Um sistema de controle de processos cibernéticos com base em reconhecimento de padrões e computação em nuvem

Ali, Amr Mohamed; Yacout, Soumaya; Rabeih, Eladl; Shaban, Yasser

Acessibilidade / Reportar erro

Brasil

Español English

sumário « anterior atual seguinte »

Sumário

ORIGINAL ARTICLE • Gest. Prod. 29 • 2022 • https://doi.org/10.1590/1806-9649-2022v29e5221 copiar

Um sistema de controle de processos cibernéticos com base em reconhecimento de padrões e computação em nuvem

Autoria SCIMAGO INSTITUTIONS RANKINGS

Resumo:

Este artigo apresenta um novo modelo de simulação do Cyber Process Control System (CPCS) combinando reconhecimento de padrões e Cloud Computing (CC). A originalidade deste artigo decorre de seu objetivo de construir uma plataforma de computação em nuvem para máquinas autônomas e da exploração de dados de fabricação para gerar padrões interpretáveis para serem usados na tomada de decisões de controle de processos. A combinação de tecnologia em nuvem e aprendizado de máquina traz a produção para a Indústria 4.0. O sistema proposto é testado usando o processo de roteamento de polímero reforçado com fibra de carbono (CFRP). A pouca informação disponível sobre o processo de fabricação desse tipo de material e a interação entre as etapas de produção dificulta bastante o processo de fabricação. Este sistema gera regras interpretáveis de parâmetros operacionais controláveis enviados ao controlador para manter o processo de usinagem dentro dos limites das especificações. A segunda etapa é ativada durante as condições de deriva na etapa de usinagem. Além disso, a simulação do processo de usinagem é ilustrada para gerar as relações entre as variáveis de entrada e saída do processo de usinagem. Os resultados das ações corretivas são ilustrados e a interação entre as duas etapas industriais é simulada. Finalmente, são discutidas as aplicações atuais e futuras de CPCS e CC na Indústria 4.0.

Palavras-chave:
Controle de processos; Reconhecimento de padrões; Análise lógica multiclasse de dados; Sistema ciber-físico; Indústria 4.0; Computação em nuvem

v (rpm)	F (mm/min)	TL (mm)	C (mm)	Fx (N)	Fy (N)	Fz (N)	Tmean (C)	Parallelism	Distance error	Parallelism	Distance error	class
Controllable Variable				Uncontrollable Variable				Parallelism	Distance error	Parallelism	Distance error	class
40000	250	38	30	-9.2	-5.8	-6.5	305	0.0392	0.010622047	1	1	2
40000	500	38	30	-15.4	-11.2	-6.6	385	0.0205	0.04915748	1	1	2
20000	250	31	30	-14.4	-10.8	-5.0	187	0.0082	0.017070866	0	1	1
20000	500	31	30	-22.7	-20.5	-9.7	383	0.00875	0.018031496	0	1	1
40000	500	24	30	-22.1	-10.0	-9.0	267	0.0023	0.003425197	0	0	0
40000	1000	24	30	-29.5	-17.6	-11.1	421	0.00865	0.001283465	0	0	0
30000	250	24	30	-15.4	-8.4	-3.4	204	0.00445	0.000401575	0	0	0
30000	500	24	30	-20.4	-13.6	-6.8	264	0.00325	0.001590551	0	0	0
20000	1000	31	90	-52.1	-44.7	-23.2	502	0.00545	0.019425197	0	1	1
10000	1000	31	90	-100.3	-90.1	-44.8	420	0.01385	0.007795276	1	1	2
40000	250	24	90	-30.0	-7.4	-3.8	372	0.00515	0.004346457	0	0	0
40000	500	24	90	-39.6	-12.3	-9.5	387	0.00445	0.005330709	0	1	1
40000	1000	24	90	-44.1	-19.2	-12.5	463	0.004	0.000850394	0	0	0
30000	250	24	90	-23.2	-8.0	-4.9	281	0.00175	0.002685039	0	0	0
30000	500	24	90	-28.8	-14.2	-7.7	332	0.00245	0.000874016	0	0	0

Model	MC-LAD	ANN	SVM
Control model	93.2819%	88.05% (1 hidden Layer, 5 neurons)	83.643%
Monitored model	94.7604%	70.4% (1 hidden Layer, 5 neurons)	58.8%

P.#	V rpm*10⁴	F mm/min			C (mm)	Weight
1-Conforming Class (Class 0)
1	<3.1	<695.18	<24			0.33
2	1.5< v<2.5		<24		<38.77	0.06
3	>3.86	>251.672	<24			0.10
4		<695.518	<24		>30.218	0.33
5	<3.1		<24		>64.114	0.15
2-Distance Error Class (Class 1)
1		250<f<475	24<Tl<37	>38.77		0.17
2	<3.86	>296 >536	24<Tl<37	30<C<89		0.17
3	1.5<v<2.5		24<Tl<37	38<C<66		0.09
4			24<Tl<30			0.14
5		519<f<991	<37	30<C<42		0.06
6	<2.5	<475.7	24<Tl<37	<89.44		0.17
7	<2.5	<991.9	24<Tl<37	59<C<88		0.22
8	<1.5	>519.921	<37.87	<31.6081		0.02
9	>3.1	<455.148	<30.897	<88.60		0.02
3-Distance and Parallelism Error Class (class 2)
1			>37.87			0.24
2		>496.485	>30.8972	>89.44		0.08
3	>1.5 >2.5		>30.8972	<60.01		0.20
4	>1.5		>30.8972	<30.07		0.12
5	2.<v<3.1	>991.973				0.06
6	<2.5		>30.8972	>89.44		0.08
7	>3.86		>30.8972			0.13
8		>496.485	<24.0286	59<C<60		0.01
9	<1.5	496<f<503	>30.8972	>59.68		0.04

P.#	Fx (N)	Fy (N)	Fz (N)	Tm (C)	Weight
1-Conforming Class (Class 0)
1	<-14.9	-23< <-7.2		<318.5	0.295
2	<-26.6	>-20.45			0.181
3	<-14.9	>-12.55		<249.5	0.091
4	<-14.9	>-23	<-8.9	<371.5	0.159
5	<-26.6	-20< <-12.5			0.159
6	<-14.9	>-42.2	<-18.0	<497	0.114
2-Distance Error Class (Class 1)
1	<-12.9	<-10.75		<188	0.046
2	<-12.9	<-12.1	<-9.3	374<<409	0.18
3	<-12.9	<-12.1	<-18.8	374<<409	0.069
4	<-12.95		-5<<-3		0.046
5	>-99.8	<-20.45	<-37.5		0.162
6	<-30.1	-30< <-23	<-10.6	<409	0.162
7	>-19.7		>-5.25	23< < 308	0.046
8	>-22.95	<-12.1	<-7.25	<409	0.046
9	>-55	<-12.1	<-22.2	>325.5	0.046
10	<-27.4	<-12.1		374<<409	0.186
3-Distance and Parallelism Error Class (Class 2)
1		-93< <-19.6	>-21.4	409<<558	0.158
2	>-26.6	<-5.75	<-3.05	>339.5	0.075
3		-93< <-46	>-37.5	>210.5	0.083
4		-29< <-20	>-14.7	352<<558	0.083
5	>-20.25	-93< <-5.75	<-4.7	>210.5	0.108
6	>-26.6			384<<558	0.066
7	>-26.6	<-5.75	<-3.05	>285	0.116
8	>-18.1	>-7.9		>210.5	0.058
9	>-19.5	<-5.75	<-3.85	>194.5	0.1
10	>-49	>-93.85	<-12.1	20< <558	0.066
11			<-11.4	409<<441	0.083

No.	Speed	Feed	Weight
1	v>15000	303.232<f<361.335	0.142857
2	v<25000	409.907<f<471.146	0.142857
3	v<25000	475.746<f<695.518	0.0952381
4	v>25000	398.798<f<414.291	0.047619
5		291.927<f<296.346	0.047619
6	v>25000	455.148<f<519.921	0.238095
7		260<f<261.553	0.047619
8	v>38631.6		0.238095

Zone	Speed	Feed	Corrective action V	Corrective action f
A	v<15000	f<300	15000	300
B	v<15000	300<f<700	15000	f
C	v<15000	f>700	15000	700
D	15000<v<38000	F<300	Nearest v	300
E	15000<v<25000	F>700	Nearest v	700
F	25000<v<38000	F>500	Nearest v	Nearest f

Universidade Federal de São Carlos Departamento de Engenharia de Produção , Caixa Postal 676 , 13.565-905 São Carlos SP Brazil, Tel.: +55 16 3351 8471 - São Carlos - SP - Brazil
E-mail: gp@dep.ufscar.br

Acompanhe os números deste periódico no seu leitor de RSS