You are on page 1of 7

METROLOGIA-2003 – Metrologia para a Vida

Sociedade Brasileira de Metrologia (SBM)


Setembro 01−05, 2003, Recife, Pernambuco - BRASIL

SIMULAÇÃO DE UM CONTROLADOR NEBULOSO (FUZZY) NO CONTROLE


DE QUALIDADE DA FABRICAÇÃO DAS GARRAFAS PET

Marcos Antonio Salvino da Silva1, Azi Mauricio Guerra Ceccopieri2, Cláudia Cristina Costa de
Santana3 e Jorge Guedes Varela4
1
Instituto Nacional de Metrologia, Normalização e Qualidade Industrial – INMETRO/DIMEL/DISMA
2
Universidade do Estado do Rio de Janeiro – UERJ
3
ENGELÓGICA – Engenharia de Sistemas Ltda.
4
COMAF – Indústria Aeronáutica Ltda.
Rio de Janeiro – RJ, Brasil

Resumo: Este trabalho apresenta o desenvolvimento de uma aceitáveis estabelecidas pelas empresas são de, no máximo,
simulação de um controlador aplicando as técnicas de 0,4%, onde 0,25% destas ocorrem em função do
inteligência artificial no processo de fabricação de garrafas aquecimento e 0,15% são outros fatores, incluindo
PET. Estas garrafas são fabricadas a partir de preformas operacionais.
(forma anterior ao sopro que gera a garrafa) cujas
No processo atual, as falhas de aquecimento são detectadas
distribuições de aquecimento são feitas através de zonas
somente por sensores óticos instalados no equipamento.
(regiões de aquecimento).
Estes sensores tem por finalidade apenas separar as garrafas
Atualmente, a correção do processo de fabricação das defeituosas e não atuam na correção do processo. Este
garrafas PET é realizada pelo operador através de seu processo automatizado, até hoje, é controlado ou corrigido
conhecimento, da sua experiência e da sua sensibilidade. unicamente por operadores através de seus conhecimentos,
Este trabalho visa simular o processo otimizado atuando na de suas experiências e de suas habilidades, não existindo
correção devido às variações de temperatura ambiente, nenhum tipo de “software” ou “hardware” que realize a
desde o início da operação supervisão do processo minimizando as falhas
automaticamente. Na Figura 1 mostra o processo de
Primeiramente, simulou-se um controlador nebuloso (fuzzy)
fabricação das garrafas PET em uma vista esquematizada
para uma zona específica, considerando-a ideal e real. Em
em blocos.
seguida, desenvolveu-se uma simulação para a preforma
real, incluindo as interferências de temperatura de uma zona Fig. 1. Fluxo do processo de obtenção das garrafas PET
nas demais.
Pode-se observar, pela simulação da preforma real, que o
modelo sugerido do controlador nebuloso (fuzzy) realiza as
tarefas executadas manualmente pelo operador com mais
rapidez e em tempo real.

Palavras chave: Garrafas PET, Controlador Nebuloso,


Automação.

1. INTRODUÇÃO
Dessa forma, os processos de fabricação são registrados sob
a forma de “receita” gerando assim todo histórico necessário
1.1. Histórico das garrafas plásticas de Polietileno para o controle do sistema de aquecimento. A garantia para
Tereftalado que haja uma uniformidade no aquecimento é somente
obtida na experiência adquirida pelos operadores, técnicos e
No Brasil, a produção de garrafas plásticas de Polietileno
engenheiros que participam nas etapas da fabricação da
Tereftalato (PET) para refrigerantes teve início em 1992.
garrafas. Nos meios atuais de interação homem-máquina,
Em 2002, a produção de garrafas plásticas (PET) para
utilizam-se “softwares” supervisórios desenvolvidos, em sua
refrigerantes era aproximadamente de 2.110.000.000 por
maioria, para plataforma OS/2 e computadores 486. Neste
mês em todo País. As perdas ocorridas na fabricação
supervisório, as características de aquecimento são
chegam de 2% a 4% do total produzido. As metas de perdas
controladas da seguinte maneira:
i. O operador ajusta ao parâmetros do processo, de • µ A (x ) = 1 indica que x é completamente compatível
acordo com a receita de aquecimento a utilizar;
com A;
ii. A máquina inicia o processo de aquecimento e atua
no controle apenas da potência de todos os módulos de • µ A (x ) = 0 indica que x é completamente incompatível
comando, sugerindo ao controlador PID que atue em todo o com A;
sistema, estabilizando a temperatura;
• 0 〈 µ A (x ) 〈1 indica que x é parcialmente compatível
iii. Quando as falhas de aquecimento são detectadas em
função de troca térmica seja com o ambiente ou a resina com A, com grau µ A (x ) .
PET, a única operação que o sistema atual realiza Um conjunto A da teoria dos conjuntos clássica pode ser
automaticamente é a variação da potência de todo o
visto como um conjunto nebuloso específico, comumente
conjunto;
denominado de “crisp”, para o qual µ A : U → {0,1} , ou
iv. Nem sempre a variação de temperatura de todo o seja, a pertinência é do tipo “tudo ou nada”, “sim ou não”, e
sistema é a possível solução. Em cerca de 90% dos casos de não gradual como para os conjuntos nebulosos. O conjunto
falhas, há necessidade de variar apenas poucas zonas de A não exprime completamente o conceito “adolescente”,
aquecimento, sendo este um problema que o sistema atual pois uma pessoa com 12 anos e 11 meses seria considerada
não consegue detectar, havendo a intervenção do operador. completamente incompatível com este conceito. Observa-se
Este trabalho apresenta a simulação de um programador de que, na verdade, qualquer intervalo “crisp” que se tome para
ganho para o PID, através de técnicas de inteligência representar este conceito é arbitrário.
artificial, podendo supervisionar todo o processo de Um conjunto nebuloso B permite exprimir que qualquer
fabricação de garrafas PET e funcionando com base no pessoa com idade entre 13 e 17 anos é um adolescente,
conhecimento e na experiência dos operadores. Este acima de 19 ou abaixo de 11 não é considerado um
programador pode corrigir qualquer falha devido à
temperatura, sem a necessidade de interromper a produção. [ ]
adolescente, e nos intervalos 11,13 e 17,19 são [ ]
considerados tanto mais adolescentes quanto mais próxima
de 13 e 17 é sua idade.
1.2. Conceitos básicos sobre a Lógica nebulosa ou “fuzzy“
Na Figura 2 é apresentada a diferença entre estes conceitos
O conceito de Lógica “Fuzzy” ou Lógica Nebulosa em relação à variável idade, onde descrevem a representação
concebida por Lotfi Zadeh e apresenta a teoria dos conjuntos do conceito “adolescentes” através de um conjunto “crisp” e
nebulosos, quando utilizada em um contexto lógico, como o de um conjunto nebuloso.
de sistemas baseados em conhecimento. As definições
básicas e alguns conceitos como o complemento, a Fig. 2. Representação “crisp” e nebulosa
interseção, a união e a implicação da teoria dos conjuntos
nebulosos são abordados, bem como algumas propriedades
destas operações.
A lógica nebulosa é uma das tecnologias recentes bem
sucedidas para o desenvolvimento de sistemas para controlar
processos complexos e sofisticados. Com sua utilização,
requerimentos complexos podem ser implementados em
controladores simples, de fácil manutenção e baixo custo. O
uso de sistemas construídos desta forma, quando o modelo
matemático está sujeito a incertezas, denomina-se de a) Conjunto “crisp” b) Conjunto nebuloso
controladores nebulosos.
Há dois caminhos alternativos para representar uma função
Um controlador nebuloso é um sistema nebuloso a base de pertinência em um computador:
regras, composto de um conjunto de regras de produção da
forma Se <premissa> Então <conclusão>, que definem • Para universo U discreto

A = ∑ µ A (x )
ações de controle em função das diversas faixas de valores
(1)
que as variáveis de estado do problema podem assumir.
x∈U
Essas faixas são modeladas por conjuntos nebulosos e
denominados de termos lingüísticos. • Para universo U contínuo

A = ∫ µ A (x )
Formalmente, um conjunto nebuloso A do universo do
discurso U é definido por uma função de pertinência (2)
[ ]
µ A : U → 0,1 . Essa função associa a cada elemento x de U

U o grau µ A (x ) , com o qual x pertence a A[1]. A função


Na forma contínua a função pertinência é uma função
matemática, possivelmente um programa. A função
de pertinência µ A (x ) indica o grau de compatibilidade pertinência é por exemplo forma de sino (também chamada
entre x e o conceito expresso por A: de curva-π), forma s (chamada curva-s), forma de s reverso
(chamada curva-z), triangular ou trapezoidal. Na forma disso, mesmo em sistemas onde a incerteza se faz presente
discreta a função pertinência e o universo são pontos de maneira intrínseca, agregam uma robustez característica.
discretos em uma lista (vetor). Algumas vezes, pode ser Entretanto, provar determinadas propriedades de robustez é
mais conveniente com uma representação amostral uma tarefa difícil neste tipo de abordagem.
(discreta). Na Figura 3 é mostrada as formas mais comuns
A representação da estrutura básica de um controlador
da função de pertinência.
nebuloso é mostrado na Figura 4. Outras variações são
propostas de acordo com o objetivo do projeto, mas esse é
1.3. Operações em conjuntos nebulosos um modelo geral para fornecer uma idéia do fluxo da
informação.
Sejam A e B conjuntos nebulosos definidos em U. A seguir
são apresentados os operadores nebulosos:
• A interseção de A e B é A∩B ≡ a min b. A operação min 2. METODOLOGIA
é uma comparação mínima de item-a-item entre os itens
correspondentes de a e b.
2.1. Operação dos equipamentos
• A união de A e B é A∪B ≡ a máx b. A operação máx é Como condições necessárias destaca-se que a temperatura
uma operação máxima de item-a-item. ambiente da sala onde está localizada a sopradora é
• O complemento de A é ¬A=A≡1−a, onde cada valor da essencial.
função de pertinência em a é subtraído de 1. Geralmente, para a temperatura das preformas é
Fig. 3. Exemplos de função de pertinência aconselhável evitar grandes diferenças na temperatura
ambiente porque isto afeta tanto a distribuição do calor
1
quanto a distribuição do material. É necessário que o forno
0.5 seja equipado com um sistema de controle de potência para
0
manter uma temperatura de preforma estável.
(a) (d) (g) (j)

1
Fig. 4. Estrutura básica de um controlador nebuloso

0.5

0
(b) (e) (h) (k)

0.5

0
-100 0 100 -100 0 100 -100 0 100 -100 0 100
(c) (f) (i) (l)

1.4. Controladores nebulosos


As técnicas de controle nebuloso originaram-se com as
pesquisas e projetos, e ganharam espaço como área de
estudo em diversas instituições de ensino, pesquisa e
desenvolvimento do mundo, sendo até hoje uma importante
aplicação da teoria dos conjuntos nebulosos.
Ao contrário dos controladores convencionais em que o A temperatura da preforma é lida por meio de uma câmera
algoritmo de controle é descrito analiticamente por equações de infravermelho (“IR”), a convecção do ar varia com
algébricas ou diferenciais, através de um modelo relação a radiação das lâmpadas, ela muda a relação entre o
matemático; em controle nebuloso utilizam-se de regras calor armazenado pela preforma e a temperatura da
lógicas no algoritmo de controle, com a intenção de superfície.
descrever em uma rotina a experiência humana, intuição e
heurística para controlar um processo. Geralmente, o perfil de aquecimento é regulado apenas a
partir de uma fonte de mensagens. Já que a temperatura
Os controladores nebulosos são robustos e de grande ambiente muda, ela pode afetar a distribuição porque o ar
adaptabilidade, incorporando conhecimento que outros circula de baixo para cima.
sistemas nem sempre conseguem acomodar. Também são
versáteis, principalmente quando o modelo físico é A fim de evitar excesso nos limites do processo, os limites
complexo e de difícil modelagem matemática. de temperatura ambiente são arbitrariamente colocados entre
15 a 35ºC, para a máquina. Abaixo de 15ºC, a velocidade da
Em geral, os controladores nebulosos encontram maior máquina deve ser reduzida já que o calor não pode mais
aplicabilidade em sistemas não-lineares, sendo capazes de regular a temperatura normal. Acima de 35ºC, os riscos de
superar perturbações e plantas com níveis de ruídos. Além trincas nos gargalos são óbvios devido a perda de
propriedades mecânicas do PET. Neste trabalho, a faixa da A modelagem está dividida em duas partes. A primeira,
temperatura ambiente utilizada na simulação é de 23ºC a compreende um controlador nebuloso atuando em uma
33ºC. determinada zona (neste caso, zona 8) e em uma preforma.
Para ajustar a máquina pela primeira vez, não possuindo um O controlador escolhido, utilizado para trabalhar juntamente
histórico anterior para seguir, o operador procederá da com um controlador PID atuando mais rapidamente no
seguinte forma: processo, conforme Figura 6. O modelo de Takagi-Sugeno
do tipo 3, onde cada regra da saída é uma combinação linear
• Liga todas as lâmpadas do forno (módulos diretos e das variáveis de entrada adicionado um termo constante,
reguláveis); mostrado na Figura 7, foi escolhido devido à sua facilidade
• Ajusta os potenciômetros do forno da seguinte maneira: de se trabalhar com FIS Editor e de se adequar a solução do
problema proposto.
Primeira e última zona à 100%, e Zonas centrais à 85%;
Fig. 6. Controlador nebuloso atuando como programador de ganho
• Ajusta o controlador (integral e derivativo) de do PID.
aquecimento para 85%. Proposto Sistema
Valores
Conceitualmente, a preforma deve ser soprada com o SE temp=low
E P=high Ajustados
PID

mínimo de energia necessária para que a garrafa seja


ENTÃO A=med

PID Processo
formada. Esta é também uma das preocupações que se deve
SE ...

PID
ter ao ajustar o forno. Fuzzificação Inferência Defuzzificação

Variáveis Medidas
A regra básica é reduzir a temperatura nas zonas onde as
paredes estão mais finas e se necessário, aumentá-la nas
zonas onde se encontre as maiores espessuras. Quando se Fig. 7. Modelo de defuzzificação Takagi-Sugeno do Tipo 3.
reduz a temperatura nas zonas que estão mais quentes,
aumenta a dificuldade de estiramento, conservando mais
massa na região.
As zonas 1 e 2 são responsáveis basicamente pela região do
ombro; as zonas 3, 4, 5 e 6 pelo corpo, e as zonas 7 e 8 pelos
pés, conforme a Figura 5.
Fig. 5. Distribuição linear das zonas e a comparação entre a Para o desenvolvimento da modelagem usando o FIS Editor,
preforma e o produto acabado
mostrado na Figura 8, seguiu-se os seguintes passos:
• Análise das ações do operador;
• Definição da base de regras utilizando variáveis
lingüísticas;
• Descrição dos valores dos termos das funções de
pertinência para cada variável lingüística;
• Exemplificação do procedimento de inferência para cada
variável lingüística; e
• Defuzzificação.
Fig. 8. Interface do FIS Editor

2.2. Modelagem da zona e da preforma


Usando um programa conhecido como MatLab® e seu sub-
programa Simulink®, e dois de seus produtos adicionais
como:
• Fuzzy Inference System (FIS) Editor, permite a
modelagem e a simulação somente de uma zona; e
• Fuzzy Toolbox®, permite a modelagem e a simulação de
uma ou mais zonas e da preforma.
Este editor permite criar, editar e observar os sistemas de A representação gráfica da simulação, através do Simulink,
inferência nebulosa e através deste possibilita a edição das é apresentada na Figura 12, onde pode ser vista a correção
funções de pertinências para cada variável lingüística, como da potência de saída em função da variação da temperatura
mostra a Figura 9. de 23 a 33ºC.
Da interface de visualização gráfica das regras, Figura 10, Desse ponto em diante, ampliou-se a modelagem para a
observa-se que a temperatura selecionada é de 27ºC e a preforma ideal, constituída por oito zonas de aquecimento,
potência de entrada é de 90% e a potência de saída foi conforme mostra a Figura 13. O resultado dessa simulação
ajustada para 91,1%. O sistema proposto atua é apresentada na Figura 14, observa-se que as zonas 4 e 8 e
adequadamente, pois quando a temperatura ambiente as zonas 1 e 2 possuem as mesmas características de ajuste.
diminui é necessário aumentar o percentual da potência de
A modelagem a preforma ideal foi aprimorada de modo que
entrada para compensar essa diminuição.
se simule uma situação real. Este modelo foi implementado,
Outra maneira de desenvolver modelos é usando o Simulink. a partir do diagrama de radiação das lâmpadas. Os fatores de
Ele é um programa para modelar, simular, e analisar influência de uma zona de aquecimento nas demais foram
sistemas dinâmicos e possui uma vasta biblioteca de blocos arbitrados.
de frentes (i.e., osciloscópio, display, fuzzy, fontes de sinais
Fig. 11. Modelo para a zona 8 usando o Simulink
etc.). A modelagem e a simulação realizada com o Simulink
foi iniciada a partir de zona e estendida até a preforma ideal.
Fig. 9. Função de pertinência da variável lingüísta Temp

Na Figura 15 é mostrada o diagrama em blocos da preforma


real. Durante a simulação, observou-se que o Simulink
apresentava algumas advertências, pois haviam algumas
realimentações (loops) necessárias na modelagem da
Fig. 10. Interface de visualização de regras preforma real.
Fig. 12. Representação gráfica da zona 8 ideal
98,0

97,0

96,0

95,0

94,0

93,0

92,0

91,0

90,0
% Potê ncia

89,0

88,0

87,0

86,0

85,0

84,0

83,0

82,0

81,0

80,0
23,0

23,4

23,8

24,2

24,6

25,0

25,4

25,8

26,2

26,6

27,0

27,4

27,8

28,2

28,6

29,0

29,4

29,8

30,2

30,6

31,0

31,4

31,8

32,2

32,6

Tem pera tura Ambi ente (ºC)

Para facilitar a compreensão do diagrama em blocos da


preforma real foi utilizados conectores para unir dois pontos
distantes, minimizando o número de ligações (linhas) entre
Construiu-se um modelo para a zona 8 e todos os blocos e/ou componentes.
parâmetros, os valores dos termos e as variáveis lingüísticas
determinados a simulação com o FIS Editor são também
utilizados pelo Simulink que facilita e agiliza o
desenvolvimento do controlador nebuloso. A Figura 11
mostra o modelo desenvolvido para a zona 8.
Fig. 13. Modelo para a preforma ideal Fig. 16. Representação gráfica da simulação da preforma real

105,0 Zona 8 Zona 7 Zona 6 Zona 5

101,0 Zona 4 Zona 3 Zona 2 Zona 1

97,0

93,0

89,0

85,0

81,0

77,0

% Potência
73,0

69,0

65,0

61,0

57,0

53,0

49,0

45,0

41,0

37,0

33,0

23,0

23,4

23,8

24,2

24,6

25,0

25,4

25,8

26,2

26,6

27,0

27,4

27,8

28,2

28,6

29,0

29,4

29,8

30,2

30,6

31,0

31,4

31,8

32,2

32,6
Temperatura Ambiente (ºC)

Na Figura 16 é apresentada o resultado desta simulação. 4. RESULTADOS ESPERADOS


Comparando-se a preforma ideal com a preforma real, Este trabalho, de forma resumida e simplificada, mostrou
observa-se que há uma variação máxima no percentual de que um sistema especialista permite realizar as tarefas
potência de 20, para a zona 5. Este valor se ao fato de não se executadas manualmente pelo operador com mais rapidez e
conhecer os fatores de influência de uma zona nas zonas em tempo real, corrigindo as possíveis falhas pontuais de
vizinhas. aquecimento geradas durante o processo de fabricação de
Fig. 14. Representação gráfica da simulação da preforma ideal garrafas PET.

109,0
Desenvolveram-se as simulações em lógica nebulosa,
105,0
Zona 8 Zona 7 Zona 6 Zona 5
enfatizando o FIS Editor e o Simulink, produzindo-se os
101,0
Zona 4 Zona 3 Zona 2 Zona 1
seguintes resultados:
97,0

93,0 • Análise de uma zona ideal, através de um controlador


89,0 nebuloso; e
% Potê ncia

85,0

81,0 • Análise da preforma, ideal e real, através do controlador


77,0 nebuloso.
73,0

69,0 Constatou-se que os resultados obtidos da simulação são


65,0 compatíveis com os disponíveis.
61,0

57,0
23,0

23,4

23,8

24,2

24,6

25,0

25,4

25,8

26,2

26,6

27,0

27,4

27,8

28,2

28,6

29,0

29,4

29,8

30,2

30,6

31,0

31,4

31,8

32,2

32,6

Temperatura Ambiente (ºC)


5. CONCLUSÃO
O presente trabalho abordou a aplicação de determinadas
Fig.15. Modelo da preforma real técnicas de inteligência artificial (lógica nebulosa) no
controle de qualidade na fabricação de garrafas PET.
A aplicação das técnicas de inteligência artificial possui um
vasto campo de pesquisa. De forma sucinta, algumas
sugestões para futuros trabalhos no que tange ao processo de
fabricação de garrafas PET:
• Análise da preforma, ideal e/ou real, utilizando-se
sistemas neuro-fuzzy;
• Desenvolvimento de modelos neuro-fuzzy para o
Simulink, de modo que possam ser realizadas simulações da
preforma; e
• Implementação física de um controlador nebuloso e/ou
neuro-fuzzy.
REFERÊNCIAS
Autores:
CECCOPIERI, Azi M. G.; SANTANA, Cláudia C. C.;
VARELA, Jorge G.; SALVINO DA SILVA, Marcos A.; Eng. Mecatrônico/MSc Microondas; Marcos Antonio Salvino da
Aplicação da Técnica Neuro-Fuzzy no Controle de Silva; Divisão de Metrologia na Saúde, Segurança e Meio
Qualidade de Fabricação de Garrafas PET, Monografia do Ambiente – DISMA/DIMEL/INMETRO; Av. N. S. das Graças, 50
Curso de Pós-Graduação em Engenharia Mecatrônica, – Xerém – Duque de Caxias/RJ – CEP 25.250-020; tel.: 21 2679-
9169; fax: 21 2679-1761; masalvino@inmetro.gov.br
Universidade do Estado do Rio de Janeiro – UERJ, 2002
ZAGAROLLA, S.; Blowing Process Capability – PTI, Eng. Químico/Eng. Mecatrônico; Azi Maurício Guerra Ceccopieri;
Plastic Tecnologies INC – 2000 UERJ – UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO;
Rua São Francisco Xavier, 524, 5o. Andar - Bloco F - Sala 5104 –
SANDRI, S.; Correa, C. (on line); Lógica Nebulosa; Rio de Janeiro – RJ; CEP 20550-900; Tel: (0 xx 21) 2587-7906 ou
Instituto Nacional de Pesquisas Espaciais - INPE 2587-7173; e-mail: ceccoam@ig.com.br, ceccoam@yahoo.com.br

International Electrotechinical Commission; IEC 1131 – Enga. Eletrônica/Mecatrônica; Cláudia Cristina Costa de
Programmable Controllers, Part 7 – Fuzzy Control Santana; Engenheira de Sistemas; ENGELÓGICA
Programming, Committee Draft CD 1.0; 1997 ENGENHARIA DE SISTEMAS LTDA; Rua Betânia 106 –
Olaria; CEP 21031-530 - Rio de Janeiro – RJ;Tel / Fax: 21 3866-
JANTZEN, J.; Tutorial On Fuzzy Logic. Technical Report
9707 - Cel: 21 8802-9898; email: engenharia@engelogica.com.br
n.º 98-E868 e 98-E864, Department of Automation,
Technical University of Denmark, Lyngby, Denmark; 1998 Eng. Eletrônico/Eng. Mecatrônico; Jorge Guedes Varela; Gerente
THE MATHWORKS; Fuzzy Logic Toolbox for Use with Técnico; COMAF INDÚSTRIA AERONÁUTICA LTDA; Av.
João Ribeiro nº472 Pilares/RJ CEP20750-091; Tel: 21 2591-5994;
MATLAB, User’s Guide, version 2; 1999
Fax: 21 2592-4777; e-mail: varela@comaf.ind.br

You might also like