Académique Documents
Professionnel Documents
Culture Documents
CENTRO DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA QUMICA
PROGRAMA DE DOUTORADO EM ENGENHARIA QUMICA
A
APPL
LIIC
CA AOO
D
DE E
R
REEDDE
ESS NNE
EUUR
RA AIISS A
ARRT
TIIF
FIIC
CIIA
AIISS
N
NA A
IIN
NDDSST
TRRIIA
ADDEEFFIIOOSS DDE
EA AL
LGGO OD
D OO
Maring - PR Brasil
Fevereiro de 2007
ii
COMISSO JULGADORA
O lao
que une a sua famlia verdadeira
no de sangue, mas
de respeito e alegria pela
vida um do outro.
(Richard Bach, Iluses, 1977)
... minha verdadeira famlia; minha esposa, Silvana Adriani Remundini, meu
filho Matheus Remundini Antonelli e minha filha Ana Laura Remundini Antonelli.
Apesar da minha ausncia durante a elaborao deste trabalho, vocs so e sempre sero
a razo da minha vida.
v
Agradecimentos
RESUMO
ABSTRACT
The competitiveness in the sector of yarn production made the companies to search
solutions for the attainment of a yarn with quality and low cost. Today, differential
between them, in such a way, of the sector, is in the raw material, that is, the processed
cotton and its characteristics. Diverse types of cotton exist, with differentiated
characteristics, fact that if must to the region of production, the harvest, the storage and the
transport. The yarn industries work with cotton mixtures, what it makes it difficult the
determination of the quality of the yarn produced from the characteristics of processed
staple fibres. In this work, they are used given of a process of conventional wiring, being
fed with raw material of cotton composition 100%, and presents a solution with artificial
neural nets that determines the information of quality of the wire, using the values of the
characteristics of staple fibres and definitions of some adjustments of the process. In this
solution a neural net of the type MultiLayer Perceptron with 11 neurons in the entrance is
used artificial (8 characteristics of the fiber and 3 adjustments of the process), 7 neurons in
the exit (yarn quality) and two types of training, the Back propagation and the Conjugate
gradient descent. It is also presented, applications of artificial neural nets to determine two
characteristics of the cotton fiber, the stickiness index and the immature staple fibre index.
For the determination of the stickiness index a net with 7 neurons in the entrance
(characteristic of the fiber), 1 neuron of exit (stickiness index) and two types of training,
the Back propagation and the Levenberg-Marquardt is used. In the determination of the
immature staple fibre index a solution with 3 neurons of entrance is presented
(characteristic of the fiber), 1 neuron of exit (immature staple fibre index) and training of
ix
the type Pseudo Inverse. It describes election and organization of the data of production of
the yarn industry of the Cocamar Cooperativa Agroindustrial company, to apply the
developed artificial neural nets. A computational system is presented, created to present the
results gotten with the production data, which work in an architecture customer-server and
use the technologies opensource Linux, Apache, PHP and Firebird. One concluded that,
artificial the neural nets can be used to determine the two characteristics of the studied
fiber of cotton, the stickiness index and the immature staple fibre index. In the application
of neural nets to determine the yarn quality, one concludes that, although not to possess
ideal precision how much to the absolute values, the presented solution represents an
excellent tool to define the variations of the qualities of the yarn when it modifies the
composition of the raw material. The developed system allows to carry through simulation
to define the percentage of mixture in the raw material to be processed in the plant with the
use of information of packs of cotton in supply, in such a way can be gotten a mixture that
all keeps the stability of the productive process.
x
ndice
1. Introduo........................................................................................................................ 1
2. O processo produtivo das fiaes de algodo ................................................................. 4
2.1 Caractersticas das fibras de algodo ................................................................ 7
2.2 Variveis do processo fabril das fiaes convencinais ....................................... 7
2.3 Qualidades do fio produzido ............................................................................... 9
2.4 Misturas programadas de matria-prima ........................................................... 9
3. A fiao de algodo Cocamar .................................................................................... 11
3.1 Armazenamento e preparo da matria-prima ................................................... 12
3.1.1 A logstica de preparo da empresa Cocamar ...................................... 12
3.2 O processo produtivo ........................................................................................ 13
4. Redes neurais artificiais ................................................................................................ 17
4.1 Funcionamento das redes neurais artificiais .................................................... 17
4.2 Topologia de redes neurais artificiais .............................................................. 20
4.3 O aprendizado ................................................................................................... 21
4.3.1 Treinamento Back propagation .............................................................. 22
4.3.2 Treinamento Levenberg-Marquardt ....................................................... 23
4.3.3 Treinamento Pseudo-Inverse (Singular Value Decomposition) ............ 25
4.3.4 Treinamento Conjugate gradient descent .............................................. 25
4.4 Aplicaes para redes neurais .......................................................................... 26
5. Utilizao de redes neurais artificiais na indstria de fios ............................................ 28
5.1 Aplicao na produo de fibras sintticas ...................................................... 28
5.2 Aplicao na produo de fibras naturais ....................................................... 28
5.3 Aplicao na otimizao da produo .............................................................. 29
5.4 Outras aplicaes .............................................................................................. 30
5.5 Utilizao na indstria de fios Cocamar ....................................................... 30
5.5.1 Estrutura genrica de implantao ......................................................... 30
6. Anlise e adequao dos dados de produo da indstria de fios Cocamar ............... 34
6.1 Dados da qualidade da fibra............................................................................. 34
6.2 Dados da qualidade do fio ................................................................................ 37
6.3 Dados do processo ............................................................................................ 39
6.4 Organizao dos dados para aplicao na RNA .............................................. 40
xi
12.7 Procedimentos para selecionar dados com qualidade para a RNA ............... 114
13. Anexos ......................................................................................................................... 116
13.1 Classificao das fibras .................................................................................. 116
13.2 Frmulas de converso de ttulos de fios para vrias unidades ..................... 117
13.3 Exemplo da estatstica Uster ......................................................................... 118
xiii
Figuras
Figura 2.1 : Fluxograma simplificado do processo convencional de produo de fios ...... 7
Figura 3.1 : Vista area da Indstria de Fios Cocamar .................................................... 11
Figura 3.2 : Sala de abertura de fardos com alimentao automtica ................................ 14
Figura 3.3 : Cardas em processo de produo e armazenamento do cabo ......................... 15
Figura 3.4 : Passadeira de 1 passagem com detalhe do passador ..................................... 15
Figura 3.5 : Filatrio a anel ................................................................................................ 16
Figura 4.1 : Estrutura de um elemento de processamento ................................................. 18
Figura 4.2 : Esquema representativo das conexes dos neurnios de uma RNA .............. 20
Figura 4.3 : Topologias principais de redes neurais artificiais........................................... 21
Figura 5.1 : Estrutura bsica de um processo gennico ..................................................... 31
Figura 5.2 : Modelo de aplicao de RNA baseado em coeficientes de misturas ............. 32
Figura 6.1 : Exemplo de dados de produo de fio do ano de 2000 .................................. 37
Figura 6.2 : Tela da aplicao em VBA para organizao de dados.................................. 38
Figura 7.1 : Estrutura da RNA utilizada para determinar o ndice de caramelizao ....... 47
Figura 7.2 : Performance da RNA para determinar o ndice de caramelizao ................ 48
Figura 7.3 : Performance da RNA que determina o ndice de caramelizao sobre os
dados de validao ......................................................................................... 49
Figura 7.4 : Estrutura da RNA utilizada para determinar o ndice de fibras imaturas ....... 51
Figura 7.5 : Performance da RNA durante o treinamento para determinar o ndice de
fibras imaturas ................................................................................................ 52
Figura 7.6 : Carta de Anlise Simplificada da Maturidade ................................................ 53
Figura 7.7 : Diagrama Maturidade, Razo e Alongamento ............................................... 53
Figura 7.8 : Quantidade de ajustes no processo por filatrio ............................................. 55
Figura 7.9 : Quantidade de registros de dados por filatrio ............................................... 56
Figura 7.10 : Estrutura da RNA utilizada para determinar a qualidade do fio ..................... 58
Figura 7.11 : Performance da RNA no treinamento para determinar o alongamento ......... 59
Figura 7.12 : Performance da RNA no treinamento para determinar o CV Uster............... 60
Figura 7.13 : Performance da RNA no treinamento para determinar o NEPS .................... 60
Figura 7.14 : Performance da RNA no treinamento para determinar o nmero de pontos
finos ................................................................................................................ 61
Figura 7.15 : Performance da RNA no treinamento para determinar a tenacidade ............. 61
xiv
Tabelas
Tabela 2.1 : Unidades de representao de ttulos de fios .................................................... 8
Tabela 4.1 : Funes de ativao ........................................................................................ 19
Tabela 6.1 : Layout de exportao de dados do sistema CFA ............................................ 35
Tabela 6.2 : Categorias do ndice de caramelizao por meio de aquecimento em estufas35
Tabela 6.3 : Classificao do IFI (ndice de Fibras Imaturas)............................................ 36
Tabela 6.4 : Estrutura de dados definida para armazenar a qualidade do fio produzido .... 39
Tabela 6.5 : Layout de exportao de dados do sistema PCF ............................................ 40
Tabela 7.1 : Caractersticas das fibras utilizadas para determinar o ndice de caramelizao
........................................................................................................................ 46
Tabela 7.2 : Resultado da seleo da RNA para determinar o ndice de caramelizao .... 46
Tabela 7.3 : Resultados do treinamento da RNA para determinar o ndice de
caramelizao ................................................................................................. 48
Tabela 7.4 : Influncia das caractersticas das fibras sobre a determinao do ndice de
caramelizao utilizando RNA....................................................................... 49
Tabela 7.5 : Caractersticas das fibras utilizadas para determinar o ndice de fibras
imaturas .......................................................................................................... 50
Tabela 7.6 : Resultados da seleo RNA para determinar o ndice de fibras imaturas ...... 50
Tabela 7.7 : Classificao contnua dos valores do ndice de fibras imaturas ................... 52
Tabela 7.8 : Faixa de valores das variveis de entrada da rede para determinar a qualidade
do fio .............................................................................................................. 57
Tabela 7.9 : Resultado da seleo da RNA para determinar a qualidade do fio ................ 57
Tabela 7.10: Estatsticas dos resultados do treinamento da RNA para determinar a
qualidade do fio .............................................................................................. 59
Tabela 7.11: Influncia das variveis de entrada da RNA na determinao das qualidade do
fio ................................................................................................................... 63
xvi
Notao
alfabeto normal
C valor da caracterstica da mistura a ser determinado
valor da caracterstica de cada componente da mistura
d vetor resposta desejado para as sadas (determinado no treinamento)
direo de otimizao do algoritmo
E funo erro
G matriz dos elementos de entrada e sadas dos casos observados
I matriz identidade
m coeficiente mssico de cada componente da mistura
N nmero de neurnios;
nmero de componentes na mistura de matria-prima
nmero de neurnios da camada de entrada da rede neural
total de conexes do elemento de processamento
o valores de sada da rede neural
p peso de cada componente da mistura
t instante atual
x valor de entrada da rede neural
w valor do peso das conexes da rede neural; fora das conexes
W matriz dos pesos da rede
y vetor de sada de um sistema contnuo, varivel controlada
Z matriz das derivadas parciais dos erros dos casos em relao aos pesos
alfabeto grego
valor lquido de entrada do EP; valor de ativao;
coeficiente de momento; amplitude do passo na direo d
relao de correo de Polak-Ribier
passo do aprendizado
constante do mtodo de Levenberg-Maquardt
smbolos compostos
ANS artificial neural system sistema neural artificial
xvii
outros smbolos
R2 coeficiente de correlao
ZT matriz transposta de Z
G* matriz pseudo-inversa
W correo na matriz dos pesos da rede
v(t) diferena entre os valores de v no instante t e no instante anterior (t-1)
1. Introduo
Neste trabalho, apresenta-se uma soluo com redes neurais artificiais para
determinar as qualidades do fio produzido por uma mistura de fibras de algodo. O sistema
desenvolvido disponibiliza as informaes de qualidade do fio produzido, utilizando os
valores das caractersticas das fibras e a definio de alguns ajustes do processo. Por meio
desta ferramenta, o engenheiro da indstria pode simular a produo de um fio, definir os
ajustes das variveis do processo, otimizar o uso da matria-prima, melhorar a qualidade
do fio e possivelmente obter uma constante no processo produtivo com menores ndices de
quebra e de ruptura1.
Como uma extenso da aplicao de redes neurais artificiais na indstria de fios,
desenvolveu-se redes neurais que determinam duas caractersticas do algodo, o ndice de
caramelizao e o ndice de fibras imaturas. Os resultados apresentados neste trabalho
demonstram que possvel, por meio de algumas caractersticas da fibra e uma rede neural
artificial, determinar outras propriedades do algodo.
Para a disponibilizao dos resultados obtidos neste trabaho, foi desenvolvido um
sistema denominado de ANS Online, e para o seu desenvolvimento utilizaram-se os
recursos computacionais cedidos pela empresa USES Informtica e os dados da produo
fornecidos pela indstria de fios da empresa Cocamar Cooperativa Agroindustrial. As
etapas de desenvolvimento desse sistema seguiram, basicamente, a ordem dos captulos
apresentada neste trabalho.
No Captulo 2 tm-se o processo de industrializao de fios, as principais
matrias-primas, os tipos de processos e suas caractersticas.
No Captulo 3 tm-se as particularidades da indstria de fios Cocamar.
Apresenta-se o processo produtivo da indstria de fios da empresa Cocamar, o
recebimento da matria-prima, a estocagem, o processamento e o armazenamento do fio
produzido.
No Captulo 4 tem-se uma introduo aos princpios da neurocomputao, em que
se descrevem os conceitos bsicos das redes neurais artificiais.
No Captulo 5 apresentam-se alguns exemplos de aplicao de redes neurais
artificiais nas indstrias de fios. Dividem-se as aplicaes nos grupos; produo de fibras
sintticas, produo de fibras naturais, otimizao da produo e outras aplicaes.
1
Segundo FREIRE (2005), ruptura uma quebra natural causada por impurezas ou defeitos mecnicos, e
quebras so produzidas por equipamentos eletrnicos para eliminar defeitos.
Introduo 3
fibras deste grupo no entra como componente a celulose, privativa do grupo vegetal. Este
grupo pode ser subdividido da seguinte forma:
1. l extrada de vrios gneros de ovinos: como a ovelha, o carneiro e o
cordeiro; d-se o nome de velo ou l natural que se extra de animais
vivos e sadios; e l de pelego, que retirada mecnica ou quimicamente
da pele (pelego) de ovinos mortos;
2. plo, extrado de animais como a cabra, o camelo, o cavalo (crina e cauda),
etc.;
3. seda natural, fornecida pela lagarta do Bombyx mori (bicho-da-seda,
originrio da China).
Como fibras naturais de origem mineral tm-se: o amianto (tambm conhecido
como asbestos), um silicato de clcio e magnsio presente em jazidas no Brasil nos estados
de Minas Gerais, Bahia e Pernambuco; o ouro e a prata, que so utilizados na fabricao
de tecidos de luxo; e fios produzidos de ligas metlicas inoxidveis, de lato dourado, etc.
At 1900, somente se conheciam as fibras naturais. Mais tarde, as primeiras fibras
fabricadas pelo homem a partir de polmeros naturais foram chamadas de fibras artificiais.
Aps a Segunda Guerra Mundial surgiram as fibras sintticas, fabricadas a partir de
polmeros sintticos. Assim, passou-se a ter fibras artificiais de polmeros naturais e fibras
artificiais de polmeros sintticos.
Fibras artificiais originadas de polmeros naturais so aquelas em que:
1. a celulose (de origem vegetal) a matria-prima bsica, entre as quais se
encontram: o rayon de filamentos contnuos (ou seda artificial, produzida
pelos processos de nitrocelulose, cuproaminiacal, viscose ou acetato); o
rayon cortado (ou algodo artificial);
2. so fabricadas a partir das protenas (animais ou vegetais), como o lanital
(ou l artificial, produzida a partir da casena, uma substncia protica que
no coagulvel por efeito do calor) e seus similares;
Entendem-se como fibras artificiais originadas de polmeros sintticos aquelas
obtidas de polmeros fabricados pelo homem. Podem ser subdividas segundo o tipo de
polmero constituinte da fibra, por exemplo: o polister (obtido de polmeros lineares com
85% de um ster de lcool didrico - etileno glicol e cido tereftlico); a acrlica
(constituda de macromolculas lineares contendo pelo menos 85% de acilonitrila); o
poliestireno (polmeros lineares com mais de 85% de grupos vinil benznicos); etc.
O processo produtivo das fiaes de algodo 6
Maaroca
(pavio)
nmero que expressa a relao entre seu comprimento e seu peso. Esta representao pode
ser realizada de diversas formas e utilizando-se vrias unidades. A Tabela 2.1 mostra as
formas mais comuns de representar essa grandeza e no Anexo 13.2 apresentam-se os vrios
fatores de converso entre elas.
O primeiro controle de qualidade do processo realizado aps o sistema de
cardagem, verificando o ttulo da fita produzida, e caso seja necessrio, a matria-prima
processada novamente.
Tabela 2.1 : Unidades de representao de ttulos de fios
Unidades Tex
Termo Simbologia Definio
Tex tex* Massa em gramas por 1000 metros de comprimento de fio (g/km)
Decitex dtex* Massa em gramas por 10.000 metros de comprimento do fio
(g/10Km)
Kilotex ktex* Massa em quilogramas por 1000 metros de comprimento de fio
(kg/km)
Outros sistemas
Termo Simbologia Definio
Denier den* Massa em gramas por 9000 metros de comprimento de fio (g/9Km)
Mtrico Nm* Comprimento em metros por 1 grama de massa de fio (m/g)
Ingls Ne Nmero de 840 jardas por 1 libra-massa de massa de fio
(840jd/lb)(hank/lb)
* Baseado nas unidades do Sistema Internacional (de comprimento e peso), foi criado com
o objetivo de titular todas as fibras, sendo conhecido como Sistema Universal
Fonte: SWICOFIL, 2004
enrolam. Estes fenmenos so mais visveis nos filatrios, apesar de estarem presentes em
todas as fases do processo.
pelos seus tcnicos. Esta situao leva as indstrias a atravessar, durante o ano, perodos de
instabilidade no seu processo produtivo, gerando produtos com baixa qualidade e pouco
valor agregado.
3. A fiao de algodo Cocamar
2
Muitas vezes adicionada informao do ttulo do fio a quantidade de cabos utilizada para a produo do
mesmo; neste caso, tem-se um fio de ttulo Ne 20 produzido a partir de um nico cabo.
A fiao de algodo Cocamar 12
Os fardos de algodo que chegam fabrica para serem processados pela linha
convencional so pr-abertos (cortam-se 3 arames dos 6 existentes) na plataforma de
desembarque e aguardam 24 horas para serem encaminhados sala de abertura, onde so
totalmente abertos e utilizados para alimentar o processo. A alimentao do processo, na
indstria de fios Cocamar, realizada manualmente. Coleta-se um pouco de cada fardo de
algodo e alimenta-se a esteira, que leva o material ao misturador. No entanto, existem
processos automticos conforme mostrado na Figura 3.2.
Aps passarem pela sala de abertura (batedor), onde ocorre a limpeza das fibras, a
mistura e uniformizao do peso, o material produzido (flocos) encaminhado s cardas
por transporte pneumtico.
As cardas tm a finalidade de retirar o resto de impurezas existente no material,
cardar e estirar o material formando o cabo. O cabo produzido colocado em lates,
identificado e levado para uma rea reservada, onde fica aguardando para ser encaminhado
passadeira. Na Figura 3.3 tem-se uma carda produzindo um cabo e armazenando-o no
lato. As passadeiras de 1 passagem da linha convencional so alimentadas com 8 (oito)
latas de cabos produzindo 1 (uma) lata de fita, operando com uma razo de 8:1. O objetivo
uniformizar o peso por unidade de comprimento atravs da duplicao, estirar, afinar o
produto paralelizando as fibras e misturar.
O produto das passadeiras da 1 passagem colocado em latas, identificado e
levado para uma rea reservada para ser processado nas passadeiras de 2 passagem. A
Figura 3.4 mostra uma passadeira de 1 passagem com alimentao dupla, oito latas de
A fiao de algodo Cocamar 15
cada lado, produzindo duas latas de fita de cada vez e com processo automtico de
alimentao das latas de sada. No detalhe da Figura 3.4 temos o passador, dispositivo
onde ocorre a mistura das oito fitas em uma nica.
N
i wij x j 4A
j
x1
x2 w1,1
.
.
w1,2
w1,N
EP1 o1
-1 w1,N
xN-1
xN
Figura 4.1 : Estrutura de um elemento de processamento
A sada do elemento de processamento determinada a partir da ativao atravs
da aplicao de funes lineares ou no-lineares, as chamadas funes de ativao.
Podemos representar a sada dos elementos como:
oi fi i 4B
onde fi representa a funo de ativao do i-simo elemento.
Na Tabela 4.1 tem-se uma lista de funes de ativao. A escolha da funo a usar
depende do tipo de problema que esteja sendo resolvido. As funes de ativao mais
utilizadas so a linear, a sigmoidal e a hiperblica.
Analisando-se apenas dois tipos de funes de ativao, o linear e o sigmoidal,
verifica-se que no primeiro tipo, o valor da funo assume o mesmo valor da ativao:
f i ( i ) i 4C
onde i representa o i-simo elemento de processamento. Neste caso, a funo
fornece s redes neurais artificiais caractersticas lineares.
No segundo tipo, onde a funo apresenta caractersticas no-lineares, tm-se;
f i i
1
4D
(1 e i )
Redes neurais artificiais 19
x
Soma unitria
xi
i
(0,+1)
Existem vrias formas de se desenvolver uma rede neural. Ela deve ser montada de
acordo com o(s) problema(s) a ser(em) resolvido(s). Em sua arquitetura so determinados
o nmero de camadas usadas, a quantidade de neurnios em cada camada, o tipo de
sinapse utilizado, etc.
Tendo-se uma RNA3 montada, uma srie de valores pode ser aplicada sobre um
neurnio, sendo que este est conectado a outros pela rede. Estes valores (ou entradas) so
multiplicados no neurnio pelo valor do peso de sua sinapse. Ento, esses valores so
somados. Se esta soma ultrapassar um valor-limite estabelecido, um sinal propagado pela
3
RNA Rede Neural Artificial
Redes neurais artificiais 20
sada (axnio) deste neurnio. Em seguida, essa mesma etapa se realiza com os demais
neurnios da rede. Isso quer dizer que os neurnios vo enfrentar algum tipo de ativao,
dependendo das entradas e dos pesos sinpticos.
Um esquema representativo mostrado na Figura 4.2, onde se visualizam as
conexes dos elementos de processamento em trs camadas com vrios elementos em cada
uma.
Figura 4.2 : Esquema representativo das conexes dos neurnios de uma RNA
agrupam-se em camadas. Camadas que no esto ligadas s entradas nem s sadas da rede
chamam-se camadas escondidas. Exemplos para esse tipo de rede so o perceptron
(ROSENBLATT, 1958), o perceptron multicamada (MultyLayer Perceptron)
(RUMELHART et al., 1986) e o ADALINE (WIDROW e HOFF, 1960). Uma rede que
adicionalmente tem uma relao topolgica de vizinhana entre os neurnios o mapa
auto-organizvel de Kohonen (KOHONEN, 1972 e 1990).
4.3 O aprendizado
reforadas, enquanto as demais so enfraquecidas. por isso que quando uma rede neural
artificial implantada para uma determinada aplicao, necessrio um tempo para que
esta seja treinada.
Segundo TAFNER et al.(1995), basicamente, existem trs tipos de aprendizado nas
redes neurais artificiais:
Supervisionado: neste tipo, a rede neural recebe um conjunto de entradas
padronizadas e seus correspondentes padres de sada, onde ocorrem ajustes
nos pesos sinpticos at que o erro entre os padres de sada gerados pela
rede tenha um valor desejado;
No-supervisionado: neste tipo, a rede neural trabalha os dados de forma a
determinar algumas propriedades dos conjuntos de dados. A partir destas
propriedades que o aprendizado constitudo;
Hbrido: neste tipo ocorre uma "mistura" dos tipos supervisionado e no-
supervisionado. Assim, uma camada pode trabalhar com um tipo enquanto
outra camada trabalha com o outro tipo.
O melhor exemplo de algoritmo de treinamento o Back propagation,
desenvolvido independentemente por RUMELHART et al. (1986), WERBOS (1974), e
PARKER (1985). Algoritmos modernos de segunda ordem, como Conjugate gradiente
descent (BISHOP, 1995 e SHEPHERD, 1997) e Levenberg-Marquardt4 (PRESS et al.,
1992; BISHOP, 1995 e SHEPHERD, 1997) so substancialmente rpidos para a maioria
dos problemas, mas o Back propagation ainda possui vantagens em algumas circunstncias
e um algoritmo de fcil compreenso.
Segundo STATISTICA (2006) se a rede tiver uma nica sada e o problema tiver
valores residuais baixos, o treinamento mais indicado o Levenberg-Marquardt.
As redes lineares, com funes de ativao linear na camada da sada, so
otimizadas eficientemente, usando a tcnica Pseudo-Inverse (GOLUB e KAHAN, 1965;
PRESS et al., 1992 e BISHOP, 1995). Este algoritmo tambm conhecido com SVD
(Singular Value Decomposition), decomposio de valores singulares.
4
Apresentado por LEVENBERG, 1944 e posteriormente atualizado por MARQUARDT, 1963. Foi
totalmente reescrito por PRESS et al., 1992 e ajustado por BISHOP, 1995 e SHEPHERD, 1997
Redes neurais artificiais 23
esse mtodo caminha em direo oposta ao gradiente, ou seja, para um ponto de menor
valor da funo erro definida. Assim, uma vez atingido o ponto de mnimo da funo, tm-
se os valores dos pesos que produzem os menores erros de sada (ANTONELLI, 1998).
No aprendizado supervisionado a direo baseada no gradiente ( E ) de todo o
conjunto de dados.
A representao matemtica do algoritmo :
E
wij (t ) wij (t 1) 4E
wij
w o valor da correo do peso wij;
t o instante atual;
t-1 o instante anterior;
o passo de aprendizado;
o coeficiente de momento;
E
a derivada parcial da funo erro em relao ao peso wij;
wij
Esse mtodo apresenta convergncia em menos iteraes, mas requer mais clculos
por iterao devido ao clculo de matrizes inversas. Apesar do grande esforo
computacional, ele continua sendo o algoritmo de treinamento mais rpido para redes
neurais quando se trabalha com um nmero moderado de parmetros na rede (entradas e a
sadas). Se esse nmero elevado, a utilizao desse algoritmo pouco prtica
(STATISTICA, 2006).
treinamento Back progpagtion. Esta uma tcnica recomendada para qualquer rede com
um nmero grande de pesos (mais de uma centena) e/ou mltiplas unidades de sadas.
O Conjugate gradiente descent um algoritmo do grupo de atualizao em lote:
enquanto o algoritmo Back propagation ajusta os pesos da rede um de cada vez, o
algoritmo Conjugate gradiente descent trabalha com a sada mdia do gradiente da
superfcie do erro sobre todos os casos, e atualiza todos os pesos de uma vez no fim da
iterao. Por esta razo, no h necessidade de selecionar parmetros como passos de
aprendizagem ou razo de momento para o algoritmo, assim, a sua utilizao se torna mais
fcil em relao ao treinamento Back propagation (STATISTICA, 2006).
A representao matemtica do algoritmo :
W(t)=W(t-1)+ (t-1)d(t-1) 4I
(t) = arg min E(W(t)-d(t)) 4J
d(t)=-E(W(t))+(t-1)d(t-1) 4K
E(W (t )).[E(W (t )) E(W (t 1))]
(t 1) 4L
E(W (t 1)).E(W (t 1))
W a matriz dos pesos da rede;
t o instante atual;
t-1 o instante anterior;
E a funo erro a ser minimizada;
E o gradiente da funo erro;
d direo de otimizao do algoritmo;
amplitude do passo na direo d;
relao de correo de Polak-Ribier.
A determinao da amplitude do passo (garante que a funo erro seja minimizada na
direo do seu gradiente descendente. As direes de otimizao d(t) e d(t-1) so ditas
mutuamente conjugadas. Assim, define-se o mtodo como gradiente descendente
conjugado (Conjugate gradiente descent).
As redes neurais artificiais podem ser aplicadas para resolver uma grande
quantidade de problemas. Um bom exemplo de aplicao so softwares de reconhecimento
de voz, que precisam aprender a conhecer a voz de determinadas pessoas. Redes neurais
tambm so usadas em robs que desarmam bombas. O software de OCR (Optic
Characters Recognition reconhecimento ptico de caracteres), que responsvel por
Redes neurais artificiais 27
5
SPAM uma mensagem eletrnica no-solicitada enviada em massa.
5. Utilizao de redes neurais artificiais na indstria de fios
6
Redes Neurais Artificiais
Utilizao de redes neurais artificiais na indstria de fios 29
informao para novos problemas, apresentaram uma soluo de otimizao global das
caractersticas do fio e custo. Quando os resultados foram comparados ao das misturas e
ajustes de um processo em funcionamento (otimizado por um perito), impressionantes
similaridades foram conseguidas. No obstante, as misturas sugeridas pelo perito humano
tiveram um custo mais elevado (3.7%).
mostrado na Figura 5.1. Neste caso, define-se o Vetor A como as caractersticas das fibras,
o Vetor B, como os ajustes das mquinas, e o Vetor C como a qualidade do fio produzido.
Vetor B:
Neste caso o valor de cada caracterstica da fibra a ser processada pela rede neural
determinado atravs das equaes 5A e 5B:
N
Cm mi .Ci 5A
i 1
pi
mi N
5B
p
i 1
i
7
Controle de Fardos de Algodo
8
Centro de Processamento de Dados
9
Linguagem de programao e forma de armazenamento de dados em computador
Anlise e adequao dos dados de produo da indstria de fios Cocamar 35
10
Portable Document File Formato de arquivo muito utilizado para transferncia de dados pela internet
devido segurana nas informaes e por possuir tamanho reduzido, quando comparado com outros
formatos de arquivo.
Anlise e adequao dos dados de produo da indstria de fios Cocamar 36
12
Todos os ttulos de fios utilizados na empresa Cocamar so expressos na unidade Ne e precedidos de uma
letra que define o destino do fio, K=Knitted(malha) ou W=Weaving(tecelagem). Neste caso temos um fio
com ttulo Ne=24 produzido atravs de 1 cabo e destinado s malharias.
Anlise e adequao dos dados de produo da indstria de fios Cocamar 38
13
Programao e Controle de Fios Software para o controle da manuteno nas mquinas da indstria de
fios
Anlise e adequao dos dados de produo da indstria de fios Cocamar 40
exportadas nesse arquivo. A seleo dos dados feita mediante a informao do perodo e
o ttulo do fio em produo.
Tabela 6.5 : Layout de exportao de dados do sistema PCF
Coluna Nome Descrio
1 Filatrio Nmero do filatrio
2 Data Inicial Data inicial de produo com os novos ajustes
3 Hora Inicial Hora inicial de produo com os novos ajustes
4 Ttulo Ttulo do fio desejado (Ne)
5 RPM Rotao do filatrio (rpm)
6 PEA Peo de estiragem auxiliar
7 PE Peo de estiragem
8 PRE EST Pr estiragem
9 Viajante Tipo do viajante instalado
10 Apoio Mancho Apoio de mancho instalado
11 Coeficiente de Toro Toro aplicada ao fio
12 Brao pendular Brao pendular utilizado
Atravs da rotina de exportao descrita anteriormente obtiveram-se 779 registros
referentes aos ajustes do processo no perodo de 01 de janeiro de 2001 a 30 de dezembro
de 2004. Esses dados referem-se aos ajustes na linha de produo convencional para a
fabricao de fios com ttulo Ne 24/1.
Para a utilizao dos dados na RNA necessrio que estes estejam dispostos de
uma forma organizada e distribudos uniformemente ao longo de todo um perodo; ou seja,
os dados da fibra, do processo e do fio devem estar compatibilizados em relao ao espao
de tempo.
Os dados da qualidade da fibra, apesar de serem distribudos de acordo com a data
de sada do armazm, no so contnuos nesta varivel, pois no existe carregamento aos
domingos e feriados e a matria-prima enviada para a fbrica e fica aguardando para ser
processada no dia seguinte. Tambm h um tempo morto no processo, devido presena
de estoques reguladores na indstria, pois, segundo SOUZA et al.,(2004), a mudana na
qualidade do fio provocada pelo procedimento de alterao da matria-prima s
observada aproximadamente 48 horas depois de iniciar-se o processamento da nova
mistura. Alm disso, caractersticas como ndice de fibras imaturas e ndice de
caramelizao no so determinadas em todas as misturas processadas, por isso essas
variveis foram estudadas isoladamente.
Os dados da qualidade do fio esto distribudos uniformemente pela data de anlise
ao longo do tempo.
Anlise e adequao dos dados de produo da indstria de fios Cocamar 41
14
Cada linha de um banco de dados, formada por um conjunto de colunas, representa um registro (ou tupla).
Os registros no precisam necessariamente conter dados em todas as colunas, os seus valores podem ser
nulos.
Anlise e adequao dos dados de produo da indstria de fios Cocamar 42
15
Planejamento e Controle da Produo
Aplicao de redes neurais artificiais na indstria de fios Cocamar 45
temos um caso para a seleo e um caso para o teste. Entretanto, o usurio pode alterar
essa proporo como lhe convier.
No SNN as redes neurais so treinadas usando-se somente o subconjunto de
treinamento. O subconjunto de seleo usado para manter uma checagem independente
sobre o desempenho da rede durante o treinamento, porque um aumento excessivo do erro
no subconjunto de seleo indica um over-learning16. Durante a execuo do IPS, se um
over-learning ocorre, o treinamento encerrado e o estado da rede restabelecido para o
de menor valor do erro no subconjunto de seleo.
A performance de uma rede, no sistema SNN, realizada por meio de ndices
obtidos com os subconjuntos de treinamento, de seleo e de teste. Esses ndices so
determinados pela relao entre os desvios-padro do residual17 e os desvios-padro dos
dados observados de sada. Se somente os dados observados da sada estivessem
disponveis, sem nenhuma varivel de entrada, a melhor estimativa que poderamos fazer
da varivel de sada, para um novo caso, seria o valor mdio dos valores observados de
sada no subconjunto do treinamento. Se isso fosse feito, os residuais seriam os valores
observados menos a mdia, e o erro mdio seria, conseqentemente, o desvio-padro da
varivel de sada. Quando se usa uma rede neural, espera-se, obviamente, que os residuais
sejam menores do que o erro mdio. A relao relatada mede esta melhoria. Uma relao
de 1.0 implica que a rede est fazendo nada melhor do que a mais ingnua estimativa
disponvel, e conseqentemente que, ou no h nenhuma informao til nas variveis da
entrada, ou a rede no est usando a informao com sucesso. medida que o desempenho
da rede melhora, a relao torna-se mais perto de zero.
Outro fator disponvel para anlise de desempenho, o valor da funo erro
determinada para cada subconjunto analisado. A funo erro utilizada foi a erro-
quadrtico, que soma as diferenas quadradas entre os valores previstos e os observados na
sada da rede.
16
Quando um processo iterativo de treinamento est em execuo e ocorre o processamento do algoritmo por
longo tempo (a rede demasiada complexa para o problema ou para a quantidade de dados disponvel)
17
Diferena entre o valor correto de sada e o valor produzido pela rede
Aplicao de redes neurais artificiais na indstria de fios Cocamar 46
Para a seleo da estrutura de rede neural utilizou-se o IPS. Realizou-se o teste com
200 (duzentas) redes diferentes e os mais variados tipos de estruturas. Os dados foram
divididos na proporo 2:1:1 em trs subconjuntos: 74 casos para o subconjunto de
treinamento, 37 para o subconjunto de seleo e 37 para o subconjunto de teste. Na Tabela
7.2 esto descritas as cinco melhores redes selecionadas.
Na primeira coluna da Tabela 7.2 tem-se o perfil da rede. Essa coluna mostra, de
forma resumida, o tipo da rede, o nmero de variveis na entrada e o nmero de variveis
na sada, o nmero de camadas e o nmero de neurnios em cada camada. Essas
informaes esto apresentadas no formato <tipo> <variveis de entrada>:<camada 1>-
<camada 2>-<camada 3>:<variveis de sada>, onde o nmero de camadas pode variar.
Por exemplo, o perfil MLP 7:7-11-9-1:1 significa uma rede do tipo MultiLayer Perceptron
com sete variveis de entrada e uma varivel de sada, e quatro camadas de 7, 11, 9 e 1
neurnio respectivamente.
Tabela 7.2 : Resultado da seleo da RNA para determinar o ndice de caramelizao
Performance Performance Performance Erro Erro Erro
Perfil da Rede
Treino Seleo Teste Treino Seleo Teste
GRNN 7:7-63-2-1:1 0,6121 0,5677 0,9565 0,3858 0,3486 0,4203
RBF 7:7-5-1:1 0,6877 0,5474 0,9983 0,4335 0,3378 0,4341
Linear 7:7-1:1 0,6878 0,6039 1,0532 0,1761 0,1515 0,1868
MLP 7:7-11-1:1 0,6117 0,5532 1,0877 0,1256 0,1098 0,1521
MLP 7:7-11-9-1:1 0,6043 0,5400 1,1177 0,1259 0,1041 0,1553
GRNN - Generalized Regression Neural Networks RBF - Radial Basis Function
MLP - Multilayer Perceptrons Linear Linear Network
Aplicao de redes neurais artificiais na indstria de fios Cocamar 47
rede para determinar o ndice de caramelizao foi dividido em duas fases: um treinamento
inicial utilizando um algoritmo Back propagation (com 100 iteraes, passo de
aprendizagem =0.01 e coeficiente de momento =0.3) e um segundo treinamento
utilizando um algoritmo Levenberg-Marquardt com 200 iteraes.
Tabela 7.3 : Resultados do treinamento da RNA para determinar o ndice de
caramelizao
R2
ndice de Erro-quadrtico
Subconjunto Coeficiente de
Performance mdio
Correlao
Treinamento 0,087836 0,095890 0,998041
Seleo 0,109215 0,188967 0,995431
Teste 0,094356 0,116784 0,995696
Todos 0,090453 0,125609 0,996137
5,0
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,5 7,0 7,5 8,0 8,5
Observado
Figura 7.3 : Performance da RNA que determina o ndice de
caramelizao sobre os dados de validao
Aplicao de redes neurais artificiais na indstria de fios Cocamar 50
aprendem a funo do problema apresentado, por meio das oscilaes existentes nos
dados. Dados repetitivos tendem a desestabilizar o treinamento.
Na Figura 7.8 tem-se a representao da quantidade de ajustes realizados nos
filatrios durante o perodo de dados selecionado. Observa-se que somente 22 filatrios,
dos 81 utilizados no perodo, tiveram mais de cinco ajustes diferentes durante o perodo, ou
seja, somente 27% das mquinas possuem dados com qualidade. A mdia de 4,5 ajustes
por mquina, no perodo do conjunto de dados. Diversas mquinas tiveram apenas um
ajuste durante o perodo selecionado, entretanto, algumas delas no operaram durante todo
o perodo na linha convencional (ver Captulo 6.2).
Com essas novas restries ao conjunto de dados, obtiveram-se 1.207 registros para
serem utilizados pela rede neural artificial. No Apndice 12.7 apresenta-se a sequncia de
instrues SQL utilizadas para determinar as informaes que geraram as Figuras 7.8 e 7.9,
e para selecionar esses registros.
As faixas dos valores das variveis utilizadas na determinao da qualidade do fio,
contidas nos dados selecionados, esto apresentadas na Tabela 7.8. Observa-se que os
valores possuem uma boa representatividade das condies reais do processo, uma vez
que, algumas caractersticas apresentam uma larga faixa de trabalho.
Aplicao de redes neurais artificiais na indstria de fios Cocamar 57
Tabela 7.8 : Faixa de valores das variveis de entrada da rede para determinar a
qualidade do fio
Varivel Valor mnimo Valor mximo
2
Micronaire (g/in ) 3,21 4,37
Uniformidade (%) 77,90 86,23
Comprimento (mm) 27,77 30,86
Resistncia (gf/tex) 27,60 33,73
Maturidade 0,8390 0,9110
SFI (%) 6,47 11,33
Alongamento (%) 6,05 10,03
Umidade (%) 5,60 9,65
Rotao (rpm) 11052 12277
Peo de estiragem 27 40
Coeficiente de toro 3,63 3,99
A seleo da estrutura de rede para determinar a qualidade do fio foi realizada com
o IPS do SNN. Para os testes dividiram-se os dados nos subconjuntos de treinamento,
seleo e testes na proporo 2:1:1 (604 casos para treinamento, 302 para seleo e 301
para teste). Na Tabela 7.9 tm-se as 5 (cinco) melhores estruturas selecionadas pelo IPS
durante os testes.
Tabela 7.9 : Resultado da seleo da RNA para determinar a qualidade do fio
Performanc Performance Performance Erro Erro Erro
Perfil da Rede
e Treino Seleo Teste Treino Seleo Teste
RBF 11:11-19-7:7 0,719286 0,842287 0,849925 0,66620 0,75590 40,5041
GRNN
0,502767 0,801764 0,875459 0,45304 0,71547 40,5023
11:11-270-8-7:7
Linear 10:10-7:7 0,778397 0,888545 0,850488 0,12350 0,13686 7,5609
MLP 11:11-14-7:7 0,738235 0,860302 0,851725 0,10321 0,11817 7,5583
MLP 11:11-11-13-7:7 0,679758 0,504876 0,658730 0,06638 0,10851 3,1230
GRNN - Generalized Regression Neural Networks RBF - Radial Basis Function
MLP - Multilayer Perceptrons Linear Linear Network
Nas Figuras 7.11, 7.12, 7.13, 7.14, 7.15, 7.16 e 7.17 representam-se graficamente
os coeficientes de correlao apresentados na Tabela 7.10. Esses coeficientes de correlao
foram determinados entre as propriedades observadas (valores selecionados) e as
propriedades previstas (valores determinados pela rede). Nestas figuras pode-se visualizar
o desempenho da rede sobre todo o conjunto de dados; foram includos os subconjuntos de
treino, seleo e teste. Observa-se, nas figuras, uma linha que indica o valor ideal da
correlao (R2=1). Verifica-se, pela representao do coeficiente de correlao, que houve
uma boa performance da rede durante o processo de treinamento.
As aplicaes de redes neurais descritas nos itens 7.1 e 7.2 foram apresentadas em
eventos cientficos com a finalidade de divulgar os resultados obtidos, para os diversos
setores da indstria txtil.
No ano de 2004, no II Simpsio Internacional de Engenharia Txtil, realizado
em Natal/RN, foi apresentado o trabalho intitulado: Anlise para utilizao de redes
neurais artificiais no gerenciamento do processo de misturas de fibras de algodo na
produo de fios. Neste trabalho apresentou-se a metodologia utilizada neste trabalho, para
a aplicao das redes neurais nos dados de produo da empresa Cocamar.
Em 2006, no XXII Congresso Nacional de Tcnicos Txteis, realizado em
Recife/PE, foram apresentados os trabalhos intitulados:
Determinao da caramelizao do algodo utilizando redes neurais
artificiais, onde apresenta-se os resultados obtidos no item 7.1.1;
Desenvolvimento de um mtodode classificao do nvel de fibras imaturas
do algodo utilizando inteligncia artificial, onde apresenta-se os
resultados obtidos no item 7.1.2;
Redes neurais artificiais como ferramenta para a definio de misturas
matria-prima nas fiaes de algodo, onde apresenta-se os resultados
obtidos no item 7.2.
Apesar de tornarem-se pblicos, os resultados obtidos, sabe-se que a aplicao de
redes neurais artificiais com o uso do software STATISTICA NEURAL NETWORKS
requer um conhecimento avanado do usurio, bem como a aquisio de uma cpia
legalizada Desse software. Deste modo, desenvolveu-se uma ferramenta de fcil acesso e
uso, o sistema ANS Online (Artificial Neural System Online), para disponibilizar os
resultados obtidos nos itens 7.1 e 7.2.
O sistema ANS Online, descrito no Captulo 7, acessado via internet, na forma de
uma pgina de web, pelo endereo http://www.ans.uses.com.br. O ANS Online possibilita,
ao usurio comum, a aplicao das redes neurais descritas nos itens 7.1 e 7.2 em novas
situaes.
8. O sistema ANS Online
18
Numa arquitetura cliente-servidor todo o processamento realizado no servidor. Trabalhando em rede, as
estaes de trabalho apenas enviam as solicitaes ao servidor e exibem as respostas recebidas do mesmo.
Um exemplo clssico dessa arquitetura a rede mundial de computadores, a internet.
19
ASP (Application Service Provider) Provedor de aplicaes. a denominao dada s empresas que
disponibilizam servios ou aplicaes de informtica com base na web. ASPs so, essencialmente, um meio
de as empresas externarem alguns ou quase todos os recursos de tecnologia da informao dos quais
necessitam. Os ASPs provem servios diretamente aos usurios finais, como uma espcie de aluguel de
sistemas, visando economia e excluindo a necessidade de compra de softwares.
O sistema ANS Online 66
20
Roteador (router) ou encaminhador um equipamento usado para fazer a comunicao entre diferentes
redes de computadores. Este equipamento prov a comunicao entre computadores distantes entre si e at
mesmo com protocolos (linguagens) de comunicao diferentes.
21
Firewall o nome dado ao dispositivo de rede que tem por funo regular o trfego de rede entre redes
distintas e impedir a transmisso de dados nocivos ou no autorizados de uma rede a outra.
O sistema ANS Online 67
gerenciador de aplicaes que identifica a rotina a ser executada, faz a leitura do seu
cdigo-fonte da base de dados e o processa.
As linhas de cdigos dos sistemas desenvolvidos pela USES Informtica esto
armazenadas em um banco de dados Firebird, no Data Center I. O desenvolvimento dos
sistemas da USES Informtica inteiramente realizado a partir de conceitos abstratos de
programao orientada a objetos, conforme descrito por SHAMMAS (1991).
O Data Center II um conjunto de mquinas que executa o banco de dados
Firebird, que armazena as informaes geradas pelos aplicativos executados no Web
Server, ou seja, os dados dos clientes.
A interligao do Web Server com os Data Servers, realizada atravs de uma rede
interna operando com Endereos IP22 mascarados. Nessa topologia de rede23, a USES
Informtica protege os dados armazenados nos servidores de bancos.
22
O endereo IP, de forma genrica, pode ser considerado como um conjunto de nmeros que representa o
local de um determinado equipamento (normalmente computadores) em uma rede privada ou pblica. Diz-se
que o endereo IP mascarado quando ele no pblico (endereo vlido na internet).
23
Topologia de rede o layout lgico de uma rede.
O sistema ANS Online 68
No existe controle de acesso aos mdulos definidos como pblicos. Essa definio
realizada na opo Segurana do Gerenciador de Programas, descrita no item 7.1.2. Para
a situao NORMAL realizado todo o processo de validao, mas no para a situao
PBLICO.
A linguagem PHP foi concebida durante o outono de 1994 por Rasmus Lerdorf. As
primeiras verses no foram disponibilizadas, tendo sido utilizadas em sua home-page
apenas para que ele pudesse ter informaes sobre as visitas que estavam sendo feitas. A
primeira verso utilizada por outras pessoas foi disponibilizada em 1995, e ficou conhecida
como Personal Home-Page Tools (ferramentas para pgina pessoal). Era composta por
um sistema bastante simples que interpretava algumas macros e alguns utilitrios que
rodavam por trs das home-pages: um livro de visitas, um contador e algumas outras
coisas .
Em meados de 1995 o interpretador foi reescrito e ganhou o nome de PHP/FI. O
FI veio de um outro pacote escrito por Rasmus que interpretava dados de formulrios
HTML (Form Interpreter). Ele combinou os scripts do pacote Personal Home Page Tools
com o FI e adicionou suporte a mSQL, nascendo assim o PHP/FI, que cresceu bastante, e
as pessoas passaram a contribuir com o projeto.
Estima-se que em 1996 PHP/FI estava sendo usado por cerca de 15.000 sites pelo
mundo, e em meados de 1997 esse nmero subiu para mais de 50.000. Nessa poca houve
uma mudana no desenvolvimento do PHP. Ele deixou de ser um projeto de Rasmus com
contribuies de outras pessoas para ter uma equipe de desenvolvimento mais organizada.
O interpretador foi reescrito por Zeev Suraski e Andi Gutmans, e esse novo interpretador
foi a base para a verso 3 (PHP: Hytertext preprocessor, 2005).
Atualmente o uso do PHP vem crescendo numa velocidade incrvel; est sendo
usado por centenas de milhares de desenvolvedores (estimativa), e muitos milhes de sites
reportam que tm o PHP instalado, o que explica os 20% de domnios da Internet. (PHP:
Hytertext preprocessor, 2005)
PHP uma linguagem que permite criar sites WEB dinmicos, possibilitando uma
interao com o usurio atravs de formulrios, parmetros da URL e links. A diferena de
PHP com relao a linguagens semelhantes Javascript que o cdigo PHP executado
no servidor, sendo enviado para o cliente apenas html puro. Desta maneira possvel
interagir com bancos de dados e aplicaes existentes no servidor, com a vantagem de no
O sistema ANS Online 71
expor o cdigo-fonte para o cliente. Isso pode ser til quando o programa est lidando com
senhas ou qualquer tipo de informao confidencial.
24
Software utilizado pelo usurio para navegar/visualizar pginas na internet.
O sistema ANS Online 73
25
URL Universal Resource Locator o endereo de um recurso disponvel em uma rede. Na internet,
basicamente o endereo de uma pgina.
O sistema ANS Online 74
Figura 8.5 : Formulrio de cadastro de usurios para acesso gratuto no sistema ANS
Online
Para solicitar maiores informaes sobre o sistema ANS Online pode-se clicar no
link existente no lado direito do rodap da pgina. O usurio encaminhado pgina
ilustrada na Figura 8.6, onde deve preencher a sua identificao e sua solicitao. De modo
semelhante ao cadastro de usurios para acesso gratuito, um e-mail ser enviado ao usurio
solicitante, agradecendo a visita, e outro e-mail ser enviado ao administrador do sistema
ANS Online, com a solicitao do usurio.
26
O administrador um usurio do sistema, com direito a mdulos restritos, para a manuteno do sistema.
O sistema ANS Online 75
Figura 8.6 : Formulrio para solicitao de maiores informaes sobre o sistema ANS
Online
Na Figura 8.9 tm-se alguns exemplos de interfaces, com rea de trabalho (cones
disponibilizados na janela inicial do sistema), menus, submenus, janelas sobrepostas,
botes e barra de ferramentas.
entrada, necessrias para produzir um resultado de sada, e do lado direito os valores das
variveis de sada..
A utilizao da aplicao simples: preenchem-se os valores de entrada da rede e
pressiona-se o boto Processar para visualizar o resultado determinado pela rede. Aps a
rede realizar os clculos, o resultado apresentado nas variveis de sada.
Observa-se que existe, no lado superior direito, o boto Cancelar, o qual serve para
retornar janela de escolha de aplicao, a janela Abrir Aplicao. Assim, o usurio pode
alternar entre uma aplicao e outra de modo rpido e prtico.
para alimentar a rede neural, pois ela deve ser alimentada com o produto e a razo entre
essas caractersticas, conforme descrito no item 7.1.2.
GORDREV, Y.; VOLKOV, P.; BLINOV, I. et al. Cotton Weaving. Moscow: Mir
Publishers, 1987.
GOVERNO DO ESTADO DO PARANA. Movimento Software Livre Paran. Apresenta
informaes e incentivos para o desenvolvimento e utilizao de softwares livres.
Disponvel em: <http://www.pr.gov.br/softwarelivre>. Acesso em: 20 de dezembro de
2003.
HOPFIELD, J. J. Neural networks and physical systems with emergent collective
computational abilities. Proceeding. The National Academy of Sciences, USA, v. 79, p.
2554-2558, 1982.
JACKOWSKA-STRUMILLO, L.; JACKOWSKI, T.; CYNIAK, D. et al. Neural Model of
the Spinning Process for Predicting Selected Properties of Flax/Cotton Yarn Blends.
FIBRES & TEXTILES in Eastern Europe,v. 12, n.4, p. 17-21, Out./Dez.2004.
KLEIN, W. The Technology of Short-staple Spinning. Manchester: The Textile Institute,
1985.
KOHONEN, T. Correlation Matrix Memories. IEEE C-21 (4), p. 353-359, 1972.
------. The self-organizing map. Proceeding. IEEE, v. 78, n.9, 1990.
LEVENBERG, K. A method for the solution of certain non-linear problems in least
squares. Quarterly Journal of Applied Mathematics II, v. 2, p.164-168, 1944.
LEWIN, M.; PEARCE, E. M. Handbook of Fiber Science and Technology. Volume IV:
Fiber Chemistry. New York: Marcel Dekker, 1985.
LIMA, F. M. P. de. Anlise Econmica entre Tecnologias Diferentes na Indstria Txtil de
Fiao. In: CONGRESSO NACIONAL DE TCNICOS TXTEIS, XIX, 2000, Fortaleza,
Anais:CNTT, Fortaleza, 2000.
LIMA, J. J. Controle do Processo de Fiao. Rio de Janeiro: CETIQT/ SENAI, 1992.
MAURO, J. A. E. Open end e Anel: conceitos e aplicaes. Revista Textilia, n. 48, p. 24-
34, 2002.
MARQUARDT, D.W. An algorithm for least-squares estimation of non-linear
parameters. Journal of the Society of Industrial and Applied Mathematics 11, v. 2, p.431-
441, 1963.
PARKER, D.B. Learning logic. Technical Report TR-47, Cambridge, MA: MIT Center for
Research in Computational Economics and Management Science. p. 32.1985.
PHP: Hypertext preprocessor. Apresenta o manual de comandos da linguagem php com
exemplos, dicas e listas de discusso. Disponvel em: <http://www.php.net>. Acessado em:
31 de agosto de 2005.
PORTAL CONSULTEXTIL. Apresenta informaes sobre vrios ramos da cadeia txtil.
Disponvel em: <http://consultextil.com/module/artigo/index.php?cmd=exibir&cod=114>.
Acesso em: 20 de Maio de 2005.
PRESS, W. H.; FLANNERY, B. P.; TEUKOLSKY, S. A. et al. Numerical recipies. 2 ed.
New York: Cambridge University Press. 321p. 1992.
RAJASEKARAN, S.; PRAKASAM, R.;DHANDAPANI, S. et al. Prediction of
Humidification Power in Textile-Spininng Mills Using Functional and Neural Networks.
Journal of Energy Enginering, v. 129, n. 1, p. 2-15, Abril. 2003.
Referncias 90
WEIJER, A. P. de; BUYDENS, L.; KATEMAN, G. et al. Neural networks used as a soft-
modelling technique for quantitative description of the relation between physical structure
and mechanical properties of poly(ethylene terephthalate) yarns. Chemometrics and
Intelligent Laboratory Systems, Amsterd, v. 16, p.77-86, 1992.
WERBOS, P.J. Beyond regression: new tools for prediction and analysis in the
behavioural sciences. Tese Ph.D., Harvard University, Boston, MA. 1974.
WIDROW, B. e HOFF, M. E. Adaptive switching circuits. In: 1960 WESCON Convention
Record, New York, 1960.
WILLIS, M. J.; C. D. Di MASSIMO; G. A. MONTAGUE; M. T. THAN; A. J. MORRIS:
Artificial Neural Networks in Process Engineering, IEE Proceeding-D v.138, n.3, p.256-
266, 1990.
11. Obras consultadas
12.1 Rotina em VBA para organizao das planilhas de dados dos fios
lindec = lindec + 1
Next j
.ActiveSheet.Cells(linha,1).Value=linha - 1
.ActiveSheet.Cells(linha,2).Value=fio
.ActiveSheet.Cells(linha,3).Value=ws.Cells(i,1).Value
.ActiveSheet.Cells(linha,4).Value=ws.Cells(i,2).Value
.ActiveSheet.Cells(linha,5).Value=ws.Cells(i,9).Value
.ActiveSheet.Cells(linha,6).Value= ws.Cells(i,10).Value
.ActiveSheet.Cells(linha,7).Value = CVDate(Left(sData,2) & "/" & _
Mid(sData,3,2) & "/" & _
Right(sData,2))
For j = 12 To 20
.ActiveSheet.Cells(linha,j-4).Value = ws.Cells(i, j).Value
Next j
dadoscodigo = dadoscodigo + 1
linha = linha + 1
ElseIf (InStr(ws.Cells(i, 1).Value, "K") > 0) Or _
(InStr(ws.Cells(i, 1).Value, "W") > 0) Or _
(InStr(ws.Cells(i, 7).Value, "K") > 0) Or
(InStr(ws.Cells(i, 7).Value, "W") > 0) Then
fio = Trim(ws.Cells(i, 1).Value) & Trim(ws.Cells(i, 7).Value)
vazio = 0
Else
vazio = vazio + 1
If vazio > 15 Then i = 180
End If
linhas.Value = i
Next i
End With
End If
Next ws
Workbooks(nomearquivo(narq)).Close
Next narq
End Sub
[FioK24_I_DadosProcesso].[I_PREEST],
[FioK24_I_DadosProcesso].[I_CTORC],
[FioK24_I_DadosProcesso].[I_VIAJ],
[FioK24_I_DadosProcesso].[I_APMANC],
[FioK24_I_DadosProcesso].[I_BPEND],
[FioK24_I_DadosProcesso].[O_NEMED],
[FioK24_I_DadosProcesso].[O_CVNE],
[FioK24_I_DadosProcesso].[O_USTER],
[FioK24_I_DadosProcesso].[O_CV_U],
[FioK24_I_DadosProcesso].[O_PF], [FioK24_I_DadosProcesso].[O_PG],
[FioK24_I_DadosProcesso].[O_NEPS],
[FioK24_I_DadosProcesso].[O_TENAC],
[FioK24_I_DadosProcesso].[O_CVTEN],
[FioK24_I_DadosProcesso].[O_ALON],
[FioK24_I_DadosProcesso].[O_CVALON]
FROM FioK24_I_DadosProcesso INNER JOIN
FibraPropMdia ON [FioK24_I_DadosProcesso].[FibraProcessamento] =
[FibraPropMdia].[Codigo]
WITH OWNERACCESS OPTION;
Com a sequncia descrita acima, obteve-se um conjunto de 4.450 registros
referentes produo do perodo de 10 de junho de 2001 a 11 de maio de 2004.
Apndice 101
//***********************************
// Atualizao: 26-10-2004
// Copyright@1995-04 USES Informtica
//***********************************
//biblioteca de funes diversas
function valorExtenso($valor=0, $maiusculas=false)
function getEndereco($cep,&$logradouro,&$bairro,&$cidade,&$uf)
function uses ($modulo)
class Page
function Page($modulo="inicio")
function getModulo() function getUserName($codigo="")
function setModulo($modulo) function setTamanho($largura,$altura)
function fechaModulo() function verificaPermissao($permissao,$modulo="")
function clear() function __wakeup() function show($bloqueio="")
class Script
function Script($code) function show($bloqueio="")
class Parametro
function Parametro($valor)
function getValor() function setValor($valor)
function show($bloqueio="") function acordar()
class Menu
function Menu($nome="Menu")
function setCorBarra($barra) function setCorTexto($texto) function setXY($x,$y)
function &addItem($titulo,$modulo)
function clear() function show ()
class ItemMenu
function ItemMenu($titulo,$modulo)
function &addItem($titulo,$modulo) function show($varmenu)
class Conexao
function Conexao($banco="")
function trans() function commit() function rollback()
function execute($sql,&$erro,$indice=0,$limite=100,$log="S") function acordar()
class SistemaOnline
function Login() function PublicLogin() function AtualizaEstilos()
function AtualizaPermissoes() function AtualizaMenu() function CarregaModulo()
function Iniciar() function Show()
Apndice 103
function Link($text="",$href="",$linha="",$coluna="")
function setWindow(&$window) function getText() function show($bloqueio="")
//********************************
//* Conjunto da classe ANSClass
//* CopyRight@2005-06: Antonelli, G. C.
//* Verso: 2.003.05.0910.06.0803
//********************************
//* Padres da Rede Neural Artificial
//*Funcao Linear $Y=$X
//*Funo Sigmodal $Y=1/(1+exp(-$X))
//*Funo Hiperbolica $Y=(exp($X)-exp(-$X))/(exp($X)+exp(-$X))
class Information {
private $Atributos;
private $Tipos;
public $serAtributos=""; //utilizados pelos mtoso serialize e unserialize
public $serTipos=""; // devem ser pblicas
public function __construct(){
$this->Atributos = Array();
$this->Tipos = Array();
}
public function __destruct(){
unset($this->Atributos);
unset($this->Tipos);
}
public function __sleep(){ //utilizado pelo metodo serialize
$this->serAtributos = $this->Atributos;
$this->serTipos = $this->Tipos;
$retorno= array("serTipos","serAtributos");
return $retorno;
}
public function __wakeup(){ //utilizado pelo metodo unserialize
$this->Atributos = $this->serAtributos;
$this->Tipos = $this->serTipos;
}
public function __set($nome,$valor){
$nome=strtoupper($nome);
$this->Atributos[$nome] = $valor;
if(!isset($this->Tipos[$nome])){ //define tipo na primeira atribuicao
$mkdatahora=0;
$mkdata=0;
$mkhora=0;
if(strlen($valor)>10 and strpos($valor,":")){
$mkdatahora = mktime(substr($valor,11,2), substr($valor,14,2), 0,
substr($valor,3,2), substr($valor,0,2), substr($valor,6,4));
}elseif(strlen($valor)>=8 and strpos($valor,"/")){
$mkdata = mktime(0,0,0,substr($valor,3,2),substr($valor,0,2),substr($valor,6,4));
}elseif(strlen($valor)>=5 and strpos($valor,":")){
$mkhora=mktime(substr($valor,0,2),substr($valor,3,2),0,1,1,1);
}
if (strpos($valor,",")) {$valor=str_replace(",",".",str_replace(".","",$valor));}
if(is_numeric($valor)){
$this->Tipos[$nome] = "NUMERO";
}elseif($mkdata>0){
$this->Tipos[$nome] = "DATA";
}elseif($mkdatahora>0){
$this->Tipos[$nome] = "DATAHORA";
}elseif($mkhora>0){
Apndice 106
$this->Tipos[$nome] = "HORA";
}else{
$this->Tipos[$nome] = "TEXTO";
}
}
}
public function __get($nome){
$nome=strtoupper($nome);
if(isset($this->Atributos[$nome])){
return $this->Atributos[$nome];
}else{return Null;}
}
public function __call($metodo,$propriedades){
$metodo=strtoupper($metodo);
if(isset($this->Atributos[$metodo])){ //se chamou uma propriedade existente
$tipo = $this->Tipos[$metodo];
$valor=$this->Atributos[$metodo];
if ($tipo=="NUMERO") {
if (strpos($valor,",")) {$valor=str_replace(",",".",str_replace(".","",$valor));}
if (!is_numeric($valor)) {$valor="NULL";}
}elseif ($tipo=="MOEDA") {
if (strpos($valor,",")) {$valor=str_replace(",",".",str_replace(".","",$valor));}
if (!is_numeric($valor)) {$valor="NULL";}
}elseif ($tipo=="DATA") {
$mk=mktime(0,0,0,substr($valor,3,2),substr($valor,0,2),substr($valor,6,4));
$valor=($mk<=0) ? "NULL" : "'".date("m/d/Y",$mk)."'";
}elseif ($tipo=="DATAHORA") {
$mk = mktime(substr($valor,11,2), substr($valor,14,2), 0, substr($valor,3,2),
substr($valor,0,2), substr($valor,6,4));
$valor=($mk<=0) ? "NULL" : "'".date("m/d/Y H:i",$mk)."'";
}elseif ($tipo=="HORA") {
$mk=mktime(substr($valor,0,2),substr($valor,3,2),0,1,1,1);
$valor=($mk<=0) ? "NULL" : "'".date("H:i",$mk)."'";
}else {
$valor="'".str_replace("'","'",$valor)."'";
}
}else{
$valor="NULL";
}
return $valor;
}
$retorno = parent::__sleep();
return $retorno;
}
public function __wakeup(){
parent::__wakeup();
}
public function clear(){
$aux = $this->getAtributos();
if($aux!=""){ //limpa atributos da aplicacao
foreach($aux as $nome=>$valor){
$this->unsetAtributo($nome);
}
}
$this->Variaveis = Array();
$this->RNA = new Net();
}
public function addVariavel($nome,$ordem,$limite_i,$limite_s,$tipo,$codigo=0) {
$indice = maiusculo($nome);
if(!isset($this->Variaveis[$indice])){$this->Variaveis[$indice]= new Information();}
$this->Variaveis[$indice]->nome = $nome;
$this->Variaveis[$indice]->ordem = $ordem;
$this->Variaveis[$indice]->limite_i = $limite_i;
$this->Variaveis[$indice]->limite_s = $limite_s;
$this->Variaveis[$indice]->tipo = $tipo;
$this->Variaveis[$indice]->codigo = $codigo;
}
public function delVariavel($nome){
$indice = maiusculo($nome);
if(isset($this->Variaveis[$indice])){
if($this->Variaveis[$indice]->codigo==0){
unset($this->Variaveis[$indice]);
}elseif($this->Variaveis[$indice]->codigo>0){
$this->Variaveis[$indice]->codigo = - $this->Variaveis[$indice]->codigo;
}
}
}
public function getVariaveis(){
$retorno=(count($this->Variaveis)>0)? $this->Variaveis : "";
return $retorno;
}
public function load($codigo){
$erro="";
$con = new conexao();
$sql = "SELECT APLICACAO.DESCRICAO, APLICACAO.DATA_CRIACAO,
APLICACAO.USUARIO_CRIACAO, VARIAVEL.NOME,
VARIAVEL.ORDEM, VARIAVEL.LIMITE_I, VARIAVEL.LIMITE_S,
VARIAVEL.TIPO, VARIAVEL.CODIGO
FROM APLICACAO LEFT JOIN VARIAVEL ON APLICACAO.CODIGO =
VARIAVEL.APLICACAO
WHERE APLICACAO.CODIGO=".$codigo;
$dados = $con->execute($sql,$erro,0,100,"","S");
if($erro==""){
if($this->codigo>0){$this->clear();} //limpa dados da aplicacao atual
$this->codigo = $codigo;
$this->descricao = $dados[0]["DESCRICAO" ];
$this->data_criacao = $dados[0]["DATA_CRIACAO" ];
$this->usuario_criacao = $dados[0]["USUARIO_CRIACAO"];
foreach($dados as $reg){
if($reg["NOME"]!=""){
$this->addVariavel($reg["NOME"], $reg["ORDEM"], $reg["LIMITE_I"],
Apndice 108
//********************************
//* Conjunto da classe NET
//* CopyRight2005-06: Antonelli, G. C.
//* Verso: 2.000.05.0130.06.1112
//********************************
class Neuron extends Information {
public function __construct() {
$this->Weights = Array();
}
public function __destruct(){
parent::__destruct();
}
public function __sleep(){
$retorno = parent::__sleep();
return $retorno;
}
}
}
public function getLayers(){
$retorno=(count($this->Layers)>0)? $this->Layers : "";
return $retorno;
}
public function load($codigo) {
$erro="";
$con = new conexao();
$sql = "SELECT REDE.APLICACAO,REDE.DESCRICAO,
REDE.DATA_CRIACAO, REDE.USUARIO_CRIACAO
FROM REDE
WHERE REDE.CODIGO=".$codigo;
$dados = $con->execute($sql,$erro,0,100,"","S");
if($erro=="" and !isset($dados[0])){
$this->codigo = 0;
}elseif($erro==""){
if($this->codigo>0){$this->clear();} //limpa dados da aplicacao atual
$this->codigo = $codigo;
$this->descricao = $dados[0]["DESCRICAO" ];
$this->data_criacao = $dados[0]["DATA_CRIACAO" ];
$this->usuario_criacao = $dados[0]["USUARIO_CRIACAO"];
$this->aplicacao = $dados[0]["APLICACAO"];
$sql = "SELECT CAMADA.ORDEM, CAMADA.FUNCAO_TRANSFERENCIA,
CAMADA.FUNCAO_ATIVACAO, CAMADA.TIPO,
CAMADA.CODIGO
FROM CAMADA WHERE CAMADA.REDE=".$codigo;
$dadosC = $con->execute($sql,$erro,0,100,"","S");
if($erro=="" and count($dadosC)>0){
foreach($dadosC as $regC){
if($regC["ORDEM"]!=""){
$Layer = &$this->addLayer($regC["ORDEM"],
$regC["FUNCAO_ATIVACAO"],
$regC["FUNCAO_TRANSFERENCIA"],
$regC["TIPO"], $regC["CODIGO"]);
VARIAVEL.ORDEM ";
$dadosV = $con->execute($sql,$erro,0,100,"","S");
if($erro=="" and count($dadosV)>0){
$indice=1;
foreach($dadosV as $regV){
if($regV["TIPO"]=="Sada"){$indice=count($this->Layers);}
$this->Layers[$indice]->Neurons[$regV["ORDEM"]]->limite_i =
$regV["LIMITE_I"];
$this->Layers[$indice]->Neurons[$regV["ORDEM"]]->limite_s =
$regV["LIMITE_S"];
}
}
}
}
return $erro;
}
public function save(){
$con = new conexao();
//inicia transao de gravao
$con->trans();
//atualiza REDE
if($this->codigo==0){ //insere nova REDE
$codRNA = $con->execute('SELECT GEN_ID(REDE_CODIGO_GEN,1) FROM
RDB$DATABASE',$erro);
$sql = "INSERT INTO REDE (CODIGO, DESCRICAO, DATA_CRIACAO,
USUARIO_CRIACAO)
VALUES(".$codRNA[0][0].",".$this->descricao().",".$this->data_criacao().",
".$this->usuario_criacao().")";
$dados = $con->execute($sql,$erro);
}elseif($this->codigo>0){ //update REDE
$codRNA[0][0] = $this->codigo;
$sql = "UPDATE REDE SET DESCRICAO=".$this->descricao().
"' WHERE CODIGO=".$codRNA[0][0];
$dados = $con->execute($sql,$erro);
}else{ $erro = "No existem dados para serem salvos!";}
$con->commit();
Apndice 113
Converte
em decitex denier Metric No. English Cotton No.
tex
(dtex) (den) (Nm) (Ne)
Conhecendo
1000 591
Tex 10 x tex 9 x tex
tex tex
decitex dtex 10000 5910
0.9 x dtex
(dtex) 10 dtex dtex
denier den den 9000 5314
(den) 9 0.9 den den
Metric No. 1000 10000 9000
0.59 x Nm
(Nm) Nm Nm Nm
English
591 5910 5314
Cotton No. Ne x 1.69
Ne Ne Ne
(Ne)
Fonte: SWICOFIL, 2004
Apndice 118