INTELIGNCIA ARTIFICIAL: UMA APLICAO EM UMA INDSTRIA DE PROCESSO CONTNUO

Miguel Afonso Sellitto

Centro de Cincias Exatas e Tecnolgicas, Universidade do Vale do Rio dos Sinos, Unisinos, Av. Unisinos, s/n, CEP 93022-000, So Leopoldo, RS, e-mail: miguelsv@terra.com.br

v.9, n.3, p.363-376, dez. 2002

Resumo Este trabalho descreve uma aplicao da lgica fuzzy de controle e do CBR (Raciocnio Baseado em Casos) na indstria de processo contnuo. Essas tcnicas so discutidas dentro do campo de conhecimentos da Inteligncia Artificial, associadas ao processo de tomada de decises empresariais. A Inteligncia Artificial apontada como um campo de conhecimentos que pode apoiar a tomada de decises de um modo mais simples e mais preciso do que outros mtodos, tais como a modelagem e a gesto por indicadores. As etapas para a construo de um sistema especialista, construdo principalmente a partir de experincias empricas humanas, tambm so discutidas. O trabalho se encerra apresentando uma rotina de tomada de deciso em um processo termoqumico na indstria cimenteira conduzida por um sistema especialista baseado em CBR e lgica fuzzy, e uma discusso sobre resultados comparados com operadores humanos nas mesmas condies. Palavras-chave: lgica fuzzy na indstria de processo contnuo, Inteligncia Artificial na engenharia de produo, sistemas especialistas na engenharia de produo, CBR na engenharia de produo.

364

Sellitto Inteligncia Artificial: Uma Aplicao em uma Indstria de Processo Contnuo

1. Introduo
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 suficientes 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.

Ao menos cinco escolas filosficas se propem a descrever a inteligncia (Conai, 1994):

l

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 a outra dimenso, inacessvel por meios intelectuais.

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.

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.

GESTO & PRODUO, v.9, n.3, p.363-376, dez. 2002

365

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. 2.1 Sistemas especialistas, CBR e lgica 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).

Problema atual Retrieve

Solues testadas

Reuse Retain Soluo confirmada Base de casos

Revise

Soluo proposta

Figura 1 O ciclo CBR de aprendizado. (Fonte: Corchado et al., 2001.)

366

Sellitto Inteligncia Artificial: Uma Aplicao em uma Indstria de Processo Contnuo

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: S(T, S) = f (Ti , Si ).wi , em que:
n i =1
l l

l l

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 (wi = 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 casofonte. 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 noaltos 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, temse 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.

GESTO & PRODUO, v.9, n.3, p.363-376, dez. 2002

367

no-alto

alto

0 1,65 1,80 1,95

Figura 2 Funo de pertinncia difusa para o exemplo. 2.2 Controladores de processos industriais baseados em lgica fuzzy 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.

Entrada u

Processo sob controle Variveis de estado

Defuzzificao

Dispositivo de inferncias

Fuzzificao

Base de dados

Base de regras

Controlador baseado em lgica fuzzy

Figura 3 O uso da lgica fuzzy no controle de processos industriais [adaptado de Kacprzyk (1997)].

368

Sellitto Inteligncia Artificial: Uma Aplicao em uma Indstria de Processo Contnuo

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):

l

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.

NB

NM

PM

PB NB: negative big; NM: negative medium; Z: zero; PM: positive medium; PB: positive big.

[100%, 100%]

Figura 4 Variveis lingsticas [adaptado de Kacprzyk (1997)].

GESTO & PRODUO, v.9, n.3, p.363-376, dez. 2002

369

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.

3. Uma 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. 3.1 A clinquerizao 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). Minerao: 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 pradequar os parmetros qumicos do material, por intermdio da dosagem de calcrios ou argilas extrados de diversas fontes.

Moagem 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. Clinquerizao: 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. Moagem 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.

370

Sellitto Inteligncia Artificial: Uma Aplicao em uma Indstria de Processo Contnuo

Ensacagem: 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. 3.2 Descrio 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(Back-End 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.

jazida

prhomogeneizao

britagens primria e secundria

moagem de cru silos de homogeneizao

precipitador eletrosttico

torre de praquecimento

hangar de matrias-primas

forno de clnquer

moagem de cimento

silos de cimento

circuito de material em processo circuito de ar

ensacagem

despacho a granel
Fonte: Farenzena, 1995

Figura 5 Fluxograma de fabricao de cimento.

GESTO & PRODUO, v.9, n.3, p.363-376, dez. 2002

371

Feed BZT (Burning-ZoneTemperature) Fan

Fuel

O2

BET (Back-End Temperature)

Figura 6 Representao do processo de clinquerizao e das variveis intervenientes.

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 Nm3/hora, so alteradas por atuadores dedicados, ligados ao controlador. Em resumo, para o controlador de processo, se tm:
l l l

entradas do controlador: BZT, O2, BET; sadas do controlador: Fuel, Feed, Fan; 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.

372

Sellitto Inteligncia Artificial: Uma Aplicao em uma Indstria de Processo Contnuo

I, NOx

BET

O2

Bloco de entrada de variveis e gradientes: fuzzificao

BZT fuzzy

BET fuzzy

O2 fuzzy

Bloco de regras: inferncias e defuzzificao

Fuel %

Feed % Bloco de escalas

Fan %

T/h

T/h Bloco de sada: unidades de engenharia

setpoint T/h

setpoint T/h

setpoint Q

Figura 7 Abordagem de Mamdani para a lgica de controle fuzzy. (Fonte: adaptado de Tangerino, 1994.)

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.

GESTO & PRODUO, v.9, n.3, p.363-376, dez. 2002

373

Tabela 1 Bloco de regras geral para a clinquerizao.

Bloco de regras principais Step = 0,5 t/h caso 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 Low OK Low High Low OK OK High Low OK BZT f High O2 f High BET f High OK Low High OK Low High OK Low High OK Low High OK Low High OK Low High OK Low High OK Low High OK Low Feed % 100 67 33 100 67 33 100 67 33 67 33 0 67 20 0 0 0 0 33 67 100 33 67 100 33 67 100 0,05 t/h Fuel % 67 67 0 67 33 33 100 67 0 0 33 67 33 20 33 50 0 33 33 100 100 0 67 67 100 33 33 50 Nm3/h Fan % 67 0 100 33 0 67 0 67 100 67 0 33 33 20 50 0 50 67 100 0 0 67 0 0 33 0 33

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:
l

{(0,4 H; 0,6 OK; 0,5 H); (0,6 OK; 0,4 L; 0,5 OK)}.

374

Sellitto Inteligncia Artificial: Uma Aplicao em uma Indstria de Processo Contnuo

Tabela 2 Faixas das variveis necessrias ao controle no exemplo.

Varivel BZT O2 BET Fuel Feed Fan Todas Limites da varivel 1.250C a 1.450C 0 a 3% 350C a 450C 0-5 t/h 0-100 t/h 0-5.000 Nm /h 3 nveis de fuzzificao => H, OK, L (high, OK, low)
3

Faixa do gradiente BZT/min. = 3% a +3% O2/min. = 5% a +5% BET/min. = 3% a +3% No se aplica

Tabela 3 Dados para o exemplo hipottico.

Varivel Entrada: BZT Entrada: O2 Entrada: BET Sada: Fuel Sada: Feed Sada: Fan Instantnea 1.350C 1,5% 400C 3,5 t/h 88 t/h 4.500 Nm /h
3

Fuzzy inst. 1 OK 1 OK 1 OK

Gradiente 2,4% 4% 3%

Fuzzy grad. 0,8 H + 0,2 OK 0,2 OK + 0,8 L 1H No se aplica

Fuzzy total 0,4 H + 0,6 OK 0,6 OK + 0,4 L 0,5 H + 0,5 OK

low

OK

high

Figura 8 Funo de pertinncia para as variveis intervenientes no exemplo.

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 (1a parcela, 100, 67, 33, e 2a parcela, 0, 0, 50) se obtm as contribuies para as variaes impostas aos setpoints das variveis de controle naquele instante. As contribuies so ponde-

radas pela soma dos graus de pertinncia de cada varivel ao respectivo conjunto.
l

setpoint Feed % = (0,4 + 0,6 + 0,5) * 100 + (0,6 + 0,4 + 0,5) * 0 = 150% setpoint Fuel % = (0,4 + 0,6 + 0,5) * 67 + (0,6 + 0,4 + 0,5) * 0 = 100%

GESTO & PRODUO, v.9, n.3, p.363-376, dez. 2002

375

setpoint Fan % = (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:
l

Feed = 150% * 0,5 t/h = 0,75 t/h, Feed inicial = 88 t/h, novo Feed = 88,75 t/h Fuel = 100% * 0,05 t/h = 0,05 t/h, Fuel inicial = 3,5 t/h, novo Fuel = 3,55 t/h Fan = 125% * 50 Nm3/h = 62,5 Nm3/h, Fan inicial = 4.500 Nm3/h, novo Fan = 4.562 Nm3/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 aumentase 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.

4. Discusso 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.

5. Concluso
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.

376

Sellitto Inteligncia Artificial: Uma Aplicao em uma Indstria de Processo Contnuo

6. Agradecimentos
Deseja-se reconhecer e agradecer aos referees pelas sugestes apresentadas. Seu meticuloso
Referncias Bibliogrficas
AAMODT, A.; PLAZA, E. Case-Based Reasoning: foundational issues, methodological variations, and system approaches. AI 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. ARARIBOIA, G. Inteligncia Artificial. Rio de Janeiro: Ed. LTC, 1988. CONAI: Tutorial Inteligncia Artificial. In: CONGRESSO NACIONAL DE AUTOMAO INDUSTRIAL. Anais... So Paulo, 1994. CORCHADO, J. et al. Hybrid instance-based system for predicting ocean temperature. International Journal of Computational Inteligence and Applications, v. 1, n. 1, p. 35-52, 2001. FARENZENA, H. Fabricao de cimento portland. Porto Alegre: Ed. Cimentec, 1995. KACPRZYK, J. Multistage fuzzy control. Chichester, UK: John Wiley Sons, 1997. MCCARTHY, J. What is Artificial Intelligence? Disponvel em: <http://www-formal.stanford.edu/ jmc/whatisai/whatisai.html>. Acesso em: out. 2002.

trabalho de anlise permitiu organizar e apresentar o material existente de modo mais compreensvel e consistente, qualificando o resultado final.

NIKOLOPOULOS, C. Expert systems: New York: Marcel Dekker, Inc., 1997. NUSSBAUMER, A. LINKman II: Experience in the Apasco Group. In: 33th Technical Meeting/10th Aggregates and Ready-Mixed Concrete Conference. Basel, 1994. OLIVEIRA JR., H. Lgica difusa: aspectos prticos e aplicaes. Rio de Janeiro: Ed. Intercincia, 1999. RABUSKE, R. Inteligncia Artificial. Florianpolis: Editora da UFSC, 1995. TANGERINO, C. Lgica fuzzy aplicada em controladores programveis. In: CONGRESSO NACIONAL DE AUTOMAO INDUSTRIAL, CONAI. Anais... So Paulo, 1994. VAAS, M.; KROGBEUMKER, H. Das mhlenregelungssystem MCE bei Phoenix Zement in Beckum. ZKG Zement-Kalk-Gips International Forshung-Herstellung-Verwendung, n. 9, 1994, Bauverlag GmbH, Wiesbaden, 1993.

ARTIFICIAL INTELLIGENCE: AN APPLICATION IN A CONTINUOUS PROCESS INDUSTRY

Abstract This paper describes an application of the fuzzy logic control and CBR in the continuous process industry. The techniques are discussed inside the larger branch of knowledge called Artificial Intelligence (AI), which can be related with the decision-making process in companies. Artificial Intelligence is pinpointed as a science that can support decisions in an easier and more precisely way than others methods as models and process indicators management. The steps for the erection of an Expert System, built mainly from human empirical experiences, are also discussed. The paper comes to an end by presenting a decision-making routine in a thermochemical process, in the cement industry, as performed by an Expert System decision-maker, based in CBR and fuzzy logic, and leading to a discussion about results and performance gains, in comparison with human-guided action in the same process. Key words: fuzzy logic in continuous process industry, Artificial Intelligence in industrial engineering, expert systems in industrial engineering, CBR in industrial engineering.