) * 33 + (0,6 + 0,4 + 0,5) * 50 = 125%
Por fim, tem-se a converso das variveis nas novas unidades de engenharia:
- "eed = 150% * 0,5 t/h = 0,75 t/h, "eed inicial = 88 t/h, novo "eed = 88,75 t/h
- "uel = -100% * 0,05 t/h = 0,05 t/h, "uel inicial = 3,5 t/h, novo "uel = 3,55 t/h
- "an = 125% * 50 Nm
3
/h = 62,5 Nm
3
/h, "an inicial = 4.500 Nm
3
/h, novo "an =
4.562 Nm
3
/h.
A lgica de controle combina dois casos selecionados em um universo de discurso
de 27 casos, formando a soluo. O sistema tambm apresenta capacidade de
aprendizagem, a partir de testes das condies de contorno do sistema. Para testar
o limite da produtividade aumenta-se o valor desejado. Ao atingir esse valor,
assume-se a estratgia de reduo do fuel, mantendo as demais variveis at que
uma condio de contorno seja atingida ou que uma estratgia de instabilidade
assuma, o que deve ser evitado. A monitorao dos resultados e a eventual
modificao dos valores de estratgias constituem um processo de aprendizado.

,. +iscusso dos resultados da aplicao
A seguir discutem-se alguns resultados de campo da aplicao dessa tecnologia.
Um operador humano age contnua, assncrona e aleatoriamente, ao decidir sobre
mudanas nos setpoints. Uma operao baseada em sistema especialista ter outro
ritmo, pois a varredura de execuo e a transferncia das decises da mquina para
o processo no instantnea. Podem-se usar ciclos de 1 minuto para atualizao
de dados de entrada e de sada e de 3 ou 5 minutos para transferncia da sada
para o campo. Um aspecto a considerar na determinao desses ciclos a oscilao
nas variveis que alteraes excessivas combinadas com as inrcias naturais do
processo podem causar.
A experincia de campo do autor mostra ganhos em produtividade (t/h) e
energticos (Kcal/t) de at 3% a 5% em relao a operadores especialistas. O
detentor da tecnologia aponta diversas aplicaes com ganhos de at 6% a 10%
em produtividade e de at 3% em eficincia energtica. Outras experincias
internacionais tambm so relatadas.
Vaas & Krogbeumker (1994) relatam uma aplicao de sistema especialista em
uma moagem de cimento na Alemanha, em que se obteve um aumento de
produtividade de 3,0-3,1% e uma economia de energia de 2,9% aps o
comissionamento. Nussbaumer (1994) relata um caso no Mxico em que um
sistema especialista de otimizao de processo de clinquerizao trouxe aumentos
de 1% e 3% na produo diria, reduo de 2% e 4% no consumo energtico e
reduo de 12% e 16% na variabilidade dos requisitos de qualidade do clnquer. As
vantagens relatadas decorrem principalmente da melhor resposta obtida por um
sistema automatizado s variabilidades do processo, em oposio s incertezas do
comportamento de especialistas humanos, principalmente em situaes de
emergncias, perodos longos e contnuos de operao e necessidade de alta
produtividade. A capacidade de aprender e de assumir riscos tambm auxilia na
construo deste resultado. No foram abordados neste trabalho os aspectos
psicolgicos e comportamentais de operadores especialistas.

-. $oncluso
A partir do exposto e da experincia de campo do autor e das referncias, conclui-
se que os sistemas especialistas, o CBR e a lgica fuzzy podem ser empregados em
sistemas de controle multivarivel de processos na indstria de processo contnuo,
com resultados satisfatrios.
Portanto, sugere-se que os engenheiros de produo procurem conhecer as
tcnicas citadas, no se restringindo ao caso estudado, mas investigando outros
processos de deciso nos quais haja ambigidades, incertezas e variabilidades, e
no haja um modelo exato e replicvel.

.. Agradecimentos
Deseja-se reconhecer e agradecer aos referees pelas sugestes apresentadas. Seu
meticuloso trabalho de anlise permitiu organizar e apresentar o material existente
de modo mais compreensvel e consistente, qualificando o resultado final.

Referncias /ibliogrficas
AAMODT, A.; PLAZA, E. Case-Based Reasoning: foundational issues, methodological
variations, and system approaches. #$ Communications, IOS Press, v. 7, n. 1, p.
39-59. Disponvel em: http://www.iiia.csic.es/People/enric/AICom_ToC.html>.
Acesso em: out. 2002. [ Links ]
ARARIBOIA, G. $ntelig%ncia #rtificial. Rio de Janeiro: Ed. LTC, 1988. [ Links ]
CONAI: Tutorial Inteligncia Artificial. In: CongreSSO NACIONAL DE AUTOMAO
INDUSTRIAL. #nais... So Paulo, 1994. [ Links ]
CORCHADO, J. et al. Hybrid instance-based system for predicting ocean
temperature. $nternational &ournal of Computational $nteligence and #pplications, v.
1, n. 1, p. 35-52, 2001. [ Links ]
FARENZENA, H. "abricao de cimento portland. Porto Alegre: Ed. Cimentec,
1995. [ Links ]
KACPRZYK, J. 'ultistage fuzzy control. Chichester, UK: John Wiley Sons,
1997. [ Links ]
MCCARTHY, J. (hat is #rtificial $ntelligence) Disponvel em: <http://www-
formal.stanford.edu/jmc/whatisai/whatisai.html> . Acesso em: out.
2002. [ Links ]
NIKOLOPOULOS, C. !*pert systems: New York: Marcel Dekker, Inc.,
1997. [ Links ]
NUSSBAUMER, A. LINKman II: Experience in the Apasco Group. In: ++
th
Technical
'eeting,-.
th
#ggregates and Ready-'i*ed Concrete Conference. Basel,
1994. [ Links ]
OLIVEIRA JR., H. /0gica difusa: aspectos prticos e aplicaes. Rio de Janeiro: Ed.
Intercincia, 1999. [ Links ]
RABUSKE, R. $ntelig%ncia #rtificial. Florianpolis: Editora da UFSC,
1995. [ Links ]
TANGERINO, C. Lgica fuzzy aplicada em controladores programveis. In:
CONGRESSO NACIONAL DE AUTOMAO INDUSTRIAL, CONAI. #nais... So Paulo,
1994. [ Links ]
VAAS, M.; KROGBEUMKER, H. Das mhlenregelungssystem MCE bei Phoenix
Zement in Beckum. Z12 Zement-1al-2ips $nternational "orshung-3erstellung-
4er5endung, n. 9, 1994, Bauverlag GmbH, Wiesbaden, 1993. [ Links ]
CONCLUSO / PARECER
Apresente sua !n"us#! $n%$an%! a $&p!rt'n$a %! !n(e$&ent! %e
s$ste&as %e pr!te)#! para re%es %e !&puta%!res e !&ente s!*re ! +at!
%a &a$!r$a %as e&presas n#! apresentare& %en,n$a !ntra r$&es
%$-$ta$s.
C!+! /*(&* a! l!'0! )&"(& (ra$al! 2 *+%!r(a'(& 3u& a4a *'5&"(*+&'(! '! "&(!r
)& TI & "&0ura'-a )&'(r! )a" &+%r&"a".
A *',!r+a-.! 2 u+ $&+ *'(a'065&l %ara u+a &+%r&"a7 %!r *""!7 %!r +a*" 3u&
"*"(&+a" & '!r+a" )& "&0ura'-a "&4a+ /ar!" & )& *+%la'(a-.! )&+!ra)a !
/u"(! ,*'al 2 +&'!r )! 3u& (&r "ua" *',!r+a-8&" 'a" +.!" )& "&u"
/!'/!rr&'(&".