Atividade de Ia

ATIVIDADE PRÁTICA IA APLICADA À INDÚSTRIA 40 Prof Eng Gian Carlo Brustolin MSc CONVERSA INICIAL Esta é uma atividade prática focada nos estudantes de engenharia busca portanto desenvolver no acadêmico a capacidade de análise e solução de problemas inusitados como ocorrerá na prática profissional de engenharia Desta forma você propositalmente não encontrará modelos ou exemplos semelhantes nas aulas e práticas gravadas Por outro lado para que você seja capaz de solucionar este problema será necessário conhecer os conteúdos das aulas teóricas e práticas voltadas à IA conexionista dessa disciplina bem como rever seus conhecimentos de amostragem estatística A atividade será dividida em duas partes Na primeira parte você deverá escolher a arquitetura da IA que resolverá o problema da indústria abaixo descrito Ainda você deve treinala de forma que sua arquitetura seja capaz de responder corretamente a demanda indústria Na segunda parte você deverá implementar o modelo treinado de forma viável na infraestrutura industrial existente e medir a eficiência da solução A entrega será composta por este motivo de dois arquivos o primeiro demonstrando o treinamento da IA e o segundo contemplando a proposta de implementação Os padrões a serem seguidos nestes arquivos constarão das orientações abaixo Não há forma correta ou incorreta para a apresentação dos arquivos mas escolha uma formatação que favoreça a clareza das ideias apresentadas guardando uma estética agradável e uniforme Releia seus textos antes de entregalos e verifique se estão claros concisos e escritos em português formal técnico A apresentação do relatório final de obra de um engenheiro é sempre fator relevante nas decisões de futuras recontratações 1 O PROBLEMA Suponha que você foi contratado por uma indústria de cimento para resolver o problema de regulação dos fornos de cozimento O engraxamento dos fornos de cozimento rotativos deve ser feito em intervalos regulares previstos pelo fabricante As condições de produção todavia têm exigido paradas para engraxamento além do recomendado pelo fornecedor do maquinário Toda parada exige a redução da temperatura do forno em engraxamento interrompendo a produção Paradas previstas têm impacto financeiro de R 03 mil minforno mas as paradas não programadas geram impactos calculados em R 31 mil minforno A estatística de parada foi calculada os fornos ficam parados para manutenção preventiva em 27 do tempo de produção e outros 58 em paradas não programadas Fornos de produção cimenteira imagem httpsfkfecobrequipamentosfornodecimento4bases A engenharia de automação implementou quatro sensores em cada forno para permitir prever o ponto de engraxamento e então informar previamente ao controle de produção sobre paradas necessárias não previstas no ciclo de produção do fabricante Foram também implantados sensores de temperatura e densidade de graxa permitindo que decisões sobre o tempo de redução de temperatura seguissem critérios objetivos Este sensoriamento adotado pela equipe de engenharia elevou a previsibilidade do ponto de parada para manutenção corretiva anteriormente inexistente para 73 dos casos As paradas para engraxamento imperativo que restaram não previstas entretanto causam ainda impactos consideráveis financeiros e sobre a capacidade produtiva Mesmo com esta previsibilidade alcançada e controle dos fluxos de materiais a antecipação das paradas de produção era pequena para que pudesse ser considerada como variável no processo de vendas Atrasos e rupturas de contratos seguem ocorrendo em virtude da incapacidade de entrega dos produtos vendidos no prazo compromissado A equipe de manutenção gera constantemente uma tabela com os níveis combinados e já nomalizados destes sensores e a decisão de parada saída 1 ou não saída1 do forno para engraxamento já corrigida ou seja com 100 de acerto Esta tabela está disponível no arquivo Gerador de Amostrasxls A solução pretendida pelo seu contratante é a implementação de uma IA para controlar o esteiramento de alimentação e descarga dos fornos sincronizando estes processos com as paradas de manutenção conforme ilustrado no modelo abaixo imagem adaptada de httpswwwturbosquidcomptbr3d modelsdescriptionfurnacecementkiln3d1524553 Os acionadores das esteiras são também IoTs que embora possam receber comandos de uma rede de computadores de alto nível precisam operar e decidir autonomamente em caso de colapso desta rede Desta forma a IA deve estar residente após treinada no acionador IoT Os acionadores possuem microcontroladores de baixa capacidade de processamento e apenas 512 KBs de memória disponível para a aplicação de IA 2 DADOS Para obter a tabela dos sensores e decisão esperada acesse o arquivo Gerador de Amostrasxls disponível no seu AVA na aba Roteiro de Estudo após as aulas Insira seu RU conforme lá orientado e copie os valores Neste arquivo as amostras se alteram a cada operação no arquivo por este motivo você deve selecionar suas amostras e trabalhar sobre o conjunto de amostras copiado e não sobre o arquivo de geração já que este é dinâmico Escolha a quantidade e qualidade das amostras seguindo os critérios de amostragem estatística cuidando para reservar amostras para a validação da acurácia da rede Escolha amostras com boa variância em torno da média Lembrese que os dados já foram normalizados e tratados não será a princípio necessário preparalos para a fase de treinamento 3 ACIONADORES Como você já sabe os acionadores possuem microcontroladores de baixa capacidade de processamento e armazenamento O opcode binário deste microcontrolador exige para cada operação em média 43 bytes O assembler disponível para ele por sua vez converte também em média cada comando escrito em Assembly para 51 comandos opcode Você tem a sua disposição um compilador C para Assembly e também um compilador PythonAssembly A eficiência destes compiladores é conhecida também pelas médias de conversão que são respectivamente 1 para 41 e 1 para 127 4 SUA ENTREGA Como já adiantamos você deverá entregar dois documentos O primeiro pode ser uma planilha Excel ou um PDF O segundo arquivo deve necessariamente ter o formato PDF 41 Primeiro Arquivo A primeira fase do trabalho é a definição da arquitetura neural que soluciona o problema descrito em 1 Escolha a menor arquitetura viável Se possível façaa minimalista composta por poucos ou no limite apenas um neurônio com 6 entradas e uma saída binária Esta estratégia minimalista se mostrará especialmente importante quando você na próxima fase realizar a implementação da arquitetura em um microcontrolador de recursos bastante limitados como aquele disponível na indústria Ainda nesta fase você deve treinar a arquitetura escolhida com os dados descritos em 2 Você aprendeu a treinar uma rede neural com uso da regra delta método da retropropagação Na aula 9 o conteudista dá um exemplo em um planilha Excel de como ajustar os pesos w Esta planilha está disponível após as aulas no Roteiro de Estudo arquivo Perceptronxls Este arquivo contém boa parte das formulações Fique atento porque nem todas as colunas utilizadas pelo conteudista têm serventia para esta AP Esta planilha pode ser utilizada como base para a criação de sua planilha de treinamento Por este motivo considerando a existência da planilha exemplo a entrega desta fase pode ser uma planilha Excel contendo o processo de treinamento Recomendamos que o treinamento seja feito na planilha embora não haja óbice à realização do treinamento com uso de um código computacional A recomendação acima é justificada pelo aprendizado detalhado do processo de treinamento que vivenciamos ao utilizarmos uma planilha e entendermos como as iterações criam a convergência dos pesos sinápticos Se você entretanto preferir treinar o neurônio com uso de um código computacional a entrega será de um arquivo em PDF contendo a arquitetura da rede o código fonte devidamente documentado evidências do funcionamento do aplicativo e eventuais racionais de codificação Esta não é uma atividade de desenvolvimento de sistemas portanto NÃO devem ser utilizadas facilidades de biblioteca ou de linguagem para o treinamento do neurônio uma vez que desejamos entender como efetivamente o treinamento neural ocorre 42 Segundo Arquivo A segunda fase será composta obrigatoriamente de um arquivo PDF Nesta fase você deverá apresentar um código para implementação da arquitetura neural proposta no microcontrolador Como não será possível implementar e testar o comando de ativação e desativação do atuador associado ao microcontrolador do objeto IoT apenas imprima na tela o valor 1 para manter a produção do forno ativa ou 1 para desativar as esteiras e desligar o forno A codificação pode ser feita em Assembly x80 C ou Python lembrese de levar em consideração as limitações informadas em 1e 3 O segundo arquivo a ser entregue conterá então o código fonte devidamente documentado evidências do funcionamento do aplicativo e eventuais racionais de codificação Neste mesmo arquivo apresente a memória de cálculo que demonstra a viabilidade da aplicação desenvolvida para as limitações do IoT Calcule também e apresente o custo equivalente de manutenção com uso de seu modelo comparandoo com o custo anterior obtido pela equipe de automação A base de cálculo para comparação pode ser mensal considerando operação 24x7 da planta industrial 5 AVALIAÇÃO A avaliação será composta de 3 itens básicos a Arquivo 1 Apresentação da arquitetura escolhida com peso 1 Detalhamento do processo de treinamento com peso 2 b Arquivo 2 Apresentação do código funcional com peso 15 Apresentação do cálculo de viabilidade com peso 15 Apresentação do cálculo de custo com peso 3 c Justificativas técnicas e bom uso do português com peso 1 A avaliação da AP nem sempre é feita pelo tutor Centenas de trabalhos são avaliados pelo corretor em pequeno espaço de tempo Desta forma seja claro e conciso em sua apresentação e textos Justifique todos os passos e decisões tomadas Finalmente nomeie seus arquivos principiando com seu RU de forma a facilitar a identificação acadêmica FINALIZANDO Sabemos que esta atividade apresenta certo grau de ineditismo em relação as demais avaliações que você já realizou em seu curso mas tratase de simplificação de uma atuação real em nossa atividade profissional como engenheiros Enfrentea com serenidade sabendo que o sucesso depende unicamente de você Você certamente poderá conversar com seus colegas trocando experiências para a criação da solução A tutoria está também a sua disposição para a troca de ideias no entanto por se tratar de atividade avaliativa há limitações no aconselhamento com o tutor da disciplina de forma a manter a isonomia com os demais acadêmicos da turma Bons estudos ANALISE DOS RESULTADOS RU 4497729 Projeto Sistema de Controle Inteligente de Forno Cimenteiro RU 4497729 Outubro2025 Resumo dos Resultados Alcancados Performance do Sistema Precisao no Treinamento 1000 Precisao no Teste 952 Precisao Geral 990 Convergˆencia 195 iteracoes Tempo de Resposta 1ms Parˆametros do Modelo Treinado Pesos Finais Sensor 1 2012 Forte influencia positiva Sensor 2 0640 Influencia negativa moderada Sensor 3 1310 Influencia positiva moderada Sensor 4 1164 Influencia positiva moderada Sensor 5 2044 Forte influencia positiva Sensor 6 0775 Influencia positiva leve Bias 48011 Threshold muito negativo Analise Detalhada dos Dados Caracterısticas do Dataset RU 4497729 Metrica Valor Total de Amostras 101 Amostras CONTINUE 1 97 960 Amostras PARAR 1 4 40 Divisao TreinoTeste 8021 1 Estatısticas dos Sensores Sensor Mın Max Media Desvio Importˆancia Sensor 1 2 9 391 333 peso 2012 Sensor 2 2 9 326 340 peso 0640 Sensor 3 2 9 325 328 peso 1310 Sensor 4 2 9 428 339 peso 1164 Sensor 5 2 9 303 359 peso 2044 Sensor 6 2 9 352 328 peso 0775 Insights dos Pesos 1 Sensores mais importantes Sensor 1 2012 e Sensor 5 2044 Relacionados a variaveis crıticas temperaturapressao Valores altos indicam ne cessidade de PARAR 2 Sensor com influˆencia negativa Sensor 2 0640 Valores altos favorecem CON TINUAR 3 Bias altamente negativo 48011 Forte tendˆencia para CONTINUAR refletindo desbalanceamento do dataset Analise de Performance Pontos Fortes Excelente precisao geral 99 Convergˆencia rapida 195 iteracoes Consistˆencia entre implementacoes 90 Pontos de Atencao Dataset desbalanceado 96 vs 4 Diferenca treino vs teste 100 vs 952 Validacao com Casos Reais Teste Sensores S1S6 Real Predito Resultado 1 817912 CONTINUE CONTINUE PASS 2 827697 PARAR PARAR PASS 3 648497 PARAR PARAR PASS 4 387799 PARAR CONTINUE FAIL 5 525995 PARAR PARAR PASS Resultado 910 acertos 90 2 Analise do Erro Teste 4 Entrada 387799 Esperado PARAR Predito CONTINUE Calculo 32012 806407131071164920449077548011 0521 Decisao 0521 0 CONTINUE incorreto Analise de Impacto Econˆomico Cenario de Aplicacao Forno Cimenteiro 2000 tondia Custo de Parada R 150000hora Prevencao 1 paradamˆes evitada Benefıcios Financeiros Estimados Benefıcio Valor Anual Prevencao de Paradas R 12000000 Otimizacao Energetica R 2200000 Reducao de Manutencao R 800000 Melhoria de Qualidade R 200000 TOTAL R 15200000 ROI 6080 ao ano Payback em 15 semanas 3