Ferramenta de detecção de padrões de planicidade utilizando redes neurais / Pattern detection tool using neural networks

Authors

  • Arlei Fonseca Barcelos Brazilian Journals Publicações de Periódicos, São José dos Pinhais, Paraná
  • Eduardo Sidney Dias
  • Julio Cesar Ávila de Oliveira
  • Hugo Shokychi Toshimitsu
  • Ramon Alves dos Santos

DOI:

https://doi.org/10.34117/bjdv5n11-068

Keywords:

Planicidade, Rede neural, Laminador, Qualidade.

Abstract

O sistema nervoso humano é responsável pelas principais funções de controle do nosso organismo, sendo constituído por uma unidade básica chamada neurônio. O neurônio é responsável por diversas funções conhecidas, sendo a de maior destaque a cognição. A cognição é a capacidade do cérebro humano armazenar informação e formar o aprendizado.

Redes Neurais Artificiais, segundo Haykin (2001), é uma técnica de Inteligência Artificial desenvolvida na década de 40 pelo matemático Walter Pitts e o neurofisiologista McCulloch. Eles objetivaram associar um neurônio biológico a um circuito eletrônico. Posteriormente, esse modelo teve readequação para um modelo computacional associado.

A tentativa de simular o sistema nervoso humano possibilitou atribuir às máquinas a capacidade de adquirir aprendizado e o reconhecimento de padrões, ou seja, a Rede Neural Artificial é um conceito matemático que trabalha na modelagem de um sistema real com base no conhecimento específico sobre um assunto em questão, visando o processamento de dados de forma semelhante ao do cérebro humano e disponibilizando à uma aplicação específica.

Para Braga et al. (2000), o neurônio artificial proposto por Pitt e McCulloch é uma simplificação de um neurônio biológico, com sua descrição matemática resultando em um modelo de neurônio com “n” entradas, representando os dendritos, e com apenas uma saída.

Para simular o comportamento das sinapses de cada entrada do neurônio artificial, existem pesos acoplados cujo os valores podem ser inibitórios ou excitatórios, determinando em que grau o neurônio deve considerar o sinal de disparo naquela conexão.

Um neurônio biológico dispara quando a soma dos impulsos que ele recebe ultrapassa o seu limiar de excitação. O corpo do neurônio, por sua vez, é simulado por um mecanismo simples que faz a soma dos valores recebidos pelo neurônio (soma ponderada) e decide se o neurônio deve ou não disparar seu sinal, comparando a soma obtida ao limiar do neurônio.

A Figura 1 mostra um modelo de neurônio artificial, onde segundo Haykin (2001), é possível identificar os elementos básicos que estão descritos abaixo.

 

 

Figura 1: Modelo de um neurônio artificial-Fonte: Haykin, 2001.

 

No modelo da Figura 1, é representado um conjunto de elos de conexão (ou conjunto de sinapses), cada um caracterizado por um peso ou força própria. Especificamente, um sinal xm na entrada da sinapse conectada ao neurônio k é multiplicado pelo peso sináptico wkm.

A representação do sinal de somatório realiza a adição dos sinais de entrada ponderados pelas respectivas sinapses do neurônio, formando uma espécie de combinador linear.

Uma função de ativação é utilizada para restringir a amplitude da saída de um neurônio. A função de ativação é também referida como função restritiva, já que, restringe (limita) o intervalo permissível de amplitude do sinal de saída a um valor finito.

O bias, representado por bk, tem o efeito de aumentar ou diminuir a entrada líquida da função de ativação, dependendo se este assume, valores positivos ou negativos, respectivamente.

Adentrando ao meio siderúrgico, de acordo com Silva (2008), a qualidade da planicidade de uma bobina é um defeito claramente percebido e que vem sendo demandada em tolerância cada vez mais restrita pelo mercado. Sendo caracterizadas estas anormalidades principalmente pela presença de ondulações resultantes da acomodação de regiões mais alongados, que costumam se concentrar em regiões do centro ou nas bordas das bobinas. A planicidade pode ser determinada pela diferença de alongamento ao longo da largura através de uma unidade adimensional chamada I-Unit, ao qual está relacionado com a altura e o comprimento das ondulações.

Existem várias causas que podem levar ao surgimento do defeito de planicidade na tira. Modella et al. (2013) destaca as seguintes causas: ajuste inadequada da abertura entre os cilindros; flexão dos cilindros de laminação; distribuição inadequada do sistema de refrigeração.

Dessa forma o projeto desenvolvido busca aplicar o referido método de inteligência artificial a favor da automatização do processo de classificação de padrões de planicidade dos materiais produzidos no Laminador de Tiras a Frio número 3 da CSN apoiando a tomada de decisão, aplicando a modelagem adequada de forma que este sistema absorva através de um treinamento, padrões adequados e inadequados de planicidade. Podendo após esta etapa, inferir uma resposta quando estimulado com padrões semelhantes. Buscando, além da automatização do processo, o aumento no padrão de qualidade do material produzido, podendo inserir através das entradas da rede neural desenvolvida mais parâmetros de planicidade os quais não eram avaliados, ou ainda, aqueles os quais eram difíceis ou suscetíveis a erros na sua avaliação pelo homem.

 

 

References

BRAGA, A.P.; CARVALHO, A.P.L.F. & LUDEMIR, T.B. Redes Neurais Artificiais - Teoria e Aplicações. 2ª Edição. Rio de Janeiro: Editora LTC, 2000.

HAYKIN, S. Redes Neurais - Princípios E Práticas. Porto Alegre: Bookman, 2001.

MOLLEDA J.; USAMETINGA, R. & GARCÍA, D. On-Line Flatness Measurement in the Steelmaking Industry.Sensors, [s.l.], v. 13, n. 8, p.10245-10272, ago. 2013. MDPI AG. DOI: 10.3390/s130810245.

SILVA C.N.; ARAÚJO F.G.S.; FAGUNDES J. Jr & COTA A.B. Efeito da flexão dos cilindros na laminação de encruamento sobre a planicidade de tiras de aço. Matéria (rio J.), [s.l.], v. 13, n. 2, p.412-417, 2008. FapUNIFESP (SciELO). DOI: 10.1590/s1517-70762008000200021.

Published

2019-11-07

How to Cite

Barcelos, A. F., Dias, E. S., Oliveira, J. C. Ávila de, Toshimitsu, H. S., & Santos, R. A. dos. (2019). Ferramenta de detecção de padrões de planicidade utilizando redes neurais / Pattern detection tool using neural networks. Brazilian Journal of Development, 5(11), 23615–23626. https://doi.org/10.34117/bjdv5n11-068

Issue

Section

Original Papers