Para avaliação do desempenho da rede, cada padrão repetitivo foi apresentado
pela rede. Os primeiros 8 pontos já continham integralmente o distúrbio, não havendo nenhuma
sequência de pontos sob condição normal. Para os padrões não repetitivos, a rede foi apresentada
com os padrões contendo o desvio exatamente no centro da janela de entrada. Os resultados
variaram conforme o tipo de padrão, intensidade do distúrbio, nível de ruído e nível de corte.
O trabalho de H wam g apresenta as seguintes limitações, que restringem sua aplicação
prática e não permitem que se possa extrapolar os resultados para o desempenho do sistema sob
condição real:
- O sistema trata apenas de padrões que não apresentem pontos fora dos limites de
controle, não estudando o desempenho da rede quando, por exemplo, um ciclo
levar a um ponto fora de controle.
- O sistema considera que a rede é apenas apresentada a padrões onde o processo está fora
de controle, não estudando a transição entre um processo sob controle e um fora de
controle.
- O sistema considera que o gráfico da dispersão está sob controle, avaliando apenas o
gráfico da média
- Apresenta dificuldade na inclusão de novos padrões, pois exige que a fase de
treinamento seja repetida com os exemplos anteriores e os novos.
Guo & Dooley [57] utilizaram uma rede neural de "backpropagation" para identificação de
aumentos na média e variância de um processo simulado. O sistema utiliza os resíduos de ajuste
de um modelo do processo de fabricação para identificar as mudanças da média, da variância e da
validade do modelo. A entrada da rede é formada pelos resultados de um gráfico de CUSUM
computacional [50] (S,+ , St-) e uma estatística (SSQt ) calculada por (assumindo média zero e
variância unitária):
h.
s s q
, = J > , 2 a?- 4.2'= '1
onde t2 - t, + 1 = 25 é constante, com t2 sendo o último resíduo do modelo do processo.
Também foram utilizados como entrada os últimos cinco resíduos (yt , yt_,, yt.2, yt.3 , yM ), a
m édia e a variância de quatro janelas de resíduos ( {t-5, t-9} , {t-10, t- 14}, {t-15, t-19} e (t-20, t-
25} respectivamente, onde t é o índice de tempo para a última amostra). Assim, a rede possui 16
entradas (duas para a estatística de CUSUM). A rede possui duas camadas intermediárias, a
prim eira com 48 nós, a segunda com 4 nós e apenas um nó na camada de saída. Se a saída for
próxim a de zero, corresponde a um aumento na média, se a saída for próxima de um, corresponde
a um aumento na variância. A rede é acionada apenas para identificação do tipo de distúrbio
presente, com o alarme de anormalidade sendo dado pelo teste estatístico de CUSUM e do Qui-
quadrado (SSQt). O trabalho de Guo & Dooley apresenta as seguintes limitações :
- O sistema trata apenas de problemas que não apresentem pontos fora dos limites de
controle, não estudando o desempenho da rede quando a anomalia levar a um
ponto fora de controle.
- Identifica apenas desvios da média e variabilidade, não estudando outros tipos de
padrões.
Lucy-Bouler [58] desenvolveu um sistema especialista baseado no uso de autocorrelações
e autocorrelações parciais das amostras para identificação de padrões anormais no gráfico da
O sistema tem uma estrutura hierárquica onde as autocorrelações e autocorrelações parciais
são prim eiramente analisadas para o reconhecimento de ciclos e padrões sistemáticos. Então, as
regras da W estern Electric [42] são utilizadas para verificar a existência de misturas ou
estratificação. Em seguida, o gráfico de CUSUM, em conjunto com regras eurísticas é utilizado
para detecção de desvios da m édia e tendência. Caso nenhum dos estágios anteriores indique a
presença de um padrão anormal, o processo é considerado sob controle. O trabalho de Lucy-
Bouler é mais completo que os anteriores, pois ele não apenas estuda o desempenho do sistema
proposto na identificação dos padrões anormais, mas também estuda o desempenho do sistema
quanto ao ARL para a ocorrência de um alarme falso, quando o processo está sob controle. O
sistema pode ser adaptado para situações reais mais facilmente que os sistemas apresentados
anteriormente. Apesar do avanço sobre os trabalhos anteriores, o sistema apresenta as seguintes
limitações:
- Não considerou situações onde o processo sai fora dos limites de controle de ±3cr em
um gráfico de controle.
- Não perm ite a inclusão de novos padrões para identificação.
A tabela 4.1 m ostra as limitações dos diversos sistemas apresentados acima.
Swift [54] Cheng [55] Hwamg [45] Guo & Dooley [57] Lucy-Bouler [58] - Risco de alarmes falsos - Situação improvável na vida real - Não permite a incorporação de novos padrões - ARL grande - Não permite a inclusão de novos padrões
- Não trata padrões com pontos fora de controle - Padrões anormais não são precedidos por padrões normais - Considera que o gráfico da dispersão está sob controle - Apresenta dificuldade para inclusão de novos padrões - Não trata padrões com pontos fora de controle - Só identifica desvios da média e variabilidade - Não permite a inclusão de novos padrões - Não trata padrões com pontos fora de controle - Não permite inclusão de novos padrões
Tabela 4.1 - Limitações dos Trabalhos Anteriores
A análise das limitações dos trabalhos acima revela que são três as limitações mais
comuns :
- Não tratam padrões com pontos fora dos limites de controle.
- Tratam apenas da média, assumindo que o gráfico de dispersão está sob controle.
- Não permitem a incorporação de novos padrões com facilidade.
Além das limitações acima, Loucy-Bouler [59] constata que, em sua maioria, os trabalhos
não utilizam simulações, testes e índices comuns para medir o desempenho dos sistemas
propostos (como ARL). Além disso, eles não estudam a ocorrência de alarmes falsos quando o
processo está sob controle (normal).
A superação dessas limitações é fundamental para o desenvolvimento de sistemas de de