INFERÊNCIA DA CAPACIDADE DE REFRIGERAÇÃO EM COMPRESSORES DEFEITUOSOS

Durante o capítulo 6, diferentes análises foram realizadas no intui- to de mostrar que é possível realizar inferências do valor da capacidade de refrigeração junto à linha de produção. Porém, como o processo de fabricação dos compressores é muito bem ajustado, os defeitos ocorrem na ordem de partes por milhão. Assim, nenhuma peça utilizada, seja nos treinamentos ou nas análises, apresentava indicação de capacidade abai- xo do esperado. Deste modo, uma análise com peças defeituosas foi realizada para verificar o comportamento da proposta frente a esses compressores.

Com esse intuito, cinco compressores defeituosos foram fabrica- dos. Esses defeitos foram inseridos deformando-se as válvulas, aumen- tando o volume morto da câmara de compressão e também através de imperfeições na placa válvula, que são defeitos típicos que ocasionam baixa capacidade de refrigeração do compressor. Essas peças foram medidas em laboratório e apresentaram resultados para a capacidade de refrigeração abaixo do esperado.

Na linha de produção, os ensaios foram realizados em temperatu- ras próximas aos 38,5oC, evitando deste modo os problemas de genera- lização relacionados com a temperatura. O comitê utilizado foi o mesmo

do item 6.6, com 500 RNA e foram realizadas 900 SMMCU_{, respeitando}

assim o tempo estipulado para o processamento das informações. O valor nominal para o modelo em questão é de 240 W e os valo- res obtidos através do processo de inferência são apresentados na tabela 26. Percebe-se que, apesar das indicações ficarem abaixo do valor no- minal, as diferenças apresentadas foram elevadas, bem como suas res- pectivas incertezas.

TABELA 26: RESPOSTA PARA OS COMPRESSORES DEFEITUOSOS

compressor medição no _{lab. (W) (W)} IM _{na linha (W)} inferência _(W) I-If I-If _% difer. _%

d5 184,0 ± 5,6 208 ± 26 ± 13 +13

d4 222,7 ± 6,7 232 ± 12 ± 5,2 +4,8

d3 219,1 ± 6,6 232 ± 13 ± 5,6 +5,9

d2 192,0 ± 5,8 213 ± 30 ± 14 +11

d1 201,5 ± 6,1 220 ± 26 ± 12 +9,2

A figura 43 permite visualizar os resultados para as medições em laboratório e para as inferências na linha. É possível perceber que 3 compressores apresentaram valores para a I-If demasiadamente eleva- dos.

FIGURA 43: RESPOSTA PARA OS COMPRESSORES DEFEITUOSOS

Pode-se extrair dessa análise, que o modelo neural artificial apre- sentou baixo poder de generalização, situação que se refletiu não só nas

diferenças apresentadas, mas também nos valores das suas respectivas incertezas. Tal constatação pode ser visualizada através da figura 44, que mostra a distribuição dos valores na saída do comitê para o com- pressor defeituoso d5. A resposta para os demais compressores defeituo- sos são apresentadas no apêndice H.

FIGURA 44: HISTOGRAMA COM A RESPOSTA APRESENTADA PARA O COMPRESSOR DEFEITUOSO D5

Mesmo que existam compressores no conjunto de treinamento com capacidade de refrigeração próximas àquelas medidas para essas peças defeituosas, ainda assim esses ficam em uma região onde as RNA tendem a extrapolar os dados. Isso ocorre, porque além da capacidade de elevação da pressão, parâmetros como a potência elétrica consumida, que também é diretamente proporcional à capacidade de refrigeração, e a classe do compressor também são utilizados como entradas do modelo neural. Deste modo, durante o treinamento não foram introduzidos e- xemplos que possibilitassem a obtenção de inferências e incertezas ade- quadas para tais situações.

Do mesmo modo que foi possível melhorar o desempenho do co- mitê com a inserção de dados obtidos através de ensaios variando a temperatura, o modelo neural artificial também pode ser melhorado através da inserção de dados de ensaios de compressores defeituosos. Assim, um único compressor defeituoso teve seus dados incorporados ao conjunto de treinamento. A partir dessa inserção novas RNA foram treinadas, e 500 foram tomadas para formar um novo comitê. A mesma

arquitetura e os mesmos parâmetros definidos para todas as análises realizadas anteriormente foram mantidos.

De posse desse novo modelo neural artificial, foram reprocessadas as informações dos 5 compressores defeituosos. Os resultados podem ser visualizados pela tabela 27 e pela figura 45. As novas inferências foram significativamente melhoradas. Agora todas as indicações ficaram próximas àquelas obtidas em laboratório e os valores para a I-If foram adequados para fornecer confiabilidade nos resultados. A figura 46 mos- tra o histograma para o mesmo compressor da figura 44, é possível veri- ficar que a PDF formada na saída do comitê tende agora para uma dis- tribuição normal, fato indicativo de que o modelo neural aumentou seu poder de generalização para os compressores com capacidade abaixo do esperado. O apêndice I apresenta também os resultados para os demais compressores.

TABELA 27: RESPOSTA PARA COMPRESSORES DEFEITUOSOS APÓS NOVO TREINAMENTO

compressor medição no _{lab. (W) (W)} IM medição na _{linha (W) (W)} I-If I-If _% difer _%

d5 184,0 ± 5,6 194 ± 10 ± 5,2 +5,4

d4 222,7 ± 6,7 227 ± 12 ± 5,3 +1,9

d3 219,1 ± 6,6 226 ± 12 ± 5,3 +3,4

d2 192,0 ± 5,8 196 ± 12 ± 6,3 +2,1

d1 201,5 ± 6,1 204 ± 15 ± 7,4 +1,2

FIGURA 45: RESPOSTA PARA OS COMPRESSORES DEFEITUOSOS A PARTIR DO NOVO TREINAMENTO

FIGURA 46: HISTOGRAMA COM A RESPOSTA APRESENTADA PARA O COMPRESSOR DEFEITUOSO D5 APÓS NOVO TREINAMENTO

Como novas rodadas de treinamento foram necessárias para me- lhorar o modelo neural artificial, faz-se necessário verificar se houve mudança significativa nos resultados apresentados anteriormente. As- sim, os dados referentes aos compressores de teste foram reprocessados pelo novo comitê. Os resultados podem ser visualizados através da tabe- la 28 que a coloca lado a lado, os resultados obtidos pelo comitê com- posto por RNA treinadas sem nenhum compressor com capacidade de refrigeração abaixo do esperado, e os novos resultados, obtidos a partir do comitê composto por RNA treinadas com a inclusão de um único compressor com baixa capacidade de refrigeração. Os resultados obtidos não foram significativamente afetados pela inclusão dos novos dados no conjunto de treinamento e as diferenças encontradas para as indicações desses dois modelos ficaram dentro dos limites anteriormente apresen- tados pela I-If.

Ao final, este item mostrou que a proposta pode sim ser utilizada para realizar inferências em compressores com capacidade abaixo do esperado. Porém, é necessário ajustar o modelo neural através da esco- lha adequada de exemplos no conjunto de treinamento.

Ajustes no modelo neural são importantes e devem sempre ser rea- lizados quando alguma situação mostrar que o modelo neural possa estar incompleto. Nesse sentido, a aplicação da propagação das distribuições durante o uso do modelo neural artificial para todas as peças ensaiadas na linha de produção permite verificar se há peças para as quais o mode- lo não responde adequadamente. Isso seria um bom indicativo de extra-

polação, ou seja, o modelo neural está sendo utilizado para inferir em condições fora da faixa em que ele foi treinado. Nessa situação, quando esses dados são apresentados ao modelo neural artificial, os valores obtidos para a I-If são demasiadamente elevados.

O apêndice J apresenta uma proposição de estratégia para a manu- tenção da qualidade e melhoria contínua da proposta apresentada neste trabalho. Esse apêndice foca na intercomparação entre os resultados obtidos pelos ensaios na linha de produção e em laboratório, dando ên- fase na melhoria do modelo neural através de novos processos de apren- dizagem de RNA a partir da inclusão de dados no conjunto de treina- mento. Desse modo, a cada etapa na melhoria contínua, um novo mode- lo neural é desenvolvido para substituir o modelo existente com I-If reduzidas.

TABELA 28: COMPARATIVO ENTRE RESULTADOS DOS COMPRESSORES DE TESTE PARA COMITÊS TREINADOS COM COMPRESSORES SEM E COM DEFEITO

compressor anterior comitê (W) I-If (W) I-If % novo comitê (W) I-If (W) I-If % diferença entre os modelos % 1 196,6 ± 9,5 ± 4,8 197 ± 10 ± 5,1 +0,2 2 202 ± 13 ± 6,4 203 ± 11 ± 5,4 +0,5 3 198,1 ± 8,3 ± 4,2 198 ± 8,8 ± 4,4 -0,1 4 197,9 ± 7,3 ± 3,7 198 ± 7,2 ± 3,6 +0,1 5 234,8 ± 9,8 ± 4,2 238 ± 11 ± 4,6 +1,4 6 234,1 ± 8,1 ± 3,5 233,2 ± 9,2 ± 3,9 -0,4 7 234,1 ± 8,1 ± 3,5 233,5 ± 8,3 ± 3,6 -0,3 8 235,2 ± 9,7 ± 4,1 236,4 ± 9,3 ± 3,9 +0,5 9 234,1 ± 7,9 ± 3,4 234,1 ± 8,4 ± 3,6 0,0 10 235 ± 11 ± 4,7 238 ± 11 ± 4,6 +1,3 11 275 ± 15 ± 5,5 275 ± 14 ± 5,1 0,0 12 278 ± 14 ± 5,0 277 ± 13 ± 4,7 -0,4

Este capítulo apresentou uma análise sobre a aplicação da proposta para estimar a capacidade de refrigeração integrável à linha de produção de compressores herméticos.

Acerca do estudo de caso, pode se concluir que:

• independentemente dos métodos utilizados nos itens 6.2, 6.3 e 6.4, as indicações de inferência pouco se modifica- ram entre elas, havendo diferenças significativas somente em relação aos limites da incerteza;

• a inclusão da informação da classe do compressor possibi- litou que o modelo neural apresentasse melhores resulta- dos;

• a análise realizada no item 6.2 permitiu verificar que a uti- lização de um comitê de redes neurais favorece a minimi- zação do erro;

• na análise realizada no item 6.3, os resultados mostraram que as incertezas, obtidas exclusivamente para o modelo neural treinado usando o MMC, foram maiores que os in- tervalos de confiança apresentados pelo método boots-

trap, situação indicativa de que as incertezas das medi-

ções dos dados de treinamento são mais significativas que a variabilidade dos dados desse conjunto;

• na análise realizada no item 6.4, onde foi aplicada a pro- posta para expressar a I-If, as incertezas apresentaram va- lores maiores que aqueles obtidos no item 6.3, indicativo de que existia, até então, incompletude significativa no conjunto de treinamento;

• os compressores ensaiados na linha de produção com dife- rentes temperaturas podem ser utilizados, com bastante segurança, para contornar os problemas da extrapolação devido à temperatura de ensaio do compressor na linha de produção;

• a aplicação do método de Monte Carlo para propagar as distribuições durante o uso do modelo neural possibilita verificar situações nas quais a RNA esteja submetida à ex- trapolações em relação ao treinamento;

• a solução proposta neste trabalho se mostra promissora também para a inferência de compressores com capacida- de de refrigeração abaixo do esperado;

• as inferências obtidas no estudo de caso, para os compres- sores do conjunto de teste, apresentaram diferença máxi- ma de 3,2% entre os resultados obtidos em linha e labora- tório, sendo o valor típico encontrado de 1% e I-If de a- proximadamente ±4,5%. Cabe destacar que a norma ISO 917 estabelece que a diferença entre valores de capacida- de de refrigeração para um mesmo compressor, obtidos por métodos distintos, não pode ser maior que 4%. Vale destacar também, que as bancadas de laboratório utiliza- das para a medição da capacidade de refrigeração neste trabalho possuem IM da ordem de ±3%.