Inteligência Artificial Aplicada

O roteiro como a instituição entrega

1 de 5 páginas

‹

›

ATIVIDADE PRÁTICA:

IA APLICADA À INDÚSTRIA 4.0

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 treina-la 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 entrega-los 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$ 0,3 mil/ min/forno, mas as paradas não programadas geram impactos calculados em R$ 3,1 mil/ min/forno. A estatística de parada foi calculada: os fornos ficam parados para manutenção preventiva em 2,7% do tempo de produção e outros 5,8% em paradas não programadas.

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 (saída=-1) do forno para engraxamento já corrigida, ou seja, com 100% de acerto. Esta tabela está disponível no arquivo “Gerador de Amostras.xls”.

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.

models/description-furnace-cement-kiln-3d-1524553).

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 Amostras.xls” 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.

Lembre-se que os dados já foram normalizados e tratados, não será, a princípio necessário, prepara-los 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 4,3 bytes. O assembler disponível para ele, por sua vez, converte, também em média, cada comando escrito em Assembly, para 5,1 comandos opcode.

_Você_tem a sua disposição um compilador “C” para Assembly e também um compilador Python-Assembly. A eficiência destes compiladores é conhecida também pelas médias de conversão que são, respectivamente, 1 para 4,1 e 1 para 12,7.

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.

4.1 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 faça-a 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 Perceptron.xls. 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.

4.2 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, lembre-se de levar em consideração as limitações informadas em “1”e “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, comparando-o 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 1,5;
• Apresentação do cálculo de viabilidade, com peso 1,5;
• 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.

_F INALIZANDO

Sabemos que esta atividade apresenta certo grau de ineditismo em relação as demais avaliações que você já realizou em seu curso, mas trata-se de simplificação de uma atuação real em nossa atividade profissional como engenheiros. Enfrente-a 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!