DECAT - Departamento de Controle e Automação
URI permanente desta comunidadehttp://www.hml.repositorio.ufop.br/handle/123456789/490
Navegar
3 resultados
Resultados da Pesquisa
Item Controle por aprendizagem por reforço aplicado aos processos : CSTR e Espessador.(2022) Bitarães, Santino Martins; Euzebio, Thiago Antonio Melo; Silva, Moisés Tavares da; Euzebio, Thiago Antonio Melo; Silva, Moisés Tavares da; Braga, Marcio Feliciano; Cota, Luciano Perdigão; Araújo, José MárioO controle por aprendizagem por reforço busca melhorar seu desempenho pelo aprendizado obtido ao interagir com o processo. As ações de controle deste tipo de controlador são norteadas unicamente por uma função de recompensa. O algoritmo Augmented Random Search (ARS) é uma método de aprendizagem por reforço baseado em busca aleatória simples com melhorias no processamento das recompensas e dos estados. As características apresentadas pela aprendizagem por reforço permitirá sua utilização em processos complexos e não lineares, como o tanque com agitação contínua (CSTR) e o espessador. Esses dois processos são complexos e apresentam comportamentos diferentes nos pontos de operação. Para o problema do CSTR, os estados são as referências do processo (referência atual e uma mudança de referência), as ações são os parâmetros do controlador PI e a recompensa foi definida em função do erro entre a referência e variável do processo (temperatura do reator). No caso do espessador os estados são o erro e a concentração do underflow, a ação é o ajuste direto da vazão de underflow e a função de recompensa foi definida em função do erro e da variação da ação de controle. Para o simulador do CSTR foi utilizado o python e para o espessador, utilizamos o Matlab. A sintonia proposta pelo ARS para o problema do CSTR apresenta uma melhoria de 8,3% (IAE), considerando o mesmo ponto de operação, em comparação com o benchmark. Já o o algoritmo ARS foi 19% (IAE) melhor na tarefa de controlar diretamente o espessador.Item Previsão de falta de equipamento de carga para frota de transporte com base em aprendizado de máquina.(2022) Cordeiro, Guilherme Gouveia; Guimarães, Frederico Gadelha; Souza, Marcone Jamilson Freitas; Guimarães, Frederico Gadelha; Souza, Marcone Jamilson Freitas; Reis, Agnaldo José da Rocha; Bessani, MichelUm desafio vigente na gestão de frota do setor de mineração é a predição de eventos de falhas de processo, devido à alta quantidade de parâmetros de influência internos (como quebra de equipamentos), externos ao processo (como intempéries) e de interface (como parada de britagem). Este trabalho trata do desenvolvimento de uma abordagem de aprendizado de maquina para previsão da quantidade de horas por dia do evento Falta de Equipamento de Carga para a frota de transporte utilizando dados de despacho. O modelo aplicado foi o Random Forest variando o numero de árvores entre 20, 50 e 100. Realizou-se a seleçãoo de atributos por meio de Backward Elimination para a redução de 20 para 5 parâmetros. A métrica utilizada para avaliação dos modelos foi o coeficiente de correlação (R). Dados de operação real foram utilizados para construção do modelo contendo ao final do trabalho 11,7 milhões de registros em 2 anos de coleta. Os resultados apontaram através do teste de Shapiro-Wilk e T-Welch que os modelos de 20, 50 e 100 árvores eram equivalentes, os coeficientes de correlação médio foram respectivamente 0,768, 0,773 e 0,773 que após a ampliação da massa de dados de 860 mil para 11,7 milhões de registros chegaram a 0,809, resultados melhores do que o valor de 0,35 obtido com o método regressão linear, atualmente utilizado pela área. Assim, o uso do aprendizado de máquina através do Random Forest apresentou bons resultados e aplicabilidade para predições e classificações de eventos da gestão de frota na indústria de mineração.Item Desenvolvimentos e aplicações de dispositivos robóticos em ambientes de mineração : proposta de sistema de vedação para o EspeleoRobô II e ferramenta de remoção de cobertura de borracha para emenda de correias.(2021) Barros, Luiz Guilherme Dias de; Freitas, Gustavo Medeiros; Pritzelwitz, Philip von; Freitas, Gustavo Medeiros; Pritzelwitz, Philip von; Pessin, Gustavo; Becker, MarceloCom o aumento da demanda por segurança nas operações e com a ascensão da robótica imposta pela terceira revolução industrial, os dispositivos robóticos passaram a ser mais comumente empregados para tarefas com riscos expressivos ao trabalhador ou em locais onde a precisão do processo é uma exigência. Na mineração especificamente, dispositivos robóticos móveis têm sido utilizados cada vez com uma maior frequência para inspeção de ativos e locais de difícil acesso e/ou espaços confinados. Em outra frente, a Vale também emprega robôs manipuladores fixos em tarefas como lavagem de caminhões fora de estrada, movimentação de amostras em laboratório, solda de vagões, dentre outros. Estas tarefas contêm particularidades de processo ou esforço elevado para serem realizadas por humanos. Esta dissertação trabalha com as duas frentes citadas, e em uma delas apresenta o desenvolvimento do projeto de vedação de um dispositivo robótico móvel, denominado EspeleoRobô II, a partir da versão I desse mesmo robô, para implementação de um sistema de vedação que permitisse inspeções em locais parcialmente alagados e/ou com lama. Foram realizados testes de campo, que validam a metodologia de vedação proposta e infere ao robô um grau de proteção IP-67. A outra frente apresenta um estudo inicial para implementação de um sistema automatizado para preparação de emenda de correias, especificamente na etapa de remoção da cobertura de borracha da correia, onde uma ferramenta rotativa acoplada a um braço manipulador e posicionada ao lado do transportador realiza a tarefa de corte. Atualmente este processo é manual e expõe o trabalhador a diversos riscos como utilização de materiais cortantes e condições ergonômicas adversas. Para validar a proposta, foi desenvolvida uma bancada de testes instrumentada que simula a tarefa de corte para estimativa dos esforços envolvidos no processo de corte automático. Os resultados apresentados até o momento validam a ferramenta como possível solução aplicável no processo.