Aplicação de Redes Neurais Artificiais Na Indústria de Fios de Algodão

UNIVERSIDADE ESTADUAL DE MARING
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
Gilberto Clvis Antonelli

Mestre em Engenharia Qumica, UEM, 1998
Orientador: Prof. Dr. Ivo Neitzel
Tese de Doutorado submetida Fundao

Universidade Estadual de Maring, como
parte dos requisitos necessrios obteno
do Grau de Doutor em Engenharia
Qumica, rea de Desenvolvimento de
Processos.
Maring - PR Brasil
Fevereiro de 2007
ii
UNIVERSIDADE ESTADUAL DE MARING

CENTRO DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA QUMICA
PROGRAMA DE DOUTORADO EM ENGENHARIA QUMICA
Esta a verso final da tese de Doutorado apresentada por Gilberto Clvis

Antonelli perante a Comisso Julgadora do Curso de Doutorado em Engenharia Qumica
em 26 de fevereiro de 2007.
COMISSO JULGADORA
Prof. Dr. Ivo Neitzel

Orientador
Prof. Dr. Aparecido Nivaldo Mdenes

Membro
Prof. Dr. Edson Antnio da Silva

Membro
Prof. Dr. Dante Alves Medeiros Filho

Membro
Prof Dr.Luiza Helena Costa Dutra Sousa

Membro
iii
ANTONELLI, GILBERTO CLVIS

Aplicao de Redes Neurais Artificiais na
Indstria de Fios de Algodo [Paran] 2007
XVII, 118p. 29,7cm (PEQ/UEM, D. Sc.,
Engenharia Qumica, 2007)
Tese Universidade Estadual de Maring - PEQ
1. Redes neurais
2. Fiao
3. Algodo
I. PEQ/UEM II. Ttulo ( srie )
iv
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
Agradeo em primeiro lugar a DEUS, por ter-me concedido possibilidade e o

prazer de desenvolver este trabalho.
Agradeo tambm a todas as pessoas que direta ou indiretamente contriburam para

a elaborao deste trabalho, e em especial;
ao gerente da Indstria de Fios Cocamar, Sr. Edson Tetsuji Mizoguchi, mentor da

idia deste trabalho, que no mediu esforos para que ele fosse desenvolvido;
aos colaboradores da Indstria de Fios Cocamar, que me auxiliaram nos
momentos em que precisei, e em especial ao Eng Flvio Avanci de Souza e a
Eng Valquiria Demarchi, que sempre se fizeram presentes, para fornecer as
informaes necessrias;
a equipe da empresa USES Informtica, que me acolheu com respeito e
prestatividade, e em especial ao proprietrio da empresa, Sr. Flvio Bernab,
que disponibilizou sem restries, o acesso metodologia de trabalho de sua
empresa;
ao meu orientador, Prof. Ivo Neitzel, que acolheu e incentivou a idia de elaborao
deste trabalho, e auxiliou nos momentos em que necessitei, com pacincia e boa
vontade;
ao departamento de Engenharia Txtil, que me abriu os horizontes da rea txtil,
contribuindo para a montagem do projeto deste trabalho;
aos meus amigos, funcionrios do PEQ, que sempre foram prestativos quando
precisei de ajuda;
a UEM, que atravs do seu Plano de Capacitao de Docentes, me deu condies
para desenvolver este trabalho;
e finalmente a meus pais, Antonio Antonelli e Izidia Maria Silvestre, minha irm,
meus cunhados, minhas cunhadas e minha sogra, porque sei que mesmo no
ajudando diretamente, todos me apoiaram para que este trabalho se
concretizasse.
vi
APLICAO DE REDES NEURAIS ARTIFICIAIS

NA INDSTRIA DE FIOS DE ALGODO
AUTOR: GILBERTO CLVIS ANTONELLI
ORIENTADOR: PROF. DR. IVO NEITZEL
Tese de Doutorado; Programa de Ps-Graduao em Engenharia Qumica; Universidade

Estadual de Maring; Avenida Colombo, 5790, BL E46 09; CEP: 87020-900 Maring
PR, Brasil, defendida em 26 de fevereiro de 2007. 118 p.
RESUMO
A competitividade no setor de produo de fios fez as empresas buscarem solues

para a obteno de um fio com qualidade e baixo custo. Hoje, o diferencial entre elas e,
desta forma, o do setor, est na matria-prima, ou seja, o algodo processado e suas
caractersticas. Existem diversos tipos de algodo, com caractersticas diferenciadas, fato
que se deve regio de produo, safra, ao armazenamento e ao transporte. As indstrias
de fios trabalham com misturas de algodo, o que dificulta a determinao da qualidade do
fio produzido a partir das caractersticas das fibras processadas. Neste trabalho, utilizam-se
dados de um processo de fiao convencional, sendo alimentado com matria-prima de
composio 100% de algodo, e apresenta-se uma soluo com redes neurais artificiais que
determina as informaes da qualidade do fio, utilizando os valores das caractersticas das
fibras e definies de alguns ajustes do processo. Nessa soluo utiliza-se uma rede neural
artificial do tipo MultiLayer Perceptron com 11 neurnios na entrada (8 caractersticas da
fibra e 3 ajustes do processo), 7 neurnios na sada (qualidades do fio) e dois tipos de
treinamento, o Back propagation e o Conjugate gradiente descent. Apresenta-se tambm,
aplicaes de redes neurais artificiais para determinar duas caractersticas da fibra de
algodo, o ndice de caramelizao e o ndice de fibras imaturas. Para a determinao do
ndice de caramelizao utiliza-se uma rede com 7 neurnios na entrada (caractersticas da
fibra), 1 neurnio de sada (ndice de caramelizao) e dois tipos de treinamento, o Back
propagation e o Levenberg-Marquardt. Na determinao do ndice de fibras imaturas
vii
apresenta-se uma soluo com 3 neurnios de entrada (caractersticas da fibra), 1 neurnio

de sada (ndice de fibras imaturas) e treinamento do tipo Pseudo Inverse. Descreve-se a
seleo e organizao dos dados de produo da indstria de fios da empresa Cocamar
Cooperativa Agroindustrial, para aplicar as redes neurais artificiais desenvolvidas.
Apresenta-se um sistema computacional, criado para disponibilizar os resultados obtidos
com os dados de produo, o qual trabalha em uma arquitetura cliente-servidor e utiliza as
tecnologias opensource Linux, Apache, PHP e Firebird. Concluiu-se que, as redes neurais
artificiais podem ser utilizadas para determinar as duas caractersticas da fibra de algodo
estudada, o ndice de caramelizao e o ndice de fibras imaturas. Na aplicao de redes
neurais para determinar a qualidade do fio, conclui-se que, apesar de no possuir preciso
ideal quanto aos valores absolutos, a soluo apresentada representa uma excelente
ferramenta para definir as variaes das qualidades do fio quando se altera a composio
da matria-prima. O sistema desenvolvido permite realizar simulaes para definir o
percentual de mistura na matria-prima a ser processada na fbrica com a utilizao de
informaes dos fardos de algodo em estoque, desta forma pode-se obter uma mistura que
mantenha a estabilidade de todo o processo produtivo.
viii
APPLICATION OF ARTIFICIAL NEURAL NETS

IN THE COTTON YARN INDUSTRY
AUTHOR: GILBERTO CLVIS ANTONELLI
SUPERVISOR: PROF. DR. IVO NEITZEL
Tese de Doutorado; Programa de Ps-Graduao em Engenharia Qumica; Universidade

Estadual de Maring; Avenida Colombo, 5790, BL E46 09; CEP: 87020-900 Maring
PR, Brasil, defendida em 26 de fevereiro de 2007. 118 p.
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
7. Aplicao de redes neurais artificiais na indstria de fios Cocamar .......................... 44

7.1 Determinao de caractersticas da matria-prima ......................................... 45
7.1.1 ndice de caramelizao ......................................................................... 46
7.1.2 ndice de fibras imaturas ........................................................................ 50
7.2 Determinao da qualidade do fio .................................................................... 54
7.3 Apresentao e disponibilizao dos resultados .............................................. 64
8. O sistema ANS Online .................................................................................................. 65
8.1 Estrutura de desenvolvimento ........................................................................... 65
8.1.1 Diagrama operacional ............................................................................ 66
8.1.2 Ambiente de desenvolvimento............................................................... 67
8.1.3 Banco de dados ...................................................................................... 69
8.1.4 Linguagem de programao PHP .......................................................... 70
8.1.5 Programao Orientada para Objeto (POO) .......................................... 71
8.1.6 Mdulo Gerenciador de Aplicaes....................................................... 72
8.2 Caractersticas gerais ....................................................................................... 73
8.2.1 Base de dados ......................................................................................... 75
8.2.2 Estrutura de POO ................................................................................... 76
8.2.3 Interface do usurio ............................................................................... 78
8.2.4 Arquiteturas de redes neurais artificiais ................................................. 80
8.3 Utilizao na Indstria de Fios Cocamar ...................................................... 81
8.3.1 Determinao do ndice de caramelizao ............................................. 81
8.3.2 Determinao do ndice de fibras imaturas ............................................ 82
8.3.3 Determinao da qualidade do fio ......................................................... 83
8.4 Flexibilidade de utilizao ................................................................................ 84
9. Concluses e observaes ............................................................................................. 85
10. Referncias .................................................................................................................... 88
11. Obras consultadas .......................................................................................................... 92
12. Apndice........................................................................................................................ 94
12.1 Rotina em VBA para organizao das planilhas de dados dos fios.................. 94
12.2 Procedimentos utilizados para organizar os dados da qualidade da fibra ...... 96
12.3 Procedimentos utilizados para organizar os dados do fio produzido .............. 98
12.4 Diagrama Entidade Relacionamento do banco de dados USESClass ............ 101
12.5 Conjunto de classes do Mdulo Gerenciador de Sistemas ............................. 102
12.6 Conjunto de classes do sistema ANS Online ................................................... 105
xii
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
Figura 7.16 : Performance da RNA no treinamento para determinar os nmeros de pontos

grossos ............................................................................................................ 62
Figura 7.17 : Performance da RNA no treinamento para determinar o Uster ..................... 62
Figura 8.1 : Interligao de hardware utilizada pela empresa USES Informtica ............. 66
Figura 8.2 : Tela do gerenciador de programas da USES Informtica ............................. 68
Figura 8.3 : Tela de acesso aos sistemas da USES Informtica ......................................... 69
Figura 8.4 : Home-page de acesso ao sistema ANS Online ............................................... 73
Figura 8.5 : Formulrio de cadastro de usurios para acesso gratuto no sistema ANS
Online ............................................................................................................. 74
Figura 8.6 : Formulrio para solicitao de maiores informaes sobre o sistema ANS
Online ............................................................................................................. 75
Figura 8.7 : Diagrama Entidade Relacionamento do arquivo ans.gdb .............................. 76
Figura 8.8 : Estrutura de classes utilizada no sistema ANS Online ................................... 77
Figura 8.9 : Exemplos de interfaces do sistema ANS Online ............................................ 79
Figura 8.10 : Tela de processamento para a determinao do ndice de caramelizao ...... 82
Figura 8.11 : Tela de processamento para a determinao do ndice de fibras imaturas ..... 83
Figura 8.12 : Tela de processamento para a determinao a qualidade do fio..................... 84
xv
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
ASM anlise simplificada de maturidade

CFA controle de fardos de algodo
DER diagrama entidade relacionamento
EP elemento de processamento da rede neural; neurnio
IFI ndice de fibras imaturas
IPS inteligent problem solver solues de problemas inteligentes
MLP multilayer perceptron rede multicamadas
MRA maturidade, razo e alongamento
OCR optic character recognition reconhecimento ptico de caracteres
OE open-end processo de fabricao de fio
PCF programa de controle de fios
PCP programao e controle da produo
PHP personal home page linguagem de programao
POO programao orientada para objeto
RNA redes neurais artificiais
SFI short fibre index ndice de fibras curtas
SNN statistica neural networks
SPAM mensagem eletrnica no-solicitada enviada em massa
SQL structured query language linguagem de pesquisa estruturada
SVD singular value decomposition decomposio em valores singulares
VBA visual basic application
WEB teia - rede mundial de computadores
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
A poltica de abertura comercial instalada no pas a partir de 1990, com a reduo

acelerada das alquotas de importao, submeteu as empresas da cadeia txtil a um
processo vital de reestruturao. Criou-se um ambiente de competio - nacional pela
ampliao ou manuteno de mercados e internacional pela busca de novas oportunidades.
Desta forma, nesse novo ambiente, o processo de reestruturao se desenvolveu no
sentido da capacitao tecnolgica, da adequao do modelo empresarial, da melhoria da
qualidade e do aumento da produtividade.
A fiao, um dos segmentos da cadeia txtil, tambm teve que se adequar nova
realidade de mercado. A importncia das fiaes na cadeia txtil e em todas as partes do
mundo verificada pelo processamento mundial de fibras, que est acima de 40 milhes de
toneladas/ano.
As fibras utilizadas nas fiaes so de origem natural ou artificial. Entre as fibras
naturais est o algodo, uma das mais importantes fibras txteis.
No Brasil, durante a safra de 2001, o algodo representou aproximadamente 65%
da matria-prima das fiaes. O custo da matria-prima, no caso do fio de algodo,
representa 95% do custo final do fio produzido. Portanto, o conhecimento das
caractersticas fsicas das fibras de algodo e a sua influncia no processo, constituem
pontos fundamentais para o alcance de melhores ndices de produo e de qualidade a
baixo custo.
As reestruturaes implantadas a partir de 1990 nas fiaes brasileiras levaram as
empresas a atingir um patamar de equivalncia tecnolgica. Hoje, o diferencial entre elas -
e desta forma, o do setor - est na matria-prima, ou seja, o algodo processado e suas
caractersticas.
A influncia das caractersticas da fibra na qualidade final do fio produzido no
simples de ser analisada, porque existem outros fatores externos que determinam essa
qualidade, como, por exemplo, a safra, o acondicionamento da matria-prima (temperatura
e umidade), os ajustes das variveis do processo, a porcentagem de misturas de fibras
utilizadas no processo, dentre outros.
Portanto, essencial o desenvolvimento de ferramentas aplicadas ao processo
produtivo das indstrias de fio de algodo que auxiliem na deciso da determinao das
condies de operao da fbrica, a fim de que esta produza o fio desejado com o algodo
disponvel.
Introduo 2
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
No Captulo 6 trata-se dos dados de produo da indstria de fios da empresa

Cocamar. Descrevem-se as dificuldade de seleo e organizao desses dados, para serem
utilizados na aplicao da rede neural artificial.
No Captulo 7 descreve-se a aplicao de redes neurais na indstria de fios
Cocamar. Apresentam-se os resultados obtidos com a rede neural na determinao da
qualidade do fio, a partir das caractersticas da fibra e dos ajustes do processo.
No Captulo 8 descreve-se o sistema ANS Online. Apresenta-se a estrutura de
desenvolvimento, funcionalidades, recursos e utilizao na indstria de fios Cocamar.
Este trabalho apresenta uma metodologia de aplicao de redes neurais artificias na
indstria de fios de algodo, objetivando o desenvolvimento de uma ferramenta de apoio
tomada de deciso, que auxilie o engenheiro da indstria txtil na montagem das misturas
de matria-prima processadas na fbrica.
O sistema desenvolvido, ANS Online, possui a grande vantagem de oferecer s
fiaes, a possibilidade de simularem a produo de um fio, utilizando as caractersticas da
matria-prima em estoque e os ajustes existentes no processo.
2. O processo produtivo das fiaes de algodo
Na fiao, a tecnologia est voltada ao estudo da produo de fios. Neste contexto a

palavra fiao refere-se converso de grande quantidade de fibras individuais no
ordenadas, de comprimento relativamente curto, em um produto linear, ordenado e de
comprimento muito grande, utilizando dispositivos e mquinas apropriadas (RIBEIRO,
1984).
As fibras, matria-prima das fiaes, so classificadas, de acordo com a sua
origem, em naturais e artificiais (Anexo 13.1). As naturais podem ter origem vegetal,
animal ou mineral, e as artificiais so originadas de polmeros naturais ou polmeros
sintticos. (FORUM TEXTIL, 2006).
O grupo das fibras naturais de origem vegetal tem como caracterstica bsica a
existncia da celulose (carbono, oxignio, hidrognio) como componente principal, com
porcentagem varivel entre 35 e 90%. Os representantes mais importantes desse grupo,
comercial e industrialmente considerados, so:
1. os vegetais cujas fibras so encontradas em cpsulas por eles produzidas,
como o algodo e a paina (conhecida mundialmente pelo nome de
kapoc);
2. os vegetais cujas fibras so obtidas pelo tratamento dos respectivos caules
(talos), entre os quais encontramos: o linho, o cnhamo, a juta, o rami, a
urena lobata (ou carrapicho), a papoula-doso francisco (ou cnhamo
brasileiro), etc.;
3. os vegetais cujas fibras so extradas das suas folhas, como a agave (ou
sizal), o frmio (originrio da Nova Zelndia), o caro, o gravat, etc.;
4. os vegetais cujas fibras so extradas dos respectivos frutos, como o cco.
No Brasil, a riqueza de plantas fornecedoras de fibras considervel; os indgenas
aqui encontrados na poca do descobrimento empregavam em muitos de seus utenslios as
fibras naturais do pas, que eles primitivamente beneficiavam. Mais recentemente, os
nossos caboclos foram os melhores informantes dos modernos pioneiros na procura de
sucessores nacionais para as fibras estrangeiras.
No grupo das fibras naturais de origem animal compreendem-se os plos de muitos
animais, em cuja composio tem parte saliente a keratina (carbono, oxignio, hidrognio,
nitrognio e enxofre), e os filamentos da seda natural, que tm como mais importante
componente a fibrona (carbono, oxignio, hidrognio e nitrognio). Como se v, nas
O processo produtivo das fiaes de algodo 5
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 consumo mundial de fibras est acima de 40 milhes de toneladas/ano, 20%

desse total so processados como filamento contnuo, 80% o so na forma de fibras
entrelaadas, em sua maior parte utilizada para a fabricao de fios (BARBOSA, 2006).
Portanto, as indstrias de fios so de grande importncia no contexto mundial da cadeia
txtil.
Na indstria txtil brasileira a fibra que mais se destaca o algodo. Segundo
ABIT (2006), na safra 2001 seu consumo foi de aproximadamente 65% do total de fibras
consumidas e 97% do total de fibras naturais consumidas.
No processo de fiao do algodo a matria-prima representa em torno de 95% do
custo de produo do fio (LIMA, 2000). Este fato isolado suficiente para indicar a
importncia da matria-prima no processo de produo de fio. Segundo GORDREV et al.
(1987), raramente uma fiao ir usar matrias-primas livres de problemas, porque os
problemas so normalmente muito expansveis e as adaptaes para antecipar as
dificuldades requerem um conhecimento profundo do material a ser processado, do seu
comportamento no processamento e dos estgios subseqentes.
Condies timas de processamento podem ser obtidas pelo domnio do
conhecimento da matria-prima; entretanto, um bom conhecimento terico no ajuda se o
material j possui limites de fiabilidade (FERREIRA, 1995).
O processo de produo de fio possui duas tecnologias consagradas, open end e
convencional. Na tecnologia open end utiliza-se filatrios a rotor e na tecnologia
convencional utiliza-se filatrios a anel. Devido a esse fato, essas tecnologias tambm so
conhecidas como rotor e anel, respectivamente. A tecnologia a ser adotada depende de
vrios fatores relacionados com o fio que se deseja produzir e a qualidade desejada desse
fio (MAURO, 2002).
Realizando uma anlise econmica dos processos open end e convencional, LIMA
(2000) verificou que mais econmico o processo open end, para a produo de um fio
com caractersticas idnticas em ambos os processos. Entretanto, a sua anlise no levou
em considerao o tempo de vida til dos equipamentos.
Apesar de a empresa Cocamar possuir os dois tipos de processos, open end e
convencional, desenvolveu-se este trabalho utilizando uma nica linha de produto. Nessa
linha, denominada pela empresa de linha convencional A, produz-se fios pelo processo
convencional, a partir de fibras de composio 100% algodo.
2.1 Caractersticas das fibras de algodo
As caractersticas fsicas das fibras de algodo so ferramentas importantes e seu

conhecimento permite decidir quanto sua forma de consumo, os ajustes das variveis do
processo e uma srie de outras providncias correlatas. Para tanto, necessrio medir e
avaliar os valores das principais caractersticas das fibras, relacionando-os com o sistema
de fiar e com o produto a elaborar.
As principais caractersticas da fibra de algodo so: o comprimento, a
uniformidade do comprimento, a espessura (micronaire), a maturidade, a resistncia, o
tipo, a umidade e a quantidade de acar presente no algodo, denominada de honeydew ou
caramelizao, aceitvel para o sistema de fiao em uso (LEWIN e PEARCE, 1985).
Fatores como a regio de produo, a safra, o armazenamento e o transporte
influem na existncia de diversos tipos de algodo, com caractersticas diferenciadas. A
escolha de uma fibra deve levar todas essas caractersticas em conta, em funo do produto
que se deseje fabricar.
Existe forte correlao entre as prprias caractersticas da fibra e tambm forte
correlao entre a qualidade do fio e as caractersticas da fibra (LIMA, 1992).
2.2 Variveis do processo fabril das fiaes convencionais
O sistema de fiao convencional, desde a sua criao, conforme afirmado por

CRESPIM e NEVES (2000), segue basicamente os mesmos princpios: abertura, limpeza,
cardagem, paralelizao das fibras e fiao (com estiragem, toro e enrolamento). Na
Figura 2.1 tem-se o fluxograma simplificado do processo de fabricao de fios com a
denominao dada fibra aps cada etapa.
Sala de Abertura Passadeiras

Fibra Flocos Cardas Fita (1 e 2 Fita Maaroqueiras
ou Batedor da passadeira
passagens)
Maaroca
(pavio)
Rocas Fio Fio

Depsito de Fios Embalagem Conicaleiras Filatrios
nas caixas nas rocas na espula
Figura 2.1 : Fluxograma simplificado do processo convencional de produo de fios

Durante o processo de fabricao do fio as indstrias utilizam como parmetro de
controle da qualidade do processo a propriedade ttulo. Conforme explicado por PORTAL
CONSULTEXTIL (2005), define-se ttulo de um fio como a representao dada por um
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
Aps cada etapa do processo, o material produzido fica armazenado em reas

destinadas a esse fim, gerando-se assim, dentro da indstria, estoques reguladores do
processo.
Na etapa da fiao propriamente dita, nos filatrios, as variveis mais relevantes do
processo so a toro, a estiragem e a rotao a que submetido o algodo.
Todas as etapas do processo so influenciadas pela umidade e temperatura
ambiente. Segundo CACR (2004), a climatizao de todo processo necessria porque o
algodo um elemento extremamente hidrfilo; absorve e libera gua com extrema
facilidade e muda suas caractersticas em funo do contedo de gua que possui. Esta
caracterstica exige condies de umidade e temperatura sob controle para o
processamento do algodo. Com o ambiente muito seco (umidade abaixo de 45% e
temperatura acima de 28C) o algodo libera gua e os fios se rompem, o ndice de quebras
da fiao aumenta; com o ambiente muito mido (umidade acima de 80% e temperatura
abaixo de 17C), o algodo absorve gua, os fios perdem a consistncia mnima e se
enrolam. Estes fenmenos so mais visveis nos filatrios, apesar de estarem presentes em
todas as fases do processo.
2.3 Qualidades do fio produzido
A qualidade do fio produzido medida de acordo com suas caractersticas fsicas e

mecnicas. As principais so; o Ttulo, a variao de massa ao longo do fio (USTER), o
Coeficiente de variao do USTER (CV(%) USTER), o nmero de NEPS, o nmero de
pontos finos, o nmero de pontos grossos, a tenacidade e o nmero de rupturas
(GORDREV et al., 1987).
As fiaes utilizam um padro internacional para determinar a qualidade do fio
produzido, o qual denominado de estatstica USTER. So grficos com referncia de
qualidade que determinam uma classificao do fio produzido segundo a produo
mundial, ou seja, definem o percentual de fiaes no mundo que conseguem produzir um
fio com determinada qualidade. A ltima estatstica USTER para fibras e fios de algodo
foi elaborada em 2001. Um exemplo para o CV(%) USTER de fios produzidos para
malharias em fiaes convencionais apresentado no Anexo 13.3. Segundo USTER
STATISTICS (2001), a evidncia de defeitos especficos ou negligncias em padres de
qualidade pode ficar aparente ao usarmos as estatsticas como padro comparativo,
traduzindo-se em imediata ao corretiva no processo industrial.
2.4 Misturas programadas de matria-prima
As indstrias de fio trabalham com misturas programadas de matria-prima,

objetivando diminuir os custos; entretanto, a economia excessiva em relao matria-
prima geralmente no reduz custo, e muitas vezes aumenta a possibilidade de deteriorao
da processabilidade da fbrica (KLEIN, 1985).
Existem diversos tipos de algodo que possuem caractersticas diferenciadas,
relacionadas regio de produo, safra, ao armazenamento e ao transporte, o que torna
impossvel, aps um processo de mistura, determinar com preciso a qualidade do fio que
ser produzido, ou ainda, definir o ponto economicamente ideal de mistura para a produo
de um determinado fio com propriedades definidas. Entende-se por ponto economicamente
ideal a definio dos ajustes e das variveis de processamento para a produo do fio
desejado com o menor custo possvel.
Atualmente, as fiaes ajustam o processo produtivo utilizando-se de mtodos de
tentativas e erros baseados no conhecimento e/ou experincia adquirida ao longo do tempo
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
A Fiao de Algodo Cocamar nasceu em 1982, inaugurada em 22 de outubro,

com o principal objetivo de agregar valor ao algodo entregue pelos seus associados.
Inicialmente foi implantada para produzir 270 tonelada/ms de fios cardados 100%
algodo. Atualmente possui a capacidade de produo 1400 tonelada/ms de fios, pelo
processo convencional e open-end (COCAMAR, 2002).
A partir de 1988, a fiao passou a oferecer aos seus clientes fios mistos,
resultantes da combinao da fibra de algodo com fibras artificiais (polister, viscose,
acrlico, etc.). Atendendo s necessidades do mercado, vrios avanos tecnolgicos foram
promovidos desde a concepo do projeto, como resultado da combinao na elevao do
padro de qualidade e reduo de custos de seus produtos.
Prxima de aeroportos, porto martimo, seco e rodovias federais, a fiao est
localizada em regio estratgica, o que, somado ao fato de possuir transporte rodovirio
prprio, possibilita maior flexibilidade e rapidez na entrega de seus produtos.
Figura 3.1 : Vista area da Indstria de Fios Cocamar
Hoje a Indstria de Fios Cocamar reconhecida pela qualidade de seus produtos e

servios no atendimento dos mercados da malharia e tecelagem. Possui um quadro de 650
funcionrios e uma capacidade produtiva anual de 16.500 toneladas de fio. O consumo
mensal de matria-prima de 1400 toneladas de fibras de algodo e 150 toneladas de
fibras sintticas (COCAMAR, 2002).
Para as malharias so fabricados fios grossos e finos. Os grossos, quando juntados
aos fios Ne 20/12 ou 24/1, resultam em moletom, ideal para a confeco de artigos de
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
inverno. Os fios finos 100% algodo ou mistos (polister/algodo ou polister/viscose) so

utilizados para produzir meia malha, malha Piquet e outros artigos para confeco
(pijamas, lenis, etc.). As tecelagens so atendidas com fios para a produo de tecidos
planos (ndigo, sarja, brim), industriais (lonas, luvas) ou cirrgicos (gazes e ataduras),
atoalhados e tapearia. Tambm so produzidos fios utilizados por tecelagens para a
fabricao de toalhas de mesa, jogos de banho, lenis e tecidos de decorao.
3.1 Armazenamento e preparo da matria-prima
O algodo in natura colhido, colocado em sacos com capacidade aproximada de

15kg e transportado at as tulhas de recebimento da Cocamar. Nas tulhas realizada a
classificao do algodo em caroo, processo em que so definidos o tipo, a procedncia,
o lote, a umidade e a data de chegada.
O algodo em caroo levado por transporte pneumtico at o beneficiamento.
Nessa etapa, o material passa pelos processo de limpeza, descaroamento e prensa,
obtendo-se assim o fardo. Os fardos so identificados (cdigo de barras), pesados e
colocados junto ao armazm de beneficiamento, onde so retiradas amostras para a
classificao e padronizao da pluma (determinao das caractersticas das fibras).
A classificao do algodo em pluma feita por anlise visual, dando-se o tipo, o
respectivo padro e a colorao. A caracterizao das fibras na empresa elaborada com o
equipamento Zellweger Uster HVI Spectrum I, sendo as amostras armazenadas por 12
horas em condies climticas apropriadas: temperatura de 20 a 24C e umidade de 60 a
70%. Nessa etapa determinam-se as propriedades da fibra: comprimento, alongamento,
micronaire, ndice de fibras curtas, uniformidade, resistncia, umidade e maturidade.
Aps a classificao, os fardos de algodo so enviados ao armazm de fibras,
onde se determina o nmero da pilha de armazenamento segundo as suas caractersticas.
Os dados coletados na caracterizao da fibra so exportados para o sistema da
empresa denominado de CFA (Controle de Fardos de Algodo), que os armazena para
controle e composio do estoque. Esse sistema foi implantado na empresa em novembro
de 2000, com o objetivo de otimizar as variveis fsicas do algodo. Utilizando um banco
de dados, o sistema armazena informaes de todos os fardos de algodo. Deste modo,
tm-se as informaes das caractersticas das fibras de todo o estoque de matria-prima.
3.1.1 A logstica de preparo da empresa Cocamar
Com as informaes vindas do Departamento de Comercializao sobre ttulo do

fio e a quantidade de produo comercializada ou a ser comercializada, o setor de PCP

(Planejamento e Controle da Produo) da indstria determina o nmero de mquinas a ser
utilizado no processo de fabricao do fio desejado e a composio da mistura a ser
encaminhada fbrica.
Vrios estudos vm sendo desenvolvidos pela empresa na busca de uma sistemtica
de composio de mistura programada de matria-prima. Em 2002, a empresa utilizou uma
distribuio do estoque para compor as misturas a serem processadas na fbrica baseada
nos valores da propriedade micronaire, que est diretamente ligada espessura da fibra.
SOUZA et al.,(2004) realizaram anlises comparativas da evoluo das propriedades das
fibras e da qualidade do fio durante o procedimento denominado corte de mistura, onde
ocorre ajuste no processo para a mudana da procedncia da matria-prima. Concluiu-se
que uma composio baseada na propriedade micronaire aumenta a qualidade do fio
produzido, diminui a quantidade de pontos finos, diminui a quantidade de pontos grossos e
aumenta a tenacidade do fio. No perodo em estudo (07 de janeiro a 15 de dezembro de
2002), a empresa processou algodo oriundo dos estados do Mato Grosso, Gois e Paran.
3.2 O processo produtivo
A Indstria de Fios Cocamar separa seu processo em trs linhas de produo,

denominadas linha convencional, linha OE (Open-End) e linha de sintticos. A linha
convencional e a linha OE processam fibras 100% algodo e a linha de sintticos processa
fibras 100% sintticas (polister) ou mistas (polister/viscose ou polister/algodo).
Na linha convencional so processadas misturas com a mdia do comprimento da
fibra entre 26,85 e 32,00mm, denominadas de fibras de comprimento mdio a fibras de
comprimento longo. A linha OE processa misturas de fibras com a mdia de comprimento
da fibra entre 25,20 e 26,84mm, denominadas fibras de comprimento curto. Fibras que
apresentam manchas ou classificadas como de colorao amarela ou cinza so processadas
na linha OE, independentemente do seu comprimento.
Para a elaborao deste trabalho utilizaram-se somente os dados de produo da
linha convencional. Os detalhamentos das linhas de produo OE e linha de produo de
sintticos no sero apresentados aqui por no terem sido objeto de estudos.
A linha convencional segue o fluxograma de processo de produo de fios do
sistema convencional (filatrios a anis) mostrado na Figura 2.1. Esse processo no
contnuo, e aps cada etapa o material produzido acondicionado em lates ou latas, que
recebem uma identificao e ficam nos depsitos reguladores existentes dentro da fbrica.
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.
Figura 3.2 : Sala de abertura de fardos com alimentao automtica
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
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.
Figura 3.3 : Cardas em processo de produo e armazenamento do cabo
Figura 3.4 : Passadeira de 1 passagem com detalhe do passador

Nas passadeiras de 2 passagem da linha convencional a relao utilizada 4:1 ( 4

latas de fita na entrada para 1 lata de fita na sada). A finalidade da segunda passagem
idntica da primeira: uniformizar, estirar, afinar e misturar. As fitas produzidas nas
passadeiras de 2 passagem so encaminhadas s maaroqueiras, com o objetivo de estirar,
afinar o produto e aplicar uma pequena toro, formando assim o pavio, para que o mesmo
possa se enrolado no canudo e desenrolado. O canudo com o pavio chama-se maaroca.
Nos filatrios da linha convencional que se forma o fio, atravs da aplicao da
estiragem e da toro final no pavio produzido nas maaroqueiras. O fio produzido
enrolado na canilha, formando assim a espula. No filatrio a anel da Figura 3.5 tm-se, na
parte superior, as maarocas e na inferior, os fusos, local onde colocada a canilha para a
formao da espula. A linha convencional atualmente trabalha com 83 filatrios de
aproximadamente 500 fusos cada.
Figura 3.5 : Filatrio a anel

Os fios produzidos nos filatrios so encaminhados s conicaleiras, com a
finalidade de limpar, eliminar pontos finos e pontos grossos e formar uma embalagem com
um maior comprimento de fio. O fio enrolado em cones, formando assim a roca.
Finalmente, no setor de embalagem feito o acondicionamento dessas rocas em caixas,
que so encaminhadas ao estoque de fios.
4. Redes neurais artificiais
Redes neurais artificiais um conceito da computao que visa trabalhar o

processamento de dados de maneira semelhante ao crebro humano. O crebro tido como
um processador que altamente complexo e realiza processamentos de maneira paralela.
Para isso, ele organiza sua estrutura, ou seja, os neurnios, de forma que eles realizem o
processamento necessrio. Isso feito numa velocidade extremamente alta e no existe
qualquer computador no mundo capaz de realizar o que o crebro humano faz.
Nas redes neurais artificiais, a idia realizar o processamento de informaes
tendo como princpio a organizao de neurnios do crebro. Como o crebro humano
capaz de aprender e tomar decises baseadas na aprendizagem, as redes neurais artificiais
devem fazer o mesmo. Assim, uma rede neural pode ser interpretada como um esquema de
processamento capaz de armazenar conhecimento baseado em aprendizagem (experincia)
e disponibilizar este conhecimento para a aplicao em questo.
4.1 Funcionamento das redes neurais artificiais
As redes neurais artificiais so criadas a partir de algoritmos projetados para

determinada finalidade. impossvel criar um algoritmo desses sem ter conhecimento de
modelos matemticos que simulem o processo de aprendizado do crebro humano.
Basicamente, uma rede neural se assemelha ao crebro em dois pontos: o
conhecimento obtido atravs de etapas de aprendizagem, e pesos sinpticos so usados
para armazenar o conhecimento. Sinapse o nome dado conexo existente entre
neurnios. s conexes so atribudos valores, que so chamados de pesos sinpticos. Isso
deixa claro que as redes neurais artificiais tm em sua constituio uma srie de neurnios
artificiais (ou virtuais) que sero conectados entre si, formando uma rede de elementos de
processamento.
A representao esquemtica de um EP (elemento de processamento, ou neurnio)
apresentada vista na Figura 4.1. Cada elemento numerado, de um at i-simo elemento,
recebendo vrias entradas (xj) e possuindo uma nica sada (oi). Cada conexo de entrada
associada a um peso ou fora da conexo (wij) (FREEMAM e SKAPURA, 1992).
O valor lquido de entrada do elemento uma somatria do produto das conexes e
seus respectivos pesos. Assim, o valor lquido da entrada do i-simo elemento pode ser
escrito como:
Redes neurais artificiais 18
N
i wij x j 4A
j
onde N representa o total de conexes de entrada do elemento de processamento.

Esse valor lquido (i ) recebe o nome de valor de ativao , ou simplesmente ativao.
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 )
Observa-se que a funo sigmoidal limitada pelos valores extremos 0 e 1. Essa

caracterstica da funo sigmoidal atua como um limitante do sinal de sada, fornecendo
valores com extremos bem-definidos. interessante notar que a no-linearidade da funo
sigmoidal tambm observada no comportamento dos neurnios humanos (WILLIS et al.,
1990). Atuando sobre uma rede neural, esta funo fornece a ela a capacidade de
representar relaes no-lineares.
Tabela 4.1 : Funes de ativao
Funo Definio Faixa dos valores de sada
Linear x (-infinito, +infinito)
1
Sigmoidal (0,+1)
1 ex
e x e x
Hiperblica (-1,+1)
e x ex
Exponencial negativo ex (0,+infinito)
ex
Exponencial normalizado
e xi
i
(0,+1)
x
Soma unitria
xi
i
(0,+1)
Raiz quadrada x (0, +inf)

Seno sen(x) [0,+1]
1 x 1

Rampa x 1 x 1 [-1,+1]
1 x 1

0 x 0
Passo [0,+1]
1 x 0
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
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
4.2 Topologia de redes neurais artificiais
A entidade de processamento definida no item 4.1 relativamente simples, calcula

uma funo de sada oi a partir das entradas xj e dos pesos wij , com uma funo de ativao
pr-definida. O potencial e a flexibilidade do clculo baseado em redes neurais vm da
criao de conjuntos de neurnios que esto interligados entre si. Esse paralelismo de
elementos com processamento local cria a inteligncia global da rede. Um elemento da
rede recebe um estmulo nas suas entradas, processa esse sinal e emite um novo sinal de
sada que por sua vez recebido pelos outros elementos.
Uma categorizao fundamental da topologia dos neurnios pode ser feita em
relao ao mtodo de propagao da informao recebida, conforme mostra a Figura 4.3.
Pode-se fazer distino entre redes de propagao para frente (feedforward) e redes
realimentadas (recurrent). No caso das redes de propagao para frente o fluxo de
informao unidirecional. Neurnios que recebem a informao simultaneamente
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).
Figura 4.3 : Topologias principais de redes neurais artificiais
Redes realimentadas tm ligaes entre os neurnios sem restries. Ao contrrio

das redes sem realimentao, o comportamento dinmico desempenha papel fundamental
nesse modelo. Em alguns casos os valores de ativao da rede passam por um processo de
relaxao at chegarem a um estado estvel. O modelo de rede auto-associativa de
Hopfield um exemplo deste tipo de rede (HOPFIELD, 1982).
4.3 O aprendizado
O processo de aprendizagem das redes neurais realizado quando ocorrem vrias

modificaes significantes nas sinapses dos neurnios. Essas mudanas se do de acordo
com a ativao dos neurnios. Se determinadas conexes so mais usadas, estas so
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.
4.3.1 Treinamento Back propagation
O algoritmo de treinamento Back propagation baseado no clculo do gradiente de

uma funo erro (E). Como o gradiente informa a direo em que a funo crescente,
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
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
O coeficiente de momento pode acelerar o treinamento em regies lisas da

superfcie do erro e suprimir as oscilaes dos pesos em vales ou ravinas ngremes.
Uma boa escolha do passo de aprendizado () e do coeficiente de momento ()
essencial para o sucesso e a velocidade do treinamento. Ajustar esses parmetros
manualmente pode ser muito difcil e pode-se levar um longo tempo para problemas mais
complexos.
Durante o processo de treinamento a correo dos pesos realizada no sentido
inverso da rede, ou seja, da sada para a entrada. Diz-se que o erro propaga-se para trs
(back propagation).
4.3.2 Treinamento Levenberg-Marquardt
O treinamento Levenberg-Marquardt um avanado algoritmo de otimizao no-

linear. Somente pode ser utilizado em estruturas de rede que permitem a propagao para
trs do erro.
Segundo STATISTICA (2006), o treinamento Levenberg-Marquardt
inegavelmente o melhor algoritmo disponvel para treinamento. Entretanto, possu as
seguintes restries de uso:
aplica-se somente a redes com uma nica sada, ou seja, a camada de sada
possui um nico neurnio;
aplica-se a redes pequenas. O espao requerido proporcional ao quadrado

do nmero de pesos da rede. Esse fato, limita o uso para redes no muito
grandes (com menos de 200 pesos);
a funo erro minimizada a funo erro-quadrtico, que soma as
diferenas quadradas entre os valores previstos e os observados na sada da
rede. Essa funo somente apropriada para problema de regresso.
O algoritmo Levenberg-Marquardt trabalha fazendo a suposio que a funo
desconhecida do problema, que est sendo modelada pela rede neural linear. Baseado
neste clculo, o mnimo pode ser determinado exatamente em uma nica etapa. O mnimo
calculado testado, e se o erro determinado for menor que ao atual, o algoritmo move os
pesos para o novo ponto. Este processo repetido iterativamente em cada execuo. Desde
que a suposio linear seja mal fundamentada, pode fcilmente conduzir o mtodo a testar
um ponto que seja inferior (talvez mesmo absurdamente inferior) ao atual. O aspecto
inteligente de algoritmo Levenberg-Marquardt, que a determinao do ponto novo
realmente um acordo entre uma etapa no sentido da descida ao ponto de menor erro e o
salto acima mencionado. As etapas bem sucedidas so aceitas e conduzem a um
fortalecimento da suposio das linearidades (que aproximadamente verdadeira prxima
a um mnimo). As etapas mal sucedidas so rejeitadas e conduzem a uma etapa em decida
mais cautelosa. Assim, o algoritmo Levenberg-Marquardt continuamente alterna a sua
aproximao e pode fazer o progresso muito rpido (STATISTICA, 2006).
W (Z T Z I ) 1 Z T E 4F
W representa a correo na matriz dos pesos da rede;
a constante do mtodo de Levenberg-Maquardt;
E o vetor erro dos casos;
a matriz das derivadas parciais dos erros dos casos em relao aos
pesos;
I a matriz identidade.
O primeiro termo da frmula representa a linearizao assumida e o segundo a
etapa do gradiente descendente.
O parmetro funciona como um fator de estabilizao do treinamento, ajustando
a aproximao de forma a utilizar a rpida convergncia do mtodo e evitando passos
muito grandes que possam levar a um erro de convergncia.
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).
4.3.3 Treinamento Pseudo-Inverse (Singular Value Decomposition)
Este algoritmo usa a tcnica de decomposio em valores singulares (SVD) para

calcular uma matriz pseudo-inversa necessria para ajustar os pesos de uma camada de
sada linear (funo de ativao linear). Essencialmente, garante encontrar o ajuste timo
para os pesos em uma camada linear, minimizando o erro ajustado (BISHOP, 1995). Esta
a tcnica padro de otimizao dos mnimos quadrados.
As tcnicas lineares so extremamente importantes na otimizao, porque
possvel encontrar uma soluo tima a um modelo linear - algo que no est garantido
com modelos no-lineares. O procedimento Pseudo-Inverse alm de encontrar o menor
erro absoluto, tambm, relativamente rpido (STATISTICA, 2006).
W G *d 4G
G*=(GTG)-IGT 4H
W o vetor peso das unidades de sada;
G a matriz determinada a cada iterao com base nos elementos de entrada
e sadas dos casos observados;
G* a matriz pseudo-inversa, calculada usando um algoritmo de
composio de valores singulares;
d o vetor resposta desejado para as sadas (determinado no treinamento);
O algoritmo SVD geralmente, numericamente estvel. Entretanto,
ocasionalmente, uma matriz mal comportada pode fazer com que gere erros matemticos.
4.3.4 Treinamento Conjugate gradient descent
O algoritmo de treinamento Conjugate gradient descent um avanado mtodo de

treinamento para redes multilayer perceptron. Possui performance geralmente melhor do
que o treinamento Back propagation, e pode ser aplicado em todos os casos que se usa o
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).
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).
4.4 Aplicaes para redes neurais
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
retirar um texto de uma imagem, precisa aprender a reconhecer caracteres da imagem;

logo, ele certamente possui algoritmos de rede neural. Existem at alguns softwares que
aprendem a identificar SPAMs5 em e-mails e apag-los (e conseguem uma margem
aceitvel de acertos); mas no geral as redes neurais so usadas principalmente em
aplicaes mais complexas, como em usinas, no mercado financeiro, etc.
As redes neurais esto sendo utilizadas dentro da rea de engenharia de processos,
projetos e simulao, superviso, controle e estimao, deteco de falhas, diagnsticos
reais sobre o efeito de informaes imprevistas e imprecisas, etc. Seus modelos so
baseados em conhecimentos qualitativos (derivados de experincias), quantitativos (em
termos de um modelo analtico do processo) ou uma mistura de ambos. Atravs desses
modelos podemos obter solues aceitveis; existem no entanto, muitas situaes que esto
propensas a falhas devido s incertezas e s no-linearidades intrnsecas dos vrios
processos. No obstante, para essas situaes que as redes neurais artificiais esto sendo
projetadas, procurando formar uma base que fornea alternativas para a engenharia prtica
(MASSINO et al.,1992).
Quando uma rede neural artificial implementada, isso no significa que ela ter
100% de acertos nas situaes em que trabalha. Este um assunto que h tempos vem
sendo estudado, mas ainda sofre pesquisas e certamente ter ainda muitas inovaes. O
sonho de se ter uma mquina to poderosa quanto o crebro humano o que certamente
idealizou este assunto, mas ainda h muito trabalho a ser feito.
5
SPAM uma mensagem eletrnica no-solicitada enviada em massa.
5. Utilizao de redes neurais artificiais na indstria de fios
O planejamento da produo na indstria de fios muito complexo, devido aos

diferentes tipos de fibras, de ttulos dos fios, de sistemas a fiar, de mtodos de preparao e
da qualidade do produto final (FORD, 1995).
O desenvolvimento de mtodos cientficos e de pesquisa aplicados produo de
fios foi apresentado por URSNY (2002) como uma importante condio de sucesso na
otimizao da tecnologia dos sistemas existentes e no projeto de novos sistemas.
A representao do processo real com mtodos tericos um constituinte essencial
para uma soluo cientfica que busque otimizar o processo de fiao. A representao de
um processo tecnolgico real na forma de um modelo facilita a pesquisa, aumenta sua
eficcia e reduz o tempo necessrio para alcanar um melhor ponto de equilbrio para uma
verificao experimental (URSNY, 2002).
Nos ltimos anos vrios estudos foram desenvolvidos nos diversos setores da
cadeia txtil buscando produzir um modelo que representasse o processo real. A seguir
tem-se a descrio de alguns desses trabalhos baseados na utilizao de redes neurais
artificiais aplicados indstria de fios. Os trabalhos foram divididos de acordo com o
objetivo de aplicao.
5.1 Aplicao na produo de fibras sintticas
Um estudo para investigar a relao entre a estrutura fsica e as propriedades

mecnicas dos fios industriais de tereftalato de poli-etileno (PET) foi apresentado por
WEIJER et al., (1992) utilizando um conjunto de 295 amostras de fios produzidas sob
larga variao das condies de processo. Com uma rede neural artificial de trs camadas
do tipo Feedforward (5 neurnios na camada de entrada, 8 neurnios na camada escondida
e 10 neurnios na camada de sada) com treinamento back propagation, WEIJER et al.
(1992) demonstraram que as RNAs6 podem ser aplicadas como uma tcnica quantitativa na
soluo de problemas reais. O uso de RNAs resulta em um melhor conhecimento da
complexa relao entre a estrutura fsica do fio e suas propriedades.
5.2 Aplicao na produo de fibras naturais
Utilizando um conjunto de 187 observaes da produo de fios de algodo no

processo de fiao open end, ETHRIDGE e ZHU (1996) compararam a performance entre
6
Redes Neurais Artificiais
Utilizao de redes neurais artificiais na indstria de fios 29
as redes neurais artificiais e o algoritmo de regresso linear durante a previso da relao

entre a qualidade do fio produzido e a caracterstica da fibra do algodo. Desenvolveram
uma rede do tipo feedforward, com treinamento back propagation, para cada propriedade
estudada. Os resultados sugerem que melhorias no desempenho dos estudos da previso
so possveis com redes neurais artificiais.
JACKOWSKA-STRUMILLO et al. (2004) desenvolveram, por meio das redes
neurais artificiais, um modelo para o processo de produo de fios open end com mquinas
BD 200S a partir de misturas de linho e algodo. Este modelo permite a determinao de
parmetros do fio com base nas densidades lineares do fio e no ndice da porcentagem do
linho.
5.3 Aplicao na otimizao da produo
SETTE et al. (1996) apresentaram um mtodo para otimizar um processo de

produo genrico: simular o processo de produo usando uma rede neural feedforward,
com treino back propagation, e otimizando os resultados da funo do processo de
produo com um algoritmo gentico. Aplicaram o mtodo em 1380 amostras de produo
de fios de algodo utilizando uma rede neural com 18 neurnios na entrada (13
caractersticas da fibra e cinco ajustes do processo) e dois neurnios na sada (duas
qualidades do fio: alongamento e tenacidade). A simulao do processo com redes neurais
artificiais foi satisfatria para prever as duas mais importantes qualidades do fio, enquanto
o algoritmo gentico efetivamente otimizou as duas caractersticas.
Utilizando redes neurais para modelar o processo de produo de fios de algodo
com os ajustes das mquinas e caractersticas das fibras como entrada e as propriedades do
fio, alongamento e tenacidade como sadas, SETTE e Van LANGENHOVE (2002)
desenvolveram um mtodo de otimizao da mistura de matria-prima baseado em um
algoritmo gentico, para a produo de um fio com qualidade e baixo custo. Concluram
que o novo mtodo apresentado deveria ser verificado em ambiente de produo real, com
vrios testes de misturas de matria-prima e fios, comparando-os com os resultados do
modelo.
Van LANGENOVE e SETTE (2002) utilizaram 1380 amostras de fibras de
algodo para validar um modelo baseado em redes neurais de otimizao da mistura da
matria-prima, com base em algoritmo gentico, para a produo de fio com qualidade e
baixo custo. Aplicando tcnicas MBR (Memory Based Reasoning), pelas quais possvel
identificar casos similares atravs de experincias e aplicar o conhecimento para obter
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%).
5.4 Outras aplicaes
A potncia requerida para a alimentao, bombeamento e exausto de uma planta

de umidificao de uma indstria de fios depende de muitos fatores. Os fatores mais
importantes so; a potncia dos motores das mquinas, a carga de luz e aquecimento, o
nmero de pessoas que trabalham no local, o gradiente de temperatura e a umidade
relativa. Trabalhando com uma rede funcional, uma alternativa ao paradigma de redes
neurais, na qual, alm dos dados, o conhecimento do domnio tambm incorporado,
RAJASEKARAN et al. (2003) demonstraram, por meio de um exemplo, que esta
arquitetura de rede se aplica com sucesso para predizer a potncia requerida para uma
planta de umidificao.
5.5 Utilizao na indstria de fios Cocamar
No intuito de auxiliar o setor de programao e controle da produo da Indstria

de Fios Cocamar, investigou-se a utilizao de inteligncia artificial no apoio tomada de
deciso no processo de definio das misturas programadas de matria-prima. Uma das
dificuldades encontradas foi a seleo das propriedades utilizadas na alimentao do
sistema neural, por causa das fortes correlaes existentes entre elas e a dificuldade de
estabelecer a relao entre as propriedades da matria-prima e a qualidade do fio produzido
decorrente dos estoques reguladores existentes nos setores da fiao.
Segundo SILVA e SILVA (1996), as aplicaes com redes neurais artificiais
produzem bons resultados no campo de relacionamento entre as caractersticas da fibra de
algodo e a qualidade do fio produzido. Afirmam tambm, que as RNAs podem ser
utilizadas como poderosas ferramentas para resolver problemas envolvendo tecnologias de
fiao de algodo e representam um caminho interessante para a deciso gerencial na
cincia de fibras e nas aplicaes de engenharia txtil.
5.5.1 Estrutura genrica de implantao
O processo de produo de fios pode ser considerado um processo genrico, como

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 A: Processo Genrico Vetor C:
Vetor B:
Figura 5.1 : Estrutura bsica de um processo gennico
Uma rede neural artificial pode receber os vetores A e B e predizer o vetor C.

Assim, o tcnico da indstria faz a previso da qualidade do fio a produzir, ou determina os
ajustes das mquinas para processar uma determinada matria-prima e produzir um fio
com a qualidade desejada.
A vantagem de simular um processo de fabricao enorme, em face do custo de
produo e da reduo do tempo para a tomada de deciso. Entretanto, o modelo simples
apresentado esbarra na escolha dos dados que devem alimentar o sistema neural. Os
vetores de entrada A e B raramente so os valores timos, porque uma grande faixa de
caractersticas das fibras e variedade dos ajustes das mquinas pode ser usada para
produzir um fio com uma determinada qualidade; ou seja, a soluo tima no nica e
uma soluo tima global praticamente impossvel de ser alcanada (Van
LANGENHOVE e SETTE, 2002).
Considerando que o vetor de entrada B assuma o valor ideal, teremos uma relao
direta entre as caractersticas da fibra e as qualidades do fio produzido. Neste caso,
ETHRIDGE e ZHU (1996) mostraram que as redes neurais artificiais so capazes de
mapear a no-linearidade da relao fibra-fio produzindo bons resultados.
A definio do vetor A de entrada dificultada pelas fortes correlaes existentes
entre as prprias caractersticas das fibras, as quais as tornam variveis interdependentes. A
alimentao de variveis dependentes na rede pode desestabiliz-la ou retardar o seu
aprendizado.
A implantao de um sistema neural usando o conceito de processo genrico e
utilizando dados reais de produo esbarra nos estoques reguladores existentes dentro das
indstrias. A presena desses estoques provoca um tempo morto entre a mudana das
caractersticas da fibra processada e as alteraes na qualidade do fio produzido,

dificultando o aprendizado da rede neural.
Procurando minimizar os efeitos das misturas programadas de matria-prima,
procedimentos utilizando coeficientes de misturas foram propostos por Van
LANGENHOVE e SETTE (2002), nos quais as propriedades da mistura foram
determinadas por meio de modelos lineares simples de misturas. O modelo baseado em
coeficientes de misturas mostrado na Figura 5.2 apresenta duas etapas a serem realizadas
antes da aplicao da rede neural: a definio dos coeficientes e o clculo das
caractersticas das fibras da mistura de matria-prima.
Ajustes das mquinas
Definio de Calculo das

Modelo de Redes Qualidade do
Coeficientes de caractersticas da
mistura de fibras Neurais Artificiais fio produzido
misturas
Figura 5.2 : Modelo de aplicao de RNA baseado em coeficientes de misturas
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
Cm o valor da caracterstica da mistura a ser determinado;

Ci o valor da caracterstica de cada componente da mistura;
mi o coeficiente mssico de cada componente da mistura;
pi o peso de cada componente da mistura e
N o nmero de componentes da mistura.
Com os valores obtidos com essa metodologia de clculo possvel alimentar o
sistema neural com valores mais representativos das propriedades da fibra; no entanto, a
melhor tcnica a ser empregada depende do tipo de dados, do nmero disponvel de dados,
da expectativa do usurio, do uso do modelo e do conhecimento matemtico e tcnico do

usurio (Van LANGENHOVE e SETTE, 2002).
6. Anlise e adequao dos dados de produo da indstria de fios Cocamar
A empresa Cocamar possui os dados das caractersticas das fibras processadas, da

qualidade do fio produzido e dos ajustes utilizados no processo, armazenados quase
integralmente na forma digital. Esses dados retratam a produo dos ltimos 5 (cinco)
anos; entretanto, para a utilizao em um sistema neural necessria uma seleo e
organizao deles.
A forma e o sistema de armazenamento dos dados no seguem um padro, ou seja,
cada um dos conjuntos citados anteriormente possui sua prpria forma de armazenamento,
seja em software especfico seja em planilhas no Microsoft Excel. A seguir descrevem-se
as etapas que foram executadas para a seleo e organizao desses dados.
6.1 Dados da qualidade da fibra
As caractersticas das fibras de algodo disponveis digitalmente so armazenadas

atravs de um sistema denominado de CFA7. Esse sistema foi desenvolvido pelo CPD8 da
empresa e armazena as informaes em uma base de dados COBOL9.
Para a obteno dessas informaes a empresa providenciou, atravs do CPD, a
elaborao de uma opo de exportao dos dados no sistema na forma de um arquivo-
texto onde os dados so dispostos em colunas e separados pelo smbolo ;. Na Tabela 6.1
tem-se o layout desse arquivo com os significados de cada coluna.
As informaes so exportadas fardo a fardo, sendo o romaneio a varivel que
representa uma mistura programada de matria-prima enviada fbrica para
processamento. As exportaes de dados se fazem mediante a escolha do perodo desejado,
data inicial e final em que a matria-prima foi enviada para a fabrica.
Durante a exportao dos dados referentes ao perodo de 01 de dezembro de 2001 a
20 de julho de 2005 optou-se por dividi-los em 4 etapas, devido quantidade de
informaes. Foram exportados 100.551 registros, que correspondem quantidade de
fardos processada no perodo de 43 meses, representando uma mdia de aproximadamente
2350 fardos/ms e 456 tonelada/ms de algodo. Aps a aquisio dos arquivos, estes
foram armazenados em uma base de dados no formato Microsoft Access para facilitar o
manuseio.
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
Tabela 6.1 : Layout de exportao de dados do sistema CFA

Coluna Nome Descrio
1 Data Data de envio do fardo de algodo para a fbrica
2 Romaneio Nmero da carga enviada para a fbrica
3 Safra Ano da safra do fardo de algodo
4 Fardo Nmero do fardo de algodo
5 Padro Cor da fibra conforme padro da tabela de classificao
6 Cliente Fornecedor do algodo
7 Procedncia Regio de colheita do algodo
8 Peso Peso do fardo de algodo (Kg)
9 SCI ndice de fiabilidade da fibra
10 Micronaire Nmero de fibras por seo transversal (g/pol2)
11 Maturidade Grau de maturidade da fibra (%)
12 Comprimento Comprimento da fibra (mm)
13 Amostra Nmero da amostra colhida para anlise
14 Uniformidade Uniformidade da fibra (%)
15 SFI ndice de fibras curtas (%)
16 Resistncia Resistncia da fibra (gf/tex)
17 Alongamento Alongamento da fibra (%)
18 Umidade Grau de umidade da fibra (%)
Uma caracterstica da fibra muito citada em bibliografia e comprovada pelos

tcnicos quanto a sua influncia no processo de fiao a quantidade de acar presente no
algodo, denominada de honeydew ou caramelizao. Essa caracterstica no analisada
dentro da empresa Cocamar; sua anlise realizada por terceiros e seus dados esto
armazenados na forma de laudos tcnicos enviados pelo laboratrio responsvel no
formato PDF10. Essas anlises so pouco realizadas, devido dificuldade de coleta e envio
das amostras. So realizadas geralmente quando ocorre mudana de matria-prima no
processo ou incio de safra. Nessas anlises determina-se o ndice de caramelizao atravs
do processo de aquecimento em estufa e classificam-se as amostras de acordo com a
Tabela 6.2.
Tabela 6.2 : Categorias do ndice de caramelizao por meio de aquecimento em
estufas
ndice de
Categorias
caramelizao
Sem caramelizao (No stickiness or honeydew) < de 3
Leve Caramelizao (Light stickiness or honeydew) 35
Moderada Caramelizao (Moderate stickiness or honeydew) 56
Muita caramelizao (Heavy stickiness or honeydew) > de 6
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.
Coletaram-se 148 registros de amostras de caramelizao realizadas durante a safra

de 2004/2005 e 52 registros de amostras da safra de 2006, com os resultados da
caramelizao obtidos atravs do processo de aquecimento em estufa e classificados de
acordo com a Tabela 6.2.
A quantidade de fibras imaturas tambm uma caracterstica importante da
matria-prima, porque afeta diretamente a qualidade do processo de tingimento do fio. Um
desequilbrio nutricional na planta de algodo pode ocasionar abertura dos capulhos (ma
do algodo aberta) tardiamente, propiciando a formao de fibras imaturas. Isto ocorre
quando existe um excesso de nitrognio ou uma abertura precoce, ou quando a adubao
fosfatada desproporcional. As fibras imaturas tambm formam neps11, que so
responsveis por irregularidades no fio e tambm tendem a deixar pontos destacados aps
o tingimento, especialmente quando compostos por fibras imaturas.
O Laboratrio de Controle de Qualidade da fiao determinou qualitativamente a
quantidade de fibras imaturas em 56 amostras de algodo por meio de anlises qumicas
(tingimento) com o auxlio de procedimentos padronizados pela empresa. Nessas anlises,
utilizou-se o processo de tricomia de cores, sendo possvel a identificao de fibras
imaturas na amostra de algodo pela absoro da cor verde e fibras maturas pela absoro
da cor vermelha. Entretanto, necessrio utilizar corantes especiais, com alto teor de
pureza, para que os resultados no sejam mascarados. Utilizou-se o corante verde
Solophenyl BL e o corante vermelho Difenil 5 BL. Cada ensaio de determinao do ndice
de fibras imaturas realizado no laboratrio leva, em mdia, uma hora para ser concludo,
uma vez que se tm as fases de preparao da amostra, tingimento, secagem e
classificao. A classificao do ndice de fibras imaturas realizada de modo subjetivo,
atravs do aspecto visual final da amostra, devendo-se observar a distribuio relativa dos
corantes vermelho e verde sobre a mesma. Essa distribuio pode variar de um vermelho
pronunciado (alto grau de fibras maturas) a um verde distinto (alto grau de fibras
imaturas). Para a classificao das amostras, padronizou-se ndice de fibras imaturas de
acordo com a Tabela 6.3, que define uma grandeza mensurvel e de fcil interpretao.
Tabela 6.3 : Classificao do IFI (ndice de Fibras Imaturas)
IFI Descrio Classificao quanto distribuio da cor
1 Baixa incidncia de fibras imaturas Vermelho pronunciado
2 Mdia incidncia de fibras imaturas Vermelho fraco
3 Mdia forte incidncia de fibras imaturas Verde fraco
4 Forte incidncia de fibras imaturas Verde pronunciado
11
Pequeno aglomerado de fibras aderentes ao algodo. Notao usada normalmente no plural porque
raramente se encontra um nep.
6.2 Dados da qualidade do fio
A qualidade do fio produzido pela empresa Cocamar avaliada pelo Laboratrio

de Controle de Qualidade da fiao, que efetua anlises dirias. Devido grande
quantidade de filatrios instalada (atualmente so 83, com aproximadamente 500 fusos
cada), existe uma sistemtica de coleta de amostras para anlise, na qual so coletadas 6
amostras de cada filatrio, sendo 3 amostras dos fusos do lado esquerdo e 3 amostras dos
fusos do lado direito.
Os resultados das anlises so armazenados em planilhas utilizando o Microsoft
Excel. Existe uma planilha anual para cada equipamento: carda, passadeira, maaroqueira
e filatrio. Cada arquivo gerado est dividido em pastas dirias, ou seja, em um arquivo
temos 365 pastas rotuladas com o dia da produo. Na Figura 6.1 apresentam-se os dados
da produo do dia 02 de maio de 2000 do fio 100% algodo com ttulo K24/112.
Figura 6.1 : Exemplo de dados de produo de fio do ano de 2000
Na primeira tabela interna da Figura 6.1, a primeira coluna apresenta o nmero da

mquina, em seguida o ttulo declarado (desejado), os valores encontrados do ttulo nos
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.
diversos fusos, e posteriormente, a mdia e o coeficiente de variao do ttulo. Na segunda

tabela interna tm-se os dados que medem a irregularidade do fio. Verifica-se que a coluna
da propriedade tenacidade s est preenchida para as mquinas 16 e 18. Um problema
encontrado que, nessas planilhas no existe um padro de preenchimento, cada dia pode
conter uma quantidade diferente de informaes, porque foi realizada uma triagem das
amostras e descartadas as que apresentaram resultados muito divergentes.
Devido dificuldade de extrair somente os dados de produo do fio da linha de
produo convencional, como previsto anteriormente, desenvolveu-se uma aplicao
dentro da planilha do Microsoft Excel, em linguagem de programao VBA (Visual Basic
Application), que agrupa os dados das 365 pastas de cada arquivo selecionado em uma
nica planilha, de modo a facilitar a extrao. No Apndice 12.1 tem-se uma das listagens
das rotinas empregadas para a organizao desses dados, uma vez que, em muitos casos,
teve-se que realizar algumas alteraes na rotina para se adaptar a planilha que estava
sendo transferida, devido no-padronizao, j citada anteriormente. Na Figura 6.2 tem-
se a tela da aplicao desenvolvida. Inicialmente seleciona-se a planilha a ser transferida e
ativa-se o processo pressionando o boto Transferir.
Figura 6.2 : Tela da aplicao em VBA para organizao de dados

As barras de progresso da transferncia (arquivos, pastas e linhas), apresentadas na

Figura 6.2, fizeram-se necessrias devido grande quantidade de dados por planilha a ser
transferida. Em alguns casos a transferncia de um arquivo chegou a consumir 48 minutos
de processamento em um equipamento com processador AMD 500MHz com 256 MB de
memria RAM.
Utilizando-se a aplicao descrita anteriormente obtiveram-se 44.097 registros,
correspondentes qualidade de fios produzidos pela empresa Cocamar no perodo de 02
de maio de 2000 a 11 de maio de 2004.
Com a finalidade de facilitar o manuseio dessas informaes definiu-se a estrutura
de armazenamento representada na Tabela 6.4. Utilizou-se uma base de dados no formato
Microsoft Access com essa estrutura e transferiram-se os dados obtidos.
Tabela 6.4 : Estrutura de dados definida para armazenar a qualidade do fio

produzido
Coluna Nome Descrio
1 Fio Tipo de fio produzido
2 Mquina Nmero do filatrio
3 Ttulo mdio Mdia do ttulo das amostras do fio produzido
4 CV mdio Coeficiente de variao do ttulo das amostras
5 Data Data da anlise do fio
6 Uster Regularidade da massa do fio
7 CV Uster Coeficiente de variao da regularidade da massa do fio
8 Pontos finos Nmero de pontos finos
9 Pontos grossos Nmero de pontos grossos existentes no fio
10 Neps Nmero de neps existentes no fio
11 Tenacidade Resistncia mdia do fio
12 CV tenacidade Coeficiente de variao da resistncia do fio
13 Alongamento Percentual de alongamento do fio
14 CV alongamento Coeficiente de variao do alongamento do fio
6.3 Dados do processo
As variveis do processo de ajuste das mquinas esto armazenadas no sistema

PCF13 desenvolvido pela empresa Logus Software e colocado em operao em janeiro de
2001.
A empresa Logus Software desenvolveu no sistema PCF, a pedido da empresa
Cocamar, uma rotina de exportao de dados para um arquivo-texto formatado em
colunas e separado pelo smbolo ;. Na Tabela 6.5 tm-se a estrutura e as variveis
13
Programao e Controle de Fios Software para o controle da manuteno nas mquinas da indstria de
fios
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.
6.4 Organizao dos dados para aplicao na RNA
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.
Os dados do processo so espaados de acordo com a interveno no equipamento

para seu ajuste. Podem ocorrer vrias ou nenhuma interveno ao longo de um ms,
dependendo das condies de operao desejada no processo definidas pelo setor de
planejamento e controle da produo. Aps a interveno o equipamento passa a operar
com os ajustes implantados at a nova interveno; deste modo o equipamento opera por
um longo perodo com os valores dos ajustes inalterados.
Utilizaram-se os recursos da linguagem de consulta a banco de dados SQL
(Structured Query Language) do MicroSoft Access para a compatibilizao dos dados.
A linguagem de consulta estruturada ou SQL, uma linguagem de pesquisa
declarativa para banco de dados relacional (bases de dados relacionais). Muitas das
caractersticas originais do SQL foram inspiradas na lgebra relacional. Embora o SQL
tenha sido originalmente criado pela IBM, rapidamente surgiram vrios "dialectos"
desenvolvidos por outros produtores. Essa expanso levou necessidade de ser criado e
adaptado um padro para a linguagem. Esta tarefa foi realizada pela American National
Standards Institute (ANSI) em 1986 e International Organization for Standardization
(ISO) em 1987.
A linguagem SQL dividida em 4 elementos ou subconjuntos:
1. DML (Data Manipulation Language - Linguagem de Manipulao de
Dados). A DML um subconjunto da linguagem usada para selecionar,
inserir, atualizar e apagar dados. Os principais comandos so:
a. SELECT: o comando mais usado da DML; comanda e permite ao
usurio especificar uma query (consulta) como uma descrio do
resultado desejado;
b. INSERT: usado para somar uma fila (formalmente uma tupla14) a
uma tabela existente;
c. UPDATE: para mudar os valores de dados em uma fila de tabela
existente;
d. DELETE: permite remover filas existentes de uma tabela.
2. DDL (Data Definition Language - Linguagem de Definio de Dados).
Uma DDL permite ao usurio definir tabelas novas e elementos associados.
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.
A maioria dos bancos de dados de SQL comerciais tem extenses

proprietrias no DDL. Os comandos bsicos da DDL so:
a. CREATE: cria um objeto (uma Tabela, por exemplo) dentro do
banco de dados;
b. DROP: apaga um objeto do banco de dados;
c. alguns sistemas de banco de dados usam o comando ALTER, que
permite ao usurio alterar um objeto, por exemplo, adicionando uma
coluna a uma tabela existente.
3. DCL (Data Control Language - Linguagem de Controle de Dados):
controla os aspectos de autorizao de dados e licenas de usurios para
controlar quem tem acesso para ver ou manipular dados dentro do banco de
dados. Duas palavras-chave da DCL:
a. GRANT - autoriza o usurio a executar ou setar operaes;
b. REVOKE - remove ou restringe a capacidade de um usurio de
executar operaes.
4. DQL - Linguagem de Consulta de Dados. Embora tenha apenas um
comando, a DQL a parte da SQL mais utilizada. O comando SELECT
composto de vrias clusulas e opes, possibilitando elaborar consultas
das mais simples s mais elaboradas. O SELECT tambm considerado um
comando DML. As clusulas mais importantes do comando so:
a. FROM define a tabela ou tabelas de onde so retirados os dados;
podem-se unir vrias tabelas, desde que exista uma chave comum
entre elas, por meio das subclusulas INNER JOIN, LEFT JOIN ou
RIGHT JOIN;
b. GROUP BY define as colunas da tabela ou tabelas que sero
utilizadas como forma de agrupamento dos dados;
c. WHERE define o filtro para a seleo dos dados;
d. ORDER BY define a ordem de exibio dos dados.
No Apndice 12.2 tem-se uma sequncia de recursos da linguagem SQL, utilizada
para a seleo dos dados da qualidade da fibra. Durante essa seleo algumas providncias
foram tomadas para eliminar os problemas citados anteriormente:
a) Excluram-se os romaneios de cargas enviadas aos sbados, contornando o
problema do processamento nos finais de semana.
b) Para contornar o problema do tempo morto do processo criou-se uma

varivel denominada Data processo, que recebeu a data da remessa mais
dois dias (48 horas).
c) Criou-se uma tabela denominada DataDeProducao para fazer a ligao
entre os dados da fibra e os dados de produo.
d) Determinou-se a mdia das propriedades das fibras processadas em cada
romaneio aplicando-se os coeficientes de misturas definidos no item 5.5.1.
Aps a execuo das etapas acima, obteve-se um conjunto de 749 registros das
caractersticas das fibras processadas na indstria no perodo de 01 de dezembro de 2001 a
20 de julho de 2004.
A seqncia utilizada para selecionar os dados da qualidade do fio, uni-los aos
dados do processo e aos dados da qualidade da fibra, est descrita no Apndice 12.3. Para
solucionar o problema da unio do ajuste do processo e a qualidade do fio, criou-se uma
consulta unindo os dados atravs do nmero da mquina, ordenados de modo que, por
meio de uma outra consulta de atualizao, definiu-se o ajuste na mquina para o fio
produzido. Aplicando-se esses recursos obtiveram-se 11.351 registros correspondentes ao
fios produzidos na linha convencional, com fibras 100% algodo, no perodo de 02 de
maio de 2000 a 11 de maio de 2004.
A etapa seguinte, a da unio dos dados do fio com os dados de produo, reduziu
em 56% a quantidade de informaes; obtiveram-se 4.966 registros para o perodo de 10
de junho de 2001 a 11 de maio de 2004. Este fato ocorreu porque a informao do ajuste
da mquina que est produzindo um determinado fio s possvel aps uma manuteno
na mquina. Como durante o ano de 2001 muitas mquinas no sofreram manuteno,
tiveram seus dados eliminados.
Na etapa final de unio dos dados da fibra, do fio e do processo obteve-se um
conjunto de 4.450 registros, que correspondem ao perodo de produo de 10 de junho de
2001 a 11 de maio de 2004. Esse conjunto foi utilizado para aplicao na RNA.
7. Aplicao de redes neurais artificiais na indstria de fios Cocamar
A principal finalidade da aplicao das redes neurais artificiais no processo de

produo de fios da indstria Cocamar possibilitar a previso da qualidade do fio a
produzir na indstria, durante a programao e montagem das misturas de matria-prima.
O conhecimento da qualidade do fio, durante o processo de montagem das misturas
de matria-prima, auxilia o engenheiro do PCP15 na deciso da composio da mistura de
matria-prima a ser enviada para a fbrica. Entretanto, existem outras informaes
importantes que interferem nessa deciso, como, por exemplo, o ndice de caramelizao e
o ndice de fibras imaturas.
Conhecendo o ndice de caramelizao da mistura de matria-prima a ser
processada, o engenheiro do PCP, dependendo da necessidade, providencia alteraes nos
ajustes das mquinas para que no ocorram problemas de caramelizao durante o
processamento.
A informao do ndice de fibras imaturas, da mistura de matria-prima, utilizada
para antever os problemas no tingimento de fios, quando formados com um alto teor de
fibras imaturas. Por meio dessa informao, o engenheiro do PCP altera a composio da
mistura de matria-prima, alterando o ndice de fibras imaturas, ou simplesmente informa
ao consumidor do fio o tipo de tingimento ideal para aquele fio.
Sabendo-se da necessidade dessas informaes, aplicaram-se tambm RNAs na
determinao do ndice de caramelizao e na determinao do ndice de fibras imaturas.
Para a aplicao de redes neurais artificiais nos dados da empresa Cocamar usou-
se o software SNN - STATISTICA: NEURAL NETWORKS. Esse software oferece
grande flexibilidade para definio de arquiteturas e treinamento de redes.
Com o recurso IPS (Inteligent Problem Solve), existente no SNN, definiram-se as
estruturas de redes a serem treinadas. O IPS uma ferramenta sofisticada que ajuda a criar
e testar redes neurais para problemas de anlise e predio de dados. Projeta um nmero de
redes para resolver o problema e seleciona aquelas com melhores resultados, baseando-se
em anlises de desempenho da rede.
O SNN divide o conjunto de dados em trs subconjuntos: os casos para
treinamento, os casos para seleo e os casos para teste. Essa diviso feita de forma
randmica, na proporo-padro de 2:1:1, ou seja, para cada dois casos de treinamento
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.
7.1 Determinao de caractersticas da matria-prima
As duas caractersticas apresentadas a seguir, ndice de fibras imaturas e ndice de

caramelizao, so influenciadas diretamente pelas condies de formao da planta
durante a formao dos capulhos (mas do algodo), sendo possvel determin-las por
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
meio de outras caractersticas da fibra, como comprimento, alongamento, maturidade,

resistncia, micronaire e SFI (ndice de Fibras Curtas).
7.1.1 ndice de caramelizao
Na determinao do ndice de caramelizao, utilizaram-se 148 (cento e quarenta e

oito) amostras de algodo para a aplicao da RNA (ver item 6.1). As caractersticas das
fibras utilizadas e as respectivas faixas de valores esto descritas na Tabela 7.1.
Tabela 7.1 : Caractersticas das fibras utilizadas para determinar o ndice de
caramelizao
Valor Valor Valor Valor
Caracterstica Caracterstica
mnimo mximo Mnimo mximo
Micronaire (g/in2) 3,50 4,92 Resistncia (gf/tex) 25,90 33,40
Comprimento (mm) 26,60 31,80 Alongamento (%) 5,10 8,10
Uniformidade (%) 78,90 85,40 Maturidade 0,83 0,91
SFI (%) 4,80 15,30
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
Foram analisados o ndice de performance e o valor da funo erro no subconjunto

de seleo, apresentados na Tabela 7.2. Optou-se por utilizar a quinta RNA apresentada,
com a estrutura MLP 7:7-11-9-1:1, para a determinao do ndice de caramelizao. Na
Figura 7.1 tem-se a representao grfica dessa estrutura, com a descrio das variveis de
entrada e a varivel de sada.
Figura 7.1 : Estrutura da RNA utilizada para determinar o ndice de

caramelizao
Utilizou-se a estrutura de rede da Figura 7.1 com funo de ativao linear na
camada de entrada, funo de ativao hiperblica nas camadas intermedirias e funo de
ativao sigmoidal na camada de sada.
Na etapa de treinamento da RNA utilizou-se o mesmo conjunto de dados da etapa
de seleo; entretanto, com o objetivo de priorizar o treinamento, os dados foram divididos
em trs subconjuntos; 82 casos no subconjundo de treinamento, 41 casos no subconjunto
da seleo e 25 casos no subconjunto de teste. Para cada subconjunto de dados utilizado no
treinamento tem-se na Tabela 7.3 o ndice de performance, o valor da funo erro-
quadrtico e o coeficiente de correlao entre os valores observados e previstos do ndice
de caramelizao. A ltima linha da Tabela 7.3 representa o desempenho da rede sobre o
conjunto total de dados.
O SNN permite a diviso do treinamento em duas fases, podendo-se, em cada fase,
escolher o tipo de treinamento, seus parmetros e o nmero de iteraes. O treinamento da
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
A Figura 7.2 a representao grfica do coeficiente de correlao entre os valores

observados e os valores previstos pela RNA. Pode-se observar que houve uma boa
performance dos subconjuntos de treinamento, de seleo e de teste.
Figura 7.2 : Performance da RNA para determinar o ndice de caramelizao

Durante o treinamento obteve-se, por meio do SNN, a sensibilidade das variveis
quanto ao grau de influncia sobre a determinao da caramelizao, com a utilizao da
rede neural. Na Tabela 7.4 verifica-se que a caracterstica da fibra maturidade possui maior
relevncia na determinao do ndice de caramelizao, seguida pelo micronaire,
comprimento e resistncia. Juntos eles somam um grau de 77,5% de influncia na

composio do valor da caramelizao. Realizou-se teste com outras redes, descartando-se
as trs ltimas caractersticas listadas na Tabela 7.4, mas no se conseguiram resultados
melhores.
Tabela 7.4 : Influncia das caractersticas das fibras sobre a determinao do ndice
de caramelizao utilizando RNA
Caracterstica Ordem de influncia Peso na previso Grau de influncia (%)
Maturidade 1 32,28739 31,5%
Micronaire 2 25,05740 24,4%
Comprimento 3 11,28023 11,0%
Resistncia 4 10,92434 10,6%
Alongamento 5 9,71878 9,5%
SFI 6 7,96523 7,8%
Uniformidade 7 5,39277 5,3%
Com a RNA treinada, utilizou-se um conjunto de 52 amostras, disponibilizadas

pela empresa Cocamar, para sua validao. Obteve-se um coeficiente de correlao
R=0,920766, entre os valores observados do ndice de caramelizao e os valores
determinados pela RNA. Na Figura 7.3 tem-se a representao grfica da performance da
rede nessa fase de validao.
ndice de Caramelizao das Amostras de Validao

(R=0,920766)
8,5
8,0
7,5
7,0
6,5
6,0
5,5
Previsto
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
7.1.2 ndice de fibras imaturas
Para a determinao do IFI (ndice de Fibras Imaturas) atravs do uso de redes

neurais artificiais, aplicou-se a mesma metodologia descrita no item 7.1.1. Com as 56
(cinqenta e seis) amostras de tingimento realizado pelo laboratrio de qualidade da
indstria (ver item 6.1), utilizou-se o recurso IPS para determinar a estrutura da RNA. O
conjunto de dados foi dividido nos trs subconjuntos - treinamento, seleo e teste - na
proporo 2:1:1 respectivamente.
Na Tabela 7.5 tm-se as caractersticas das fibras, com as respectivas faixas de
valores, utilizadas como variveis de entrada da rede neural. O IPS do SNN, por meio da
pesquisa em um conjunto de 200 (duzentas) redes diferentes com os mais variados tipos de
estrutura, selecionou trs variveis (micronaire, alongamento e maturidade) e cinco tipos
de estruturas com melhores desempenhos.
Tabela 7.5 : Caractersticas das fibras utilizadas para determinar o ndice de fibras
imaturas
Valores Estatsticos
Caracterstica
Min. Mx. Md. D. Pad. C. V. (%)
2 3,10 4,50 3,90 0,40 10,60
Micronaire (g/in )
Maturidade 0,83 0,94 0,89 0,04 4,00
Comprimento (mm) 27,90 30,43 29,02 0,66 2,26
Uniformidade (%) 77,70 88,00 81,50 1,50 1,90
SFI (%) 6,70 11,30 9,10 1,00 10,90
Resistncia (gf/tex) 27,50 33,80 33,30 1,30 4,20
Alongamento (%) 7,00 9,20 8,10 0,50 6,40
Umidade (%) 5,50 8,50 7,82 0,66 8,45
Legenda: Min.=Valor mnimo, Max.=Valor mximo, Md.=Valor mdio,
D.Pad =Desvio padro e C.V.=Coeficiente de variao
Os resultados obtidos pelo IPS, durante o processo de definio da estrutura da

rede, esto apresentados na Tabela 7.6. Observa-se que a rede de perfil Linear 3:3-1:1
apresentou o melhor ndice de performance no conjunto de seleo e menor valor da
funo erro no conjunto de treino.
Tabela 7.6 : Resultados da seleo RNA para determinar o ndice de fibras imaturas
Performance Performance Performance Erro Erro Erro
Perfil da Rede
do Treino da Seleo do Teste Treino Seleo Teste
RBF 3:3-3-1:1 0,2125 0,6678 0,5757 0,1874 0,7410 0,6115
GRNN 3:3-8-2-1:1 0,1260 0,6523 0,5385 0,1111 0,7232 0,5216
Linear 3:3-1:1 0,2123 0,3196 0,3903 0,0702 0,2996 0,2234
MLP 3:3-11-1:1 0,2943 0,5053 1,0877 0,1256 0,5109 0,5152
MLP 3:3-11-11-1:1 0,2932 0,4016 0,3151 0,0777 0,1351 0,1850
MLP - Multilayer Perceptrons Linear - Linear Network
Devido ao fato de ter-se conseguido uma estrutura de rede simples e um conjunto

pequeno de variveis de entrada explorou-se durante o treinamento outras possibilidades
da alimentao da rede. Concluiu-se que a estrutura de rede escolhida produz melhores
resultados quando alimentada com o micronaire, a razo e o produto do alongamento e
maturidade. Na Figura 7.4 tm-se a definio da estrutura utilizada e as variveis de
alimentao da rede neural, alteradas conforme descrito anteriormente.
Figura 7.4 : Estrutura da RNA utilizada para determinar o ndice de

fibras imaturas
Com a estrutura apresentada na Figura 7.4, utilizou-se o treinamento Pseudo-

Inverse (Singular Value Decomposition) e funes lineares de ativao nas camadas de
entrada e de sada. Com essa rede estabeleceu-se um coeficiente de correlao (R2) de
0,857804 entre os valores observados em laboratrio e os valores previstos pela rede. Na
Figura 7.5 tem-se a representao grfica de desempenho da rede durante o treinamento.
Conforme descrito no item 6.1, os valores observados do ndice de fibras imaturas
so determinados de forma subjetiva, atravs do aspecto visual final da amostra. Portanto,
tm-se na Figura 7.5 os valores observados na forma de um degrau (linha horizontal
descontnua). Os pontos, que representam os valores determinados pela rede, esto
distribudos de forma mais contnua e linear. Observando esse fato, optou-se por redefinir a
classificao do ndice de fibras imaturas, apresentada na Tabela 6.3, de modo a
representar uma faixa de valores de ndices, e no um nico valor, tornando-o contnuo. A
Tabela 7.7 representa a redistribuio do ndice de fibras imaturas de modo contnuo.
Figura 7.5 : Performance da RNA durante o treinamento para determinar

o ndice de fibras imaturas
A redistribuio do ndice de fibras imaturas de modo contnuo melhorou o

desempenho da RNA na determinao do ndice de fibras imaturas. Por exemplo: uma
amostra com o valor do IFIobservado=1,0 e o valor do IFIprevisto=1,49 possui um erro absoluto
no valor de 49%, entretanto, ambos so classificados na Faixa 1. Por meio dessa nova
classificao conseguiu-se que em 84% dos casos fosse determinada, com exatido, a faixa
do ndice de fibras imaturas pela RNA.
Tabela 7.7 : Classificao contnua dos valores do ndice de fibras imaturas
Descrio Classificao quanto IFI
distribuio de cores Faixa Valor
Baixa incidncia de fibras imaturas Vermelho pronunciado 1 0,50 a 1,49
Mdia incidncia de fibras imaturas Vermelho fraco 2 1,50 a 2,49
Mdia forte incidncia de fibras imaturas Verde fraco 3 2,50 a 3,49
Forte incidncia de fibras imaturas Verde pronunciado 4 3,50 a 4,50
Devido simplicidade da estrutura da RNA obtida e facilidade de programao

do seu algoritmo, foram construdas a Figura 7.6 e a Figura 7.7, duas ferramentas grficas
que disponibilizam de modo prtico o conhecimento adquirido pela RNA.
As Figuras 7.6 e 7.7, em conjunto, podem determinar o ndice de fibras imaturas de
uma amostra sem a necessidade de se fazer anlise qumica (tingimento).
A Figura 7.6 foi denominada de Carta ASM (Anlise Simplificada da Maturidade)

e fornece o valor do IFI de uma amostra classificando-a de acordo com a Tabela 7.7. No
entanto, para se utilizar a Carta ASM necessrio primeiramente entender o Diagrama
MRA (Maturidade, Razo e Alongamento) da Figura 7.7. Nele os valores das
caractersticas maturidade e alongamento foram disponibilizados de modo a fornecer uma
razo (Fator R) entre as duas caractersticas. Essa razo no possui nenhum significado
fsico nem unidades, sendo apenas um referencial para ser utilizado na Carta ASM. Com o
valor desse fator e a caracterstica micronaire da amostra possvel determinar a faixa e o
ndice de fibras imaturas na Carta ASM.
Figura 7.6 : Carta de Anlise Simplificada da Maturidade
Figura 7.7 : Diagrama Maturidade, Razo e Alongamento

As setas existentes nas Figuras 7.7 e 7.8 representam um exemplo de leitura do

valor do ndice de fibras imaturas. Neste exemplo, utiliza-se o valor do alongamento da
fibra igual a 8.30%, a maturidade igual a 0.87 e a Figura 7.8, para determinar o valor de
5.35 para o fator R. Com o valor do fator R obtido e o micronaire igual a 3,7 g/cm2
utiliza-se a Figura 7.7 para determinar o valor de 3.0 para o ndice de fibras imaturas, que
est distribudo dentro da faixa 3, ou seja, a faixa de mdia forte incidncia de fibras
imaturas.
7.2 Determinao da qualidade do fio
Na determinao da qualidade do fio produzido, inicialmente utilizou-se o conjunto

de 4450 registros definido no item 6.4. Com o recurso do IPS distriburam-se os dados nos
subconjuntos de treinamento, de seleo e de testes na proporo 2:1:1 respectivamente
(2225 casos para treinamento, 1113 casos para seleo e 1112 casos para teste). Definiu-se
a pesquisa do IPS em 200 tipos diferentes de redes utilizando-se a seguinte distribuio das
variveis:
Variveis de entrada da rede:
o Caractersticas da fibra: micronaire, maturidade, comprimento,
uniformidade, SFI, resistncia, alongamento e umidade;
o Ajustes do processo: rotao, peo de estiragem auxiliar, peo de
estiragem, pr-estiragem, viajante, apoio do mancho, coeficiente de
toro e brao pendular;
Variveis de sada da rede:
o Qualidade do fio: Uster, CV Uster, pontos finos, pontos grossos,
NEPS, tenacidade e alongamento.
Apesar da quantidade elevada dos tipos de redes testadas e do conjunto de dados, o
IPS no apresentou um bom desempenho; as redes por ele selecionadas possuam um valor
muito elevado do ndice de performance de seleo, prximo da unidade, como tambm
elevado valor da funo erro no conjunto de seleo, na ordem de 102, que representa um
over-learning. Entretanto, o desempenho do treinamento de uma rede est relacionado
diretamente qualidade, e no quantidade de dados apresentados rede. Assim, realizou-
se uma anlise nos dados apresentados na rede e verificou-se que as variveis de ajustes do
processo oscilam pouco ao longo do conjunto de dados selecionados. Essa caracterstica
inviabiliza o processo de treinamento de uma rede, uma vez que as redes neurais
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).
Figura 7.8 : Quantidade de ajustes no processo por filatrio
Realizou-se tambm uma anlise do nmero de registros de dados por mquina

existentes no conjunto de dados selecionados. A Figura 7.9 representa o resultado obtido.
Observa-se que apenas 27 mquinas possuem mais de 60 registros de dados, ou seja,
apenas 33% delas possuem uma quantidade de dados razovel. A mdia da quantidade de
registros por mquina, nos dados selecionados, de 54,9 registros. Conclui-se que, no
conjunto de dados selecionado, tm-se, em mdia, 4,5 ajustes do processo, distribudos em
54,9 registros por mquina, ou seja, uma mdia de 12,2 registros com qualidade por
mquina. Como durante o periodo selecionado foram utilizadas 81 mquinas, pode-se dizer
que, no conjunto de dados selecionado, tm-se aproximadamente 988,2 registros com

qualidade.
Em funo disto, desenvolveram-se novos recursos para a seleo, dentre os dados
selecionados, de registros com qualidade para serem utilizados na rede neural artificial.
Outra providncia tomada foi a reduo da quantidade de variveis na entrada da rede.
Optou-se por selecionar algumas das variveis que caracterizam o processo de fiao.
Escolheu-se a rotao, o peo de estiragem e o coeficiente de toro. Essa deciso baseou-
se nos dados existentes, uma vez que as outras variveis, ou no tinham variao no
perodo selecionado, ou no possuam valores na maioria dos registros.
Figura 7.9 : Quantidade de registros de dados por filatrio
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.
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
MLP - Multilayer Perceptrons Linear Linear Network
Por meio da anlise do ndice de performance e do valor da funo erro no

subconjunto de seleo, apresentados na Tabela 7.9, optou-se por utilizar a quinta RNA
apresentada, com a estrutura MLP 11:11-11-13-7:7, para a determinao da qualidade do
fio. Na Figura 7.1 tem-se a representao grfica dessa estrutura, com a descrio das
variveis de entrada e a varivel de sada.
A estrutura de rede da Figura 7.10 utiliza funo de ativao linear na camada de
entrada, funo de ativao hiperblica nas camadas intermedirias e funo de ativao
sigmoidal na camada de sada.
Figura 7.10 : Estrutura da RNA utilizada para determinar a qualidade do fio
O mesmo conjunto de dados utilizado na etapa de seleo da estrutura da rede foi

utilizado na etapa de treinamento da RNA. Entretanto, com o objetivo de priorizar o
treinamento, dividiram-se os dados em trs subconjuntos; 807 casos no subconjundo de
treinamento, 200 casos no subconjunto da seleo e 200 casos no subconjunto de teste.
O treinamento da rede para determinar as qualidades do fio 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 Conjugate gradiente descent com 200 iteraes.
Obtiveram-se os ndices de performace 0.057681, 0,125645 e 0,098655 para os
conjuntos de treino, seleo e teste respectivamente. Na Tabela 7.10 tm-se, para cada
propriedade da qualidade do fio determinada, o erro-quadrtico mdio e o coeficiente de
correlao entre os valores observados e previstos. Observa-se que apesar de algumas
qualidades do fio apresentarem erros elevados, como o caso dos Pontos Grossos, o
coeficiente de correlao da rede foi bom. Esse fato ocorre para caractersticas que
possuem valores elevados de desvio padrao nos dados amostrados, ou seja, para as
irregularidades do fio (NEPS, Pontos Finos e Pontos Grossos).
Tabela 7.10 : Estatsticas dos resultados do treinamento da RNA para determinar a

qualidade do fio
Desvio Erro R2
Qualidade Valor Desvio Erro
padro do absoluto Coeficiente
Do fio mdio Padro mdio
Erro mdio de correlao
Alongamento 5,66 0,4991 -0,00246 0,33927 0,26482 0,8803
CV Uster 15,18 0,9590 -0,00128 0,22538 0,16710 0,9086
NEPS 98,41 28,7800 -0,19462 13,35490 10,34332 0,9148
Pontos Finos 13,15 12,4126 -0,29868 5,13431 3,44310 0,9518
Tenacidade 15,85 1,4816 -0,00288 0,54896 0,42709 0,9242
Pontos Grossos 237,20 87,2094 -0,48990 25,82952 19,39320 0,9237
Uster 11,95 0,7635 -0,00063 0,18510 0,13384 0,9027
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.
Figura 7.11 : Performance da RNA no treinamento para determinar o alongamento

Figura 7.12 : Performance da RNA no treinamento para determinar o CV Uster
Figura 7.13 : Performance da RNA no treinamento para determinar o NEPS

Figura 7.14 : Performance da RNA no treinamento para determinar o nmero de

pontos finos
Figura 7.15 : Performance da RNA no treinamento para determinar a tenacidade

Figura 7.16 : Performance da RNA no treinamento para determinar os nmeros de

pontos grossos
Figura 7.17 : Performance da RNA no treinamento para determinar o Uster

Observa-se que o menor coeficiente de correlao foi obtido para a qualidade

alongamento. Para tentar melhorar o desempenho da RNA isolou-se essa qualidade, ou
seja, excluiu-se essa propriedade da sada da rede. O objetivo era, posteriormente, construir
uma rede que determinasse essa propriedade; entretanto, observou-se que a retirada da
qualidade alongamento da sada da rede desestabilizou todas as outras sadas,
demonstrando a grande interdependncia entre as qualidades do fio.
Outra anlise realizada foi a construo de vrias redes, uma para cada propriedade.
Essa a soluo apresentada por JACKOWSKA-STRUMILLO et al., (2004) para fazer a
previso das propriedades de uma mistura de linho e algodo. Os resultados obtidos
tiveram performance inferior apresentada pela estrutura de rede definida na Figura 7.10,
sendo que o maior coeficiente de correlao obtido foi R2=0.86756, para a tenacidade do
fio .
Durante a fase de treinamento obteve-se tambm a anlise de sensibilidade nas
variveis de entrada da rede. Essa anlise realizada com recursos do SNN que determina
o peso de cada entrada da rede na determinao dos valores de sada da rede, na Tabela
7.11 tm-se a representao dos resultados obtidos em ordem crescente de influncia.
Tabela 7.11 : Influncia das variveis de entrada da RNA na determinao das

qualidade do fio
Ordem de
Varivel Peso na previso Grau de influncia
influncia
Alongamento 1 3,48028 15,4%
Micronaire 2 2,16146 9,5%
Comprimento 3 2,15705 9,5%
Coeficiente de toro 4 2,10423 9,3%
Maturidade 5 2,00907 8,9%
Umidade 6 1,99885 8,8%
Rotao 7 1,95566 8,6%
Uniformidade 8 1,86816 8,2%
SFI 9 1,84665 8,2%
Peo de estiragem 10 1,61854 7,1%
Resistncia 11 1,45535 6,4%
Verifica-se, por meio dos resultados apresentados na Tabela 7.11, que a

caracterstica do alongamento possui grande influncia sobre as qualidades do fio
produzido, seguido do micronaire e comprimento. Entre os ajustes do processo, o
coeficiente de toro apresentou maior influncia na determinao da qualidade do fio.
7.3 Apresentao e disponibilizao dos resultados
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
A crescente expanso da utilizao de sistemas de cdigo aberto, os chamados

opensource, demandou o desenvolvimento de um sistema que utilizasse esses recursos.
Essa iniciativa tambm veio ao encontro dos interesses do GOVERNO DO ESTADO DO
PARANA (2003) manifestados por meio do projeto softwarelivre que procura difundir o
uso desses produtos dentro das instituies pblicas.
No desenvolvimento do sistema ANS Online utilizaram-se tecnologias de sistemas
de cdigo abertos aliadas s tcnicas de POO (Programao Orientada a Objetos).
Desenvolveu-se e implantou-se um sistema com arquitetura cliente-servidor18 utilizando as
plataformas de cdigo aberto; sistema operacional Linux, servidor de pginas Apache,
linguagem de programao PHP (Personal Home Page) e banco de dados
Firebird/Interbase.
A empresa USES Informtica utiliza os recursos computacionais descritos
anteriormente para o desenvolvimento de aplicaes comerciais (USES, 2006). Esses
recursos foram gentilmente cedidos pela empresa para o desenvolvimento do sistema ANS
Online e por meio deles foi possvel criar um sistema seguro e prtico, em termos de
utilizao e divulgao.
A seguir tem-se o detalhamento da estrutura de desenvolvimento utilizada, das
caractersticas do sistema desenvolvido e das aplicaes implantadas no sistema ANS
Online.
8.1 Estrutura de desenvolvimento
Para garantir flexibilidade, agilidade e mobilidade nos processos de customizao e

manuteno dos sistemas, a USES Informtica criou um ambiente prprio de
desenvolvimento e administrao de bancos de dados.
Com uma estrutura instalada totalmente com recursos de plataformas de cdigos
abertos, a USES Informtica trabalha com tecnologia ASP19. Deste modo, o prprio
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
ambiente de desenvolvimento acessado remotamente, via internet, proporcionando

flexibilidade e mobilidade na elaborao de sistemas.
8.1.1 Diagrama operacional
Procurando maximizar a performance e garantir a integridade dos sistemas

desenvolvidos pela USES Informtica, a empresa implementou a topologia de rede
ilustrada na Figura 8.1. A interligao com a internet realizada atravs de um roteador20
(Router) conectado a uma mquina Firewall21, que executa o sistema operacional Linux e
protege o servidor de pgina Web Server.
Figura 8.1 : Interligao de hardware utilizada pela empresa USES Informtica
O Web Server trabalha com o sistema operacional Linux, servidor de pginas

Apache e compilador PHP. Neste servidor est instalado o mdulo gerenciador de
aplicaes, que controla o fluxo de acesso e processa as solicitaes dos usurios.
Os sistemas da USES Informtica possuem algumas caractersticas que os diferem
dos sistemas convencionais. Devido ao fato de a linguagem de programao PHP ser
interpretada em tempo de execuo, possvel desenvolver um sistema em que os cdigos-
fonte dos mdulos que o compem, fiquem armazenados em um banco de dados e sejam
processados de acordo com a solicitao do usurio. Entretanto, existe um mdulo
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.
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.
8.1.2 Ambiente de desenvolvimento
A USES Informtica criou um ambiente de desenvolvimento, definido como

Gerenciador de Programas em Desenvolvimento, que integra todos os seus sistemas em
fase de desenvolvimento e em fase de produo. Por meio desse ambiente, o
desenvolvedor, tem acesso a todos os mdulos de todos os sistemas.
Na Figura 8.2 tem-se a tela de trabalho do desenvolvedor no gerenciador de
programas. Observa-se no lado esquerdo a lista de mdulos disponveis organizada por
sistemas; no topo tem-se o boto Geral, que apresenta as informaes exibidas na Figura
8.2, e os botes de acesso listagem de cdigos, divididos em cinco categorias:
1. interface codificao dos comandos que devem ser executados para a
montagem da interface com o usurio (tela do mdulo);
2. eventos codificao dos comandos que devem ser executados quando o
ocorre um evento; por exemplo: o usurio pressiona um boto na tela;
3. rotinas codificao de funes criadas para uso dentro do mdulo;
4. ajuda codificao da ajuda a ser exibida para o mdulo;
5. html exibio do cdigo HTML(HyperText Markup Language) -
linguagem utilizada para produzir pginas na internet.
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.
No centro da tela do gerenciador de programas tm-se informaes do controle de

verses e do controle de permisses de acesso ao nvel de menus.
Figura 8.2 : Tela do gerenciador de programas da USES Informtica
O gerenciador de programas possui um controle automtico de verses dos

cdigos. Ao receber uma solicitao do desenvolvedor para gravar as alteraes realizadas
em um mdulo, o gerenciador armazena a verso anterior do cdigo do mdulo, deixando-
a na situao de backup, e cria uma nova verso, na situao de desenvolvimento, com as
alteraes realizadas. Ao terminar as alteraes em um mdulo, o desenvolvedor coloca-o
na situao de homologao, pressionando o boto Finalizar Desenvolvimento. Em
seguida, os funcionrios da empresa com direito de realizar a homologao dos mdulos,
fazem a validao das alteraes realizadas pelos desenvolvedores e colocam o mdulo em
produo, pressionando o boto Aplicar na Produo.
O gerenciador de programas, ao receber a solicitao para colocar um mdulo em
produo, verifica a sua verso, altera sua situao para produo e destri todas as cpias
(backup) existentes da verso.
8.1.3 Banco de dados
Os cdigos-fonte dos mdulos ficam armazenados em um banco de dados

denominado USESClass.gdb. O DER (Diagrama Entidades Relacionamento) desse banco
de dados encontra-se no Apndice 12.4. Observa-se que os mdulos so gravados na
entidade denominada fonte e so liberados conforme uma lgica de restrio de uso
definida pelas entidades menu, empresa e filial, aliadas entidade permisso. Assim, so
definidas as permisses de acesso aos usurios do sistema para cada menu existente, tendo-
se o controle sobre todos os usurios quanto ao que acessam e ao horrio em que o fazem.
Na tela de acesso aos sistemas da USES Informtica, exemplificada na Figura 8.3,
so solicitados ao usurio a filial que deseja acessar, o seu login de acesso e a sua senha.
Aps a confirmao dessas informaes, montado o menu do sistema de acordo com as
permisses do usurio.
Figura 8.3 : Tela de acesso aos sistemas da USES Informtica
Alm do controle de acesso a menus especficos, possvel determinar, dentro de

cada mdulo acessado, as operaes que o usurio tem direito a realizar, as quais foram
classificadas como Consultar, Inserir, Alterar e Remover. Portanto, o gerenciador do
sistema tem controle total dos usurios e define as restries de acordo com a necessidade.
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.
8.1.4 Linguagem de programao PHP
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
expor o cdigo-fonte para o cliente. Isso pode ser til quando o programa est lidando com
senhas ou qualquer tipo de informao confidencial.
8.1.5 Programao Orientada para Objeto (POO)
As linguagens de alto nvel representam uma interface inteligente entre o

desenvolvedor e o computador. Sua evoluo paralela s tcnicas e mtodos da
engenharia de software, sendo motivada pelo desejo de criar componentes de software
robustos e reutilizveis, que reduzam os ciclos e o tempo de produo do software. Esta
diminuio no tempo de produo ainda mais importante quando uma equipe de
desenvolvedores est trabalhando em um projeto de software (REZENDE, 1999).
As linguagens estruturadas so linguagens procedurais, onde um programa
dividido em um conjunto de procedimentos e funes. A seqncia de rotinas descreve
como os dados so manipulados. Especificamente, o desenvolvedor controla a interao
entre o cdigo e os dados. O foco principal das linguagens procedurais a rotina, enquanto
o foco secundrio so os dados que esto sendo manipulados.
A programao orientada para objeto uma recente disciplina da engenharia de
software. Ela oferece uma maneira diferente de planejar, conceitualizar, escrever, atualizar
e fazer a manuteno do software.
O destaque da programao orientada para objeto, como o nome sugere, so os
objetos. Estamos imersos em um universo de objetos que variam em tamanho, forma,
funcionalidade e muitas outras caractersticas.
Na programao orientada para objetos, as classes so os gabaritos do software
usados para criar objetos. As classes so paralelas aos tipos de dados; no entanto, no
apenas definem os campos de dados usados para determinar o estado de um objeto, mas
tambm especificam a funcionalidade dele. O conceito de classe d a possibilidade de
categorizar objetos. Uma vez definida uma classe, podem-se criar instncias dessa classe,
chamadas objetos.
As classes possuem atributos e mtodos. Os atributos so as propriedades do objeto
que so definidos como locais ou globais. Uma classe possui encapsulamento de seus
dados, sendo todos os seus atributos definidos como locais e alterados e/ou consultados
somente por meio de mtodos especficos.
Na programao orientada para objeto, um mtodo o cdigo disponvel para a
manipulao do estado de um objeto; ou seja, o procedimento ou funo invocado para
agir sobre um objeto.
Outra caracterstica da POO a herana, um poderoso recurso que permite criar

subclasses. Cada subclasse herda as caractersticas de sua classe-me (tambm conhecida
como superclasse). Uma subclasse acrescenta novos atributos s classes herdadas e pode
tambm anular qualquer atributo herdado.
Segundo SHAMMAS (1991), a herana tem impacto profundo e significativo na
reduo do cdigo; ela permite evitar codificao redundante e diminui o tempo do
desenvolvimento do software.
Polimorfismo uma palavra da programao orientada para objeto que significa a
capacidade que tem um objeto de responder a um comando de maneira peculiar a ele
prprio. Neste caso, as classes criadas a partir de classes-me alteram os mtodos
herdados de modo a satisfazer as suas necessidades. A verso atual do PHP, verso 5.0,
suporta todas as caractersticas da programao orientada para objeto.
8.1.6 Mdulo Gerenciador de Aplicaes
O Mdulo Gerenciador de Aplicaes o corao das aplicaes da USES

Informtica. Todas as aplicaes desenvolvidas pela empresa so gerenciadas por esse
mdulo. Desenvolvido mediante a utilizao dos conceitos de programao orientada para
objeto, o mdulo gerenciador um conjunto de classes, com atributos e mtodos que
proporcionam uma forma simplificada de programao de sistemas em linguagem PHP.
No Apndice 12.5 tem-se a listagem do conjunto das classes e mtodos que compem o
mdulo gerenciador.
Algumas facilidades utilizadas em linguagens denominadas de tecnologia RAD
(Rapid Applications Development) foram estendidas ao mdulo gerenciador, como, por
exemplo, a criao de uma classe denominada class window, que define uma janela de
vdeo semelhante s utilizadas por linguagens visuais para Windows, como Delphi e
Visual Basic.
O mdulo gerenciador o responsvel pelo processamento das instrues do
cliente, a mquina do usurio. Recebe essas instrues, executa-as e envia a resposta ao
cliente em formato html, que ser exibido no cliente pelo seu navegador24. Assim, todo o
processamento realizado na mquina servidora, neste caso o Web Server, cabendo s
mquinas clientes a exibio dos resultados e solicitao de tarefas.
24
Software utilizado pelo usurio para navegar/visualizar pginas na internet.
8.2 Caractersticas gerais
O acesso ao sistema ANS Online realizado atravs de uma URL25 prpria,

http://www.ans.uses.com.br, disponibilizada pela empresa USES Informtica.
Na home-page do sistema ANS Online, ilustrada na Figura 8.4, observam-se duas
formas de acesso: Acesso gratuito e Acesso ao sistema.
O Acesso gratuito destinado divulgao do sistema para futuros usurios,
podendo tambm ser utilizado para fins didticos. O acesso ao sistema por este caminho
est limitado somente ao uso das aplicaes desenvolvidas em mdulos pblicos.
Figura 8.4 : Home-page de acesso ao sistema ANS Online
A solicitao para usar o acesso gratuito realizada atravs do formulrio de

cadastro de usurios mostrado na Figura 8.5. Para acessar essa pgina deve-se pressionar o
boto Cadastre-se j! Clique aqui existente na home-page do sistema. necessrio o
preenchimento de alguns campos obrigatrios, conforme informado na pgina. Aps enviar
os dados, o usurio recebe automaticamente um e-mail agradecendo a sua solicitao e
informando que ele deve aguardar o envio da senha de acesso. No mesmo instante o
25
URL Universal Resource Locator o endereo de um recurso disponvel em uma rede. Na internet,
basicamente o endereo de uma pgina.
sistema envia um e-mail para o administrador26 do ANS Online informando sobre a

solicitao.
Na janela de acesso ao sistema da Figura 8.4 tem-se uma breve explanao de
como proceder para solicitar maiores informaes sobre o sistema ANS Online e o boto
de Acesso Restrito. Ao clicar o boto de acesso restrito o usurio encaminhado para a
pgina de acesso ao sistema, mostrada na Figura 8.3. Neste caso, o usurio dever informar
a organizao (empresa ou filial), o login e a senha de acesso.
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.
Figura 8.6 : Formulrio para solicitao de maiores informaes sobre o sistema ANS
Online
8.2.1 Base de dados
O sistema ANS Online foi desenvolvido com o objetivo de disponibilizar aplicaes

pr-definidas aos usurios. Essas aplicaes so pblicas ou pertencentes a uma
organizao (empresa), e so gerenciadas pelo administrador do sistema.
O armazenamento das informaes de uma aplicao realizado em um banco de
dados, seguindo uma estrutura de interdependncia entre elas. As aplicaes pblicas so
armazenadas em um arquivo de dados denominado ans.gdb. As aplicaes das
organizaes so armazenadas em arquivos individuais, e cada organizao possui o seu
arquivo de dados. Por exemplo, a empresa Cocamar possui o arquivo de dados
denominado cocamar.gdb.
A interdependncia das informaes de uma aplicao observada na Figura 8.7.
Nessa figura tem-se a ilustrao do DER (Diagrama Entidade Relacionamento) do arquivo
pblico ans.gdb. Os arquivos das organizaes possuem a mesma estrutura do arquivo
ans.gdb.
Na Figura 8.7. tm-se a entidade aplicao ligada entidade varivel, a entidade
rede e a entidade processamento. A entidade varivel representa os valores de entrada e
sada da rede, a entidade rede representa as estruturas de redes possveis de serem

utilizadas pela aplicao e a entidade de processamento armazena os processamentos
executados para a aplicao. A entidade fato representa os valores de entrada e sada para
um processamento.
Figura 8.7 : Diagrama Entidade Relacionamento do arquivo ans.gdb
As entidades camada, neurnio e peso representam a estrutura de uma rede

definida para a aplicao. possvel definir vrias estruturas de rede para uma mesma
aplicao, entretanto, deve-se escolher uma delas no processamento.
A estrutura de rede definida para a aplicao est treinada e pronta para ser usada,
fornecendo resultados atravs de um processamento.
8.2.2 Estrutura de POO
O ANS Online possui o conjunto de classes descrito no Apndice 12.6 e trabalha

com a estrutura hierrquica apresentada na Figura 8.8.
A classe-base do sistema ANS Online a classe Information, da qual derivam
todas as outras classes. Essa classe a responsvel pelo armazenamento de todos os
atributos (informaes) utilizados nas demais classes. A classe Information permite, em
uma nica instruo, criar um atributo, definir o seu valor e definir o seu tipo. Por
exemplo, consideremos as linhas de cdigos em PHP:
pessoa = new Information();
pessoa->Nome = Gilberto C. Antonelli;

pessoa->Altura = 1.73;
echo Nome: . pessoa->Nome . - Altura: .pessoa->Altura;
A primeira linha do cdigo acima cria o objeto pessoa, herdando todos os atributos
e mtodos da classe Information. Na segunda e terceira instrues so criados os atributos
NOME e ALTURA com os seus respectivos valores. Na quarta linha, por meio do
comando echo, exibida na tela: Nome: Gilberto C. Antonelli - Altura: 1.73. Por meio
deste exemplo, nota-se que no existe limite para o nmero de atributos a serem definidos
para a classe pessoa, eles so definidos medida que se necessita.
Figura 8.8 : Estrutura de classes utilizada no sistema ANS Online
Diferentemente do mtodo de programao procedural, em que se deve declarar

explicitamente as variveis a serem utilizadas, a PPO permite uma maior facilidade e
flexibilidade de programao. A complexidade do cdigo depende da necessidade do
sistema em produo. Por exemplo, podem-se acrescentar a seguintes linhas de cdigo ao
exemplo anterior:
pessoa->Endereo = new Information();
pessoa->Endereo->Logradouro = Av. Herval 695;
pessoa->Endereo->Cidade = Maring
pessoa->Endereo->CEP = 87.013-110
Observa-se neste caso, na primeira linha, a definio do atributo Endereo como

um novo objeto Information. Verifica-se que os atributos se tornam complexos conforme a
necessidade. A varivel, que contm o nmero do CEP da pessoa, um atributo do
objeto Endereo. O valor do CEP da pessoa obtido referenciando-se os dois objetos pela
expresso pessoa->Endereo->CEP.
A ANSClass, uma subclasse da Information, a classe principal do sistema ANS
Online. Por meio dessa classe, so includas, alteradas, excludas e processadas as
aplicaes do sistema. Essa classe trabalha diretamente na base de dados do sistema ANS
Online. Ela composta de atributos definidos a partir das informaes da base de dados em
uso (pblica ou de uma organizao), e o atributo RNA definido como um objeto Net.
A classe Net define a estrutura da rede neural artificial em POO, o objeto rede.
Essa classe uma subclasse da Information e possui como atributos objetos da classe
Layer.
A classe Layer a classe que define as camadas da rede neural e tambm uma
subclasse da classe Information. Essa classe possui como atributos os neurnios definidos
pela classe neuron.
A classe Neuron uma subclasse da classe Information, e possui como atributo o
valor do neurnio e um conjunto de pesos que representam a fora da conexo do neurnio
com a camada adjacente.
Na camada de entrada e de sada so acrescentados dois atributos, LIMITE_I e
LIMITE_S, que representam o limite superior e o limite inferior de cada neurnio na
unidade do usurio, uma vez que, internamente, a rede trabalha com valores entre 0 e 1.
Esses limites so utilizados para exibio de valores em tela e para converso interna.
8.2.3 Interface do usurio
Conforme apresentado por REZENDE (1999), a preocupao principal de um

desenvolvedor de sistemas a satisfao do usurio, e dele depende o sucesso do seu
sistema. Pensando-se desta forma, procurou-se desenvolver uma interface que no
provocasse impacto visual ao usurio, uma vez que a maioria est familiarizada com o
sistema operacional Windows. Apesar de o desenvolvimento do ANS Online ser realizado
em plataforma diferente, a sua navegao utiliza princpios j conhecidos, como menus,
sub-menus, botes, janelas, etc.
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.
Figura 8.9 : Exemplos de interfaces do sistema ANS Online

A barra de ferramentas, localizada no lado superior esquerdo da tela, est

disponvel na maioria das telas. Ela tambm gerenciada pelo sistema quanto aos direitos
de acesso do usurio conectado. As opes disponveis, ao se pressionarem os botes da
barra, so;
acessa o recurso do sistema para a incluso de uma nova aplicao

(acesso restrito ao administrador do sistema);
acessa o recurso do sistema para abrir uma aplicao existente, ou

um processamento ;
fecha o mdulo atual, o mdulo visvel na tela;
acessa o recurso do sistema de duplicao de aplicao (acesso

restrito ao administrado do sistema);
grava os dados da janela atual, podendo ser uma aplicao ou um

processamento;
exclui os dados da janela atual da base de dados; no caso de uma

aplicao est restrito ao uso do administrador do sistema;
acessa o recurso do sistema de formatao de variveis da aplicao

(acesso restrito ao administrador do sistema);
acessa o recurso do sistema de formatao de redes (acesso restrito

ao administrador do sistema);
imprime informaes sobre o mdulo atual. O relatrio impresso

depende da janela em que o usurio se encontre.
8.2.4 Arquiteturas de redes neurais artificiais
O sistema ANS Online foi criado com a flexibilidade de configurao de vrias

arquiteturas de redes. O administrador do sistema pode inserir qualquer tipo de estrutura de
rede feedforward. O sistema disponibiliza mdulos com permisso de acesso restrito ao
administrador, para que sejam inseridas, alteradas ou excludas as estruturas de rede. Na
Figura 8.9 tem-se, na janela de ttulo Variveis da Aplicao (quarta janela), um exemplo
do mdulo de configurao das variveis de uma aplicao. Nesta tela o administrador est
definindo o nome, os limites e o tipo (entrada/sada) das variveis para a aplicao ndice
de Caramelizao. Entretanto, o sistema j entende que a rede possuir 3 (trs) neurnios

na entrada e 1 (um) neurnio na sada.
O sistema ANS Online no realiza o treinamento da rede, s executa seu
processamento. Os valores dos pesos dos neurnios a serem utilizados no processamento
devem ser informados pelo administrador. Esses pesos so armazenados na entidade peso,
definida no item 8.2.1, do banco de dados em uso. Durante o processamento esses pesos
so trasnferidos do banco de dados para variveis de memria, para que possam ser
utilizados na determinao dos valores de sada da rede.
8.3 Utilizao na Indstria de Fios Cocamar
No sistema ANS Online criaram-se todas as aplicaes necessrias para

disponibilizar os resultados obtidos, por meio da aplicao de redes neurais artificiais na
Indstria de Fios Cocamar, descritos no Captulo 7.
As aplicaes esto armazenadas em um banco de dados denominado
cocamar.gdb, e possuem a estrutura mostrada na Figura 8.7. O acesso ao sistema se faz
pela tela de login apresentada na Figura 8.3, utilizando-se a organizao fiacao.cocamar, e
o login e a senha de um usurio cadastrado. Ao acessar o sistema, o usurio encaminhado
para uma janela em que dever escolher a aplicao que ir utilizar para o processamento.
Essa janela, representada na Figura 8.9 (terceira janela), possui o ttulo Abrir Aplicao e
uma listagem de todas as aplicaes disponveis. Ao se pressionar a linha da aplicao
desejada, o sistema abre o mdulo de processamento da aplicao.
Para cada resultado obtido no Captulo 7 foi desenvolvido um mdulo especfico,
uma vez que os tipos de rede utilizados para a determinao das propriedades so
diferentes. A estratgia de desenvolvimento dos mdulos das aplicaes baseou-se na
interpretao visual do processamento. Utilizou-se o recurso visual da estrutura de rede
para montar as telas de processamento, deste modo, o usurio do sistema induzio
imaginar a propagao dos valores de entrada da rede atravs da estrutura da rede para
fornecer o valor de sada. Na Figura 8.10 tem-se a representao visual de um
processamento.
8.3.1 Determinao do ndice de caramelizao
O mdulo de processamento da aplicao que determina o ndice de caramelizao

est representado na Figura 8.10, que mostra do lado esquerdo da estrutura as variveis de
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.
Figura 8.10 : Tela de processamento para a determinao do ndice de caramelizao
8.3.2 Determinao do ndice de fibras imaturas
O mdulo do processamento da aplicao que determina o ndice de fibras imaturas

est representado na Figura 8.11. Observa-se que na entrada da rede so fornecidos trs
valores das caractersticas da fibra: micronaire, alongamento e maturidade; entretanto, a
digitao dos dados no terceiro neurnio de entrada est bloqueada. Neste caso, o sistema
se encarrega de fazer o ajuste necessrio entre as propriedades alongamento e maturidade,
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.
Figura 8.11 : Tela de processamento para a determinao do ndice de fibras

imaturas
A utilizao do mdulo segue os mesmos padres descritos no item 7.3.1, ou seja,

digitam-se os dados de entrada e utiliza-se o boto Processar para visualizar o resultado
determinado pela rede.
8.3.3 Determinao da qualidade do fio
A qualidade do fio medida pelas propriedades Uster, CV Uster, tenacidade,

alongamento, NEPS, nmero de Pontos Finos e nmero de Pontos Grossos.
O mdulo criado seguiu os mesmos padres descritos nos itens 8.4.1 e 8.4.2, ou
seja, possui uma representao visual do processamento, com a incluso da imagem da
estrutura de rede utilizada, e utiliza o boto Processar e o boto Cancelar.
Na Figura 7.12 tm-se a ilustrao do mdulo criado. Observam-se as 11 (onze)
variveis de entrada, utilizadas para a determinao das propriedades que determinam a
qualidade do fio, 8 (oito) relativas s caractersticas das fibras e 3(trs) relacionadas ao

processo.
Figura 8.12 : Tela de processamento para a determinao a qualidade do fio
8.4 Flexibilidade de utilizao
Apesar de ter sido desenvolvido para o fim especfico de disponibilizar os

resultados da aplicao de redes neurais artificiais na Indstria de Fios Cocamar, o
sistema ANS Online pode ser utilizado em outras aplicaes. Sua estrutura permite
trabalhar com multi-empresas, utilizando bases de dados isoladas, e tambm com multi-
setores de uma mesma empresa com regras de acesso aos usurios. Essa flexibilidade
possvel devido ao uso do mdulo gerenciador de sistemas, descrito no item 8.1.6.
Como o software ANS Online trabalha na Web, qualquer usurio conectado na
internet pode fazer uso do sistema, desde que tenha um login autorizado.
9. Concluses e observaes
A anlise dos resultados da aplicao de redes neurais artificiais na indstria de fios

de algodo deve ser realizada em duas etapas, a saber: a da aplicao das redes neurais
artificiais na determinao de caractersticas da matria-prima, descrita no item 7.1, e a da
aplicao de redes neurais artificiais na determinao da qualidade do fio, descrita no item
7.2.
Na aplicao de redes neurais artificiais para determinar caractersticas da matria-
prima, tm-se que analisar os dois casos estudados - a determinao do ndice de
caramelizao e a determinao do ndice de fibras imaturas.
Atravs da anlise dos resultados obtidos no item 7.1.1, conclu-se que as redes
neurais artificiais podem determinar o ndice de caramelizao de uma amostra de algodo
utilizando as informaes de suas caractersticas, uma vez que, obteve-se um bom
coeficiente de correlao (R=0.996137) entre os valores observados e os valores
determinados pela rede neural.
Observa-se que as caractersticas da fibra de algodo que influem no valor do
ndice de caramelizao so: a maturidade, o micronaire, o comprimento e a resistncia.
Com os testes de validao realizados com a rede neural definida no item 7.1.1,
provou-se que possvel substituir as anlises de caramelizao em estufas pelo sistema
informatizado baseado em redes neurais artificiais.
O grande potencial do uso de redes neurais, para a determinao do ndice de
caramelizao, reside no fato de o resultado ser obtido em questo de segundos e a um
custo insignificante; alm do mais, pode-se determinar o ndice de caramelizao de todos
os fardos de matria-prima recebidos pela indstria.
Os resultados obtidos na aplicao de redes neurais artificiais para determinar o
ndice de fibras imaturas foram satisfatrios, pois se conseguiu demonstrar que as redes
neurais artificiais so capazes de estabelecer uma relao entre as caractersticas da fibra
de algodo e a quantidade presente de fibras imaturas em uma amostra.
Podem-se antever, para uma amostra de algodo, os problemas que ocorrero aps
o tingimento de um fio produzido com a metodologia definida no item 7.1.2., sem a
necessidade de se realizar o processo qumico de tingimento. Isso representa um ganho de
qualidade na produo do fio, porque se tem a informao do problema antecipadamente e
pode-se recomendar ao cliente da indstria de fios o melhor tipo de tingimento a ser
realizado com o fio.
Concluses e observaes 86
Com a utilizao dessa metodologia de determinao de fibras imaturas, altera-se o

processo, de qumico para analtico e consegue-se reduzir o custo das anlises. Diminui-se
o tempo gasto para a determinao do ndice de fibras imaturas, e deste modo, pode-se
aumentar a quantidade de amostras a ser analisada.
A indstria de fios Cocamar, atualmente possui uma dificuldade em realizar o
processo qumico de determinao do ndice de fibras imaturas, devido escassez dos
corantes utilizados. Essa dificuldade, no futuro, pode ser a fora propulsora para a
utilizao do mtodo apresentado neste trabalho.
Com a aplicao de redes neurais artificiais na determinao da qualidade do fio,
descrita no item 7.2, provou-se que possvel determinar, por meio das redes neurais
artificiais, a qualidade do fio que seria produzido por uma mistura de fibras de algodo,
com determinadas caractersticas e com alguns ajustes do processo. Entretanto, um fato
limitante no uso dos resultados obtidos, est na seleo dos dados utilizados no processo de
treinamento da rede, porque foram coletados somente dados de produo da linha
convencional, ou seja, a linha que produz fios com misturas 100% algodo e com ttulo Ne
24/1.
Como proposta de continuidade deste trabalho, deve-se desenvolver outras redes,
para misturas de algodo com outras matrias-primas e outros ttulos de fios; entretanto,
no se devem esquecer as dificuldades apresentadas no item 6.4, para a seleo e
organizao dos dados utilizados no treinamento da rede. Neste caso, para o
desenvolvimento de novas aplicaes, deve-se estudar primeiramente uma maneira prtica
de armazenar os dados da qualidade do fio, de modo a facilitar a unio com os dados da
matria-prima vindos do armazm e dados vindos do processo.
Outro fator limitante do uso do mtodo desenvolvido est na quantidade de ajustes
do processo utilizada (3 ajustes). Algumas variveis de ajustes do processo foram
eliminadas por falta de informao, ou seja, estavam vazias. Neste caso o problema est no
usurio do sistema de manuteno, que no deu entrada com o devido valor da varivel no
sistema. Portanto, esse um problema operacional, e deve ser solucionado para
disponibilizar uma maior quantidade de variveis do processo, para o treinamento das
redes neurais artificiais.
Apesar das limitaes de uso que apresenta e de no determinar com preciso os
valores absolutos de qualidade do fio, o mtodo demonstrado representa uma excelente
ferramenta para definir as variaes das qualidades do fio quando se alteram a composio
da matria-prima ou ajustes do processo. Assim, o responsvel pela composio da
Concluses e observaes 87
mistura pode realizar a simulao, em computador, da mistura a ser processada na fbrica

com a utilizao de informaes dos fardos de algodo em estoque, procurando, deste
modo, montar uma mistura que mantenha a estabilidade de todo o processo produtivo.
O software ANS Online, detalhado no Captulo 8, mostrou-se uma excelente
ferramenta para disponibilizar as aplicaes desenvolvidas neste trabalho ou que vierem a
ser desenvolvidas no futuro. A facilidade de sua implantao, sem a necessidade de
instalao nas mquinas clientes, somada manuteno centralizada, demonstra o grande
potencial de utilizao e futura comercializao desse sistema.
Finalmente, o grande benefcio do desenvolvimento deste trabalho foi a incluso da
palavra simulao no cotidiano da indstria de fios Cocamar. Os engenheiros
responsveis pela produo possuem muito conhecimento prtico, tomam decises
baseadas em conhecimentos anteriores, e este trabalho vem contribuir para um bom
desenvolvimento do trabalho desses profissionais.
10. Referncias
ABIT - ASSOCIAO BRASILEIRA DA INDSTRIA TXTIL E DE CONFECO.

Apresentada dados de produo e consumo de algodo. Disponvel em:
<http://www.abit.org.br/dados/producao.shtml>. Acessado em: 08 de agosto de 2006.
ANTONELLI, G. C. Controle de Processos com Redes Neurais Inversas. 110p.
Dissertao (Mestrado em Engenharia Qumica) Programa de Ps-Graduao em
Engenharia Qumica. Universidade Estadual de Maring. Maring. 1998.
BARBOSA, M. Z. e Nogueira Junior, S. Produo e Consumo de Algodo no Mundo e
Perspectivas para o Brasil. IEA Instituto de Economia Agrcola, Junho/2001, Disponvel
em: <http://www.iea.sp.gov.br/out/verTexto.php?codTexto=459>. Acesso em: 01 de
Agosto de 2006.
BISHOP, C. Neural Networks for Pattern Recognition. Oxford: University Press. 1995,
238 p.
CACR Engenharia e Instalaes Ltda. Apresenta informaes sobre climatizao na
indstria txtil. Disponvel em: <http://www.cacr.com.br/cacrnews2.htm>. Acesso em: 26
de Junho de 2004.
COCAMAR Indstria de Fios. Conhecendo a Empresa Manual de Integrao.
Departamento Administrativo, ed. 2002 rev. maio/2002, 2002, 12p.
CRESPIM, L e NEVES, J. D. Consequncias da Modernizao na Fiao. In:
CONGRESSO NACIONAL DE TCNICOS TXTEIS, XIX, 2000, Fortaleza,
Anais:CNTT, Fortaleza, 2000.
MASSIMO, C. Di; G. A. MONTAGUE; M. J. WILLIS; M. T. THAM; A. J. MORRIS.
Towards Improved Penicillim Fermentation Via Artificial Neural Networks, Comp. Chem
Eng. v.16, n. 4, p. 283-291, 1992.
ETHRIDGE, D. e ZHU, R. Prediction of Rotor Spun Cotton Yarn Quality: A comparison
of neural network and regression algorithms. In: 1996 BELTWIDE COTTON
CONFERENCE, 1996, Memphis, Proceeding: Beltwide Cotton Conference, Menphis, v.
2, p.1314-1317, 1996.
FERREIRA, I. L. ndices de Produtividade das Fiaes Brasileiras. 3.ed. Rio de Janeiro:
SENAI/CETIQT, SENAI/DN,CNPq/IBICT,PADCT,TIB, 1995.
FORD, F. N. Expert System Support in the Textile Industry: End Product Production
Planning Decisions. Expert Systems With Applications. v. 9, n. 2, p. 237-246, 1995.
FRUM TXTIL. Apresenta informaes sobre tipos de fibras. Disponvel em:
<http://www.forumtextil.com.br>. Acesso em: 01 de Agosto de 2006.
FREIRE, G; DUARTE, S. T. V. G. e PIMENTAL, L. W. Inovao Tecnolgica O
desempenho da fibra de algodo colorido no processo de fiao a rotor de uma indstria
txtil. Revista Brasileira de Produtos Agroindustriais, Campina Grande, Especial, v.7, n.2,
p.173-180, 2005.
FREEMAN, J. A.; D. M. SKAPURA. Neural Networks: Algorithms, Applications and
Programming Tecniques, Addison-Wesley Publishing Company, 1992, 456p.
GOLUB, G. e KAHAN, W. Calculating the singular values and pseudo-inverse of a
matrix. SIAM Numerical Analysis, v.2, n. 2, p.205-224. 1965.
Referncias 89
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
REZENDE, D. A. Engenharia de Software e Sistemas de Informaes. Brasport, So

Paulo, 1999.
RIBEIRO, L. Introduo a Tecnologia Txtil. v.1. Rio de Janeiro: CETIQT/ SENAI, 1984.
ROSENBLATT, F., The perceptron: A probabilistic model for information storage and
organization in the Brain. Psychological Review, v. 65, p. 386-408, 1958.
RUMELHART, D. E.; HINTON, G. E. e WILLIAMS, R. J. Learning internal
representations by error propagation. In: Parallel Distributed Processing: Explorations in
the Microstructure of Cognition I, Rumelhart, D. E., and McClelland, J. L. (eds.), p. 318-
362, MIT Press, Cambridge MA, 1986.
SHAMMAS, N. Programao Orientada a Objeto com Turbo Pascal 5.5. Traduo:
Maria Cludia de Oliveira, So Paulo: Makron MacGraw-Hill, 285p. 1991.
SHEPHERD, A. J. Second-Order Methods for Neural Networks. New York: Springer. 345
p. 1997.
SETTE, S.; BOULLART, L. e LANGENHOVE, L. van. Optimising a Production Process
by a Neural Network/Genetic Algorithm Approach. EAAI - Engineering Applications of
Artificial Intelligence. v. 9, 6. ed., p. 681-689, Dez.1996.
SETTE, S e van LANGENHOVE, L. Optimising the Fibre-to-Yarn Production Process:
Finding a Blend of Fibre Qualities to Create an Optimal Price/Quality Yarn. AUTEX
Research Journal, v. 2, n. 2, p.57-63, Jun. 2002.
SILVA, M. E. C. e SILVA, A. A. C. Data Mining Approaches in Cotton Spinning
Processing. In: BELTWIDE COTTON CONFERENCES IN NASHIVILLE, 1996,
Nashville, Anais: BCCN, Nashville,1996.
SOUZA, F. A. DE; MIZOGUCHI, E. T. e ANTONELLI, G. C. Estudo das Caractersticas
da Fibra de Algodo e das Qualidades do Fio Durante o Processo de Mistura
Programada de Matria-prima. In: SIMPSIO INTERNACIONAL DE ENGENHARIA
TXTIL, II, 2004, Natal, Anais: II SIENTEX. Natal, 2004.
STATISTICA SOFTWARE Data Mining, Statical Analysis, Quality Control. Manual
eletrnico do software STATISTICA Neural Networks. Disponvel em:
<http://www.statsoft.com/textbook/stathome.html >. Acesso em: 25 de outubro de 2006.
SWICOFIL AG TEXTILE SERVICES - Yarn numbering system and conversions.
Apresenta informaes sobre vrios tipos de representao de ttulos de fios. Disponvel
em: < http://www.swicofil.com/companyinfo/manualyarnnumbering.html>. Acesso em: 12
de Maio de 2004.
TAFNER, M. A.; XEREZ, M. e RODRIGUES FILHO, I. W. Redes Neurais Artificiais -
Introduo e Princpios da Neurocomputao, Eko Ed. da FURB, Blumenau, 324p. 1995.
URSNY, P. Spinning Simulation Scientific Means and View of Applications. In:
EUROPEAN SIMULATION SYMPOSIUM, 14, 2002, Dresden. Proceedings. Ed: SCS
Europe BVBA, Dresden, 2002.
USES INFORMTICA. Fbrica de Software e Data Center. Portal de entrada aos sistemas
desenvolvidos pela empresa. Disponvel em: <http://www.uses.com.br>. Acesso: 25 de
Novembro de 2006.
USTER STATISTICS Suiza: Zellweger Uster, 44p. 2001.
Referncias 91
Van LANGENHOVE, L. e SETTE, S. The Complex Relationships Between Fibres,

Production Parameters and Spinning Results. In: EUROPEAN SIMULATION
SIMPOSIUM, 14 , 2002, Dresden, Proceedings: 14th ESS, W. Krugs eds., 2002.
th
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
BORLAND INTERBASE SOFTWARE CROSS PLATAFORM EMBEDDED

DATABASE. Apresenta informaes sobre a instalao e utilizao do interbase.
Disponvel em: <http://www.borland.com/interbase>. Acessado em: 10 de outubro de
2003.
CARVALHO, V.; PINTO, J. G.; MONTEIRO, J. et al. Medio online da irregularidade
do fio. Revista Textilia, v. 48, p.36-40, 2003.
FUNDAO BLUMENAUENSE DE ESTUDOS TXTEIS. Aparelhos HVI. v.1.
Blumenau, 199-.
HEQUET, E. e ETHRIDGE, D. Effecy of Cotton Fiber Length Distribution on Yarn
Quality. Proceedings of the Beltwide Cotton Conference. v 2, p.1507-1514, 2000.
IBPHOENIX HOME PAGE. Apresenta informaes sobre a instalao e utilizao do
banco de dados Firebird/Interbase. Disponvel em: <http://www.ibphoenix.com>.
Acessado em: 20 de fevereiro de 2003.
KIM, S. e VACHTSEVANOS G. J. An intelligent approach to integration and control of
textile processes. Information Sciences, v. 123, p.181-199, 2000.
KING, R. E.; BRAIN, L. A. C. e THONEY, K. A. Control of Yarn Inventory for a Cotton
Spinning Plant: Part 1: Uncorrelated Demand. Journal of Textile and Apparel,
Technology and Management, Volume 2 Issue 2, Spring 2002.
------. Control of Yarn Inventory for a Cotton Spinning Plant: Part 2: Correlated Demand
and Seasonality. Journal of Textile and Apparel, Technology and Management, Volume 2
Issue 2, Spring 2002.
KOVCS, Z. L. .Redes Neurais Artificiais-Fundamentos e Aplicaes. Editora Collegium
Cognitio. 2.ed. So Paulo, 1996. 174p.
KRL, B. e PRZYBY, K. Influence of Yarn Kind on the Twisting-and-Winding System of
the Ringspinning Machine. AUTEX Research Journal, v. 2, n.3, September 2002.
LAWRENCE, C.A.; DEHGHANI, M.; GREENWOOD, B. et al. Fibre Dynamics in the
Revolving-Flats Card Part I: A Critical Review. AUTEX Research Journal, v. 1, n. 2, p.64-
77, November 2000.
------. Fibre Dynamics in the Revolving-Flats Card. Part II: An Investigation into the
Opening, Individualisation, Orientation and Configuration of Fibres during Short-Staple
Carding. AUTEX Research Journal, v. 1, n. 2, p.78-87, November 2000.
LOTKA, M. e JACKOWSKI, T. Yarn Tension in the Process of Rotor Spinning. AUTEX
Research Journal, v. 3, n. 1, p.23-17, March 2003.
MARTINS, R. X. Redes Neurais Artificiais, o Aprendizado Reproduzido em Mquinas.
Interao - Revista de Ensino, Pesquisa e Extenso, Centro Universitrio do Sul de Minas
UNIS - MG, v.5, n.5, maio/2002, p.26-33. Disponvel em:<http://interacao.unis.edu.br/>.
Acesso em: 15 de dezembro de 2005.
PERRUPATO, F. C.; AVANCI, F. A.; ANTONELLI, G. C. et al. Anlise Quantitativa da
Influncia das Caractersticas da Fibra na Qualidade do Fio de Algodo. In: SIMPSIO
INTERNACIONAL DE ENGENHARIA TXTIL, II, 2004, Natal, Anais..., Natal, 2004.
Obras consultadas 93
PRINCIPE, J. C.; EULIANO, N. R. e LEFEBVRE, W. C. Neural and Adaptive Systems.

Fundamentals through Simulation. John Wiley & Sons Inc., New York, 2000. 656p.
RAUTENBERG, Sandro. Predio de Receita de Cores na Estamparia Textil Atravs de
Redes Neuronais com Funo de Base Radial. 1998. Dissertao (Mestrado em
Engenharia de Produo) - Universidade Federal de Santa Catarina. Orientador: Jos
Leomar Todesco.
RED HAT-LINUX. Embedded Linux and Open Source Solutions. Apresenta informaes
de instalao e utilizao do sistema operacional red hat-linux. Disponvel em:
<http://www.redhat.com>. Acessado em: 01 de maro de 2003.
SABINO, N. P. e KONDO, J. I. Microfiao e Fiao Industrial de Algodo. Bragantia,
Campinas, n. 59(1), p.95-97, 2000.
SHAO, H.; LIU, R. e HU, X. Computer Modeling of the Lyocell Fibre Spinning Process.
AUTEX Research Journal, v. 3, n. 1, p.16-22, March 2003.
SILVA, I. J. de M. Borland/Inprise Interbase 6: The Open Source Database - Guia do
Desenvolvedor. Book Express, Rio de Janeiro, 2000.
SOMMERVILLE, Ian. Engenharia de Software. Traduo: Maurcio de andrade; reviso
tcnica: Kechi Hirama. So Paulo: Addison Wesley, 6. ed., p.220-240, 2003.
STERLING, H. e ZMIEVSKI, A. PHP Guia do Desenvolvedor. Traduo: Melissa
Kassner. Berkeley Brasil, So Paulo, 197p. 2001.
THE APACHE SOFTWARE FOUNDATION. Apresenta informaes sobre a instalao e
utilizao do servidor apache.Disponvel em: <http://www.apache.org>. Acessado em: 15
de fevereiro de 2004.
12. Apndice
12.1 Rotina em VBA para organizao das planilhas de dados dos fios
Private Sub transferir_Click()

Dim dec(3 To 8) As Integer, fio As String, sData As String
Dim nomearquivo(1 To 50) As String
'definir barras de progresso
arquivos.Value = 0
pastas.Value = 0
j=0
For i = 0 To lista.ListCount - 1
If lista.Selected(i) Then
lista.ListIndex = i
j=j+1
nomearquivo(j) = lista.Text
End If
Next i
If j > 0 Then arquivos.Max = j
For narq = 1 To j
arquivos.Value = arquivos.Value + 1
Workbooks.Open ThisWorkbook.Path & "\" & nomearquivo(narq)
pastas.Max = Workbooks(nomearquivo(narq)).Worksheets.Count
ThisWorkbook.Worksheets("Ne").Activate
With ThisWorkbook.Worksheets("Ne")
.Cells(1, 1).Select
Selection.End(xlDown).Select
necodigo = ActiveCell.Value + 1
lindec = ActiveCell.Row + 1
.Cells(lindec, 1).Select
End With
ThisWorkbook.Worksheets("Dados").Activate
With ThisWorkbook.Worksheets("Dados")
.Cells(1, 1).Select
Selection.End(xlDown).Select
dadoscodigo = ActiveCell.Value + 1
linha = ActiveCell.Row + 1
.Cells(linha, 1).Select
End With
For Each ws In Workbooks(nomearquivo(narq)).Worksheets()
interface.Repaint
pastas.Value = pastas.Value + 1
sData = Mid(ws.Name, 4)
If Val(sData) > 0 Then
With ThisWorkbook
vazio = 0
For i = 1 To 180
If (ws.Cells(i, 1).Value = "MQ.") Then 'copiar dec
For j = 3 To 8
dec(j) = ws.Cells(i, j).Value
Next j
ElseIf(Val(ws.Cells(i, 1).Value)>0)Then 'copiar dados
For j = 3 To 8
.Worksheets("Ne").Cells(lindec,1).Value=deccodigo
.Worksheets("Ne").Cells(lindec,2).Value=dadoscodigo
.Worksheets("Ne").Cells(lindec, 3).Value = dec(j)
.Worksheets("Ne").Cells(lindec, 4).Value = ws.Cells(i, j).Value
deccodigo = deccodigo + 1
Apndice 95
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,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
Private Sub UserForm_Initialize()

Dim myFile As String
myFile = Dir(ThisWorkbook.Path & "\*.XLS")
While (myFile <> "")
If (myFile <> "DadosFios.xls") Then
lista.AddItem myFile
End If
myFile = Dir
Wend
End Sub
Private Sub UserForm_Terminate()

ThisWorkbook.Worksheets("Dados").Activate
End Sub
Apndice 96
12.2 Procedimentos utilizados para organizar os dados da qualidade da fibra
Inicialmente criou-se o campo Data_processo na tabela DadosFibra e

atualizou-o com a instruo SQL:
UPDATE DADOSFIBRA
SET DADOSFIBRA.Data_processo = [DadosFibra].[data]+2
WITH OWNERACCESS OPTION;
Criou-se a tabela DataDeProduo com a seguinte estrutura:

Tabela: DataDeProduo
Colunas
Nome Tipo Tamanho
Codigo Inteiro longo 4
DataRemessa Data/Hora 8
DataProcessamento Data/Hora 8
Incluiu-se dados nessa tabela com a instruo SQL:
INSERT INTO DataDeProduo ( DATAREMESSA, DATAPROCESSAMENTO )
SELECT DISTINCT [Data], [Data_processo]
FROM DadosFibra
Criou-se o campo Codigo na tabela DadosFibra e atualizou-o com a

instruo SQL:
UPDATE DadosFibra INNER JOIN
DataDeProduo ON [DadosFibra].[Data] = [DataDeProduo].[DataRemessa]
SET DadosFibra.Codigo = [DataDeProduo].[Codigo];
Determinou-se o peso total dos fardos processados por dia eliminando os

enviados aos sbados com a instruo SQL:
SELECT [DadosFibra].[Codigo], Sum([DadosFibra].[peso]) AS Spes,
Sum([padrao]*[peso]) AS Spad, Sum([sci]*[peso]) AS Ssci, Sum([mic]*[peso])
AS Smic, Sum([mat]*[peso]) AS Smat, Sum([len]*[peso]) AS Scom,
Sum([unif]*[peso]) AS Suni, Sum([sfi]*[peso]) AS Ssfi, Sum([resistencia]*[peso])
AS Sres, Sum([along]*[peso]) AS Salo, Sum([umidade]*[peso]) AS Sumi
FROM DadosFibra
WHERE [padrao]>0 And [sci]>0 And [mic]>0 And [mat]>0 And [len]>0 And
[unif]>0 And [sfi]>0 And [resistencia]>0 And [along]>0 And [umidade]>0 and
WEEKDAY([DadosFibra].[Data])<7
GROUP BY [DadosFibra].[Codigo];
Apndice 97
Determinou-se a mdia das propriedades das caractersticas das fibras por

meio da instruo SQL a seguir, onde PesoPorData a consulta montada
anteriormente:
SELECT PesoPorData.Codigo,
int( [PesoPorData].[Spad]/[PesoPorData].[Spes]) AS PADRAO,
int([PesoPorData].[Ssci]/[PesoPorData].[Spes]*100)/100 AS SCI,
int( [PesoPorData].[Smic]/[PesoPorData].[Spes]*100)/100 AS MICRONAIRE,
int([PesoPorData].[Smat]/[PesoPorData].[Spes]*1000)/1000 AS MATURIDADE,
int([PesoPorData].[Scom]/[PesoPorData].[Spes]*100)/100 AS COMPRIMENTO,
int([PesoPorData].[Suni]/[PesoPorData].[Spes]*100)/100 AS UNIFORMIDADE,
int([PesoPorData].[Ssfi]/[PesoPorData].[Spes]*100)/100 AS SFI,
int([PesoPorData].[Sres]/[PesoPorData].[Spes]*100)/100 AS RESISTENCIA,
int([PesoPorData].[Salo]/[PesoPorData].[Spes]*100)/100 AS ALONGAMENTO,
int([PesoPorData].[Sumi]/[PesoPorData].[Spes]*100)/100 AS UMIDADE
FROM PesoPorData;
Com a sequncia descrita acima, obteve-se um conjunto de 749 registros das
caractersticas da fibra processadas na indstria no perodo de 01 de dezembro de 2001 a
20 de julho de 2005. A instruo SQL acima foi armazenada com o nome de
FibraPropMdia.
Apndice 98
12.3 Procedimentos utilizados para organizar os dados do fio produzido
Inicialmente fez-se a ligao entre os dados do processo e os dados do fio

produzido pelo cdigo da mquina com a instruo SQL a seguir. Essa
consulta foi armazenada com o nome de
DadosFio_INNER_DadosProcesso_MAQUINA:
SELECT [DadosFio].[Mq],
[DadosFio].[DATA] AS Data,
[DadosProcesso].[Data] AS DataProcesso,
[DadosProcesso].[Hora] AS HoraProcesso,
[DadosFio].[Codigo] AS CodigoFio,
[DadosFio].[Processo] AS Processo,
[DadosProcesso].[Codigo] AS CodigoProcesso
FROM DadosProcesso
INNER JOIN DadosFio ON [DadosProcesso].[Mquina]=[DadosFio].[MQ]
WHERE ((([DadosFio].[DATA])>[DadosProcesso].[Data]))
ORDER BY [DadosFio].[Mq], [DadosFio].[Data], [DadosProcesso].[Data],
[DadosProcesso].[Hora]
Criou-se o campo Processo na tabela DadosFio e atualizou-o com a

instruo SQL:
UPDATE DadosFio_INNER_DadosProcesso_MAQUINA
SET Processo = [CodigoProcesso];
Obtiveram-se, por meio da instruo SQL a seguir, os dados referentes

produo do fio de ttulo Ne 24/1, para malharia, da linha de produo
convencional processando fibras 100% algodo, essa consulta foi
armazenada com o nome de FioK24:
SELECT [DadosFio].[Processo], [DadosFio].[MQ],
int([DadosFio].[NE_MEDIO]*100)/100 AS NE_MEDIO,
int([DadosFio].[CV_NE]*100)/100 AS CV_NE,
[DadosFio].[DATA], [DadosFio].[USTER], [DadosFio].[CV_U],
[DadosFio].[PF],
[DadosFio].[PG], [DadosFio].[NEPS], [DadosFio].[TENAC],
[DadosFio].[CV_TEN], [DadosFio].[ALOG], [DadosFio].[CV_ALO],
[DadosFio].[FibraRemessa], [DadosFio].[FibraProcessamento]
FROM DadosFio
WHERE (([DadosFio].[FIO]) Like "*100% Algodo*" Or ([DadosFio].[FIO])
Like "*100% CO*") And ([DadosFio].[NE_DEC]="K24/1")
Apndice 99
Realizou-se a unio entre os dados do processo e do fio por meio da

instruo SQL a seguir. Essa consulta foi armazenada com o nome de
FioK24_I_DadosProcesso:
SELECT [FioK24].[MQ] AS I_Maqu, [FioK24].[DATA] AS Data,
[FioK24].[NE_MEDIO] AS O_NEMED,
[FioK24].[CV_NE] AS O_CVNE, [FioK24].[USTER] AS O_USTER,
[FioK24].[CV_U] AS O_CV_U, [FioK24].[PF] AS O_PF,
[FioK24].[PG] AS O_PG, [FioK24].[NEPS] AS O_NEPS,
[FioK24].[TENAC] AS O_TENAC,
[FioK24].[CV_TEN] AS O_CVTEN, [FioK24].[ALOG] AS O_ALON,
[FioK24].[CV_ALO] AS O_CVALON,
[FioK24].[FibraProcessamento]
[DadosProcesso].[Rotaao] AS I_RPM,
[DadosProcesso].[PEA] AS I_PEA,
[DadosProcesso].[PE] AS I_PE,
[DadosProcesso].[PRE_EST] AS I_PREEST,
[DadosProcesso].[Coef_torcao] AS I_CTORC,
[DadosProcesso].[Viajante_original] AS I_VIAJ,
[DadosProcesso].[Apoio_manchao_original] AS I_APMANC,
[DadosProcesso].[Braco_pendular_original] AS I_BPEND,
FROM FioK24 INNER JOIN
DadosProcesso ON [FioK24].[Processo]=[DadosProcesso].[Codigo]
Realizou-se a unio entre os dados da fibra, os dados do fio e os dados do

processo, por meio da instruo SQL a seguir. Essa consulta foi nomeada
como FioK24_I_DadosProcesso_I_FibraPropMdia_DataProcessamento.
A tabela FibraPropMdia utilizada nessa consulta o resultado obtido na
consulta das propriedade mdias das fibras (Apndice 12.2).
SELECT [FioK24_I_DadosProcesso].[Data],
[FioK24_I_DadosProcesso].[I_Maqu], [FibraPropMdia].[PADRAO],
[FibraPropMdia].[SCI], [FibraPropMdia].[MICRONAIRE],
[FibraPropMdia].[MATURIDADE],
FibraPropMdia].[COMPRIMENTO],
[FibraPropMdia].[UNIFORMIDADE], [FibraPropMdia].[SFI],
[FibraPropMdia].[RESISTENCIA],
[FibraPropMdia].[ALONGAMENTO], [FibraPropMdia].[UMIDADE],
[FioK24_I_DadosProcesso].[I_RPM],
[FioK24_I_DadosProcesso].[I_PEA], [FioK24_I_DadosProcesso].[I_PE],
Apndice 100
[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]
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
12.4 Diagrama Entidade Relacionamento do banco de dados USESClass

Apndice 102
12.5 Conjunto de classes do Mdulo Gerenciador de Sistemas
//***********************************
// 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)
//classes principais - independentes

class Html
function getName() function getId() function getValor() function getTipo()
function getPropriedades() function getEstilos() function getPropriedade($propriedade)
function getEstilo($estilo) function getLargura() function getAltura() function getVisivel()
function setPermissao($permissao="C",$modulo="") function setBloqueado()
function setEstilo($estilo,$valor) function setTamanho($largura="",$altura="")
function setVisivel() function setOculto() function setValor($valor)
function setXY($x,$y) function setMovel() function setFixo()
function unsetBloqueado() function unsetPropriedade($propriedade)
function unsetEstilo($estilo)
function &addParametro($nome,$valor) function isBloqueado() function acordar()
class Page
function Page($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
// classes extendidas da Html

class Head extends Html{
function &addScript($nome,$code) function delScript($nome)
function setEstilo($nome,$estilo,$valor) function setTitulo($titulo)
function setTamanho($largura="",$altura="")
function show()
class Body extends Html

function Body()
function getMenuVisivel()
function setMsg($msg="") function setFocoInicial($objeto) function setAutoClose()
function setMenuOculto() function setMenuVisivel()
function setConteudo($conteudo)
function &addForm($nome) function isEmpty() function acordar()
function show($bloqueio="")
class Form extends Html

function Form($nome)
function getStatus() function getObjectEvent() function getTabela()
function getNameJS() function getSqlUpdate() function getSqlInsert()
function getSqlDelete() function getSqlSelect()
function setStatus($status) function setBody(&$body) function setLimiteFiltro($limite)
function setTabela($tabela,$banco="")
function &addWindow($nome,$titulo="",$x=30,$y=30) function carregaRegistro($dados)
function limpar() function acordar() function atualizaTabFiltro()
function createFormFiltro($nome,$sql,$titulo="") function show($bloqueio="")
class Window extends Html

function Window($nome,$titulo="",$x=30,$y=30,$width=300,$height=200)
function setPropriedade($propriedade,$valor) function setEstilo($estilo,$valor)
function setForm(&$form) function setTitulo($titulo) function setCloseOn()
function setCloseOff()
function &addInput($tipo,$nome,$tipodado="texto",$valor="",$linha="",$coluna="",$tabindex="")
function &addImage($nome,$valor,$linha="",$coluna="")
function &addGrafico($nome,$dados="",$linha="",$coluna="")
function &addButton($nome,$legenda,$linha="",$coluna="",$script="",$tabindex="")
function &addSubmit($nome,$legenda,$linha="",$coluna="",$confirm="",$tabindex="")
function &addButtonTo($nome,$legenda,$modulo,$linha="",$coluna="",$tabindex="")
function &addButtonReport($nome,$legenda,$modulo,$linha="",$coluna="",$tabindex="")
function &addReset($nome,$legenda,$linha="",$coluna="",$tabindex="")
function &addTable($nome,$colunas=0)
function &addWindow($nome,$titulo="",$x=30,$y=30,$width=300,$height=200)
function &addLabel($nome,$valor,$linha="",$coluna="")
function &addLink($nome,$legenda,$url="",$linha="",$coluna="")
function acordar() function show($bloqueio="")
class Input extends Html

function Input($tipo,$nome,$tipodado="texto",$valor="",$linha="",$coluna="",$tabindex="999")
function getAutoNumeracao() function getObrigatorio() function getSqlUpdate()
function getSqlSelect() function getSqlValor() function getTipoDado()
function getValor() function getValorVisivel() function getSubmitOnChange()
function setEnterToTabOff() function setEnterToTabOn() function setChave()
function setSubmitOnChange() function setObrigatorio($obrigatorio)
function setForm(&$form) function setLabel($valor,$x="",$y="")
function setEstrangeira($consulta,$chave="",$campobusca="",$x=100,$y=200,$w=0)
function setAutoNumeracao() function setFocus() function setValor($valor)
function setNovaChave() function setOpcoes($opcoes) function setMascara ($mascara)
function isChave() function atualizaOpcoes() function acordar()
Apndice 104
class Label extends Html

function Label($valor,$linha="",$coluna="")
function getValor()
function setEstilo($estilo,$valor) function setPropriedade($propriedade,$valor)
function setValor($valor,$linha="",$coluna="")
class Grafico extends Html

function Grafico($dados="",$linha="",$coluna="")
function setTamanho($largura="",$altura="") function setEstilo($estilo,$valor)
function setPropriedade($propriedade,$valor) function setDados($dados)
function show($bloqueio="") function acordar()
class Link extends Html
function Link($text="",$href="",$linha="",$coluna="")
function setWindow(&$window) function getText() function show($bloqueio="")
class Div extends Html

function Div($id="") function setConteudo($conteudo) function show($conteudo="")
class Table extends Html

function Table($nome,$colunas=0)
function getSqlFiltro() function getLinhas() function getColunas()
function getHighLightColor()
function setTamanho ($largura="",$altura="") function setHighLightColor($cor)
function setHighLightOn() function setCorAlternada($cor) function unsetCorAlternada()
function setQuebraLinhaOn() function setQuebraLinhaOff() function setHighLightOff()
function setClickOff() function setEstilo($estilo,$valor,$linha="",$coluna="")
function setClickOn() function atualizaDados($dados="",$limite=100)
function setPropriedade($propriedade,$valor,$linha="",$coluna="") function setSqlFiltro($sql)
function setColunas($col) function setWindow(&$window)
function unsetPropriedade($propriedade,$linha="",$coluna="")
function unsetEstilo($estilo,$linha="",$coluna="")
function &addInput($linha,$coluna,$tipo,$nome,$tipodado="",$valor="",$tabindex="")
function &addParametro($linha,$coluna,$valor)
function &addImage($linha,$coluna,$nome,$valor)
function &addButton($linha,$coluna,$nome,$legenda,$script="",$tabindex="")
function &addSubmit($linha,$coluna,$nome,$legenda,$confirm="",$tabindex="")
function &addButtonTo($linha,$coluna,$nome,$legenda,$modulo,$tabindex="")
function &addButtonReport($linha,$coluna,$nome,$legenda,$modulo,$tabindex="")
function &addReset($linha,$coluna,$nome,$legenda,$tabindex="")
function &addLabel($linha,$coluna,$valor)
function &addLink($linha,$coluna,$legenda,$url="")
function &addLinkTo($linha,$coluna,$legenda,$modulo)
function &addTable($linha,$coluna,$colunas)
function delLine($lin) function insLine($lin) function limpar()
// classes extendidas da Input

class Image extends Input
function Image($nome,$valor="",$filial="",$linha="",$coluna="")
function getConteudo() function getValor() function getSqlValor() function getName()
function setValor($valor) function setConteudo($conteudo)
Apndice 105
12.6 Conjunto de classes do sistema ANS Online
//********************************
//* 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 (!is_numeric($valor)) {$valor="NULL";}
}elseif ($tipo=="MOEDA") {
if (!is_numeric($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 $valor;
}
public function unsetAtributo($nome){

unset($this->Atributos[strtoupper($nome)]);
}
public function getAtributos(){
$retorno=(count($this->Atributos)>0)? $this->Atributos : "";
return $retorno;
}
}
class ANSClass extends Information {

public function __construct(){
$this->Variaveis = Array();
$this->RNA = new Net();
}
public function __destruct() {
parent::__destruct();
}
public function __sleep(){
Apndice 107
$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
$reg["LIMITE_S"], $reg["TIPO"], $reg["CODIGO"]);

}
}
$erro = $this->RNA->load($codigo);
}
return $erro;
}
public function save(){
//inicia transao de gravao
$con->trans();
//atualiza aplicacao
if($this->codigo==0){ //insere nova aplicacao
$codApl = $con->execute('SELECT GEN_ID(APLICACAO_CODIGO_GEN,1)
FROM RDB$DATABASE',$erro);
$sql = "INSERT INTO APLICACAO (CODIGO,DESCRICAO, DATA_CRIACAO,
USUARIO_CRIACAO) VALUES(".$codApl[0][0].", ".$this->descricao().",
".$this->data_criacao().", ".$this->usuario_criacao().")";
$dados = $con->execute($sql,$erro);
}elseif($this->codigo>0){ //update aplicacao
$codApl[0][0] = $this->codigo;
$sql = "UPDATE APLICACAO SET DESCRICAO='".str_replace("'", "'",
$this->descricao).
"' WHERE CODIGO=".$codApl[0][0];
}else{ $erro = "No existem dados para serem salvos!";}
if($erro!=""){$con->rollback(); return $erro;}

//atualiza variaveis
if(count($this->Variaveis)>0){ //se existe variveis para aplicacao
foreach($this->Variaveis as $indice=>$inf){
if($inf->codigo==0 or $this->codigo==0){ //variavel nova ou aplicacao nova
$sql="INSERT INTO VARIAVEL (APLICACAO, NOME, TIPO, LIMITE_I,
LIMITE_S, ORDEM)
VALUES(".$codApl[0][0].", ".$inf->nome().", ".$inf->tipo().", "
.$inf->limite_i().",".$inf->limite_s().",".$inf->ordem().")";
}elseif($inf->codigo>0){
$sql="UPDATE VARIAVEL SET NOME='".$inf->nome().",TIPO=".
$inf->tipo().",LIMITE_I=".$inf->limite_i().",LIMITE_S="
.$inf->limite_s().",ORDEM=".$inf->ordem().
" WHERE CODIGO=".$inf->codigo;
}else{
$sql="DELETE FROM VARIAVEL WHERE CODIGO=".(-1*$inf->codigo);
}
$con->execute($sql,$erro);
if($erro!="") { break;}
}
}
$con->commit();
$erro=$this->load($codApl[0][0]); //atualiza dados da aplicacao
return $erro;
}
}
Apndice 109
//********************************
//* 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();
}
}
return $retorno;
}

parent::__wakeup();
}
if($aux!=""){
}
}
$this->Weights = Array();
}
public function addWeight($indice,$valor,$codigo=0) {
if(!isset($this->Weights[$indice])){$this->Weights[$indice]= new Information();}
$this->Weights[$indice]->valor = $valor;
$this->Weights[$indice]->codigo = $codigo;
}
}
class Layer extends Information {

$this->Neurons = Array();
}
}
return $retorno;
}
parent::__wakeup();
}
if($aux!=""){
}
}
$this->Neurons= Array();
}
Apndice 110
public function &addNeuron($indice,$codigo=0) {

if(!isset($this->Neurons[$indice])){$this->Neurons[$indice]= new Neuron();}
$this->Neurons[$indice]->codigo = $codigo;
return $Neurons[$indice];
}
}
class Net extends Information {

$this->Layers = Array();
$this->Bias = True;
}
}
return $retorno;
}
parent::__wakeup();
}
if($aux!=""){
}
}
$this->Layers = Array();
}
public function &addLayer($ordem,$fa,$ft,$tipo,$codigo=0) {
if($tipo=="Entrada"){
$indice=1;
}elseif($tipo=="Sada"){
$indice=count($this->Layers)+1;
}else{
$ultIndice = count($this->Layers);
if($this->Layers[$ultIndice]->tipo == "Saida") {
$novoIndice = (ultIndice<=$ordem) ? $ordem+1 : $ultIndice+1;
$this->Layers[$novoIndice] = $this->Layers[$ultIndice];
unset($this->Layers[$ultIndice]);
}
$indice=$ordem;
}
if(!isset($this->Layers[$indice])){$this->Layers[$indice]= new Layer();}
$this->Layers[$indice]->fa = $fa;
$this->Layers[$indice]->ft = $ft;
$this->Layers[$indice]->tipo = $tipo;
$this->Layers[$indice]->codigo = $codigo;
return $this->Layers[$indice];
}
public function delLayer($indice){
if(isset($this->Layers[$indice])){
if($this->Layers[$indice]->codigo==0){
unset($this->Layers[$indice]);
}elseif($this->Layers[$indice]->codigo>0){
$this->Layers[$indice]->codigo = - $this->Layers[$indice]->codigo;
}
Apndice 111
}
}
public function getLayers(){
$retorno=(count($this->Layers)>0)? $this->Layers : "";
return $retorno;
}
public function load($codigo) {
$erro="";
$sql = "SELECT REDE.APLICACAO,REDE.DESCRICAO,
REDE.DATA_CRIACAO, REDE.USUARIO_CRIACAO
FROM REDE
WHERE REDE.CODIGO=".$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"]);
$sql = "SELECT NEURONIO.CODIGO AS NCODIGO,

NEURONIO.ORDEM AS NORDEM,
PESO.CODIGO AS PCODIGO, PESO.ORDEM AS PORDEM,
PESO.VALOR
FROM CAMADA INNER JOIN PESO ON
CAMADA.CODIGO=PESO.CAMADA
WHERE NEURONIO.CAMADA=".$regC["CODIGO"];
$dadosN = $con->execute($sql,$erro,0,1000,"","S");
if($erro=="" and count($dadosN)>0){
foreach($dadosN as $regN){
if(!isset($Layer->Neurons[$regN["NORDEM"]])){$Neuron =
&$Layer->addNeuron($regN["NORDEM"],
$regN["NCODIGO"]);}
$Neuron->addWeight($regN["PORDEM"],
$regN["VALOR"],$regN["PCODIGO"]);
}
}else{break;}
}
}
//setando os limites nas camadas entrada e saida
$sql = "SELECT VARIAVEL.TIPO, VARIAVEL.ORDEM,
VARIAVEL.LIMITE_I, VARIAVEL.LIMITE_S
FROM VARIAVEL WHERE VARIAVEL.TIPO IN ('Entrada','Sada')
AND VARIAVEL.REDE=".$codigo." ORDER BY VARIAVEL.TIPO,
Apndice 112
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(){
//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().",
".$this->usuario_criacao().")";
}elseif($this->codigo>0){ //update REDE
$codRNA[0][0] = $this->codigo;
$sql = "UPDATE REDE SET DESCRICAO=".$this->descricao().
"' WHERE CODIGO=".$codRNA[0][0];
}else{ $erro = "No existem dados para serem salvos!";}

//atualiza variaveis
if(count($this->Layers)>0){ //se existe variveis para aplicacao
foreach($this->Layers as $indice=>$inf){
if($inf->codigo==0 or $this->codigo==0){ //Layer nova ou REDE nova
$sql="INSERT INTO CAMADA(REDE,TIPO, FUNCAO_ATIVACAO,
FUNCAO_TRANSFERENCIA, ORDEM)
VALUES(".$codRNA[0][0].",".$inf->tipo().",".$inf->fa().", "
.$inf->ft().",".$inf->ordem().")";
}elseif($inf->codigo>0){
$sql="UPDATE CAMADA SET TIPO=".$inf->tipo().",
FUNCAO_ATIVACAO=".$inf->fa().
",FUNCAO_TRANSFERENCIA=".$inf->ft().",ORDEM=".$inf->ordem().
" WHERE CODIGO=".$inf->codigo;
}else{
$sql="DELETE FROM CAMADA WHERE CODIGO=".(-1*$inf->codigo);
}
$con->execute($sql,$erro);
if($erro!="") { break;}
}
}
$con->commit();
Apndice 113
$erro=$this->load($codRNA[0][0]); //atualiza dados da aplicacao

return $erro;
}
public function process($Input="") { // produz uma saida p/ uma entrada
for($o=1;$o<=$this->O;$o++) {
for($j=1;$j<=$this->M;$j++) {
$auxSoma=0;
// se esta processando a 1a camada auxLim=L
$auxLim=($o==1)? $this->L : len($this->Hidden[$o-1]->Neurons);
for($i=$this->Bias;$i<=$auxLim;$i++) {
$auxSoma += ($o==1 ? $this->Input->Neurons[$i] :
$this->Hidden->Neurons[$i] ) *
$this->Hidden[$o]->Weights[$j];
}
$X=$auxSoma;
// define o valor de X para a funcao de ativacao
eval($this->Hidden[$o]->FA());
$X=$Y; // define o valor de X para a funcao de transferencia
eval($this->Hidden[$o]->FT());
//atualiza valor do neuronio
$this->Hidden[$o]->Neurons[$j] = $Y;
}
}
// se nao existe camada escondida auxLim=N camada de entrada
$auxLim=($this->O<=0) ? $this->L : len($this->Hidden[$O]->Neurons);
for($k=1;$k<=$this->N;$k++) {
$auxSoma=0;
for($i=$this->Bias;$i<=$auxLim;$i++) {
$auxSoma += ($this->O<=0 ? $this->Input->Neurons[$i] :
$this->Hidden[$this->O]->Neurons[$i] ) *
$this->Output->Weights[$j];
}
$X=$auxSoma; // define o valor de X para a funcao de ativacao
eval($this->Output->FA());
$X=$Y; // define o valor de X para a funcao de transferencia
eval($this->Output->FT());
//atualiza valor do neuronio
$this->Output->Neurons[$k] = $Y;
}
}
}
Apndice 114
12.7 Procedimentos para selecionar dados com qualidade para a RNA
Inicialmente, criou-se a consulta SQL a seguir, que busca todos os ajustes

diferentes existentes no conjunto de dados:
SELECT DISTINCT [DADOS].[I_RPM],
[DADOS].[I_PEA], [DADOS].[I_PE], [DADOS].[I_PREEST],
[DADOS].[I_CTORC], [DADOS].[I_VIAJ], [DADOS].[I_APMANC],
[DADOS].[I_BPEND], [DADOS].[I_MAQU]
FROM FioK24_I_DadosProcesso_I_FibraPropMdia_DataProcessamento
AS DADOS
Essa consulta foi gravada com o nome de AJUSTES_DISTINCT_TOTAL
Para determinar a quantidade de ajustes por mquinas realizou-se a
instruo SQL:
SELECT I_MAQU, COUNT(*) AS AJUSTES
FROM AJUSTES_DISTINCT_TOTAL
GROUP BY I_MAQU
Para determinar a quantidade de registros por mquina criou-se a consulta

SQL:
SELECT [DADOS].[I_MAQU], COUNT(*) AS REGISTROS
AS DADOS
GROUP BY [DADOS].[I_MAQU]
Para selecionar dados no repetitivos, criou-se a consulta SQL, que exclui

algumas informaes desnecessrias, como a data e o padro:
SELECT DADOS.MICRONAIRE, DADOS.MATURIDADE,
DADOS.COMPRIMENTO, DADOS.UNIFORMIDADE, DADOS.SFI,
DADOS.RESISTENCIA, DADOS.ALONGAMENTO,
DADOS.UMIDADE, DADOS.I_RPM, DADOS.I_PE,
DADOS.I_CTORC, DADOS.O_USTER, DADOS.O_CV_U,
DADOS.O_PF, DADOS.O_PG, DADOS.O_NEPS,
DADOS.O_TENAC, DADOS.O_ALON, DADOS.PESO
AS DADOS
Essa consulta foi gravada com o nome de DadosAnaliseGeral
Apndice 115
Atravs das consultas SQL a seguir, eliminaram-se os registros com

informaes vazias e agruparam-se as variveis a serem utilizadas como
entrada na rede, determinando-se a mdia da qualidade do fio que possuem
os mesmos valores de entrada.
DADOS.UMIDADE, DADOS.I_RPM, DADOS.I_PE,
DADOS.I_CTORC, SUM(DADOS.PESO) AS S_PESO,
SUM(DADOS.PESO*dados.o_USTER) AS o_USTER,
SUM(DADOS.PESO*dados.o_CV_U) AS o_CV_U,
SUM(DADOS.PESO*dados.o_PF) AS o_PF,
SUM(DADOS.PESO*dados.o_PG) AS o_PG,
SUM(DADOS.PESO*dados.o_NEPS) AS o_NEPS,
SUM(DADOS.PESO*dados.o_TENAC) AS o_TENAC,
SUM(DADOS.PESO*dados.o_ALON) AS o_ALON
FROM DadosAnaliseGeral AS DADOS
GROUP BY DADOS.MICRONAIRE, DADOS.MATURIDADE,
DADOS.UMIDADE, DADOS.I_RPM, DADOS.I_PE, DADOS.I_CTORC
Essa consulta foi gravada com o nome de DadosGeraisSoma

DADOS.UMIDADE, DADOS.I_RPM, DADOS.I_PE, DADOS.I_CTORC,
int((dados.o_USTER/dados.s_peso)*100)/100 AS o_USTER,
int((dados.o_CV_U/dados.s_peso)*100)/100 AS o_CV_U,
int((dados.o_PF/dados.s_peso)) AS o_PF,
int((dados.o_PG/dados.s_peso)) AS o_PG,
int((dados.o_NEPS/dados.s_peso)) AS o_NEPS,
int((dados.o_TENAC/dados.s_peso)*100)/100 AS o_TENAC,
int((dados.o_ALON/dados.s_peso)*100)/100 AS o_ALON
FROM DadosGeraisSoma AS DADOS
Com a sequncia descrita acima, obteve-se um conjunto de 1.207 registros sem
duplicidade das caractersticas da fibra e ajustes do processo.
13. Anexos
13.1 Classificao das fibras
Fonte: FORUM TXTIL, 2006

Apndice 117
13.2 Frmulas de converso de ttulos de fios para vrias unidades
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
13.3 Exemplo da estatstica Uster
Neste grfico a ordenada representa o valor do ttulo do fio produzido, a abscissa

representa o valor do coeficiente de variao do fio produzido, os valores % que esto
sobre as curvas representam a porcentagem de fiaes que produzem fios com essa
qualidade.

Aplicação de Redes Neurais Artificiais Na Indústria de Fios de Algodão

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Aplicação de Redes Neurais Artificiais Na Indústria de Fios de Algodão

Uploaded by

Copyright:

Available Formats

UNIVERSIDADE ESTADUAL DE MARING

Gilberto Clvis Antonelli

Tese de Doutorado submetida Fundao

UNIVERSIDADE ESTADUAL DE MARING

Esta a verso final da tese de Doutorado apresentada por Gilberto Clvis

Prof. Dr. Ivo Neitzel

Prof. Dr. Aparecido Nivaldo Mdenes

Prof. Dr. Edson Antnio da Silva

Prof. Dr. Dante Alves Medeiros Filho

Prof Dr.Luiza Helena Costa Dutra Sousa

ANTONELLI, GILBERTO CLVIS

Agradeo em primeiro lugar a DEUS, por ter-me concedido possibilidade e o

Agradeo tambm a todas as pessoas que direta ou indiretamente contriburam para

ao gerente da Indstria de Fios Cocamar, Sr. Edson Tetsuji Mizoguchi, mentor da

APLICAO DE REDES NEURAIS ARTIFICIAIS

AUTOR: GILBERTO CLVIS ANTONELLI

ORIENTADOR: PROF. DR. IVO NEITZEL

Tese de Doutorado; Programa de Ps-Graduao em Engenharia Qumica; Universidade

A competitividade no setor de produo de fios fez as empresas buscarem solues

apresenta-se uma soluo com 3 neurnios de entrada (caractersticas da fibra), 1 neurnio

APPLICATION OF ARTIFICIAL NEURAL NETS

AUTHOR: GILBERTO CLVIS ANTONELLI

SUPERVISOR: PROF. DR. IVO NEITZEL

Tese de Doutorado; Programa de Ps-Graduao em Engenharia Qumica; Universidade

7. Aplicao de redes neurais artificiais na indstria de fios Cocamar .......................... 44

Figura 7.16 : Performance da RNA no treinamento para determinar os nmeros de pontos

ASM anlise simplificada de maturidade

A poltica de abertura comercial instalada no pas a partir de 1990, com a reduo

No Captulo 6 trata-se dos dados de produo da indstria de fios da empresa

Na fiao, a tecnologia est voltada ao estudo da produo de fios. Neste contexto a

O consumo mundial de fibras est acima de 40 milhes de toneladas/ano, 20%

2.1 Caractersticas das fibras de algodo

As caractersticas fsicas das fibras de algodo so ferramentas importantes e seu

2.2 Variveis do processo fabril das fiaes convencionais

O sistema de fiao convencional, desde a sua criao, conforme afirmado por

Sala de Abertura Passadeiras

Rocas Fio Fio

Figura 2.1 : Fluxograma simplificado do processo convencional de produo de fios

Aps cada etapa do processo, o material produzido fica armazenado em reas

2.3 Qualidades do fio produzido

A qualidade do fio produzido medida de acordo com suas caractersticas fsicas e

2.4 Misturas programadas de matria-prima

As indstrias de fio trabalham com misturas programadas de matria-prima,

A Fiao de Algodo Cocamar nasceu em 1982, inaugurada em 22 de outubro,

Figura 3.1 : Vista area da Indstria de Fios Cocamar

Hoje a Indstria de Fios Cocamar reconhecida pela qualidade de seus produtos e

inverno. Os fios finos 100% algodo ou mistos (polister/algodo ou polister/viscose) so

3.1 Armazenamento e preparo da matria-prima

O algodo in natura colhido, colocado em sacos com capacidade aproximada de

3.1.1 A logstica de preparo da empresa Cocamar

Com as informaes vindas do Departamento de Comercializao sobre ttulo do

fio e a quantidade de produo comercializada ou a ser comercializada, o setor de PCP

3.2 O processo produtivo

A Indstria de Fios Cocamar separa seu processo em trs linhas de produo,

Figura 3.2 : Sala de abertura de fardos com alimentao automtica

Figura 3.3 : Cardas em processo de produo e armazenamento do cabo

Figura 3.4 : Passadeira de 1 passagem com detalhe do passador

Nas passadeiras de 2 passagem da linha convencional a relao utilizada 4:1 ( 4

Figura 3.5 : Filatrio a anel

Redes neurais artificiais um conceito da computao que visa trabalhar o

4.1 Funcionamento das redes neurais artificiais

As redes neurais artificiais so criadas a partir de algoritmos projetados para

onde N representa o total de conexes de entrada do elemento de processamento.

Observa-se que a funo sigmoidal limitada pelos valores extremos 0 e 1. Essa