Edatların YanlıĢ Kullanılması

Esta se¸c˜ao dedica-se a descrever alguns detalhes de outros trabalhos que contribu´ı- ram para o desenvolvimento deste trabalho. Basicamente vai-se destacar o trabalho de Bhattacharya et al. (BHATTACHARYA et al., 2004) e o de Kempf e Adamy (KEMPF; ADAMY, 2004).

No trabalho de Bhattacharya et al. (BHATTACHARYA et al., 2004) ´e descrito um BDS baseado em l´ogica fuzzy para detectar breakouts por agarramento, quebra e pele fina atrav´es do monitoramento t´ermico do molde atrav´es de termopares. Cada um desses tipos de breakout ´e detectado por um m´odulo fuzzy diferente dentro do sistema que funcionam em paralelo.

Cada um desses m´odulos busca reconhecer os padr˜oes de cada um dos tipos de bre- akouts conforme o descrito na subse¸c˜ao 2.2.6.2, recebendo para isso diferentes entradas. O m´odulo de detec¸c˜ao de agarramento recebe como entradas o percentual de carbono do a¸co, a amplitude da eleva¸c˜ao da temperatura e o gradiente temporal da temperatura, esses ´ultimos dois para cada um dos termopares do molde. O m´odulo de quebra recebe como entradas a amplitude do declive da temperatura, a velocidade de lingotamento e a porcentagem de carbono do a¸co. O ´ultimo m´odulo, o de pele fina, recebe como entradas a diferen¸ca entre a temperatura m´edia instantˆanea e a “temperatura padr˜ao”, a velocidade

de lingotamento, a porcentagem de carbono do a¸co e a posi¸c˜ao vertical do termopar. A “temperatura padr˜ao” ´e a temperatura normal de lingotamento, que ´e fun¸c˜ao dos parˆa- metros de lingotamento (velocidade de lingotamento, composi¸c˜ao do a¸co, temperatura de vazamento do a¸co, etc.) e varia suavemente ao longo do tempo. Essa“temperatura padr˜ao” ´e obtida atrav´es de um agente inteligente que aprende as caracter´ısticas do lingotamento e vai se adaptando aos transientes do lingotamento de forma a gerar continuamente um valor de “temperatura padr˜ao”. Esse agente inteligente ´e uma m´aquina que realiza um aprendizado, mas est´a restrita ao m´odulo de pele fina.

Como se percebe, o teor de carbono do a¸co est´a presente como entrada em todos os m´odulos desse sistema, o que o caracteriza como um sistema adaptativo. Al´em disso, a velocidade, como segundo fator de principal influˆencia no comportamento do lingotamento (BARCELLOS, 2007), tamb´em est´a presente como entrada nos m´odulos de quebra e de pele fina para a adapta¸c˜ao do sistema. ´E interessante notar que o m´odulo de pele fina, apesar de possuir o teor de carbono e a velocidade de lingotamento como entradas para adapta¸c˜ao, ainda necessita do agente inteligente para determinar a “temperatura padr˜ao” do sistema. Isso mostra que ainda h´a outros fatores que influenciam o lingotamento, al´em do teor de carbono do a¸co e da velocidade de lingotamento, e que podem ser monitorados atrav´es de uma m´aquina com aprendizado.

Para realizar o disparo do alarme, o sistema de Bhattacharya et al. (BHATTA- CHARYA et al., 2004) utiliza uma medi¸c˜ao denominada breakoutability. O breakoutability ´e uma escala linear cont´ınua no tempo que mapeia a tendˆencia de ocorrˆencia do breakout. As sa´ıdas dos m´odulos do sistema s˜ao o valor de breakoutability para cada um dos tipos de breakout que eles detectam, logo, s˜ao eles que transformam a distribui¸c˜ao espacial e temporal das temperaturas no molde em breakoutability. Al´em disso, os m´odulos fornecem a localiza¸c˜ao do ponto no molde com o maior breakoutability. Essas sa´ıdas s˜ao analisa- das por um analisador de breakoutability que determinar´a qual dos m´odulos est´a com o maior breakoutability, determinando assim o tipo de breakout e localiza¸c˜ao dele. Essas informa¸c˜oes s˜ao passadas como entradas para um m´odulo controlador da velocidade de lingotamento, que ir´a comandar as mudan¸cas necess´arias.

O sistema de Bhattacharya et al. (BHATTACHARYA et al., 2004) foi instalado em paralelo com o sistema previamente existente nas m´aquinas de lingotamento da Tata Steel e testado durante dois meses, nos quais os alarmes gerados por ele foram analisados. Du- rante esses dois meses, somente o sistema previamente existente atuava sobre a velocidade das m´aquinas; os alarmes do sistema de Bhattacharya et al. geravam apenas inspe¸c˜oes nas

3.1 Metodologia 76 placas correspondente para verifica¸c˜ao da validade do alarme. Pelas compara¸c˜oes feitas por eles, o sistema teve um bom desempenho e uma diminui¸c˜ao significativa de alarmes falsos em compara¸c˜ao com o sistema previamente existente.

No trabalho de Kempf e Adamy (KEMPF; ADAMY, 2004) ´e proposto um sistema de detec¸c˜ao de breakout por agarramento atrav´es do monitoramento t´ermico do molde com termopares baseado em sistemas fuzzy recorrentes. Resumidamente, eles prop˜oem um autˆomato finito determin´ıstico para o reconhecimento da curva padr˜ao de agarramento utilizando sistemas fuzzy.

Para tornar poss´ıvel a constru¸c˜ao de um autˆomato, Kempf e Adamy (KEMPF; ADAMY, 2004) dividiram a curva caracter´ıstica de agarramento em cinco regi˜oes, cada uma apre- sentando caracter´ısticas pr´oprias quanto `as suas componentes principais, e atribu´ıram r´otulos a cada uma delas. Como componentes principais, eles utilizam os pr´oprios valores de temperatura (u(k)) da s´erie temporal de leituras dos termopares e as diferen¸cas entre os valores de temperatura no instante atual e no instante imediatamente anterior a ele (∆u(k) = u(k) − u(k − 1)). A divis˜ao da curva caracter´ıstica do agarramento ´e apresentada na figura 3.3, e as caracter´ısticas referentes a cada uma delas s˜ao apresentadas na figura 3.4.

Fonte: (KEMPF; ADAMY, 2004)

Figura 3.3: Divis˜ao e rotula¸c˜ao da curva caracter´ıstica de agarramento em cinco regi˜oes distintas

O autˆomato proposto por Kempf e Adamy (KEMPF; ADAMY, 2004) para o reco- nhecimento da curva caracter´ıstica de agarramento, baseado em sua divis˜ao da curva caracter´ıstica de agarramento, ´e mostrada na figura 3.5.

Pode-se perceber que o autˆomato proposto por eles prevˆe a possibilidade de transi¸c˜ao bilateral entre regi˜oes adjacentes, ou seja, se uma certa s´erie de dados leva `a uma dada

Fonte: (KEMPF; ADAMY, 2004)

Figura 3.4: Caracter´ısticas das componentes principais de cada uma das regi˜oes da curva caracter´ıstica de agarramento

Fonte: (KEMPF; ADAMY, 2004)

Figura 3.5: Autˆomato para a detec¸c˜ao da curva caracter´ıstica de agarramento de Kempf e Adamy

regi˜ao, o autˆomato pode voltar para a regi˜ao adjacente anterior a ela, ou ir para a regi˜ao adjacente posterior a ela. Al´em disso, ele prevˆe tamb´em a permanˆencia em um mesmo estado do autˆomato, caso o r´otulo lido seja o mesmo que o levou `aquele estado. Para exem- plificar, o autˆomato ´e capaz de reconhecer a sequˆencia ‘curve’, a sequˆencia ‘cccuuurrrvve’ ou a sequˆencia ‘cucururvvrrve’ como sendo curvas caracter´ısticas de agarramento. S´o que n˜ao ´e permitido que o autˆomato pule entre regi˜oes n˜ao adjacentes. Assim, a sequˆencia ‘crve’ n˜ao ´e reconhecida como uma curva caracter´ıstica de agarramento.