MODELO NEURAL TREINADO A PARTIR DA PROPOSTA PARA EXPRESSAR A INCERTEZA DA INFERÊNCIA

Pode-se dizer que, quando se dispõe de um conjunto de treinamen- to bem selecionado, a utilização do MMC para propagar as distribui- ções, no treinamento e no uso do modelo neural, se mostra metrologi- camente mais adequada que o método bootstrap no que concerne ex- pressar a I-If. Isso ocorre porque a propagação das distribuições é capaz de considerar IM do conjunto de treinamento e também durante o uso do modelo neural. No entanto, quando se dispõe de poucos dados para a aprendizagem das RNA, ou quando esses dados não são bem seleciona- dos, o conjunto de treinamento pode ser incompleto.

O erro gerado por essa incompletude é considerado pelo método

as distribuições, apresentado no item 5.3 e aplicado no item 6.3 deste estudo de caso, não realiza essa reamostragem. Para contornar esse pro- blema foi proposto no item 5.4 um método capaz de considerar, além das incertezas dos dados de medições, também a incompletude do con- junto de treinamento através da reamostragem bootstrap. Assim, espera- se que todas as fontes de erros, que podem ser significativas em proces- sos metrológicos que fazem uso de RNA, sejam consideradas na avalia- ção da I-If, como exemplificado pela tabela 19 para este estudo de caso.

TABELA 19: FONTES DE ERROS CONSIDERADAS ATRAVÉS PROPOSTA APRESENTADA PARA EXPRESSAR A INCERTEZA DA INFERÊNCIA DO MODELO NEURAL

erro aleatório erro sistemático não _compensado dados de medições

treinamento da RNA capacidade elevação

(mbar/s) considera considera

potência elétrica

(W) considera considera

temperatura do

compressor (O_C) considera considera

capacidade de

refrigeração (W) considera considera

uso da RNA

capacidade elevação

(mbar/s) considera considera

potência elétrica

(W) considera considera

temperatura do

compressor (O_C) considera considera

aprendizagem

processo de otimização considera não se aplica incompletude dos dados

de treinamento não se aplica considera

Este item manteve as mesmas condições apresentadas anterior- mente nos itens 6.2 e 6.3. Assim, foram utilizados os mesmos 49 com- pressores tidos como base de conhecimento no processo de treinamento. Foi treinado um comitê com 1000 RNA a partir do método proposto, foram realizadas 1000 SMMCU e os valores obtidos para I-If foram apresentados para um nível de confiança de 95%. Os resultados encon- trados para os 12 compressores de teste são apresentados pela tabela 20

e a figura 32 compara, de modo gráfico, os resultados obtidos em labo- ratório com as inferências obtidas na linha de produção.

TABELA 20: RESPOSTA DO MODELO NEURAL TREINADO A PARTIR DO MÉTODO PROPOSTO PARA ESTIMAR A INCERTEZA DA INFERÊNCIA

compressor

comitê 1000 RNA

(W)

I-If (W) I-If % difer. %

1 197 ±11 ±5,7 +0,8 2 202 ±12 ±6,2 +3,2 3 197,1 ±8,0 ±4,1 -0,3 4 201 ±14 ±7,2 +2,1 5 239 ±14 ±5,7 -0,1 6 234 ±14 ±5,8 -3,3 7 233 ±12 ±5,2 +0,9 8 237 ±13 ±5,4 +1,5 9 234 ±12 ±5,2 +1,1 10 233 ±17 ±7,6 +0,2 11 273 ±21 ±7,7 -0,5 12 278 ±26 ±9,4 +0,9

FIGURA 32: COMPARATIVO ENTRE OS RESULTADOS DE LABORATÓRIO E LINHA DE PRODUÇÃO

As indicações encontradas para a capacidade de refrigeração fo- ram similares as obtidas anteriormente para os métodos bootstrap e MMC, diferenciando essencialmente nos valores encontrados para a I-If. Para o método proposto, os valores para a incerteza foram maiores que nos método anteriores, o que já era esperado, dado que ele é uma com- binação de ambos os métodos (bootstrap e MMC para propagação das distribuições) e considera assim uma quantidade maior de fontes de erros que podem afetar o resultado do modelo neural.

Os dados do lote de compressores também foram reprocessados u- tilizando o modelo neural treinado neste item. Os valores de inferência podem ser observados através da tabela 21 e da figura 3336_.

TABELA 21: COMPARATIVO ENTRE O RESULTADO DO TEL E OBTIDO ATRAVÉS DA INFERÊNCIA

Comparativo dos resultados da capacidade de refrigeração para o lote média dos resultados do

lote de TEL (W) 235,7

média dos resultados do

comitê com 103 _{RNA (W)} 233,6 difer.

% -0,9

IC % ±3,6 I-If % ±6,5

desvio padrão % 0,9 desvio padrão % 2,2

FIGURA 33: GRÁFICO DOS RESULTADOS DAS INFERÊNCIAS DAS CAPACIDADES DE REFRIGERAÇÃO PARA O LOTE

Comparando-se os resultados obtidos neste item, com aqueles a- presentados nos itens 6.2 e 6.3, os valores para a inferência foram muito semelhantes, diferenciando-se de modo mais significativos nos valores encontrados para a I-If. Até este ponto do estudo de caso, foram obtidos

36

No gráfico a linha central representa a média do TEL e as linhas paralelas representam a dispersão para essa média através de 3 desvios padrões para mais e para menos.

resultados semelhantes inclusive para o problema dos compressores ensaiados com temperaturas abaixo dos 35o_C.

Por fim, esta análise mostrou os resultados da aplicação da propos- ta apresentada no item 5.4 no contexto deste estudo de caso. A partir dela pode-se concluir que o modelo neural obtido foi capaz de apresen- tar resultados médios muito próximos daqueles apresentados pelo méto- do bootstrap, o que possibilita dizer que, em relação à indicação da inferência, a proposta é tão válida quanto esse tradicional método. Em relação aos valores obtidos para a I-If, a proposta apresentou valores maiores que os IC obtidos pelo método bootstrap. Porém, esses valores de incerteza para a inferência podem ser tidos como metrologicamente mais confiáveis, pois, consideram a IM de todas as medições envolvidas no processo de inferência, o que os métodos encontrados na literatura para estimar IC em RNA não fazem. No entanto, como apresentado, o modelo não pode ser utilizado para estimar o valor da capacidade de refrigeração em 100% das peças produzidas. Nesse sentido dois cami- nhos são válidos: um excluir compressores com temperaturas abaixo de 35oC, dado que poucas são as peças ensaiadas nessas temperaturas, o que ainda assim já seria considerado um ganho expressivo quando com- parado ao atual meio de controle da qualidade; outro seria compensar os efeitos oriundos da variação da temperatura dos ensaio na linha e bus- car, então, alcançar ensaios em 100% das peças produzidas. Este último caminho é apresentado no item a seguir.

6.5 MODELO NEURAL ARTIFICIAL CONSIDERANDO AS