Académique Documents
Professionnel Documents
Culture Documents
So Paulo
2006
rea de Concentrao:
Engenharia de Sistemas
Orientador:
Prof. Dr. Claudio Garcia
So Paulo
2006
FICHA CATALOGRFICA
RESUMO
ABSTRACT
The Artificial Intelligence now is a vast research field. There are several techniques
exist being researched. In this thesis Fuzzy Theory, Decision Trees and Neural
Networks were used. The three techniques have been successfully applied in several
applications in the areas of automation and control, pattern recognition, voice
recognition, detection of flaws and classification, among others. The Fuzzy Theory
allows to work with the uncertainties and they provide a symbolic understanding for
understanding of the knowledge. The Decision Trees have capacity to build symbolic
decisions for the classification of problems and through the knowledge obtained by
the tree could be built symbolic rules for a socket of decision. The Fuzzy Theory can
also be incorporate them tree of decision increasing the representation power and
applicability of the Decision trees. Neural Networks (algorithm back-propagation) it
has been presenting great results in the learning of functions and in classification
problems. The contribution of this thesis is to show the application of the three
techniques of Artificial Intelligence (AI) in processes of production of Glass. The
processes of production of the glass were analyzed and the proposal of the thesis is
the application of the techniques of AI in the factories of production of glasses to
packings and plane glasses. In the first factory it is applied the techniques of AI to
classify the defects that happen in the Glass for Packings in function of the
operational conditions of the coalition ovens. In the second factory it is applied the
techniques to classify the defects in the matters cousins' function used in the
production of the glass. In the third factory the techniques are applied in the
classification of the patterns of production of the plane glass. The results obtained
with the classification of defects and patterns were in a satisfactory general way. The
three techniques of AI presented were used for the analysis of the bases of data in
the three glass factories studied in thesis. The techniques of AI obtained a
satisfactory classification for the defects of the glass for packings and for the patterns
of the plane glasses. The results obtained starting from the techniques are compared
and they present promising results.
DEDICATRIA
minha esposa,
Luzinete.
minha me,
Terezinha
AGRADECIMENTOS
SUMRIO
RESUMO
ABSTRACT
DEDICATRIA
AGRADECIMENTOS
SUMRIO
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE SIMBOLOS E TERMOS
LISTA DE ABREVIATURAS E SIGLAS
1 INTRODUO...............................................................................................
1.1 Motivao .................................................................................................
1.2 Objetivos ...................................................................................................
1.3 Desenvolvimento da tese...........................................................................
1.4 Organizao da Tese...............................................................................
1
1
2
2
3
4
4
8
12
18
3 RVORES DE DECISO..............................................................................
3.1 Aprendizado Computacional......................................................................
3.2 rvores de Deciso....................................................................................
3.2.1 rvores de Classificao e Regresso CART .....................................
3.2.1.1 Algoritmo CART para rvore de induo .............................................
3.2.1.2 Poda da rvore ....................................................................................
3.2.1.3 Medidas de desempenho.....................................................................
21
21
24
26
30
36
39
41
41
43
48
50
52
53
5 RESULTADOS E ANLISE..........................................................................
5.1 Base de dados NOVOVIDRO...................................................................
5.1.1 Classificao do Defeito Tipo Pedra NOVOVIDRO..........................
5.1.2 Classificao do Defeito Tipo Bolha - NOVOVIDRO.............................
5.1.3 Classificao do Defeito Tipo Corda - NOVOVIDRO............................
5.2 Base de dados Vidro para Embalagens...................................................
5.2.1 Classificao do Defeito Tipo Pedra - Vidros para Embalagens............
5.2.2 Classificao do Defeito Tipo Bolha - Vidros para Embalagens............
5.2.3 Classificao da Transmitncia do Vidro - Vidros para Embalagens.....
5.3 Base de dados Vidro Planos....................................................................
57
57
58
71
79
86
86
93
99
106
119
120
REFERNCIAS BIBLIOGRFICAS................................................................
122
136
137
137
138
142
146
149
150
150
151
153
153
158
160
171
175
177
178
178
179
181
182
183
187
190
191
195
196
200
203
204
213
214
214
231
235
236
244
246
246
LISTA DE FIGURAS
Figura 2.1 - Ilustrao sobre a lenda da descoberta do vidro.....................................5
Figura 2.2 - Ilustrao do processo de fabricao do vidro atravs do sopro............6
Figura 2.3 - Estado da matria e organizao final do vidro e do cristal....................9
Figura 2.4 - Grfico de volume x temperatura para vidros.......................................10
Figura 2.5 - Representao esquemtica de: (a) um tetraedro de SiO4; (b) Slica
totalmente cristalina em que os tetraedros apresentam ordem a longa
distancia; c) vidro de slica pura, no qual os tetraedros no apresentam
ordem a longa distncia.........................................................................11
Figura 2.6 - Exemplos dos defeitos de pedra e impurezas do vidro.........................14
Figura 2.7 - Exemplos dos defeitos do tipo bolha no vidro.......................................16
Figura 2.8 - Exemplos dos defeitos do tipo corda no vidro.......................................17
Figura 2.9 - Diagrama do processo de fabricao do vidro plano............................19
Figura 2.10 - Diagrama do processo de fabricao do vidro plano impresso e
aramado ............................................................................................19
Figura 2.11 - Amostras dos padres de vidro plano produzidos na UBV...................20
Figura 3.1 - Hierarquia do aprendizado indutivo.......................................................22
Figura 3.2 -
entrada.................................................................................................28
Figura 3.4 - Particionamento com o Algoritmo CART - a) constante; b) funo
linear................................................................................................... 28
Figura 3.5 - a) Uma tpica arvore T com o n raiz t1 e uma sub-arvore Tt3: b) T-Tt3
uma arvore depois de podada a sub-arvore Tt3 se transforma no n t3
................................................................................................................29
Figura 3.6 - Uso do Algoritmo CART a) superfcie de relacionamento entre x, y e z
b) superfcie determinada pelo CART com 10 (dez) ns terminais..........35
Figura 3.7 - Particionamento com o Algoritmo CART a) com 20 ns; b) com 30
ns........................................................................................................35
Figura 3.8 - Medidas dos erros do classificador com undefitting e overfitting.......39
Figura 4.1 - Duas aplicaes com rvores de deciso crisp e rvore de deciso
fuzzy.......................................................................................................51
5.1-
Custo
das
rvores
construdas
para
defeito
tipo
pedra
NOVOVIDRO.....................................................................................62
Figura 5.2 - Grfico do grau de importncia dos atributos na classificao do defeito
tipo pedra. - NOVOVIDRO...................................................................63
Figura 5.3 - Grfico da partio do atributo Extrao para a classificao do defeito
tipo pedra NOVOVIDRO....................................................................... 66
Figura 5.4 - Exemplo da topologia da Rede Neural utilizada para classificao defeito
do tipo pedra - NOVOVIDRO...............................................................68
Figura
5.5
Custo
das
rvores
construdas
para
defeito
tipo
bolha
NOVOVIDRO.......................................................................................73
Figura 5.6 - Grfico do grau de relevncia dos atributos na classificao do defeito
tipo bolha - NOVOVIDRO.....................................................................73
Figura 5.7 - Custo das rvores construdas para o defeito tipo corda - NOVOVIDRO..81
Figura 5.8 - Grfico do grau de relevncia dos atributos na classificao do defeito
tipo corda NOVOVIDRO....................................................................81
Figura 5.9 - Custo das rvores construdas para classificao do defeito tipo pedra
Vidros para Embalagens......................................................................89
Figura 5.10 - Grficos do grau de relevncia dos atributos para o defeito tipo pedra Vidros para Embalagens......................................................................89
Figura 5.11 - Custo das rvores construdas para classificao do defeito tipo bolha
Vidros para Embalagens......................................................................95
Figura 5.12 - Grficos do grau de relevncia dos atributos para o defeito tipo bolha Vidros para Embalagens......................................................................96
Figura 5.13 - Custo das rvores construdas para a classificao da Transmitncia da
luz - Vidros para Embalagens............................................................101
Figura 5.14 - Grficos do grau de relevncia dos atributos para a transmitncia da luz
no vidro - Vidros para Embalagens....................................................102
Figura 5.15 - Ilustrao dos pontos de medio das variveis do forno de produo do
Vidro Plano...........................................................................................106
Figura 5.16 - Custos das rvores construdas para classificao dos padres dos
vidros planos......................................................................................110
Figura 5.17 - Grfico do grau de relevncia dos atributos para a determinao dos
padres dos vidros planos..................................................................110
Figura a.1 - Fluxograma da fabricao da barrilha pelo processo Solvay.............139
Figura a.2 - Reciclagem do vidro (cacos de vidro) contendo muitas impurezas como
plsticos e metais que devem ser removidos antes da utilizao do
caco......................................................................................................142
Figura a.3 - Imagens microscpicas do derretimento de gros de areia em Soda.
Imagem Superior: Os dois gros de areia no apresentam nenhuma
reao significante a 800 oC.
Figura aa.7 - rvore de Deciso CART para os padres do vidro plano impresso
Vidros Planos.......................................................................................243
LISTA DE SMBOLOS
F(u)
- Grau de pertinncia de u em F.
A B
A B
()
RS
- Composio Sup-Star.
A1 x
... x Na
- Produto Cartesiano.
(*)
xy
- Interseo
xy
- Produto algbrico.
x~y
- Produto limitado.
- Produto drstico.
(+)
xy
- Unio.
x+y
- Soma algbrica.
xy
- Soma limitada.
- Soma drstica.
xy
- Soma disjunta.
AB
LISTA DE TABELAS
Tabela 5.8a - Resultados da Rede Neural MLP para a classificao do defeito tipo
pedra - NOVOVIDRO.......................................................................69
Tabela 5.8b - Resultados das rvores de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas nas classificaes do defeito
tipo pedra para as classes Baixo e Muito Baixo - Base
NOVOVIDRO...................................................................................70
Tabela 5.9 - Agrupamento do defeito tipo bolha NOVOVIDRO...........................71
Tabela 5.10 - Custos e taxa de erro envolvidos na escolha da rvore para o defeito
tipo bolha - NOVOVIDRO.................................................................72
Tabela 5.11 - Resultados da rvore de Deciso CART para as classes de defeito
Baixo e Muito Baixo do tipo bolha NOVOVIDRO......................74
Tabela 5.12 - Resultados da rvore de Deciso Fuzzy FID3.4 para as classes de
defeito Baixo e Muito Baixo do tipo bolha NOVOVIDRO..........76
Tabela 5.13a - Resultados da Rede Neural MLP para a classificao do defeito tipo
bolha - NOVOVIDRO.................................................................77
Tabela 5.13b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas nas classificaes do defeito
tipo bolha para as classes Baixo e Muito Baixo
Base
NOVOVIDRO.................................................................................78
Base
NOVOVIDRO.................................................................................85
Tabela 5.18c - Resultado da classificao dos defeitos tipo pedra, bolha e corda para
os valores operacionais da fbrica da NOVOVIDRO...............85
Tabela 5.19 - Amostra da base de dados Vidros para Embalagens com os
agrupamentos dos defeitos tipos pedra, bolha e transmitncia da luz
no vidro............................................................................................87
Tabela 5.20 -
do
defeito
tipo
pedra
Vidros
para
Embalagens....................................................................................88
Tabela 5.22 -
Muito
Baixo
do
tipo
pedra
Vidros
para
Embalagens....................................................................................90
Tabela 5.23 -
Tabela 5.24 -
Tabela 5.25b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas nas classificaes do defeito
tipo pedra para as classes Baixo e Muito Baixo Base Vidros
para Embalagens................................................................93
Tabela 5.26 - Agrupamento do defeito tipo bolha - Vidros para Embalagens....93
Tabela 5.27 - Custos e taxa de erro envolvidos na escolha da rvore para
classificao
do
defeito
tipo
bolha
Vidros
para
Embalagens...................................................................................94
Tabela 5.28 -
Muito
Baixo
do
tipo
bolha
Vidros
para
Embalagens....................................................................................96
Tabela 5.29 -
Tabela 5.30a - Resultados da Rede Neural MLP para a classificao do defeito tipo
bolha - Vidros para Embalagens........... .................................98
Tabela 5.30b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas nas classificaes do defeito
tipo pedra para as classes Baixo e Muito Baixo Base Vidros
para Embalagens................................................................99
Tabela 5.31 - Agrupamento dos valores da Transmitncia da Luz (vidro tipo mbar)
- Vidros para Embalagens ...........................................100
Tabela 5.32 - Custos e a taxa de erro envolvidos na escolha da rvore para
classificao
da
Transmitncia
da
Luz
Vidros
para
Embalagens..................................................................................100
Tabela 5.33 - Resultados da rvore de Deciso CART para a classe Mdia para
a transmitncia da luz - Vidros para Embalagens..........................102
Tabela 5.34 - Resultados da rvore de Deciso Fuzzy FID3.4 para a classe
Mdia
da
transmitncia
da
luz
Vidros
para
Embalagens..................................................................................103
Tabela 5.35a - Resultados da Rede Neural MLP para a classificao da
transmitncia da luz - Vidros para Embalagens......................104
Tabela 5.35b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas nas classificaes da
transmitncia da luz Base Vidros para Embalagens................105
Tabela 5.35c - Resultados das classificao dos defeitos tipo pedra e bolha e da
transmitncia da luz Vidros para Embalagens.........................105
Tabela 5.36 -
Tabela 5.47 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy
FID3.4 e a rede neural MLP utilizadas na classificao do padro
ARTICO Base - Vidros Planos..................................................118
Tabela
Tabela c.2 Comparao de uma rede RBF tpica com uma rede MLP
Convencional....................................................................................212
Tabela c.3 - Resumo comparando sistemas baseados em regras (abordagem
Simblica) com os baseados em redes neurais (abordagem
conexionista)...................................................................................212
ANFIS
CART
DB
DP
DC
FSOM
GMP
GMT
ID3
LVQ
MLP
Perceptron de Multi-camadas
RBF
REDOX
sig (x)
Funo Sigmide.
tanh (x)
UBV
Captulo 1 - Introduo
1 INTRODUO
1.1 Motivao
Captulo 1 - Introduo
1.2 Objetivos
O objetivo deste trabalho o estudo da aplicao de tcnicas de Inteligncia
Artificial (IA) no processo de fabricao de vidros para embalagens e vidros planos.
Procura-se classificar os defeitos que ocorrem no vidro para embalagens utilizando
informaes sobre a operao do processo de fabricao ou sobre as matrias
primas utilizadas no mesmo. Procura-se tambm classificar os padres de
fabricao dos vidros planos utilizando-se as tcnicas baseadas na Teoria Fuzzy,
Redes Neurais e rvores de Deciso. Alm do objetivo principal, tm-se as
seguintes metas nesse trabalho: identificar as variveis mais importantes em
processos de fabricao do vidro e flexibilizar as faixas de operao dessas
variveis tornando os processos de fabricao mais fceis de serem controlados.
Captulo 1 - Introduo
2.1
Histria do vidro
O vidro, assim como outros materiais tais como o bronze e o ferro, no tem a
Tambm a partir de gotas, colhidas na ponta de tubos e sopradas, passouse a produzir vidro plano. Depois que a bolha estava grande o suficiente, cortava-se
o fundo, deixando a parte que estava presa no tubo e com a rotao deste se
produzia um disco de vidro aproximadamente plano, que era utilizado para fazer
vidraas e vitrais (AKERMAN, 2000b; JAMISON; EISENHAVER; RASH, 2002;
MCLELLAN; SHAND, 2002; STARR, 1998; ZANOTTO, 1989a).
Figura 2.2 - Ilustrao do processo de fabricao do vidro atravs do sopro (STARR, 1998)
Por volta do ano de 1200 da nossa era, a Itlia tinha a primazia sobre a
fabricao do vidro. Os vidreiros eram to importantes nesta poca, que eles foram
confinados na ilha de Murano, ao lado de Veneza, para que no se espalhassem os
conhecimentos vidreiros que eram passados de pai para filho. Apesar de todos os
avanos, ainda hoje forte o apelo artstico do vidro e em Murano continua a
tradio da produo de vidros manuais, decorativos e utilitrios, nas mais diversas
cores, apreciados em todo o mundo (AKERMAN, 2000b; JAMISON; EISENHAVER;
RASH, 2002; MCLELLAN; SHAND, 2002; STARR, 1998; ZANOTTO, 1989a).
Muitas outras aplicaes surgiram para o vidro. Como as fibras que tanto
servem para isolamento trmico e acstico, como para reforo de outros materiais.
As fibras pticas que substituem com enormes vantagens os tradicionais cabos
de cobre e alumnio utilizados em comunicaes, lmpadas, isoladores etc
(BRINK; SHREVE, 1997; LEHMAN, 2001; SHELBY, 1997).
Figura 2.3 - Estado da matria e organizao final do vidro e do cristal (STARR, 1998)
10
Te
Tf = Temperatura de fuso ou solidificao
Tg
= Temperatura de transformao
Te = Temperatura de estabilizao
Figura 2.4 - Grfico de volume x temperatura para vidros (AKERMAN, 2000b; SHELBY, 1997;
SMITH, 1998)
11
Por essa razo, os xidos alcalinos so utilizados como fundentes, que diminuem a
viscosidade do vidro, pois quebram algumas ligaes (pontes de oxignio)
(LEHMAN, 2004; MANGONON, 1999).
.
Figura 2.5 - Representao esquemtica de: (a) um tetraedro de SiO4; (b) Slica totalmente
cristalina em que os tetraedros apresentam ordem a longa distncia; c) vidro de
slica pura, no qual os tetraedros no apresentam ordem a longa distncia
(AKERMAN, 2000b; BRINK; SHREVE, 1997; SMITH, 1998)
12
Pedras.
Impurezas de vidro.
Bolhas.
Impurezas do orifcio.
13
volteis
do
vidro,
pela
ao
das
altas
temperaturas,
pela
Choques trmicos.
14
Figura 2.6 - Exemplos dos defeitos tipo pedra e impurezas do vidro (BEERKENS; STEINER,
2002; CAMP; BRAAK, 1999; DANTAS, 2004)
B. Bolha
As bolhas so incluses de gs dentro do vidro. As bolhas podem ser
classificadas em duas categorias:
15
16
Figura 2.7- Exemplos dos defeitos do tipo bolha no vidro (BEERKENS; STEINER, 2002; CAMP;
BRAAK, 1999; DANTAS, 2004)
17
Figura 2.8 - Exemplos dos defeitos tipo corda no vidro (CAMP; BRAAK, 1999)
D. Impurezas de orifcio
Este tipo de defeito de vidro est principalmente relacionado com o
processo de formao do produto, ou seja, principalmente com a rea de
prensagem. Atualmente, a impureza de orifcio mais freqente o dissilicato de
brio causado por uma recristalizao no vidro, ocorrendo em geral para orifcios
no aquecidos.
Outro tipo de defeito classificado como impureza do orifcio o fberftax,
que uma manta de l de rocha utilizada para obter um melhor ajuste entre o orifcio
e o spout (figura a.9). Este tipo de defeito ocorre quando o vidro consegue penetrar
entre o orifcio e o spout trazendo consigo pequenos pedaos da fibra para a
poro do vidro retirada para a conformao do produto final.
18
19
Figura 2.9 Diagrama do processo de fabricao do vidro plano (AKERMAN, 2000a, BRINK;
SHREVE, 1997; FREITAG; RICHERSON, 1998)
Figura 2.10 Diagrama do processo de fabricao do vidro plano impresso e aramado (BRINK;
SHREVE, 1997)
20
Pontilhado
Canelado
rtico
Mosaico
Silesia
Martelado
Figura 2.11 Amostras dos padres de vidro plano impressos produzidos na UBV
21
3 RVORES DE DECISO
22
23
a) Paradigma Simblico
Os sistemas de aprendizado computacional simblico buscam aprender
construindo representaes simblicas de um conceito por meio da anlise de
exemplos e contra-exemplos desse conceito.
As representaes simblicas assumem tipicamente a forma de alguma
expresso lgica: rvores de deciso, regras de deciso ou redes semnticas. Uma
caracterstica importante das representaes simblicas que elas geralmente so
compreensveis pelos humanos.
Entre as representaes simblicas mais estudadas atualmente podem ser
citadas rvores e regras de deciso. O mtodo de induo de rvores de deciso a
partir de dados empricos, conhecido como particionamento recursivo, foi estudado
por pesquisadores das reas de IA e Estatstica.
b) Paradigma Estatstico
Pesquisadores da rea de estatstica tm criado diversos mtodos de
classificao e regresso. Como regra geral, tcnicas estatsticas tendem a focar
tarefas em que todos os atributos tm valores contnuos ou ordinais. Muitos deles
tambm so paramtricos, assumindo alguma forma de modelo ou distribuio, para
posteriormente encontrar valores apropriados para os parmetros do modelo a partir
de um conjunto de dados.
24
d) Paradigma Conexionista
Redes Neurais Artificiais so construes matemticas relativamente simples
que foram inspiradas no modelo biolgico do sistema nervoso. Sua representao
envolve unidades altamente interconectadas, e o nome conexionismo tambm
utilizado para descrever a rea de estudo. Uma caracterstica de RNAs que elas
podem ser muito difceis de serem compreendidas pelos seres humanos.
A metfora biolgica com as conexes neurais do sistema nervoso tem
interessado muitos pesquisadores, e tem fornecido diversas discusses sobre os
mritos e as limitaes dessa abordagem de aprendizado. Em particular, as
analogias com a biologia tm levado muitos pesquisadores a acreditar que as RNAs
possuem um grande potencial na resoluo de problemas que requerem intenso
processamento sensorial humano, tal como viso e reconhecimento de voz.
e) Paradigma Evolutivo
Esse paradigma tem sido freqentemente utilizado como mtodo de busca
para encontrar uma hiptese que aproxima o conceito a ser aprendido. O paradigma
evolutivo possui uma analogia direta com a teoria de Darwin, na qual sobrevivem os
mais bem adaptados ao ambiente.
25
26
Figura 3.2 - Exemplo de uma rvore de deciso gerada pelo ID3 (JANIKOW, 1998)
27
1998;
BURROWS;
et
al,
1995;
JANG,
1994;
MICHIE;
A figura 3.3 (a) uma tpica rvore de regresso binria com duas inseres
x e y e um resultado (output) z. Como mostra a figura 3.3 (b), a rvore de deciso
divide o espao de entrada em quatro regies retangulares no recobertas, a cada
28
qual atribuda uma legenda f1 (que pode ser uma constante ou uma equao) para
representar o valor do resultado previsto. Note que cada n terminal tem um nico
caminho, que comea com o n de raiz e termina em um n terminal; o caminho
corresponde a uma regra de deciso que um conetivo AND de vrios testes ou
condies. Para um dado vetor de entrada, apenas um caminho na rvore
satisfeito (JANG, 1992; JANG, 1994; JANG; SUN; MIZUTANI, 1997).
Figura 3.3 - (a) rvore de deciso binria e (b) Particionamento do espao de entrada (JANG;
SUN; MIZUTANI, 1997)
Pode-se atribuir uma constante s variveis f1, f2, f3 e f4 (exemplo: a=6; b=3;
c=7; f1 = 1; f2 = 3; f3 = 5; f4 = 9) ou uma equao linear (f1 = 2x y 20; f2 = -2x +
2y + 10; f3 = 6x + -y + 5 e f4 = 3x + 4y + 20). Conforme mostrado na figura 3.4(a),
tem-se o particionamento feito pelo algoritmo CART em uma superfcie, atribuindose uma constante s regies de relacionamento entre as variveis x, y e z. J na
figura 3.4(b), tem-se a atribuio de uma funo linear y= ax + b para o
particionamento (JANG, 1992; JANG, 1994; JANG; SUN; MIZUTANI, 1997).
Figura 3.4 - Particionamento com o algoritmo CART: a) constante; b) funo linear (JANG;
SUN; MIZUTANI, 1997)
29
Figura 3.5 - a) Uma tpica rvore T com o n raiz t1 e uma sub-rvore Tt3: b) T-Tt3 uma rvore
depois de podada a sub-rvore Tt3, a qual se transforma no n t3
(3.2.1)
30
A) Crescimento da rvore.
31
argumentos de entrada p1, p2, ..., pj, com Jj=1 pj =1, em um nmero real e negativo,
tal que
(3.2.1.1)
(3.2.1.2)
32
E (t ) =
~
tT
E (t )
(3.2.1.3)
(3.2.1.4)
(3.2.1.5)
Desde
j=1
sempre positivas, a menos que um dos pj seja unitrio e todos os outros sejam zero.
Alm do mais, elas alcanam o mximo quando pj = 1/pj para todos j.
Dada uma funo impureza para computar o custo de um n, o
procedimento de crescimento da rvore tenta encontrar um caminho timo para a
poda dos casos (ou objetos) no n, desde que o custo de reduo seja grande. Em
uma rvore binria, a impureza verdadeira para ruptura :
(3.2.1.6)
33
E ( s * , t1 ) = max E ( s, t1 )
s S
(3.2.1.7)
(3.2.1.8)
x em S1 ?
(3.2.1.9)
34
E (t ) = min
N (t )
(yi
i =1
d t ( xi , ) )
(3.2.1.10)
onde {xi, yi} um tpico ponto de dados (data point), dt(x,) um modelo local (com
parmetro modificvel) para o n t e E(t) o erro mdio quadrtico de encaixar o
modelo local dt no grupo de dados no n. Se d(x, ) = uma funo constante
independente de x, ento o minimizante da margem de erro precedente o valor
mdio do resultado output desejado yi para o n que ,
1
N (t )
N (t)
i=1
(3.2.1.11)
yi
, ento pode-se sempre usar o mtodo dos mnimos quadrados para identificar o
minimizante * e E(t) para um n dado t.
(3.2.1.12)
E ( s * , t ) = max E ( s , t )
(3.2.1.13)
sS
de
~
t T
dados)
iterativamente
assim
maximizar
diminuio
em
35
Figura 3.7 - Particionamento com o Algoritmo CART (a) com 20 ns; b) com 30 ns (JANG,
1994)
36
Existem vrios mtodos para achar o tamanho da rvore que d uma melhor
estimativa da verdadeira margem de erro. Um dos mtodos mais eficientes
baseado no princpio da mnima complexidade de custo ou encolhimento da mais
fraca sub-rvore (JANG, 1992; JANG, 1994; JANG; SUN; MIZUTANI, 1997).
(3.2.1.14)
37
(3.2.1.15)
T Tmax
= Tmax
(3.2.1.16)
t =
E (t ) E (t t )
~
Tt 1
(3.2.1.17)
38
39
Figura 3.8 - Medidas dos erros do classificador com underfitting e overfitting (JANG, 1994)
40
mtodo ele til para estabelecer o incio de construo de uma rvore: se a rvore
no for capaz de classificar corretamente o prprio conjunto de dados com um erro
reduzido, ento no ser capaz de classificar exemplos nunca antes vistos.
O erro padro uma medida dos desvios padres das amostras e pode ser
calculado como:
Std .err =
onde
S2 a varincia da amostra
n o tamanho da amostra
A complexidade da rvore (o nmero de ns terminais) uma informao
importante e quando ela aumenta, o erro de treinamento diminui, alcanando zero
quando a rvore completamente expandida. Ao contrrio, o erro de verificao
decresce inicialmente, alcanando um mnimo, e ento aumenta gradualmente,
devido super especializao da rvore para os dados de treinamento sem outra
informao a priori. Normalmente, utiliza-se pega o erro de verificao como uma
verdadeira estimativa imparcial da real margem de erro e identifica-se rvore
correspondente como rvore de tamanho ideal.
41
42
A teoria dos conjuntos fuzzy (LEE, 1990a; LEE, 1990b; ZADEH, 1973),
descrita no apndice B, expande o conceito de um elemento pertencendo a um
conjunto introduzindo a possibilidade de uma pertinncia parcial de um elemento
para o conjunto em questo. Em particular, o grau de pertinncia de um elemento x
para um conjunto fuzzy A qualquer valor real entre 0 e 1, i.e, elimina-se a restrio
booleana do conjunto das pertinncias.
deciso,
adicionando
representao fuzzy.
um
componente
de
conhecimento
baseado
em
43
Tambm
existem
muitas
estratgias
possveis
para
incorporar
44
Suponha que a rvore foi crescida para uma configurao dada e que, neste
estgio, o n ti o n terminal da rvore. Este n caracterizado por uma funo de
pertinncia i (x), que igual a 1 para aqueles exemplos x que satisfaam a
conjuno de testes booleanos, e igual a 0 , caso contrrio. O nmero de exemplos
do conjunto de treinamento no n ti:
Ni =
train
n =1
i ( xn )
(4.2.1)
yi =
1
Ni
train
n =1
i ( xn ) yn
(4.2.2)
yi =
argmax
{N
(4.2.3)
( x n ) ( y n , K )
(4.2.4)
(K )
i
onde
Ni
(K )
N train
n =1
45
Q i c i .x > a i ,
c i .x =
onde
O vetor c i
{c }
(d )
i
D
d =1
d =1
(4.2.5)
c i( d ) x ( d ) .
nova varivel composta /mltipla, que a combinao linear das variveis primitivas.
O parmetro ai R o valor limiar da diviso. Isto define o hiperplano ci.x = ai,
perpendicular ao eixo da varivel composta ci.x, com a qual a segmentao do
espao de atributos feita. A relao (4.2.5) divide os dados em 2 conjuntos
disjuntos, cada um dos quais atribudo a um dos ns filho do n ti. Desta maneira,
o n ti se torna um n interno, com 2 ns filhos associados a ele.
O teste booleano (4.2.5) pode ser expresso em termos do grau relativo
da pertinncia para o n filho esquerda.
L( i ) ( x ) = ( c i . x a i )
(4.2.6)
( z ) = 1 2
0
se z > 0
se z = 0
se z < 0
(4.2.7)
(i)
R
( x ) = 1 (c i . x a i
) = (a i
c i .x )
(4.2.8)
( x ) = i ( x ) ( i ) ( x ),
= L,R,
(4.2.9)
46
onde i (x) o grau absoluto da funo de pertinncia para o n pai, ti, que pode ser
calculado pela recurso (repetio de passos) de (4.2.9), at que o n raiz seja
alcanado. Todos os pontos pertencem ao n raiz e, portanto:
( x ) = 1 .0 ,
(4.2.10)
R (i ) ( x ) + L ( i ) ( x ) = 1
(4.2.11)
i R ( x ) + i L (x ) = i ( x )
(4.2.12)
47
caminho nos leva a um dos ns terminais, diga-se tl. A equao (4.2.9) pode ser
usada repetidamente aplicando-se a funo nela mesma para encontrar o grau de
pertinncia do xtest para o n folha {tl}.
Em um problema de regresso, o valor de y atribudo pela rvore para um
vetor de atributos xtest , dado,
y ( x test ) =
l ( x test ) y l
~
t l T
(4.2.13)
~
onde y l dado por (4.2.2) e, por construo, somente uma das l ( xtest ); t l T
R train ( T ) =
1
N train
N train
(y
N =1
y ( x n )) 2
(4.2.14)
y ( x test ) = y l ,
se
l ( x test ) = 1
(4.2.15)
R train ( T ) =
N train
N train
N =1
(1 ( y ( x
), y n ))
(4.2.16)
48
49
(i )
L
1 + exp [ b i ( c i . x a i ) ]
(4.3.1)
1
(i )
= 1 L ( x)
1 + exp [bi ( c i x a i ) ]
(4.3.2)
(x) =
R (i ) ( x ) =
50
(i )
R
(4.4.1)
x}
1 + exp { i . ~
(x) =
1
1 + exp { i . ~
x
(4.4.2)
com
~
x = 1, x
(1 )
, x ( 2 ) ,..., x ( D
i = { b i a i , b i c i }
(4.4.3)
~
tl T
l ( x)d l
(4.4.4)
51
onde i(x) a pertinncia do ponto para o n terminal ti, que produz uma previso di
para as variveis dependentes.
Figura 4.1 - Duas aplicaes com rvores de deciso crisp e rvores de deciso fuzzy
(LUTSKO; SUREZ, 1999; JANIKOW, 1998)
52
53
Com a utilizao
Figura 4.2 - Tela do software Statistica com o acionamento do pacote Multivariate exploratory
techniques.
54
Media
Baixa
Alta
Muito Alto
Muito Baixa
30 5
62
Ex tra o <=8 1 ,35
Ba i 2
xa
M u i to Al3to
222
83
14
5a
M e di
M u i to Al6to
48
S S d i o <=4 ,39
Co q u e <=1 ,1 75
Ba i 4
xa
94
12 8
77
Co qu e< =1 ,2 2 5
Ba i 9
xa
10
84
12
1 7a
M e di
M u i to Bai 18
xa
76
72
Co q u e <=1 ,1 6 5
14
58
10
30
26
18
Ba i 8
x1
a
16
30
20
16
Al82
taM e d8i 3a
REDOX<=-1 9REDOX<=-,0
,2 9
836
9 i 90
9 1a
Al8taBa
x aM e di
20
28
Co qu e <=1 ,2 7 5
4
Al7ta
Ba i 8
x5
a
Ba i 6x 3
a
24
26
22
10
12
6
Ba
Miu2x i5
ato Al2to
24
REDOX<=-1 9 ,6 9
7
Al3ta
8
M u i to Al3to
M e d3i 9a
22
M e d2i 7a
Ex tra o <=8 4
1
MM
e du40
iiato Al4to
Co q u e <=1 ,2 9
M u i to Al52
to
10
M e d5i 3a
Ex tra o <=7 4 ,5
4M e d65
Al6ta
ia
5
M u i to Al1to
16
REDOX<=-2 2 ,5 1
6
M u i to Al6to
6 7a
M e di
Ex tra o< =8
REDOX<=-20
1,6
,5 9
M u i to Al75
to
Ex tra o <=7 9 ,7 5
8 4a
M e di
Ex tra o <=7 5 ,3
M e d7i 3a
22
3
MAlu22
ta
i to Al2to
Ex tra o <=8 0 ,9 5
5M
0a u i to Al5to
1
M e di
6 1a M u i to Al62
Ba i 6x 0aM e di
to
14
Ba i 7x 2
a
Pi ri ta <=,32 5
20
Ex tra o< =8 2 ,5 5
M e d14
ia
Ex tra o <=7 5 ,7 5
9
M u i to Al4to
Ex tra o< =7 9 ,4 5
Ba i 5
x9
a
26
3 5aM u i to Al3to
6
M e di
34
Pi ri ta <= ,5 2 5
Ba i 48
xa
1
Al7ta
Ex tra o <=7 8 ,4 5
M e d80
ia
50
Ba i 4x 7a
27
M e d3i 4a
28
3
Al1ta
Ex tra o <=8 2 ,4
1
M u i to Al2to
O ferro< =3 ,6 7 5
O fe rro <=3 ,2 5 7 5
7 i 58
Ba
Miu5x i6
ato Al5toBa
xa
48
8 8a
M e di
16
Al46
ta
50
Ba i 33
xa
S Sd i o <=4 ,3 7 5
10
Co q u e <=1 ,1 7 5
M e d5i 4a
66
5
MM
e du4ii4ato Al4to
2 0a
M e di
Ba i 3x 2
a
4 3a
M e di
8M e d69
M u i to Al6to
ia
10
3x 0
MBa
u iito
a Ba i 31
xa
24
Pi ri ta <=,55
9
M u i to Al2to
2
M u i to Al1to
53
Ba i 19
xa
10
M e d11
ia
2 8a
M e di
2
Al4ta
Ba i 10
xa
116
M e d8i a
M u i to Al7to
MAlu76
ta
i to Al77
toM M
e du7ii8ato Al79
to
20
O fe rro <=3 ,7 4
4M e d9i 5a
M u i to Al9to
Figura 4.3 - Tela que mostra a rvore de Deciso construda pelo software Statistica
55
Figura 4.4 - Tela do software Statistica que mostra os resultados que se pode analisar com
relao rvore construda
Para os testes efetuados no trabalho usando Redes Neurais (algoritmo backpropagation) foi usado o software Statistica. O software Statistica tem um pacote de
implementaes de algoritmos de Redes Neurais. Entre esses algoritmos foi
utilizado o algoritmo back-propagation devido sua grande utilizao em aplicaes
de Redes Neurais.
56
Figura 4.7 - Resultados obtidos com o pacote de Redes Neurais do software Statistica
57
5 RESULTADOS E ANLISE
Este captulo apresenta os resultados obtidos neste trabalho e sua anlise.
Utilizaram-se trs bases de dados de processos de fabricao do vidro, as bases
NOVOVIDRO, Vidros para Embalagens e Vidros Planos.
A primeira base de dados utilizada, descrita e analisada na seo 5.1, foi da
fbrica modelo da NOVOVIDRO, que relaciona as variveis do processo de fuso
do vidro com os defeitos (bolhas, pedras e cordas) descritos na seo 2.3. A fbrica
modelo foi construda em Portugal, para o estudo de melhorias no processo de
fabricao do vidro para embalagens.
A seo 5.2 descreve os resultados obtidos e sua anlise para a base de
dados de Vidros para Embalagens. Esta base de dados relaciona as caractersticas
das matrias primas usadas na fabricao do vidro com os defeitos do vidro (bolhas
e pedras) e a transmitncia da luz no vidro. Ela se baseia em dados coletados da
fbrica de vidro para embalagens WBV.
A Seo 5.3 descreve os resultados obtidos e a anlise para a base de
dados da fabricao do Vidro Plano. Essa base tem as informaes sobre a
operao dos fornos de fuso e os padres de vidro que so produzidos na fbrica
de vidros UBV Unio Brasileira do Vidro.
mdia
de
fuso
(Tfuso),
temperatura
mdia
de
afinagem
58
59
dados est descrita na tabela 5.2. O tamanho da base de dados de 1000 (mil)
amostras.
60
Tabela 5.2 - Amostra da base de dados NOVOVIDRO com os agrupamentos dos defeitos
tipos pedra, bolha e corda
A tabela 5.3 mostra que a melhor rvore obtida foi a de nmero 10 (marcada
com * na tabela) com o custo da validao cruzada (custo CV) de 0,2930, erro
61
62
pelo algoritmo CART. Na aplicao da regra do erro padro para escolha da rvore
mais adequada no foi utilizado o custo de resubstituio e a complexidade do n.
Melhor rvore
comparando o
custo de CV e
Resubst
Cost
,40
,30
,20
,10
,00
23
22
21
20
19
18
17
16
15
14
13
12
11
*10
9
8
7
6
5
4
3
2
1
-,10
CV cost
Resub. cost
Tree number
Figura 5.1 - Custo das rvores construdas para o defeito tipo pedra NOVOVIDRO
Como
mostrado
na
figura
5.1,
custo
de
resubstituio
diminui
63
Ranking
80
60
40
20
T2
T1
qGN
TAfinagem
TFusao
TAbobada
TRec2
TRec1
Extrao
Predictor variable
Figura 5.2 - Grfico do grau de importncia dos atributos na classificao do defeito tipo pedra
- NOVOVIDRO
64
65
66
Extrao1
Grau de pertinncia
Extrao2
Extrao3
1,2
1
0,8
0,6
0,4
0,2
0
50
100 150 200 250 300 350 400 450 500 550
Extrao
Figura 5.3 - Grfico da partio do atributo Extrao para a classificao do defeito do tipo
pedra NOVOVIDRO
67
68
e 30%). A tabela 5.5 mostra que a porcentagem de defeito tipo pedra foi de 29%,
tendo, portanto a rvore classificado corretamente o defeito.
Figura 5.4 Exemplo da topologia da Rede Neural utilizada para classificao do defeito tipo
pedra NOVOVIDRO
69
Tabela 5.8a Resultados da Rede Neural MLP para a classificao do defeito tipo pedra
NOVOVIDRO
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
Extrao
62
473
kg.h-1
T1
1414
1480
C
T2
1450
1506
C
TRec 1
234
310
C
TRec 2
219
324
C
T Abbada
1470
1505
C
T Fuso
1293
1340
C
T Afinagem
1320
1339
C
qGN
84
131
m3.h-1
70
indicador de vantagem na aplicao das rvores de deciso, pois com isso pode-se
ter uma maior compresso do processo de fabricao do vidro e propor novos
procedimentos para a reduo dos defeitos.
Tabela 5.8b Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP utilizadas nas classificaes do defeito tipo pedra
para as classes Baixo e Muito Baixo Base NOVOVIDRO
rvore CART
rvore Fuzzy
Redes Neurais
Variveis de
Limite
Limite
Limite
Limite
Limite
Limite
Entrada
Inferior
Superior
Inferior
Superior
Inferior
Superior
Extrao
80
271
106
305
62
473
T1
1435
1470
1436
1458
1414
1480
T2
1470
1495
1482
1506
1450
1506
TRec 1
248
305
248
305
234
310
TRec 2
230
325
230
325
219
324
T Abbada
1475
1505
1475
1505
1470
1505
T Fuso
1300
1340
1300
1340
1293
1340
T Afinagem
1320
1340
1320
1340
1320
1339
qGN
90
130
90
130
84
131
DP
< 24
< 24
< 24
71
A tabela 5.10 mostra que a melhor rvore obtida foi a de nmero 9 (marcada
com * na tabela). Conforme descrito na seo anterior, a escolha da rvore foi feita
atravs da regra do erro padro. A rvore escolhida teve um custo de validao
cruzada de 26,54%, erro padro de 1,40% e um custo de resubstituio de 16,27%.
A rvore escolhida est descrita na figura aa.2 do anexo A.
72
Tabela 5.10 Custos e taxa de erro envolvidos na escolha da rvore para o defeito tipo bolha
NOVOVIDRO
Custo da
Custo de
Complexidade
Nmero de Validao Cruzada
Erro Padro
Resubstituio
do N
Ns
(CV cost)
(Std. Error)
(Resub. Cost) (Node complexity)
Terminais
1
2
3
4
5
6
7
8
*9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
108
99
97
69
65
45
39
37
30
26
25
20
18
17
16
14
12
9
8
6
5
4
3
1
0,267465
0,266467
0,267465
0,267465
0,267465
0,260479
0,265469
0,269461
0,265469
0,283433
0,300399
0,300399
0,318363
0,319361
0,324351
0,324351
0,338323
0,356287
0,371257
0,393214
0,404192
0,423154
0,437126
0,650699
0,013983
0,013967
0,013983
0,013983
0,013983
0,013865
0,013950
0,014016
0,013950
0,014237
0,014482
0,014482
0,014716
0,014729
0,014789
0,014789
0,014947
0,015129
0,015263
0,015431
0,015503
0,015608
0,015670
0,015061
0,031936
0,034930
0,035928
0,063872
0,069860
0,109780
0,127745
0,134731
0,162675
0,180639
0,185629
0,211577
0,223553
0,230539
0,238523
0,255489
0,273453
0,303393
0,316367
0,350299
0,368263
0,392216
0,421158
0,650699
0,000000
0,000333
0,000499
0,000998
0,001497
0,001996
0,002994
0,003493
0,003992
0,004491
0,004990
0,005190
0,005988
0,006986
0,007984
0,008483
0,008982
0,009980
0,012974
0,016966
0,017964
0,023952
0,028942
0,114770
73
Cost
,50
,40
,30
,20
,10
,00
-,10
CV cost
Resub. cost
24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 *9 8 7 6 5 4 3 2 1
Tree number
Figura 5.5 - Custo das rvores construdas para o defeito tipo bolha - NOVOVIDRO
Ranking
80
60
40
20
T2
T1
qGN
TAfinagem
TFusao
TAbobada
TRec2
TRec1
Extrao
Predictor v ariable
Figura 5.6 - Grfico do grau de relevncia dos atributos na classificao do defeito tipo bolha
NOVOVIDRO
74
75
76
Tabela 5.12 - Resultados da rvore de Deciso Fuzzy FID3.4 para as classes de defeito
Baixo e Muito Baixo do tipo bolha NOVOVIDRO
Parmetros da varivel
Variveis
Funo
Limite
Limite
de Pertinncia
inferior
superior
76
416
Trapezoidal
Extrao
1438
1451
Trapezoidal
T1
1484
1485
Trapezoidal
T2
1485
1502
Trapezoidal
272
288
Trapezoidal
TRec 1
230
325
*
TRec 2
1475
1505
*
T Abbada
1300
1340
*
T Fuso
1320
1340
*
T Afinagem
90
130
*
qGN
0
< 26
Classe de defeito Baixo
DB
Classe de defeito Muito Baixo
Obs: * atributos no utilizados pelo FID3.4 na rvore de deciso final.
77
78
foi bem
menor que o custo de validao cruzada. A classificao do defeito feita pela rvore
de deciso CART, alm de obter uma classificao satisfatria do defeito permitiu
a determinao dos limites de operao das variveis do processo para a produo
do vidro com a classificao dos defeitos em Baixo e Muito Baixo. A rvore de
deciso fuzzy FID3.4 tambm apresentou resultados satisfatrios, alm de permitir
aos operadores do processo um ajuste mais suave nos valores das variveis de
entrada do forno de fuso e conseqentemente testar novos limites de operao
tentando reduzir os defeitos.
Limite
Limite
Limite
Limite
Limite
Limite
Inferior
Superior
Inferior
Superior
Inferior
Superior
Extrao
50
373
76,43
416,04
46
555
T1
1431
1457
1438,00
1451,15
1414
1480
T2
1468
1493
1484,33
1502,76
1447
1501
TRec 1
248
305
272
288
240
310
TRec 2
230
325
230
325
224
330
T Abbada
1475
1505
1475
1505
1469
1502
T Fuso
1300
1340
1300
1340
1295
1340
T Afinagem
1320
1340
1320
1340
1320
1339
qGN
90
130
90
130
83
132
DB
< 26
< 26
< 26
79
A tabela 5.15 mostra que a melhor rvore obtida foi a de nmero 9 (marcada
com * na tabela). Na figura 5.7 mostrado o grfico do custo de validao cruzada e
custo de resubstituio.
80
Tabela 5.15 - Custos e taxa de erro envolvido na escolha da rvore para o defeito tipo corda
NOVOVIDRO
Complexidade
Custo de
Nmero de
Custo da
do n
Erro padro
Resubstituio
Ns
Validao cruzada
(Node
(Std. Error)
(Resub.Cost)
Terminais
(CV cost)
complexty)
118
0,268000
0,014006
0,039000
0,000000
1
112
0,268000
0,014006
0,041000
0,000333
2
106
0,268000
0,014006
0,044000
0,000500
3
103
0,268000
0,014006
0,046000
0,000667
4
77
0,268000
0,014006
0,072000
0,001000
5
73
0,266000
0,013973
0,077000
0,001250
6
69
0,258000
0,013836
0,083000
0,001500
7
66
0,258000
0,013836
0,088000
0,001667
8
*9
45
0,256000
0,013801
0,130000
0,002000
41
0,275000
0,014120
0,142000
0,003000
10
39
0,275000
0,014120
0,149000
0,003500
11
27
0,275000
0,014120
0,197000
0,004000
12
25
0,281000
0,014214
0,206000
0,004500
13
22
0,281000
0,014214
0,220000
0,004667
14
20
0,279000
0,014183
0,230000
0,005000
15
18
0,289000
0,014335
0,241000
0,005500
16
16
0,314000
0,014677
0,253000
0,006000
17
15
0,339000
0,014969
0,261000
0,008000
18
14
0,345000
0,015032
0,271000
0,010000
19
9
0,352000
0,015103
0,324000
0,010600
20
8
0,364000
0,015215
0,336000
0,012000
21
7
0,404000
0,015517
0,351000
0,015000
22
4
0,445000
0,015715
0,415000
0,021333
23
3
0,458000
0,015756
0,444000
0,029000
24
2
0,571000
0,015651
0,566000
0,122000
25
1
0,711000
0,014335
0,711000
0,145000
26
81
Cost
,50
,40
,30
,20
,10
,00
-,10
26
25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
*9
8
7
6
5
4
3
2
1
CV cost
Resub. cost
Tree number
Figura 5.7 - Custo das rvores construdas para o defeito tipo corda - NOVOVIDRO
Ranking
80
60
40
20
T2
T1
qGN
TAfinagem
TFusao
TAbobada
TRec2
TRec1
Extrao
Predictor v ariable
Figura 5.8 - Grfico do grau de relevncia dos atributos na classificao do defeito tipo corda
NOVOVIDRO
82
83
Extrao
T1
T2
TRec 1
TRec 2
T Abbada
T Fuso
T Afinagem
qGN
DC
Limite
Limite
Funo
inferior
superior
de Pertinncia
171
1415
1482
1490
235
211
1469
1294
1320
83
0
357
1442
1495
1506
311
340
1505
1340
1340
132
<7
Trapezoidal
Trapezoidal
Trapezoidal
Trapezoidal direita
*
*
*
*
*
*
Classe de defeito Baixo
Classe de defeito Muito Baixo
84
de defeito do tipo corda foi de 9%, tendo, portanto a rvore classificado corretamente
o defeito.
85
Tabela 5.18b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP utilizadas nas classificaes do defeito tipo corda
para as classes Baixo e Muito Baixo Base NOVOVIDRO
Variveis de
rvore CART
rvore Fuzzy
Redes Neurais
Entrada
Limite
Limite
Limite
Limite
Limite
Limite
Inferior
Superior
Inferior
Superior
Inferior
Superior
Extrao
62
452
171,87
357,24
60
455
T1
1426
1476
1415,00
1442,00
1413
1476
T2
1482
1495
1482,00
1506
1447
1502
TRec 1
248
305
235
311
240
310
TRec 2
230
325
211
340
224
330
T Abbada
1475
1505
1469
1505
1469
1502
T Fuso
1300
1340
1294
1340
1295
1340
T Afinagem
1320
1340
1320
1340
1320
1339
qGN
90
130
83
132
83
129
DC
<7
<7
<7
Mdia (29)
Mdia
Mdia
Mdia
DB
Baixa
Baixa
Muito Baixa
DC
Mdia (9)
Mdia
Mdia
Mdia
86
87
Tabela 5.19 - Amostra da base de dados Vidros para Embalagens com os agrupamentos dos
defeitos tipos pedra, bolha e transmitncia da luz no vidro
88
Tabela 5.21 - Custos e taxa de erro envolvidos na escolha da rvore para classificao do
defeito tipo pedra - Vidros para Embalagens
Complexidade
Nmero de
Custo da
Erro
Custo de
do n
Ns
validao cruzada
Padro
Resubtituio
(Node
Terminais
(CV cost)
(Std. Error)
(Resub.Cost)
complexty)
73
0,348774
0,024877
0,098093
0,000000
1
55
0,367847
0,025172
0,147139
0,002725
2
*3
48
0,367847
0,025172
0,168937
0,003114
44
0,414169
0,025712
0,185286
0,004087
4
32
0,414169
0,025712
0,239782
0,004541
5
20
0,446866
0,025952
0,305177
0,005450
6
14
0,476839
0,026072
0,359673
0,009083
7
11
0,501362
0,026100
0,392371
0,010899
8
8
0,558583
0,025920
0,435967
0,014532
9
5
0,599455
0,025578
0,501362
0,021798
10
3
0,629428
0,025210
0,550409
0,024523
11
2
0,681199
0,024326
0,618529
0,068120
12
1
0,711172
0,023658
0,711172
0,092643
13
89
Cost Sequence f or Pedras01
Cost statistics f or successiv e trees
Selected tree denoted by *
,80
,70
,60
Cost
,50
,40
,30
,20
,10
0,00
13
12
11
10
*3
CV cost
Resub. cost
Tree number
Figura 5.9 Custo das rvores construdas para classificao do defeito tipo pedra - Vidros
para Embalagens
Ranking
80
60
40
Extrao
REDOX
S Sdio
Pirita
Coque
O ferro
20
Predictor v ariable
Figura 5.10 - Grfico do grau de relevncia dos atributos para o defeito tipo pedra Vidros
para Embalagens
90
Tabela 5.22 - Resultados da rvore de Deciso CART para as classes de defeito Baixo e
Muito Baixo do tipo pedra Vidros para Embalagens
Variveis
xido de Ferro
Coque Petrleo
Pirita
Sulfato Sdio
Redox
Extrao
Pedra
Valores da varivel
Limite inferior
Limite superior
3,25
3,74
0,21
1,30
0,52
0,55
3,90
4,50
18,59
23,55
72
78
0
< 2700
Unidades
kg
kg
kg
kg
ndice
T.dia-1
Nmero de
pedras
91
Tabela 5.24 - Resultados da rvore de Deciso Fuzzy FID3.4 para as classes de defeito
Baixo e Muito Baixo do tipo pedra - Vidros para Embalagens
Parmetros da varivel
Variveis
Funo
Limite
Limite
de Pertinncia
inferior
superior
xido de Ferro
2,08
3,78
*
Coque Petrleo
0,21
1,30
*
Pirita
0,31
0,39
Sulfato Sdio
Redox
Extrao
Pedra
4,13
18,59
75
0
4,50
23,55
78
< 2700
Trapezoidal
Trapezoidal direita
*
Trapezoidal
Classe de defeito Baixo
Classe de defeito Muito Baixo
Obs: * atributos no utilizados pelo FID3.4 na rvore de deciso final.
92
93
Tabela 5.25b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP utilizadas nas classificaes do defeito tipo pedra
para as classes Baixo e Muito Baixo Base Vidros para Embalagens
Variveis de
rvore CART
rvore Fuzzy
Redes Neurais
Entrada
Limite
Limite
Limite
Limite
Limite
Limite
Inferior
Superior
Inferior
Superior
Inferior
Superior
xido de Ferro
3,25
3,74
2,08
3,78
2,08
3,78
Coque Petrleo
0,21
1,30
0,21
1,30
0,21
1,30
Pirita
0,52
0,55
0,31
0,39
0,20
0,60
Sulfato Sdio
3,90
4,50
4,13
4,50
3,90
4,50
Redox
18,59
23,55
18,59
23,55
18,59
23,55
Extrao
72
78
75
78
62
85
Pedra
< 2700
< 2700
< 2700
94
Tabela 5.27 - Custos e taxa de erro envolvidos na escolha da rvore para classificao do
defeito tipo bolha - Vidros para Embalagens
Nmero de
Custo da
Custo de
Complexidade
Erro padro
Ns
Validao cruzada
Resubstituio
do n
(Std. Error)
Terminais
(CV cost)
(Resub.Cost) Node complexty)
47
0,621253
0,025321
0,370572
0,000000
1
44
0,613079
0,025424
0,373297
0,000908
2
38
0,613079
0,025424
0,381471
0,001362
3
33
0,613079
0,025424
0,389646
0,001635
4
29
0,602180
0,025549
0,397820
0,002044
5
24
0,596730
0,025607
0,411444
0,002725
6
20
0,585831
0,025712
0,430518
0,004768
7
15
0,588556
0,025687
0,457766
0,005450
8
13
0,583106
0,025737
0,471390
0,006812
9
*10
9
0,566757
0,025866
0,501362
0,007493
8
0,577657
0,025783
0,509537
0,008174
11
4
0,591281
0,025661
0,553134
0,010899
12
3
0,607629
0,025488
0,577657
0,024523
13
2
0,621253
0,025321
0,615804
0,038147
14
1
0,683924
0,024270
0,683924
0,068120
15
95
Cost
,60
,55
,50
,45
,40
,35
,30
15
14
13
12
11 *10
CV cost
Resub. cost
Tree number
Figura 5.11 - Custo das rvores construdas para o defeito tipo bolha Vidros para
Embalagens
96
100
Ranking
80
60
40
20
0
O ferro
Coque
Pirita
S Sdio
REDOX
Extrao
Predictor variable
Figura 5.12 - Grfico do grau de relevncia dos atributos para o defeito tipo bolha Vidros
para Embalagens
Tabela 5.28 - Resultados da rvore de Deciso CART para as classes de defeito Baixo e
Muito Baixo do tipo bolha Vidros para Embalagens
Valores da varivel
Variveis
Unidades
Limite inferior
Limite superior
xido de Ferro
3,28
3,78
kg
Coque Petrleo
0,21
1,29
kg
Pirita
0,20
0,60
kg
Sulfato Sdio
3,90
4,50
kg
Redox
18,59
23,55
ndice
Extrao
76
85
T.dia-1
Bolhas
0
< 10
N. bolhas
97
0,56
1,30
Trapezoidal
Pirita
0,31
0,46
Trapezoidal
Sulfato Sdio
4,13
4,50
Redox
19,64
21,92
Trapezoidal
Extrao
75
78
98
39,32% para classificao do defeito tipo bolha. A rede neural apresentou uma
topologia MLP de 6 neurnios na camada de entrada, 20 neurnios na camada
intermediria e 5 na camada de sada. Utilizando-se os dados de fabricao do
vidro na entrada da rede MLP, encontrou-se uma classificao do defeito tipo bolha
como Mdia. A tabela 5.23 mostra que o nmero de defeito tipo bolha foi de 14,
tendo, portanto a rvore classificado corretamente o defeito.
99
Tabela 5.30b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP utilizadas nas classificaes do defeito tipo bolha
para as classes Baixo e Muito Baixo Base Vidros para Embalagens
rvore CART
rvore Fuzzy
Redes Neurais
Variveis de Entrada
Limite
Limite
Limite
Limite
Limite
Limite
Inferior
Superior
Inferior
Superior
Inferior
Superior
xido de Ferro
3,28
3,78
3,48
3,78
2,08
3,78
Coque Petrleo
0,21
1,29
0,56
1,30
0,21
1,30
Pirita
0,20
0,60
0,31
0,46
0,20
0,60
Sulfato Sdio
3,90
4,50
4,13
4,50
3,90
4,50
Redox
18,59
23,55
19,64
21,92
18,59
23,55
Extrao
76
85
75
78
62
85
Bolhas
< 10
< 10
< 10
100
Tabela 5.31 - Agrupamento dos valores da Transmitncia da Luz (vidro tipo mbar) - Vidros
para Embalagens
Limite Inferior
Limite Superior
Classes
(ndice da transmitncia)
(ndice da transmitncia)
Muito Alto
35
----Alto
31
< 35
Mdio
27
< 31
Baixo
22
< 27
Muito Baixo
0
< 22
30,33%, erro
1
2
3
4
5
*6
7
8
9
10
11
12
13
Nmero de
Ns
Terminais
Custo da
validao cruzada
(CV cost)
Erro
Padro
(Std. Error)
Custo de
Resubtituio
(Resub.Cost)
Complexidade
do n
(Node complexty)
68
64
62
39
25
21
17
14
13
8
5
3
1
0,239130
0,239130
0,252717
0,277174
0,304348
0,304348
0,336957
0,345109
0,375000
0,385870
0,415761
0,456522
0,510870
0,022236
0,022236
0,022654
0,023333
0,023986
0,023986
0,024640
0,024782
0,025237
0,025376
0,025692
0,025966
0,026058
0,081522
0,084239
0,086957
0,149457
0,203804
0,225543
0,252717
0,274457
0,282609
0,336957
0,385870
0,445652
0,510870
0,000000
0,000679
0,001359
0,002717
0,003882
0,005435
0,006793
0,007246
0,008152
0,010870
0,016304
0,029891
0,032609
101
,50
Cost
,40
,30
,20
,10
0,00
13
12
11
10
*6
CV cost
Resub. cost
Tree number
Figura 5.13 - Custo das rvores construdas para a classificao da transmitncia da luz Vidros para Embalagens
102
Predictor Variable Importance Rankings
Dependent v ariable: Transmitncia da Luz
100
Ranking
80
60
40
20
0
O f erro
Coque
Pirita
S Sdio
REDOX
Extrao
Predictor v ariable
Figura 5.14 - Grfico do grau de relevncia dos atributos para a transmitncia da luz no vidro
tipo mbar - Vidros para Embalagens
para a
103
0,20
3,90
18,59
22,12
62
27
0,60
4,50
22,12
23,55
85
< 31
Mdia da
Trapezoidal
*
Trapezoidal
Trapezoidal direita
*
Transmitncia da Luz
Classe Mdia
Extrao
Transmitncia
da luz do vidro
mbar
Obs: * atributos no utilizados pelo FID3.4 na rvore de deciso final.
104
3,90
18,59
62
4,50
23,55
85
kg
ndice
T.dia-1
105
Tabela 5.35b - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4
e a rede neural MLP utilizadas nas classificaes da transmitncia da luz
Base Vidros para Embalagens
rvore CART
rvore Fuzzy
Redes Neurais
Variveis de Entrada
Limite
Limite
Limite
Limite
Limite
Limite
Inferior
Superior
Inferior
Superior
Inferior
Superior
xido de Ferro
3,12
3,78
2,08
3,78
2,08
3,78
Coque Petrleo
1,18
1,30
0,21
1,30
0,21
1,30
Pirita
0,48
0,54
0,20
0,60
0,20
0,60
Sulfato Sdio
4,26
4,50
3,90
4,50
3,90
4,50
Redox
18,59
23,55
18,59
23,55
18,59
23,55
Extrao
73
85
62
85
62
85
Pedra
27
< 31
27
< 31
27
< 31
A tabela 5.35c mostra os resultados das classificaes dos defeitos tipo pedra
e bolha e a transmitncia da luz para os valores operacionais da fbrica da WBV.
Tabela 5.35c - Resultados das classificao dos defeitos tipo pedra e bolha e da
transmitncia da luz Vidros para Embalagens
Tipo de defeito
Classificao real
rvore CART
rvore Fuzzy
Rede Neural
Nmero de Pedras
Mdia (3314)
Mdia
Mdia
Mdia
Nmero de Bolhas
Mdia (14)
Mdia
Mdia
Mdia
ndice da Transmitncia
Mdia (30)
Mdia
Mdia
Mdia
106
Ponto 2
Ponto 3
Ponto 4
Ponto 5
Ponto 6
Ponto 7
Ponto 8
Ponto 10
Ponto 9
Figura 5.15 - Ilustrao dos pontos de medio das variveis do forno de produo do Vidro
Plano.
107
108
Tabela 5.36 - Amostra da base de dados Vidros Planos com os padres de vidro planos
produzidos na fbrica da UBV
109
Tabela 5.37 - Custos e taxa de erro envolvidos na escolha da rvore para a classificao dos
padres do vidro plano
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
*18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
Nmero de
Ns
Terminais
Custo da
validao cruzada
(CV cost)
Erro
Padro
(Std. Error)
Custo de
Resubstituio
(Resub.Cost)
Complexidade
do n
(Node complexty)
76
65
62
60
53
48
44
43
42
41
38
37
36
35
33
30
29
26
25
23
20
17
16
15
14
13
12
10
9
6
5
4
2
1
0,187500
0,187121
0,192803
0,192803
0,197727
0,198485
0,198106
0,198864
0,200758
0,199242
0,203788
0,215530
0,217045
0,223864
0,225379
0,234848
0,250379
0,256061
0,286742
0,289773
0,289773
0,289773
0,298106
0,319318
0,334091
0,346212
0,370455
0,373106
0,409848
0,479924
0,479924
0,554545
0,708712
0,833333
0,007596
0,007591
0,007678
0,007678
0,007752
0,007763
0,007757
0,007768
0,007796
0,007774
0,007840
0,008003
0,008023
0,008113
0,008132
0,008250
0,008432
0,008495
0,008802
0,008829
0,008829
0,008829
0,008903
0,009074
0,009180
0,009260
0,009399
0,009413
0,009572
0,009723
0,009723
0,009673
0,008843
0,007253
0,119697
0,123864
0,125758
0,127273
0,135227
0,142803
0,149621
0,151515
0,153788
0,156818
0,167045
0,171591
0,176515
0,181818
0,192803
0,210985
0,217424
0,237879
0,245076
0,260985
0,285606
0,310606
0,319318
0,328409
0,339394
0,350758
0,363258
0,389773
0,403409
0,471591
0,501894
0,549242
0,713258
0,833333
0,000000
0,000379
0,000631
0,000758
0,001136
0,001515
0,001705
0,001894
0,002273
0,003030
0,003409
0,004545
0,004924
0,005303
0,005492
0,006061
0,006439
0,006818
0,007197
0,007955
0,008207
0,008333
0,008712
0,009091
0,010985
0,011364
0,012500
0,013258
0,013636
0,022727
0,030303
0,047348
0,082008
0,120076
110
,90
,80
,70
Cost
,60
,50
,40
,30
,20
0,00
34
33
32
31
30
29
28
27
26
25
24
23
22
21
20
19
*18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
,10
CV cost
Resub. cost
T ree number
Figura 5.16 - Custos das rvores construdas para classificao dos padres dos vidros planos
Ranking
80
60
40
20
Soleira (11)
Abboda (7)
Abbada (6)
Camera 04
Camera 3
Canal 02
Canal 01
Predictor v ariable
Figura 5.17 - Grfico do grau de relevncia dos atributos para a determinao dos padres dos
vidros planos
111
Tabela 5.38 Dados operacionais para fabricao dos padres de vidros planos
Valores operacionais para fabricao dos padres do vidro plano - UBV
CANELADO SILESIA MOSAICO MARTELADO PONTILHADO ARTICO
Varivel
Temp. Canal 01
231
318
266
268
296
271
Temp. Canal 02
258
260
461
260
256
255
Temp. Cmera 03
1200
1306
1236
1216
1312
1260
Temp. Cmera 04
1260
1326
1304
1283
1326
1246
Temp. Abbada 6
1469
1474
1477
1482
1476
1469
Temp. Abbada 7
1422
1478
1470
1460
1482
1464
Temp. Abbada
Spout (8)
1306
1250
1268
1302
1320
1306
Temp. Soleira (11)
1151
1155
1155
1166
1175
1163
Temp. Soleira
Spout (12)
992
962
980
1012
978
958
Temp. ptica
1536
1524
1533
1536
1538
1543
A tabela 5.39 traz os resultados obtidos pela rvore de deciso CART para
os padres de vidro plano da UBV. Os valores de limite inferior e superior para a
produo dos padres foram testados na rvore de deciso CART e comparados
com os valores operacionais da tabela 5.38,
112
Tabela 5.39 - Resultados da rvore de deciso CART para os padres de vidros - Vidros
planos
113
Tabela 5.40 - Resultados da rvore de deciso fuzzy FID3.4 para as classes de padres dos
vidros planos
114
115
As tabelas 5.42, 5.43, 5.44, 5.45, 5.46 e 5.47 mostram os limites da variveis
de entrada para as classificaes utilizando a rvore deciso CART, rvore de
deciso fuzzy FID3.4 e a rede neural MLP. As tabelas so referentes aos
padres de vidro plano CANELADO, SILESIA, MOSAICO, MARTELADO,
PONTILHADO e ARTICO respectivamente. As tabelas trazem tambm os valores
de operao para produo de cada padro. Os limites das rvores de deciso e da
rede neural mostram que pode-se flexibilizar os pontos de operao para produo
de cada padro, melhorando o controle do processo de fabricao do vidro plano.
Tabela 5.42 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4 e
a rede neural MLP utilizadas na classificao do padro CANELADO
Base - Vidros Planos
Variveis
de
Entrada
Variveis na
produo
Temp. Canal 01
Temp. Canal 02
rvore CART
rvore Fuzzy
Redes Neurais
Limite
Inferior
Limite
Superior
Limite
Inferior
Limite
Superior
Limite
Inferior
Limite
Superior
231
258
190
126
588
572
190
126
588
572
190
126
588
572
Temp. Cmera 03
1200
1169
1443
1169
1443
1169
1443
Temp. Cmera 04
1260
1140
1448
1140
1448
1140
1448
Temp. Abbada 6
1469
1212
1509
1212
1509
1212
1509
Temp. Abbada 7
1422
1438
1504
1438
1504
1246
1504
Temp. Abbada
Spout (8)
1306
1274
1496
1274
1496
1012
1496
1151
1160
1469
1160
1469
1117
1469
Temp. Soleira
Spout (12)
992
988
1212
988
1212
895
1212
Temp. ptica
1536
1327
1556
1327
1556
1327
1556
116
Tabela 5.43 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4 e
a rede neural MLP utilizadas na classificao do padro SILESIA Base Vidros Planos
rvore CART
rvore Fuzzy
Redes Neurais
Variveis na
Variveis de Entrada
Limite
Limite
Limite
Limite
Limite
Limite
produo
Inferior Superior Inferior Superior Inferior Superior
Temp. Canal 01
318
190
588
190
588
190
588
Temp. Canal 02
260
126
572
126
572
126
572
Temp. Cmera 03
1306
1169
1443
1169
1443
1169
1443
Temp. Cmera 04
1326
1140
1448
1140
1448
1140
1448
Temp. Abbada 6
1474
1347
1509
1347
1509
1212
1509
Temp. Abbada 7
1478
1438
1504
1438
1504
1246
1504
Temp. Abbada
Spout (8)
1250
1012
1360
1012
1360
1012
1496
1155
1117
1469
1117
1469
1117
1469
Temp. Soleira
Spout (12)
962
1005
1212
1005
1212
895
1212
Temp. ptica
1524
1327
1556
1327
1556
1327
1556
Tabela 5.44 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4 e
a rede neural MLP utilizadas na classificao do padro MOSAICO
Base - Vidros Planos
rvore CART
Variveis de
Entrada
Variveis na
produo
Temp. Canal 01
Temp. Canal 02
Temp. Cmera 03
Temp. Cmera 04
Temp. Abbada 6
Temp. Abbada 7
Temp. Abbada
Spout (8)
Temp. Soleira (11)
Temp. Soleira
Spout (12)
Temp. ptica
266
461
1236
1304
1477
1470
190
126
1169
1140
1212
1246
1268
Limite
Limite
Inferior Superior
rvore Fuzzy
Redes Neurais
Limite
Inferior
Limite
Superior
Limite
Inferior
Limite
Superior
588
572
1443
1448
1480
1470
190
126
1169
1140
1212
1246
588
572
1443
1448
1480
1470
190
126
1169
1140
1212
1246
588
572
1443
1448
1509
1504
1012
1496
1012
1496
1012
1496
1155
1117
1469
1117
1469
1117
1469
980
1005
1212
1005
1212
895
1212
1533
1327
1556
1327
1556
1327
1556
117
Tabela 5.45 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4 e
a rede neural MLP utilizadas na classificao do padro MARTELADO
Base - Vidros Planos
rvore CART
Variveis de
Entrada
Variveis na
produo
Temp. Canal 01
268
Limite
Inferior
Limite
Superior
190
588
rvore Fuzzy
Limite
Limite
Inferior Superior
190
588
Redes Neurais
Limite
Inferior
Limite
Superior
190
588
Temp. Canal 02
260
126
572
126
572
126
572
Temp. Cmera 03
1216
1169
1443
1169
1443
1169
1443
Temp. Cmera 04
1283
1140
1448
1140
1448
1140
1448
Temp. Abbada 6
1482
1212
1480
1212
1480
1212
1509
Temp. Abbada 7
Temp. Abbada
Spout (8)
Temp. Soleira (11)
Temp. Soleira
Spout (12)
Temp. ptica
1460
1446
1504
1446
1504
1246
1504
1302
1012
1496
1012
1496
1012
1496
1166
1117
1469
1117
1469
1117
1469
1012
970
1212
970
1212
895
1212
1536
1327
1556
1327
1556
1327
1556
Tabela 5.46 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4 e
a rede neural MLP utilizadas na classificao do padro PONTILHADO
Base - Vidros Planos
Variveis de
Entrada
Variveis na
produo
Temp. Canal 01
rvore CART
rvore Fuzzy
Redes Neurais
296
Limite
Inferior
190
Limite
Superior
588
Limite
Inferior
190
Limite
Superior
588
Limite
Inferior
190
Limite
Superior
588
Temp. Canal 02
256
126
572
126
572
126
572
Temp. Cmera 03
1312
1169
1443
1169
1443
1169
1443
Temp. Cmera 04
1326
1140
1448
1140
1448
1140
1448
Temp. Abbada 6
1476
1212
1509
1212
1509
1212
1509
Temp. Abbada 7
1482
1315
1484
1315
1484
1246
1504
1320
1274
1496
1274
1496
1012
1496
1175
1117
1469
1117
1469
1117
1469
978
970
1212
970
1212
895
1212
1538
1327
1556
1327
1556
1327
1556
Temp. Abbada
Spout (8)
Temp. Soleira
(11)
Temp. Soleira
Spout (12)
Temp. ptica
118
Tabela 5.47 - Resultados das rvore de deciso - CART, rvore de deciso fuzzy FID3.4 e
a rede neural MLP utilizadas na classificao do padro ARTICO Base Vidros Planos
Variveis de Entrada
Variveis na
produo
rvore CART
rvore Fuzzy
Redes Neurais
Limite
Inferior
Limite
Superior
Limite
Inferior
Limite
Superior
Limite
Inferior
Limite
Superior
Temp. Canal 01
271
190
588
190
588
190
588
Temp. Canal 02
255
126
572
126
572
126
572
Temp. Cmera 03
1260
1169
1443
1169
1443
1169
1443
Temp. Cmera 04
1246
1140
1448
1140
1448
1140
1448
Temp. Abbada 6
1469
1390
1509
1390
1509
1212
1509
Temp. Abbada 7
1464
1246
1470
1246
1470
1246
1504
Temp. Abbada
Spout (8)
1306
1274
1345
1274
1345
1012
1496
1163
1117
1469
1117
1469
1117
1469
Temp. Soleira
Spout (12)
958
1025
1212
1025
1212
895
1212
Temp. ptica
1543
1327
1556
1327
1556
1327
1556
119
120
121
Referncias Bibliogrficas
122
REFERNCIAS BIBLIOGRFICAS
Referncias Bibliogrficas
123
BEERKENS, R. G. C.; KAHL, KATRIN. Redox and sulfur chemistry of soda lime
silica glass melts. ICG Amsterdam Redox & Sulfur Chemistry of Glass Melts - 2000.
Referncias Bibliogrficas
124
BRAATZ, C. et al. Process Technology for Modern Large Area Glass Coating. pg
391-394. Glass Processing Days - 2003.
BREIMAN, L. et al. Classification and Regression Trees. New York Chapman &
Hall - 1984.
____. Cart Neuro Fuzzy Statistical Data Modeling - Part 1: Method and Part
2: Results. American Meteorological Society 14TH Probability & Statistics - 1998
Referncias Bibliogrficas
125
Referncias Bibliogrficas
126
ER, MENG JOO; WU, SHIQIAN. A fast learning algorithm for parsimonious fuzzy
neural systems. Fuzzy sets and systems - 126, pp 337-351 - 2002.
Referncias Bibliogrficas
127
HERROD, RICHARD A.; RICKEL, JEFF W.; GARLAND, TERESA. Glass Annealing
Process Simulation Using Expert Systems: A Glass Industry Application of
Artificial Intelligence. IEEE Transactions on industry Applications Vol. 24 N 1January/February - EUA - 1988.
Referncias Bibliogrficas
128
Referncias Bibliogrficas
129
JIA, LI; LI, ERGUO; YU, JINSHOU. Designing neurofuzzy system based on
ICART algorithm and its application for modeling jet fuel endpoint of
hydrocracking process. Engineering Applications of Artificial Intelligence 16 2003.
KRUSE, RUDOLF; NAUCK, DETLEF. Generating Rules from Data by Fuzzy and
Neuro-Fuzzy Methods. Proceeding of the 3rd German GI-Workshop Neuro-Fuzzy
Systems - University of Braunschweig Germany - 1995a.
Referncias Bibliogrficas
130
____. Learning Methods for Fuzzy Systems. Proceeding of the 3rd German GIWorkshop Neuro-Fuzzy Systems - University of Braunschweig - Germany - 1995b.
LEE, CHUEN CHIEN. Fuzzy Logic in Control Systems: Fuzzy Logic Controller:
Part I. IEEE Transactions on Systems, Man, and Cybernetics, Vol. 20, n 2, p.p 404418, March/April - 1990a.
____. Fuzzy Logic in Control Systems: Fuzzy Logic Controller: Part II. - IEEE
Transactions on Systems, Man, and Cybernetics, Vol. 20, n 2, p.p 419-435,
March/April - 1990b.
Referncias Bibliogrficas
131
Referncias Bibliogrficas
132
____. A glass furnace operation system using fuzzy modelling and genetic
algorithms for performance optimisation. Engineering Applications of Artificial
Intelligence 16 2003.
Referncias Bibliogrficas
133
SCOTT, T. MISTURE. Characterization of Glass Surfaces and Coatings Using Xray Reflectivity X-ray reflectivity can be used to probe the physical nature of
films and surfaces, including near-surface mass density and chemical or
density gradients. American Ceramic Society Bulletin The Glass Researcher vol.
14 n 2 - N.Y. - EUA - April - 2005.
Referncias Bibliogrficas
134
WONG, JAU-MIN. et at. Building a Medical Decision Support System for Colon
Polyp Screening by using Fuzzy Classification Trees. Applied Intelligence 22
2005.
Referncias Bibliogrficas
135
137
onde
138
R2O representa Na2O ou K2O ou uma mistura dos dois. Os feldspatos tm vrias
vantagens sobre outros materiais usados como fonte de Al2O3 porque so baratos,
puros, fusveis e so compostos totalmente por xidos formadores de vidro, como
Al2O3, Na2O, K2O e SiO2. O teor de alumina tem a finalidade de aumentar a
resistncia mecnica do vidro e de retardar o processo de desvitrificao.
139
tempo, o carbonato de clcio era obtido pela extrao e calcinao das conchas do
fundo da lagoa de Araruama (RJ). Essa prtica foi interrompida por presso dos
rgos de Defesa Ambiental e atualmente obtido de depsitos naturais. O sal
marinho vem, principalmente, de salinas do Nordeste. Este processo se baseia na
baixa solubilidade do bicarbonato de sdio, particularmente em presena de excesso
de CO2. Quando uma soluo concentrada de cloreto de sdio (salmoura)
saturada com amnia e com CO2, o carbonato de amnio formado, a princpio, reage
com o cloreto de sdio, o qual em presena de excesso de CO2 passa a bicarbonato
de sdio pouco solvel. Tem-se na figura a.1 um diagrama do processo de
fabricao da barrilha (BRINK; SHREVE, 1997).
Figura a.1 - Fluxograma de fabricao da barrilha pelo processo Solvay (BRINK; SHREVE,
1997)
(NH4)2 CO3
2NaHCO3
140
2NaHCO3
O carbonato de sdio obtido por esse processo tem alto grau de pureza e
produz o cloreto de clcio como subproduto. A principal impureza do carbonato de
sdio, assim obtido, o cloreto de sdio, que raramente excede 0,5%. Conforme o
processo de calcinao do bicarbonato de sdio, obtm-se carbonato de sdio em
vrias granulaes.
141
142
Figura a.2 - Reciclagem do vidro (cacos de vidro) contendo muitas impurezas como plsticos
e metais que devem ser removidos antes da utilizao do caco
143
- Areia, quartzito
SiO2
- Soda ou barrilha
Na2O + CO2
Na2CO3
- Soda custica ou hidrxido de sdio
Na2O + H2O
2NaOH
- Carbonato de potssio
K2O + CO2
K2CO3
- Calcrio ou carbonato de clcio
CaO + CO2
CaCO3
K2O
CaO
R2O.Al2O3.6SiO2
144
Na2B4O7.10H2O
Na2O + 2B2O3
- cido brico
2H3BO3
B2O3 + 3H2O
- Alumina hidratada
Al2O3.3H2O
Al2O3 + 3H2O
- Litargrio
PbO
- Monossilicato de chumbo
PbO.SiO2
- Sulfato de sdio
Na2 SO4
Na2O + SO3
145
Os xidos
A figura a.3 mostra um simples exemplo das reaes que acontecem entre
gros de areia e soda. Os vidros tipo Soda-lime, os mais utilizados, apresentam
uma complexidade maior e as tentativas para representar as reaes qumicas
desses parecem ser desaconselhveis tamanha a complexidade (ASTM, 1997a;
ASTM, 1997b; HORST, 2002).
146
147
Por exemplo:
Aumentando-se o Na2O (xido de sdio) do vidro aumenta-se a sua fluidez,
expanso e solubilidade, mas por outro lado diminui a sua durabilidade.
148
Figura a.4 Influencia dos xidos nas propriedades dos vidros (AKERMAN, 2000b)
149
A.2.1 Viscosidade
A viscosidade de um vidro uma de suas mais importantes propriedades
sob o ponto de vista da tecnologia empregada na elaborao e conformao do
vidro.
(a)
150
(b)
Figura a.5 - Simulao do processo de fabricao de um prato (a) e um copo (b) (viscosidade e
temperatura so essncias para obteno de um produto sem falhas (simulao
com o software POLYFLOW Fluent) (BURNSID, 2000; HORST, 2002))
151
152
quando aquecido, ou seja, quanto maior for dilatao trmica, menor ser a
resistncia do vidro a mudanas bruscas de temperatura.
Para os
Quanto mais fina for a pea, ainda que produzida com o mesmo vidro,
menor sero as diferenas de temperatura entre os pontos frios e quentes e,
portanto mais resistente ela ser ao choque trmico. A quebra sempre se d na
regio mais fria da pea, onde ocorre a trao, e comumente o risco maior de
quebra quando o vidro est quente e sofre um esfriamento rpido.
153
154
Figura a.6 - Diagrama que mostra o efeito dos corantes na cor do vidro (AKERMAN, 2000a;
AKERMAN, 2000b; SMITH, 1998)
155
Figura a.7 - Monitorao do REDOX atravs de uma sonda na produo do vidro (VERHEIJEN,
2003a )
156
E. Vidro mbar
A cor mbar formada pela combinao dos ons Fe3+ e (S2-), junto com
ons Na+. Apesar de a cor envolver ons oxidantes e redutores, o vidro mbar
fortemente reduzido. Isto devido ao estado de valncia do Enxofre, que muda mais
facilmente que os ons de Ferro ou Sdio. Portanto, enquanto praticamente todo o
enxofre se reduz, somente ao redor de 85% do ferro reduzido e todo o sdio
permanece oxidado.
A cor mbar controlada pelo nvel de redox, geralmente com uma fonte de
carbono. Adicionando mais carvo se reduz mais o enxofre a sulfeto (S2-) e escurece
a cor. Deve existir suficiente Fe2O3 presente para combinar-se com o (S2-) e formar a
cor desejada. De fato, com mais Fe2O3 presente, se requer menos S2- para se
chegar ao objetivo.
157
Como a cor mbar depende do Redox do vidro, qualquer coisa que mude o
nvel do Redox afetar a cor. Os agentes oxidantes tais como sulfato de sdio,
gessos, etc, clareiam a cor enquanto os agentes redutores como carvo e alumnio
metlico o escurecem. Como o Fe2O3 est envolvido, o ferro metlico geralmente
provoca manchas escuras (dark streaks) no vidro mbar.
158
F. Vidros verdes
Todos os vidros de cor verde contm Cr2O3 em algum nvel. A cor do vidro
verde depende da quantidade de Cr2O3 e outros corantes especficos para uma
determinada cor verde particular que se deseje fabricar. Por exemplo, o verde
esmeralda contm perto de 0.125 % de Cr2O3 enquanto o verde Gergia contm
perto de 0.018 % de Cr2O3 e 0.002 % de CoO. O verde Gergia uma cor muito
menos intensa que o verde esmeralda e tambm tem uma ligeira cor azulada.
159
janelas dos veculos espaciais, janelas para tnel de vento e para sistemas pticos
em dispositivos espectrofotomtricos. Mas o vidro de slica de difcil
processamento e custo elevado (BRINK; SHREVE, 1997; SMITH, 1998).
160
161
Figura a.8 - Fluxograma das operaes que ocorrem em uma vidraria (AKERMAN 2000a)
A. Fuso
A transformao de matrias primas em vidro d-se inicialmente, por ao
de calor, em fornos de vidro. Estes se revestem assim de primordial importncia em
todo este processo, estando a sua construo e operao diretamente ligadas
qualidade do vidro produzido. Os fornos de vidro so caracterizados pela sua
geometria, pela forma como o vidro colhido e trabalhado, pelo tipo de separao
entre as zonas de fuso e de trabalho, pela localizao e direo das chamas no seu
interior, e pela forma como o calor proveniente da combusto recuperado, bem
162
163
Recuperadores
Figura a.9 - Representao de diferentes vista de um forno de vidro. a) Vista exterior do forno, b)
Vista do tanque de fuso do forno (abbada, soleira, boca de enforna, degrau,
abertura de queimador, c) Vista dos tanques de fuso e zona de trabalho do forno
garganta (SINDEPEDIP, 2000)
164
Figura a.10 - Imagem do forno tipo tanque com a massa vtrea e os queimadores (HORST,
2002)
165
Figura a.11 - Imagem da sada do vidro do forno (gota) para etapa conformao e moldagem
(SINDEPEDIP, 2000)
B. Conformao ou moldagem
O vidro pode ser conformado mquina ou modelado a mo. O principal
fator a ser considerado na conformao mecnica o do modelo da mquina de
vidro, que deve ser capaz de completar o objeto em alguns segundos. Durante este
tempo relativamente curto, o vidro transforma-se de lquido viscoso em slido
translcido. Por isso, tm-se vrios problemas operacionais a serem resolvidos: o
escoamento do calor, a estabilidade dos metais em contato com o vidro fundido, as
tolerncias nos mancais, etc. Tratar todos esses problemas em conjunto complexo.
O xito destas mquinas decorrente do trabalho dos profissionais que trabalham
com o vidro (figura a.11). Os vidros mais comuns conformados mecanicamente so
os vidros de janela, a chapa de vidro, o vidro por flutuao, as garrafas, os bulbos de
lmpadas e os tubos (AKERMAN 2000a).
O vidro de janela antigamente era fabricado por um processo manual muito
difcil, em que se colhia uma gota de vidro na extremidade de uma cnula e se a
transformava, mediante sopro, num cilindro. As bases do cilindro eram ento
cortadas, a superfcie cilndrica era partida em duas, aquecida num forno e ento
planificada. Este processo manual no mais utilizado. Atualmente usam-se os
processos contnuos ou suas modificaes, conforme figura a.12) (AKERMAN
2000a; TERHASEBORG; SPAANENBURG; NIJHUIS, 1997).
166
Figura a.13 - Processo de fabricao do vidro plano por flutuao e vidro impresso (AKERMAN
2000a; ABIVIDRO, 2005)
167
168
pode-se ver uma simulao da gota do vidro proveniente da zona de trabalho. Essa
simulao mostrada no software POLYFLOW da empresa FLUENT e permite
estudar o comportamento da gota com relao a sua temperatura e viscosidade.
Esse estudo fundamental para obter-se sucesso na etapa de conformao (figura
a.15) (HORST, 2002).
Figura a.15 - Simulao da gerao de uma gota para o processo de fabricao do vidro
(HORST, 2002)
169
C. Recozimento
Para reduzir a tenso dos vidros, necessrio recozer todos os objetos de
vidro, sejam os que foram fabricados mecanicamente, seja os fabricados
manualmente. O recozimento envolve, resumidamente, duas operaes: (I)
manuteno da massa de vidro acima de certa temperatura crtica durante um tempo
suficientemente dilatado para que as tenses internas sejam reduzidas graas ao
escoamento plstico, ficando abaixo de um mximo predeterminado, e (2)
resfriamento da massa at a temperatura ambiente, com lentido suficiente para
manter a tenso abaixo deste mximo. O forno de recozimento nada mais que
uma cmara aquecida, cuidadosamente projetada, onde a taxa de resfriamento pode
ser controlada de modo a satisfazer s exigncias anteriores (as figura a.17 e figura
a.18 mostram as simulaes das temperaturas no forno de fuso) (AKERMAN
2000a).
170
D. Acabamentos
Todos os tipos de vidro recozido devem sofrer algumas operaes de
acabamento (figura a.19), que, embora relativamente simples, so muito
importantes. Elas incluem a limpeza o esmerilhamento, a lapidao, o despolimento,
o esmaltamento, a graduao e a calibrao. Embora nem todas sejam necessrias
para todos os vidros, uma etapa ou mais so sempre necessrias (AKERMAN
2000a).
171
competitividade
entre
as
empresas
da
indstria
do
vidro
tem
Figura
a.21
Processo automatizado de
EISENNHAVER; RASH, 2002)
172
produo
ampolas
de
vidro
(JAMISON;
173
A indstria do vidro tem nos ltimos cinqenta anos vencido vrios desafios
tcnicos significantes e com isso tm melhorado suas metas com relao reduo
dos custos, aumento da eficincia energtica e de produo, e a qualidade dos
produtos. Tm-se avanado nos seguintes pontos: materiais, medidas do processo,
automatizao, e compreenso melhor do vidro, que criaram novas oportunidades
para melhorar os processos de produo. A seguir tem-se os principais itens nos
avanos da indstria do vidro.
174
175
produo, entre oito a dez anos de vida til. A substituio de partes do forno e
equipamentos que falham durante a produo bastante limitada e limitaes no
desempenho dos materiais do forno podem limitar a eficincia energtica e
degradar a qualidade do vidro.
176
178
B.2 Definies
Este captulo descreve as definies sobre a Teoria Fuzzy utilizadas neste
trabalho.
Seja U uma coleo de objetos, a qual pode ser discreta (nmero finito
de elementos) ou contnua. U denominado de Universo de Discurso e u representa
um elemento genrico de U (LEE, 1990a; LEE, 1990b)
179
F = { (u, F(u)) | u U }
(B.2.1)
F = F (u) / u ,
(B.2.2)
F = F (ui ) / ui ,
(B.2.3)
i =1
180
(B.3.1)
(B.3.2)
__
A
do complemento de um
__ (u) = 1 - A(u)
(B.3.3)
A1 x
... x An
(B.3.4)
ou
A1 x
... x An
RU1 x
... x Un
= {((u1 , ... , un), r (u1 , ... , un)) (u1 , ... , un) U1 x ... x Un }
(B.3.5)
181
RS
(B.3.6)
a)
(normal)
u U
.. F (u1 + (1-)u2 ) > min(F (u1), F (u2)),
(convexo) (B.4.1)
u1, u2 U, [0,1]
b)
uma quntupla (x, T (x), U, G, M), onde x o nome de uma varivel, T (x) o
conjunto de termos de x, ou seja, o conjunto dos nomes dos valores lingsticos de
x, e cada valor so interpretados como um nmero Fuzzy definido em U, G a regra
sinttica para gerao dos nomes dos valores de x e M uma regra semntica que
associa a cada valor um significado. Por exemplo, se a velocidade interpretada
como varivel lingstica, ento, o seu conjunto de termos T (velocidade) poderia ser
(LEE, 1990a; LEE, 1990b):
182
Abaixa
rpida
mdia
Velocidade (km/h)
0
40
55
70
premissa 1:
x = A'
premissa 2:
se x = A ento y = B
Conseqncia: y = B'
premissa 1:
y = B'
premissa 2:
se x = A ento y = B
conseqncia: x = A'
183
y=xoR
(B.5.1)
Uma regra de controle fuzzy uma relao fuzzy que expressa como uma
implicao fuzzy. Em lgica fuzzy existem muitos caminhos para a definio de
implicao fuzzy (LEE, 1990a; LEE, 1990b). A definio de uma implicao fuzzy
pode ser expressa atravs de uma funo de implicao fuzzy.
A escolha de uma funo de implicao fuzzy envolve critrios que esto
descritos em Lee (1990b).
Na literatura podem ser encontradas atualmente cerca de 40 funes de
implicao fuzzy (LEE, 1990b).
184
a)
Normas
Triangulares:
uma
norma
triangular,
representada
genericamente por (*), uma funo (*): [0,1] [0,1) [0,1], que inclui as
operaes de interseo, produto algbrico, produto limitado e produto drstico. As
operaes associadas so definidas para todo x, y [0,1]: (LEE, 1990b).
interseo:
xy
= min { x, y }
produto algbrico:
xy
= xy
produto limitado:
x~y
= max { 0, x + y - 1}
produto drstico:
x y =1
y = y x=0
0 x, y < 1
unio:
x y = max ( x , y )
soma algbrica:
x + y = x + y - xy
soma drstica:
x y=0
y = y x=0
1 x, y > 0
185
B , respectivamente (LEE,
1990b).
c) Conjuno Fuzzy: uma conjuno fuzzy definida para todo u U e v
= A ( u ) * B ( ) ( u, ) ,
UxV
A B = AB =
(B.6.2)
= A (u ) + B ( ) (u, ) ,
UxV
A B = (not A) + B
A B = (not A) + (A * B)
A B = (not A not B) + B
A B = sup {c [0,1], A * c B}
A B = inf {t [0,1], B + t A}
186
se a implicao fuzzy proposta por Larsen, Rp. As implicaes fuzzy mais correntes
esto definidas abaixo (LEE, 1990b).
RC = A B =
UxV
A (u ) B (v ) / (u, v ).
(B.6.3)
Rp = A B =
UxV
A (u ) B (v ) / (u, v ).
(B.6.4)
C. Produto limitado:
Rbp = A B =
UxV
(B.6.5)
D. Produto drstico:
(B.6.6)
R a = ( notA V ) (U B ) =
= 1 1 A (u ) + B (u ) / (u, v ).
uxv
(B.6.7)
Rm = ( A B ) (notA V ) =
G. Seqncia padro:
(B.6.8)
187
Rs = A V U B =
UxV
1 A (u ) B (v)
onde A (u ) > B (v) =
0 A (u ) > B (v)
(B.6.9)
Rb = (notA V ) (U B) =
(B.6.10)
R = A V U B =
onde
A (u ) B (v )
1
A (u ) >> B (v ) =
A (u ) (u ) > (v )
B
B (v ) A
(B.6.11)
a) Operador Concentrador:
tomamos o operador
conc(x) = x ; > 1
(B.7.1)
188
Jovem
Muito Jovem
b)
Operador de Dilatao:
Exemplos:
os
operadores
"Suficientemente,
(B.7.2)
Razoavelmente,
Quase,
Quase Jovem
Q
Norm( A) ( x) =
A( x )
max A( x )
(B.7.3)
189
(B.7.4)
ou
AB (u,v) = { A(u) B(v) }
(B.7.5)
191
crebro
humano
uma
estrutura
muito
complexa
que
pesa
estruturais
do
crebro.
Isto
colaborou
imensamente
para
192
193
uma simples conexo que pode impor uma excitao ou inibio, mas no ambas,
no neurnio receptivo.
Haykin (1994) apresenta a seguinte definio para uma rede neural biolgica
quando vista como uma mquina adaptativa:
Uma rede neural artificial um processador distribudo massivamente em
paralelo que tem a propenso natural para armazenar conhecimentos experimentais
e torn-los disponveis para uso. Parece-se com a mente em dois aspectos:
1. Conhecimento adquirido pela rede atravs do processo de
aprendizagem.
2. Os pesos das conexes entre neurnios, conhecido como
sinapses, so usados para armazenar o conhecimento.
(LMS), conhecido como mnimos quadrados, que usaram para formular o Adaline
(elemento linear adaptativo). A principal diferena entre o "Perceptron", apresentado
194
Esta classe
particular de redes neurais com feedback atraiu grande ateno nos anos 80, e
com o tempo tornou-se conhecida como Redes de Hopfield. No mesmo ano de
1982, Kohonen (1982) (HAYKIN, 1994) publicou um artigo no qual utilizava mapas
auto-organizativos com uma estrutura uni ou bi-dimensional, diferentes em alguns
aspectos do primeiro trabalho de Willshaw e Von der Malsburg que tambm usaram
aprendizado competitivo (HAYKIN, 1994).
195
O algoritmo de aprendizagem mais popular at ento foi o "backpropagation", desenvolvido por Rumelhart, Hinton e Willian em 1986 (HAYKIN,
1994). Esta popularidade se deu, principalmente, aps a publicao de um livro de
dois volumes, Processamento Paralelo Distribudo: Exploraes na Microestrutura
do Conhecimento, escrito por Rumelhart e McClelland.
196
y = f
onde
x w
j
(C.2.1)
i =1
xi = entradas, i = 0, 1, 2, ..., N,
xo = vis = 1,
wi = pesos variveis.
197
1949, Hebb postulou uma frmula matemtica simples para mudar os pesos dos
neurnios em proporo para as ativaes do neurnio (HAYKIN, 1994):
wi = Y ( x) xi
i = 0, 1, 2, ..., N
(C.2.2)
198
a i ( x , w )= w x = wij x j
T
(C.2.3)
j =1
2. Esfrica
n
a i ( x , w ) = 2 ( x j wij ) 2
j =1
(C.2.4)
199
3. Mahalanobis
a i ( x , w) = ( x wi ) T 1 ( x wi )
(C.2.5)
= X X
(C.2.6)
4. Polinomial
n
a i ( x , w ) = x j ij
w
j =1
(C.2.7)
200
(C.2.7)
TABELA c.1 - Funes de propagao (HAYKIN, 1994; BRAGA; LUDEMIR; CARVALHO, 2000)
Funo
Equao com
Polarizao
Sem polarizao
Com polarizao
Degrau
201
1, x > b
y =
0, x < b
+1
+1
0
Degrau
Simtrico
1, x > b
=
y
0, x < b
-b
+1
+1
0
-b
y=x+b
-1
-1
+b
+1
Linear
0 +1
-b
0
-b
+1
Logstica
Sigmoidal
1
1+ e
+1
(n + b )
0
-b
+1
+1
Tangente
Sigmoidal
y=
( x + b) e ( x + b)
=
( x + b) + e ( x + b)
e
e
-b
-1
-1
202
Entradas
Camada
Intermediria
Camada de
Sada
Sada
Figura c.4 - Arquitetura de RNAs recorrentes (HAYKIN, 1994; BRAGA; LUDEMIR; CARVALHO,
2000)
203
a)
Aprendizado
supervisionado:
utiliza
um
conjunto
de
pares
204
y j = f
x w
i
i =1
ij
i=1, 2, ..., M
(C.2.4.1)
205
wi = ( yid yi ) xi
onde i=1, 2, ..., M,
(C.2.4.2)
206
207
sig ( x) =
1
1 + e x
(C.2.4.3)
(C.2.4.4)
208
comum associar a rede RBF a uma rede com uma camada intermediria embora
redes RBF com mais de uma camada intermediria tenham sido propostas. A
arquitetura tpica de uma rede do tipo RBF ilustrada pela figura c.7.
209
.
Figura c.7 - Rede RBF (Radial Basis Function) (HAYKIN, 1994)
Funo multiquadrtica: f (u ) = 2 + 2 ;
(C.2.4.5)
(C.2.4.6)
210
2
Funo thin-plate-spline: f (u ) = . log(v)
(C.2.4.7)
onde = ||x - ||, que dado geralmente pela distncia euclidiana, x o vetor de
entrada, e e representam o centro e a largura da funes radial,
respectivamente. Deve ser observado que estas funes podem ser utilizadas em
qualquer tipo de rede (com uma ou mais camadas intermedirias).
Como pode ser observada nas funes apresentadas, a funo radial mais
utilizada possuem dois parmetros: o centro e o raio . A distncia euclidiana ||x-
y j = w ji ( x - ui
i =1
) + w jo
(C.2.4.8)
211
212
Tabela c.2 - Comparao de uma rede RBF tpica com uma rede MLP convencional
(BRAGA; LUDEMIR; CARVALHO, 2000)
Rede MLP versus Rede RBF
MLP
RBF
Pode ter uma ou mais camadas
Geralmente possui apenas uma camada
intermedirias
intermediria
Ns das camadas intermedirias e de sada Ns das camadas intermedirias tm funes
tm funes semelhantes
diferentes dos ns da camada de os sada
Entrada da funo de ativao o produto Entrada da funo de ativao a distncia
interno dos vetores de entrada e de pesos
euclidiana entre os vetores de entrada e os
pesos
Separa padres de entrada com hiperplanos Separa
padres
de
entrada
com
hiperelipsides
Melhor em problemas complexos
Melhor em problemas bem definidos
Constri
aproximadores
globais
para Constri
aproximadores
locais
para
mapeamento entrada-sada
mapeamento entrada-sada
214
215
Modelo fuzzy:
Mamdani, Larsen, Takagi-Sugeno, Tsukamoto.
Mtodo de defuzzificao:
Centro de rea, mdia ponderada, centro de somas, caixa preta
(black box), outros.
Identificao da estrutura:
Identificao prvia:
Com apoio de especialista; mtodo auto-organizado; mtodo
da distribuio uniforme das funes de pertinncia.
Identificao automtica:
Incremental; decremental.
Modelo fuzzy
Mtodo de defuzzificao
216
a.1) Mandani
Esse modo de raciocnio criado por Mandani utiliza a regra de operao
de mnimo, como uma funo de implicao fuzzy. Nesse modo de raciocnio, a isima regra conduz seguinte deciso de controle (LEE, 1990b):
C' (w) = i Ci (w)
(D.2.1)
(D.2.2)
= [1 C1 (w)] [2 C2 (w)]
uB1
uA1
1
217
uC1
B1
A1
C1
uC
1
uA2
uC2
uB2
A2
0
x0
B2
0
y0
C2
0
min
(D.2.3)
(D.2.4)
= [1 . C1 (w)] [2 . C2 (w)]
218
uB1
A1
uC1
B1
C1
uC
uA2
A2
B2
y0
C2
x0
uC2
uB2
min
Figura d.2 - Mtodo de Larsen (produto algbrico como funo de implicao) (LEE, 1990b)
a.3) Tsukamoto
O mtodo proposto por Tsukamoto uma simplificao do raciocnio fuzzy
proposto por Mandani, onde as funes de pertinncia dos conjuntos fuzzy Ai, Bi e
Ci so monotnicas. O resultado inferido a partir da primeira regra 1 tal que 1 =
C1 (w1). O resultado inferido a partir da segunda regra 2 = C2 (w2). Uma ao
de controle escalar pode, ento, ser deduzida como (LEE, 1990b):
zo = 1w1 1++22 w2
(D.2.5)
uA1
uB1
uA2
uB2
uC1
uC2
x0
y0
0
min
219
a.4) Takagi-Sugeno
x SL
C SL
(x) =
(x) =
220
, para SL x C
x SR
C SR
, para
(x) = 0
C x SR
, para
SL x C
x
SL
SR
b.2) Trapezoidal: Essa funo de pertinncia pode ser descrito por trs variveis
u, v e d que regulam a inclinao das bordas da funo pertinncia
trapezoidal (mais crisp ou mais fuzzy). As expresses a seguir definem este perfil
(HINES, 1997; JANG; SUN; MIZUTANI, 1997; SOUZA, 1999):
( x ) = [1 g ( x , d ) - g( x , d )]
se s.d > 1
1,
221
u (x) 1
0
u
u+1/d
v-1/d
0, x a
1 - (b - x)/(b - a), a < x b
(x) = 1, b < x c
(d - x)/(d - c),
c< x d
0, x > d
onde a , b, c e d so parmetros do formato da funo de pertinncia.
x
a
Figura d.7 - Funo de pertinncia com formato trapezoidal descrita por 4 parmetros (SOUZA,
1999)
222
b.3) Gaussiano: este perfil descrito pela expresso abaixo, onde m a mdia e v
o desvio padro (SOUZA, 1999):
( x) = e
xm
)2
v
d.4) Sino: este perfil de funo de pertinncia definido pela expresso abaixo
(SOUZA, 1999):
(x) =
1
x c
1 + (
)
a
2b
223
b.5) Sigmoidal: este perfil baseado na funo sigmide, bastante usada no estudo
de redes neurais. As funes de pertinncia deste tipo so criadas utilizando-se
apenas uma ou duas funes sigmides superpostas (figura d.10) (SOUZA, 1999).
( x) = sig ( x, a, b) =
1
1 + e a ( x b )
224
(x)
1
x=a
225
Os particionamentos BSP e Quad tree das figuras d.12 (e) e (f) so flexveis e
minimizam, um pouco, o problema do crescimento exponencial do nmero de regras,
pois s criam novas regras localmente, conforme o conjunto de treinamento. Sua
vantagem principal permitir a criao de sistemas que constroem sua prpria
estrutura de forma automtica (SOUZA, 1999).
D) Mtodos de Defuzzificao.
226
zo =
Wj
j =1
227
Figura d.14 - Simulao no software Fuzzytech de uma sada no mtodo COM (SHAW;
SIMES, 1999)
zo =
z ( W j ). W
i =1
n
z (W j )
i =1
228
Figura d.15 - Simulao no software Fuzzytech de uma sada no mtodo COA (SHAW;
SIMES, 1999)
Aprendizado off-line
A atualizao dos parmetros/estruturas acontece somente aps a
apresentao de todo o conjunto de treinamento, isto , aps uma
poca ou varredura. Esta forma requer um conjunto de dados de
229
Aprendizado on-line
A atualizao dos parmetros acontece logo aps cada par de
treinamentos ter sido apresentado. Esta estratgia de aprendizado
indicada para sistemas com caractersticas variantes ou quando
no se tem mo, previamente, um conjunto de dados de
treinamento.
230
231
232
( ,
1
Figura d.16 - (a) Mecanismo de inferncia Takagi-Sugeno. (b) equivalente ANFIS (JANG, 1992)
233
regras tm perfil triangular e so descritas por trs parmetros: centro (C), largura
esquerda (S1) e largura direita (Sr). Os conseqentes das regras so singletons ou
combinaes lineares das entradas.
Figura d.17 Arquitetura de um FSOM com duas entradas e uma sada (SOUZA, 1999)
234
Figura d.18 - Sistema NEFCLASS com duas entradas, cinco regras e duas classes de sada.
236
237
Medio
559
441
Extrao<=271,15
Medio
361
198
276
165
T 1<=1442,2
T 2<=1485,6
Medio
59
6 Alto
45
153
T 2<=1489,1
9
10
171
105
T 2<=1476,1
Medio
Baixo
302
Alto
129
T 1<=1440,8
11
Medio
36
T 1<=1445,2
12Alto
Baixo
13
14
Medio
Medio
Baixo
79
223
13
17
18
Medio
Alto
42
37
99
124
T 1<=1434,
28
32
122
Baixo
19
20
21
Baixo
Medio
Muito Baixo
92
31
30
28
36
T 2<=1480,
38
Medio
39
Medio
32
33
Baixo
22
Muito Alto
Extrao<=148,6
23
24
Baixo
Medio
40
Muito Baixo
34
43
Muito Baixo
T 1<=1435,9
45
Medio
Alto
10
13
T 2<=1478,2
Alto
46
96
T 1<=1432,7
25
26
Alto
26
47
Medio
Figura aa.1 rvore de Deciso CART para o defeito tipo pedra NOVOVIDRO
35
Alto
27
Medio
22
T 2<=1469,2
23
44
Alto
Alto
24
42
Alto
33
Medio
T 2<=1477,2
41
64
T 2<=1476,
Muito Alto
63
40
41
15
Baixo
Medio
140
T 2<=1478,7
T Rec1<=279,09
Medio
30
31
T 2<=1488,2
T 2<=1483,
29
31
T 2<=1470,6
Medio
15
Baixo
Extrao<=80,374
16
Medio
11
T 2<=1489,4
36
Alto
37
Medio
238
360
640
Extrao<=188,09
51
309
413
227
T 1<=1431,4
4
Extrao<=373,06
25
285
Alto
Medio
Medio
24
T 1<=1428,5
8
Baixo
Medio
26
Medio
Baixo
67
346
T 2<=1493,4
31
196
T 1<=1431,7
Baixo 10
11
Alto
T 1<=1431,1
12
Alto
13
Muito Alto 14
Medio
Alto
15
Medio
89
196
19
Extrao<=50,578
17
Baixo
18
Muito Alto
66
176
T 1<=1435,2
20
Baixo
28
27
29
51
T Rec1<=268,
34
Muito Baixo
T 2<=1490,8
Alto
Alto
Medio
30
Baixo
Muito Baixo
T 2<=1496,
23
Alto
24
25
Muito Alto
Muito Alto
31
182
Alto
32
Alto
33
Muito Alto
279
11
177
T 1<=1460,3
Medio
37
5
T 1<=1458,5
38
Alto
39
40
41
Alto
25
209
Muito Alto
70
Extrao<=121,8
42
Baixo
26
188
T 2<=1468,1
T 1<=1434,4
Baixo
22
290
125
36 Baixo
35
24
T 1<=1424,5
21
18
T 2<=1469,3
Medio
Baixo
39
38
Medio
20
19
T 1<=1457,
27 Muito Baixo
26
308
T 1<=1427,
16 Baixo
23
48
65
112
Extrao<=318,28
Medio
43
Extrao<=419,82
Medio
44
45
Alto
46
47
Medio
Alto
88
121
20
T 1<=1438,
Medio
Medio 48
50
32
T 1<=1435,7
50
49
Alto
57
33
T 1<=1437,4
51
Alto
52
53
Medio
64
20
Extrao<=252,83
Medio
54
55
Medio
25
32
T Rec1<=263,69
Baixo
58
59
Medio
Medio
Figura aa.2 rvore de Deciso CART para o defeito tipo bolha NOVOVIDRO
13
T 1<=1446,
56
Medio
57
Alto
239
361
639
T 2<=1481,8
Alto
2
97
264
368
271
Extrao<=141,33
4
Extrao<=280,14
Alto
48
5 Alto
49
Medio
161
103
T 2<=1477,8
Muito Baixo
7
314
54
T 2<=1479,
9 Alto
Muito Baixo
247
24
T 2<=1492,4
Alto 10
Medio
Medio 11
T 2<=1494,2
12
Muito Baixo
14
13
Muito Baixo
15
Alto
to Alto
45
12
T Rec1<=286,3
16
17
149
72
T 2<=1463,5
195
119
Extrao<=373,04
19 Alto
18
31
Medio 20
Extrao<=187,11
24
Medio
23
Baixo
AltoMuito Alto
Muito Alto
107
42
61
Extrao<=390,06
20
22
T 2<=1475,4
43
42 Alto
57
Extrao<=148,6
Medio 44
45
Alto Medio
qGN<=118,23
17
T 1<=1434,8
62
63
Alto
Medio
64
65
Medio
135
60
T 1<=1441,6
31 Baixo
Alto
Medio 30
Alto
16
25
T 1<=1454,2
29 Medio
28
11
21
Baixo
Alto 35
T 1<=1445,1
64
Muito Baixo
Muito Baixo
27
Muito Baixo
37
Medio 36
Medio
Muito Baixo 26
25
T 2<=1486,9
Medio 34
42
37
141
33
Extrao<=343,4
Muito Baixo
38
28
107
47
Extrao<=,09595
Alto
50
21
94
T 1<=1428,8
66
12
T 2<=1488,5
Alto
35
Medio
69
71
70
52
39
27
T 2<=1483,6
Medio
72
26
T 2<=1487,7
Alto
83
10
T Fusao<=1325,
Extrao<=130,16
Medio
82
84
Medio
Alto
85
86
Baixo
87
Medio
54
T 1<=1453,7
73
Baixo
74
Muito Baixo
17
57
T 1<=1441,
57
Muito Baixo 56
55
40
Medio
Medio
75
Alto
T 2<=1490,4
76
Medio
77
Baixo
11
Extrao<=231,3
Medio
88 89
Baixo
Figura aa.3 rvore de Deciso CART para o defeito tipo corda NOVOVIDRO
138
T 2<=1492,2
58
18
T 2<=1486,4
Baixo
61 Baixo
59
51
T 2<=1482,9
78
T 2<=1487,6
79
Muito Baixo
41
Muito Baixo
15
60
Baixo Muito Baixo Alto Medio
Muito Baixo
Alto
Medio
11
T 1<=1441,4
Medio
Medio
53
21
T Afinagem<=1325,5
Baixo
68
67
Medio
13
26
T 1<=1436,
51
Medio
Muito Baixo
34
Baixo
Medio 49
48
48
T 2<=1488,6
Alto
47
13
Extrao<=452,3
Medio
T Rec1<=270,2
46
82
T 1<=1441,9
33
32
205
Extrao<=8,7539
Medio
22
21 Baixo
45
80
Baixo
81
Muito Baixo
240
305
62
Extrao<=81,35
Baixa 2
Muito Alto
222
83
14
48
S Sdio<=4,39
Coque<=1,175
Baixa 4
Media 5
94
128
77
84
12
116
Extrao<=74,85
16
Media
17
Muito Baixa
12
Muito Alto
53
Extrao<=72,3
24
Media
Baixa 19
Muito Alto 21
20
22
Alta
76
Extrao<=80,55
Muito Alto 29
28 Media
72
Coque<=1,165
66
43
44
Media
Alta
Media
14
58
45
16
Alta
48
Extrao<=78,95
Muito Alto
69
Media
Alta
70
30
18
Media
26
Baixa 47
16
34
20
56
51
30
20
Pirita<=,55
57
58
Baixa
Muito Alto
28
Extrao<=79,45
59
60
Baixa
Baixa
24
23
Muito Alto
24
REDOX<=-19,69
Muito Alto 38
39
Media
22
2
Coque<=1,29
Muito Alto
52
53
74
Alta
83
Media
84
85
Baixa
Media
22
10
Alta
65
Muito Alto
REDOX<=-22,51
Muito Alto
76
77
Alta
87
Muito Baixa
2
O ferro<=3,74
Media
Muito Baixa
92
93
Muito Alto 94
95
Media 67
Media
86
16
Muito Alto 66
Extrao<=81,15
20
Extrao<=75,8
Muito Alto
75
Extrao<=79,75
Media
Extrao<=74,5
64
Extrao<=84,1
Media
25
26
27
Baixa Muito Alto
Media 24
8
8
REDOX<=-20,59
Extrao<=81,6
Extrao<=75,3
Media
73
Media
4
Extrao<=74,7
10
Coque<=1,275
Muito Alto
62
63
Baixa
61
14
12
Extrao<=82,4
50
Muito Alto 15
26
Muito Alto
72
Baixa
REDOX<=-19,29
REDOX<=-,0836
Baixa
Alta
91
89
90
Media 88
Media
Extrao<=75,75
Muito Alto 49
48
Baixa
71
82
Alta
22
Alta
Media
46
Pirita<=,325
Baixa 81
80
33
Pirita<=,525
Extrao<=78,45
26
Extrao<=82,55
O ferro<=3,675
Extrao<=80,95
Media
37
34
35
36
Media
Muito Alto Alta
16
10
Extrao<=79,25
Media
68
27
Muito Alto
Baixa
6
50
O ferro<=3,2575
Extrao<=78,7
Media
55
Baixa
Baixa
32
30
31
BaixaMuito Baixa
10
Coque<=1,175
Media
50
S Sdio<=4,375
REDOX<=-20,68
42
54
10
Pirita<=,55
20
Media 14
Extrao<=82,4
Baixa
28
13
Extrao<=77,85
18
10
Extrao<=81,7
Media 11
Baixa 10
Muito Alto
Extrao<=72,45
Baixa 9
10
Muito Alto
Coque<=1,225
8 Media
Media
Figura aa.4 rvore de Deciso CART para o defeito tipo pedra Vidros para Embalagens
78
79
Extrao<=84,8
40
41
Media Muito Alto
241
180
187
O ferro<=3,455
Media
128
52
173
Pirita<=,325
4
12
O ferro<=3,275
40
O ferro<=3,34
Media
10
Alta
11
Muito Alto
Media
50
26
26
Extrao<=79,1
14
Extrao<=81,7
12
Media
20
13
14
15
Muito Alto
Alta
Muito Alto
30
Extrao<=76,3
Baixa
16
Muito Alto
Baixa
76
14
Coque<=1,29
Media
52
Baixa
17
Media
Figura aa.5 rvore de Deciso CART para o defeito tipo bolha Vidros para Embalagens
Media
242
Media
243
125
Pirita<=,535
70
173
51
74
S Sdio<=4,255
4
Media
Baixa
REDOX<=-23,05
5
Media
Media
Baixa
Media
46
24
169
REDOX<=-21,42
8
Alta
11
12
Baixa
13
24
133
36
12
Pirita<=,475
15
Muito Alta
16
S Sdio<=4,025
20
Baixa
21
Muito Alta
18
17
40
93
Pirita<=,325
22
18
Media
Baixa
24
12
Coque<=1,185
23
24
S Sdio<=4,44
25
Media
Alta
26
27
Media
Baixa
Baixa
38
20
Extrao<=82,7
28
Media
Media
30
Muito Alta
28
16
Extrao<=77,8
34
4
O ferro<=3,7
31
Baixa
10
O ferro<=3,59
29
32
Baixa
33
Media
Extrao<=81,35
Media
35
36
37
Alta
Baixa
Media
12
16
Extrao<=81,2
39Media
38
Media
10
S Sdio<=4,32
40
Baixa
41
31
REDOX<=-23,49
Baixa
16
Alta
Media
6
Alta
Media
Muito Alta
Extrao<=78,45
14
43
Extrao<=71,8
10
Media
22
Coque<=,775
Media
Figura aa.6 rvore de Deciso CART para a transmitncia da luz Vidros para Embalagens
19
Alta
243
598
2042
Abboda (7)<=1437,5
PONTILHADO
CANELADO
2
419
582
179
1460
Soleira (11)<=1159,5
ART ICO
MARTELADO
ELADO
79
288
949
100
294
10
133
13
ART ICO
29
398
155
74
265
CANELADO
PONT ILHADO
12
11
37
14
Soleira (11)<=1173,5
SILESIA
63
511
551
20
437
17
15
16
PONTILHADO
PONT ILHADO
PONTILHADO
18
19
MART ELADO 21
ART ICO
22
23
PONTILHADO MOSAICO
76
316
246
79
Soleira Spout (12)<=986,5
PONT ILHADO
24
173
82
305
Soleira (11)<=1164,5
SILESIA
26
25
ART ICO
Abbada (6)<=1455,5
Soleira (11)<=1196,5
SILESIA
MOSAICO
27
28
29
MARTELADO
44
25
186
35
Soleira Spout (12)<=993,5
SILESIA
264
57
33
MART ELADO
114
243
60
191
21
Abboda (7)<=1462,
Camera 04<=1298,
Soleira Spout (12)<=977,5
CANELADO
PONTILHADO
37
34
35
31
CANELADO
MART ELADO
32
PONTILHADO
30
38
36
39
40
CANELADO
41
41
120
219
73
71
43
PONT ILHADO
PONTILHADO
ART ICO 42
24
44
45
CANELADO
46
47
SILESIA
37
28
83
Soleira (11)<=1151,5
49
MOSAICO
48
SILESIA
191
Camera 04<=1276,5
MART ELADO PONTILHADO
50
51
Figura aa.7 rvore de Deciso CART para os padres do vidro plano impresso - Vidros Planos
244
245
246
#internal conflict methods for set based are: all (use all leaves), best(use
#majority class), cg (center of gravity), mcg (max center gravity)
#inference methods for example based are: all(use all leaves), best (use
#majority class), maxx(use example with highest membership in leaf),maxxk(use
#example with highest combined membership in leaf and decision class)
InternalConflict
best #[best | cg | mcg | all | maxx | maxxk]
#method to resolve external conflicts
#(meaning depends on which inference chosen above)
#maximum value allowed for set-based inference is 3,
#maximum value allowed for example-based inference is 2
ExternalConflict
0
#[0 | 1 | 2 | 3]
#options specifying weights to use in particular inferences
#the following 5 options are all boolean values
#used in set-based inferences involving internal best/external 0 and external 1
#used in example based inferences involving external 0/internal maxx and maxxg
usePkL
0
#[0 | 1]
#used in set-based inferences with external 0/internal cg and mcg and external 1
#used in example-based inferences with external 0/internal maxx and maxxg
usePL
0
#[0 | 1]
#used in set-based inferences with external 0/internal best and cg
useArea
0
#[0 | 1]
#used in set-based inferences with external 1
useRatio
0
#[0 | 1]
#used in example-based inferences with external 0/internal all and best
useWeight
0
#[0 | 1]
#stretch domain for delta to use in set inferences
stretchSetDelta
0
#[0 | 1]
#Degree of fuzzification fon unrecognized events
#0 is no fuzzification,
#1 means fuzzification is only performed for linear values
#2 means all values are fuzzified
fuzStopLevel
#[0 | 1 | 2]
#[0 | 1 | 2]
247
#Minimal gain level at which attribute will not be used for expansion
minGain
0.1 #[0..1]
#Minimal event count
minInfPN
0.2
#[> 0]
248