USO DE REDES NEURAIS ARTIFICIAIS
NA PREDIÇÃO DE UMA ETAPA DO
PROCESSO DE FABRICAÇÃO DE
ALUMINA
Humberto Junior Rodrigues de Lima (CESUPA ) limahumberto@bol.com.br Ruy Gomes da SIlva (PUCPR ) ruyrgs@gmail.com Claudio Mauro Vieira Serra (CESUPA ) cmvserra@gmail.com
Por razões que objetivam maior capacidade de competição no mercado, maximização da produção e redução dos custos, as empresas tem buscado cada vez mais a otimização de seus processos por meio de ferramentas voltadas ao desenvolvimento da siimulação e pesquisa operacional. Com base nisso, esse trabalho utilizou o processo de produção da alumina como objeto de estudo, numa das etapas do processo Bayer, onde é mensurada a concentração cáustica na saída de um sistema de evaporação. Todavia, a obtenção desse resultado além de onerar custos a empresa é realizada apenas uma vez ao dia, limitando a capacidade de avaliação da equipe técnica responsável, frente aos eventuais distúrbios no controle da etapa em questão. Desta forma, propõe- se predizer a concentração cáustica no fluxo de saída do sistema estudado, por meio do uso de suas variáveis de controle, através da técnica de inteligência computacional denominada Rede Neural Artificial (RNA). Assim, fez-se a definição das variáveis, aplicação do método de simulação e os resultados obtidos, foram comparados com os valores reais, demonstrando viabilidade na utilização do método e sua promissora capacidade de análise preventiva como auxilio a tomada de decisão.
Palavras-chaves: Sistemas produtivos; Redes Neurais Artificiais; Evaporação.
2
1. Introdução
O conhecimento de processos produtivos é fundamental para a melhoria das etapas operacionais de um determinado setor de produção. Apesar das abordagens serem top- down, ou seja, as decisões partirem do nível Estratégico, sendo direcionados ao Tático e finalmente ao Operacional, muitos ambientes de trabalho levam em consideração as informações que partem do nível Tático e Operacional, formando uma integração entre estes três setores (NANCI et al., 2008).
Portanto, Slack e Lewis (2009) definem o Operacional como a base do sistema que atua diretamente no sistema produtivo, recebendo as informações oriundas do Tático. Neste papel de atuação na linha de frente, torna-se claro a necessidade de informações que auxiliem as equipes de operações e controle, quanto a tomar decisão imediata sem ter que recorrer aos demais setores.
É importante ressaltar que o emprego de tecnologias nos processos é fundamental, pois permitem o aperfeiçoamento da produção (SLACK e LEWIS, 2009). Outro ponto de destaque é a melhoria da qualidade do produto final, que se torna possível quando se agrega diferentes conhecimentos em prol deste objetivo a ser alcançado.
Com base nesses fundamentos, esse estudo propõe a previsão, por meio da modelagem matemática, baseada no conhecimento de Redes Neurais Artificiais (RNA) a concentração cáustica no produto de saída de um sistema de evaporação, utilizando suas variáveis de controle. Visto que, a monitoração da concentração cáustica neste produto é item de qualidade necessária à etapa subsequente, onde se controla a relação de produtividade de uma planta industrial de beneficiamento de bauxita, localizada no estado do Pará.
Além deste capitulo introdutório, este artigo apresenta no capitulo dois a problemática que motivou a pesquisa, citando sobre o processo de fabricação de alumina e o processo de evaporação. No capitulo três descreve-se o referencial teórico sobre as RNA, seguida do capítulo quatro onde encontra-se os trabalhos correlatos, citando como alguns autores estão trabalhando com a referida técnica em problemas de previsão e por fim os capítulos cinco e seis, que apresentam os procedimentos metodológicos e os resultados obtidos.
2. Problemática
Nesta seção descreve-se o processo de fabricação de alumina e suas principais etapas. Descreve-se também o processo de evaporação que explicita a problemática estudada.
3
2.1. Descrição do processo produtivo
O beneficiamento da bauxita para a produção de alumina foi desenvolvido em 1858 por Le Chatelier e aperfeiçoado posteriormente em 1888 por Karl Bayer, sendo conhecido atualmente como processo Bayer (HIND et al., 1999; SILVA FILHO et al., 2007). Basicamente a produção de óxido de alumínio (Al2O3) tem seu início com a extração da bauxita e posterior moagem, seguido pela digestão onde é adicionado uma solução cáustica de hidróxido de sódio (NaOH) sob temperatura variando de 145 à 170 °C e pressão em torno de 20 atm, parâmetros esses que dependem do tipo de bauxita.
Segundo o International Aluminium Institute, (IAI,2013) aproximadamente 40% da produção de bauxita produzida no mundo provêm da Austrália, destacando-se, ainda como principais produtores: Guiana (14%), Jamaica (11%), Brasil (8%), Índia (5%) China (3%). As reservas mundiais de bauxitas estão distribuídas nas regiões tropicais (57%), mediterrânea (33%) e subtropicais (10%). O Processo Bayer para a produção de alumina está dividido em etapas sendo válido para qualquer refinaria que utilize esse processo. A figura 1 como segue representa o fluxograma das etapas de todo o processo.
Figura 1 – Fluxograma descritivo do processo Bayer.
Fonte – IAI (2013)
O foco desse estudo está no sistema de evaporação contido numa das etapas do processo Bayer, cujo objetivo é elevar a concentração de NaOH medida em gramas por litro (g/l) pela retirada de vapor de água em tanques de expansão de vapor denominados flash tank. Um sistema de evaporação é composto por vasos pressurizados que fazem a expansão dos líquidos
4
aquecidos por troca térmica partir do consumo do vapor de caldeira. Objetivando a remoção de água volume processado.
O flash tank é onde ocorre o fenômeno da expansão, ou seja, a passagem da molécula de água do estado líquido para o gasoso na forma de vapor d’água. Esta mudança de estado se dá em função da diferença de pressão a que a solução é submetida quando sai das tubulações e entra nos tanques, que possuem uma grande área útil.
Em síntese, o fluído é bombeado com diminuída concentração de soda entra no sistema com aproximadamente 75° C e em seguida é aquecido com vapor ao passar pelos trocadores de calor, a solução atinge o estado de ebulição e segue para os tanques evaporadores onde ocorre a expansão do fluido, desprendendo vapor de água ocasionando a melhora na concentração cáustica no produto de saída do sistema, ficando também com menor volume o que contribui para o controle de volume total da planta, onde se incluem as demais etapas. Essa etapa está sintetizada na Figura 2 como segue.
Figura 2 – Fluxograma de um processo de evaporação
Fonte: Adaptado de IAI (2013).
2.2. O Problema
Um dos procedimentos padronizados da empresa consiste em mensurar a concentração cáustica uma vez ao dia no produto da evaporação. Através de coleta e análise que possuem custos adicionais com serviços de laboratório e proporcionam riscos aos funcionários que efetuam a tarefa junto aos equipamentos em operação. Assim, obtém- se um resultado que indica se haverá necessidade ou não, de se executar medidas operacionais para elevar a eficiência do sistema evaporador. Portanto, percebe-se que há uma limitação considerável na
5
capacidade avaliativa das condições ideais de operação. Condicionando a equipe técnica responsável, a um retardo nas ações preventivas que evitem possíveis distúrbios no controle de processo.
O resultado do laboratório é fornecido para a equipe de operação do processo e ações são tomadas se necessárias para manter a concentração cáustica dentro do exigido pelo etapa seguinte. Ou seja: Caso o resultado seja menor que o necessário, uma adição extra de soda cáustica e adicionada ao processo. Porém, a grande dificuldade da operação nesta tomada de ação está no fato da medição da concentração nesta única amostragem diária, ou seja, possibilitando apenas um ajuste corretivo por avaliação da análise, caso ocorram novos distúrbios no processo de evaporação, será apenas percebido o problema na amostra seguinte, com isso o processo pode ficar em desajuste por 24 horas até que haja uma nova amostragem da concentração cáustica.
Objetivando facilitar a tomada de ação da equipe de operação, para que a mesma possa realizar os ajustes no processo de forma preventiva, o estudo aqui apresentado receberá as variáveis que afetam o processo de evaporação, verificando suas entradas e como elas podem estar correlacionadas. Apresentará a modelagem de uma rede neural artificial (RNA), de tal forma que possa predizer o valor da concentração cáustica no produto de saída da etapa estudada. A fim de desenvolver um método confiável de monitoração das informações necessárias aos ajustes preventivos.
3. Referencial teórico
Nesta seção apresentam-se os conceitos sobre Redes neurais Artificiais utilizados neste estudo, bom como o algoritmo utilizado pela rede.
3.1. Redes neurais
Haykin (2001) define uma Rede Neural Artificial como técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento, já o cérebro de um mamífero pode ter muitos bilhões de neurônios.
Segundo Moreira (2002) o uso da RNA esta associado em vantagens como, a aplicação em tempo real, capacidade de autoadaptação, redução de falhas, resolução de problemas de forma ágil sem necessidade de implementação de regras. Ma & Khorasni (2004) definem uma rede neural, como um método rápido de ser executado que classifica padrões, identificando e
6
associando estes padrões, além de aproximar funções para aprendizagens onde é difícil se criar modelos matemáticos.
Uma rede neural artificial é composta por várias unidades de processamento, cujo funcionamento é bastante simples. Essas unidades, geralmente são conectadas por canais de comunicação que estão associados a determinado peso. As unidades fazem operações apenas sobre seus dados locais, que são entradas recebidas pelas suas conexões. O comportamento inteligente de uma Rede Neural Artificial vem das iterações entre as unidades de processamento da rede. O algoritmo mais utilizado em RNA’s é o chamado backpropagation, porém quando este não apresenta êxito muitos outros podem ser usados, como o de Levenberg-Marquardt (LM) que utiliza uma aproximação pelo método de Newton (HAGAN e MENHAJ, 1994; FAUSETT, 1994; HAYKIN, 2001). Arquiteturas neurais são tipicamente organizadas em camadas, com unidades que podem estar conectadas às unidades da camada posterior, como descrito na Figura 3 a seguir.
Figura 3 – Arquitetura típica de um neurônio artificial
Fonte: Haykin (2001).
Entrada: Os sinais de entrada representados por X1, X2 e Xn conectados ao neurônio são multiplicados pelos
pesos sinápticos W1, W2 e Wn respectivo a cada sinal de entrada. Os pesos sinápticos podem assumir valores
negativos e são responsáveis pelo ajuste dos dados de entrada para correção dos erros no valor de saída.
Somatório: Realiza o somatório dos sinais de entrada, ponderados pelas respectivas sinapses. Ele conta ainda
com a entrada de um bias que tem o efeito de aumentar ou diminuir a entrada da função de ativação.
Função de ativação: A função de ativação tem por finalidade restringir a amplitude da saída de um neurônio em
um intervalo de valor finito, normalmente com valor unitário [0,1] ou [-1,1] determinando a relação entre a entrada e saída do neurônio.
7
O algoritmo de backpropagation procura achar a mínima diferença entra as saídas desejadas e as saídas obtidas pela rede, segundo o erro mínimo. Para que isto ocorra, os pesos das camadas antecessoras a camada de saída, são alterados através de retropropagação. O algoritmo é utilizado em redes com múltiplas camadas e baseada no aprendizado supervisionado. Uma grande vantagem do algoritmo é a capacidade de classificar padrões não linearmente separáveis.
3.1.2. Propagação
Apresentada a entrada a rede, a resposta de um nó servirá de entrada para os nós da camada seguinte, prosseguindo assim até a camada de saída, onde é obtida a resposta final. A Figura 4 a seguir demonstra a fase de propagação.
Figura 4 – Propagação.
Fonte: Autores (2013) 3.1.2. Retropropagação
Onde ocorre a modificação dos pesos sinápticos da camada de saída, em direção à camada de entrada, após a atualização de todos os pesos da rede, o processo recomeça, o ciclo completo é chamado de época e com isto o erro mínimo tem a tendência de diminuir, até que chegue no mínimo estabelecido. A Figura 5 seguinte demonstra a fase de retropropagação.
Figura 5 –Retropropagação.
8
Este processo se repete, camada por camada, até que cada elemento da rede recebe um sinal de erro que descreva sua contribuição relativa para o erro total. Baseado no sinal do erro recebido, os pesos das conexões são então atualizados para cada elemento de modo a fazer a rede convergir.
3.2. Funções de ativação
Durante a configuração da rede, utilizam-se funções de ativação no limiar dos neurônios artificiais. Contudo, em alguns modelos de redes, o nível de saída produzido pela função de ativação pode ser inclusive, igual à soma ponderada. Muitas vezes essa função possui características ríspidas e, portanto, o neurônio pode não produzir o efeito no neurônio seguinte se o valor de ativação estiver abaixo do valor mínimo para sua ativação. Seguem as funções de ativação mais usuais.
Figura 6 – Funções de transferência ou saída.
Fonte: Autores (2013).
4 Trabalhos correlatos
Este capítulo relata alguns trabalhos correlacionados com o tema desta pesquisa. Traz um breve resumo de como autores trabalham com a técnica de RNA apresentada para realização de predição em diferentes problemáticas, além de seus resultados. Com isso este artigo trabalha na mesma linha de pesquisa, utilizando uma RNA para predição em um processo produtivo.
Dominguete et al. (2006) apresentaram um novo modelo para a estimativa do teor de fósforo para o Convertedor LD da V&M do Brasil. O modelo obtido, em trabalho anterior, por meio de regressão múltipla é avaliado perante uma nova regressão, desta vez, não-linear, representada por uma RNA. Ao final do trabalho pode-se concluir que a modelagem de processos utilizando Redes Neurais Artificiais é capaz de proporcionar melhores resultados em comparação as técnicas de regressão lineares. Foi possível projetar, com o uso de Redes Neurais, modelos capazes de estimar com relativa qualidade o teor de fósforo no aço a partir de variáveis de processo relativas à operação do convertedor LD da V&M do Brasil.
9
Steiner et al. (2007) analisaram um conjunto de dados de crédito, e usando a técnica de extração de regras NeuroRule, a partir de uma RNA treinada com objetivo de apresentar ferramentas que possam auxiliar a identificar e prever quais clientes serão adimplentes (ou não) em relação ao crédito em instituições bancárias. Os resultados foram considerados bastante satisfatórios alcançando mais de 80% de acurácia quanto à concessão (ou não) de crédito bancário em todas as simulações.
Oliveira et al. (2010) aplicaram as técnicas de Redes Neurais Artificiais na tarefa de previsão da produção de álcool no Brasil no ano de 2006, a partir de dados de produção dos anos anteriores. A previsão de produção de álcool favorece uma tomada de decisões no sentido de planejar o volume de estoque para o consumo ao longo dos períodos subsequentes. Os resultados obtidos por meio das RNA foram comparados com os obtidos utilizando técnicas de séries temporais, foram mais satisfatórios.
5 Procedimentos metodológicos
Esse estudo foi realizado numa refinaria de minério de bauxita, localizada no estado do Pará. Tomou-se como base de dados, os resultados das análises químicas referentes à concentração cáustica contida no produto de um sistema de evaporação, tido como umas das etapas de produção da alumina. Cujo objetivo é elevar a concentração de soda cáustica, medida na relação de controle dessa solução, pela redução da quantidade de água presente.
As variáveis de entrada foram selecionadas com auxílio dos especialistas do processo e tiveram tratamento estatístico para eliminação dos valores denominados outleirs.
Tais variáveis de entrada foram caracterizadas da seguinte forma e serviram para a criação da rede: Cáustico de entrada (X1), Vazão de alimentação (X2), Retirada de condensado (X3) e a temperatura do vapor vivo (X4). Todas as variáveis combinadas na entrada do processo são usadas para controle e ajustes necessários ao parâmetro desejado (concentração cáustica) na saída da evaporação, definido como Y.
O banco de dados utilizado no treinamento, contem 180 amostras, e foram divididas em70% para treino da rede neural e 30% para teste e simulação de resultados da mesma.
Na tabela 1 seguinte, um pequeno exemplo de como os dados foram ordenados para alimentar a rede neural.
10 Cáustico entrada (g/l) Vazão de Alimentação (m³/h) Retirada Condensado (m³/h) Temperatura V.V (ºC) Cáustico saída (g/l) N X1 X2 X3 X4 Y 1 277 631 65 133 321 2 274 673 72 129 313 3 278 597 52 131 319 4 279 592 48 130 319 5 280 710 86 131 321 6 283 709 77 130 329 . . . . . . . . . . . . . . . . . . 176 289 726 61 122 325 177 289 731 84 128 334 178 288 600 56 124 328 179 275 691 77 131 315 180 276 739 75 127 313 Fonte – Autores (2013)
Para a solução da RNA utilizou-se o Neural Network Toolbox do Matlab® R2011b pacote que contém soluções para redes neurais com funções já definidas.
Na arquitetura de rede foi utilizada uma feedforward, tipo de rede que utiliza várias camadas, funções de treinamento não- lineares e treinamento típico por backpropagation.
Sua composição é feito de quatro neurônios na camada de entrada e uma dupla camada oculta ou camada intermediária, compostas por 4 neurônios na primeira camada intermediária e 78 neurônios na segunda, já a camada de saída é composta por apenas um neurônio representando a variável de saída da rede.
Dentre as funções utilizadas na configuração do aplicativo, estão a logsig de ativação e
traingdx para treinamento. Tendo como critério de parada do treino, o limite de 10.000 épocas
(iterações) ou o alcance erro quadrático definido em 0, 001. A topologia segue descrita na Figura 7 a seguir.
11
Fonte: Autores (2013). O algoritmo RN foi constituído das seguintes etapas:
a) Inserção dos dados de entrada no conjunto de treinamento e resposta desejada da rede; b) Criação do parâmetro R da rede;
c) Criação da rede e sua estrutura, incluindo as funções de entrada saída e a definição do tipo de gradiente;
d) Parametrização da rede e inicialização dos pesos, descritos na Tabela 2;
e) Calculo do erro (ek) para a camada de saída através da diferença entre o valor real (yi) e o valor estimado (yest.) pela rede para a minimização através do EQM, equação 1;
(1)
f) Ajustar os pesos da camada de saída (Δx) referenciado na equação;
g) Minimizar o EQM para comparação com o valor desejado. Caso não seja alcançado o valor do erro esperado retornar ao passo b.
TABELA 2 – Parâmetros de treinamento para o algoritmo backpropagation.
Parâmetros Valor
Taxa de aprendizagem 0,01
Erro 0,001
Neurônios na dupla camada oculta 4 e 78
Função de transferência das camadas ocultas Logistica (logsig) Função de transferência da camada de saída Logistica (logsig)
Fonte: Autores (2013).
Apartir dessa etapa seguiram-se as fases de treinamento da rede, partindo da inserção das variáveis de entrada, teste da rede e obtenção por meio de simulação e aplicação da mesma gerando valores simulados, efetuando-se posterior comparação entre os dados da simulação e os reais obtidos em laboratório.
12
6 Resultados e discussão
Os resultados mostram a possibilidade do uso de uma RNA para predição da concentração cáustica de saída do processo de evaporação dentro dos limites estabelecidos pelo processo estudado. Indicando ser uma ferramenta útil na redução dos custos de tal coleta e análise em laboratório, pois os valores resultantes no algoritmo LM se mostraram viáveis dentro do esperado. A análise gráfica permitiu inferir que os valores previstos em sua grande maioria conseguem uma previsão de boa aproximação aos valores reais conforme visualizado na figura 8 a seguir.
Figura 8 – Gráfico dos valores reais com os valores previstos pela RNA.
Fonte – Autores (2013)
A Figura 9 a seguir, apresenta a correlação entre as variáveis gerada pela RNA durante o processo de treinamento, sendo possível observar a eficiência do aprendizado da rede com o banco de dados da problemática.
13
Fonte: Autores (2013).
7 Considerações finais
Após a implementação da rede e processo de simulação na mesma, os valores gerados foram de ótima aproximação aos dados reais. Na comparação entre os dados reais e simulados e após calcular o erro médio quadrático, obteve-se uma variação média de 0.0094 pontos quando as dados estão normalizados. Sendo que, os resultados dos valores simulados também mostraram- se capazes de atender os limites dos intervalos de especificação do processo. Apesar da satisfação nos resultados alcançados, percebe-se que ainda há espaços para melhorias, objetivando ganhos no desempenho de previsão da rede. Contudo, já se pode vê-la como uma eficiente ferramenta de apoio às avaliações da equipe de processo, tornando-se capaz de fazer a antecipação de analises, contribuindo para melhora da produtividade na etapa de Evaporação.
A utilidade de uma RNA é justamente “acertar” informações com base em neurônios de entrada. O objetivo da pesquisa em efetuar a previsão de resultado para agilizar a tomada de decisão resultando em ações pró- ativas que evitem resultados indesejáveis no cáustico de saída da evaporação, obteve êxito em seu propósito. Sendo possível a extinção da rotina de coleta pelos funcionários ou pelo menos sua redução em 50% para continuidade nos estudos e elevar ainda mais a confiabilidade e robustez das previsões pela metodologia de simulação por RNA.
Fica como sugestão para estudos futuros o emprego de outras técnicas de previsão, como regressão linear baseada em gráfico de controle. Ou ainda, a classificação de clusters segundo método de análise multivariada para classificar a relação por critérios mais rigorosos.
14
REFERÊNCIAS
DOMINGUETE, D.H; ALMEIDA, L.P; MOREIRA, A.P; GONÇALVES, P.M;
CARVALHO, S.V. Avaliação de técnicas de regressão e de uma nova Abordagem para a otimização do processo de Desfosforação de aço no convertedor ld da v&m do Brasil.
Tecnologia em Metalurgia e Materiais, São Paulo, v.3. n.1, p. 31-35, jul.-set. 2006.
FAUSSET, L. V. Fundamentals of Neural Networks: architecture, algorithms, and applications. New Jersey: Prentice Hall International, 1994.
HAGAN, M. T. e MENHAJ, M. B. Training feedforward networks with Marquardt algorithm.
IEEE Transactions on Neural Networks, v.5, n.6, p.989-993, 1994.
HAYKIN, S. Redes neurais: princípios e práticas. Porto Alegre: Bookman, 2001. HIND, R. A.; BHARGAVA, S. K. e GROCOTT, S. C. The surface chemistry of Bayer process solids: a review. Colloids and surfaces A. Physicochemical and engineering aspects, n.146, p.359-374, 1999.
IAI – International Aluminium Institute, Disponível em : <www.world-aluminium.org> Acesso em: 10 Abril, 2013.
MA, L. e KHORASANI, K. New training strategies for constructive neural networks with application to regression problems. Neural Networks, v. 17, n.4, p.589-609, 2004.
MOREIRA, F. C. Reconhecimento e classificação de padrões de imagens de núcleos de linfócitos do sangue periférico humano com a utilização de redes neurais artificiais.
Dissertação (Mestrado em Ciências da Computação). Universidade Federal de Santa Catarina, UFSC, Florianópoli, 2002.
NANCI, L. C. et al. O PCP no controle estratégico. In: LUSTOSA, L. et al. (Orgs.)
Planejamento e Controle da Produção. Rio de Janeiro: Elsevier, 2008.
OLIVEIRA Jr. e AGUIAR, HIME... (et al). Inteligencia Computacional, Aplicação à Administração, Economia e Engenharia em Matlab. THOMSON, 2007.
OLIVEIRA, A.C.S; LACERDA. W,S; GONÇALVES, L.R. Aplicação de Redes Neurais Artificiais previsão da produção de álcool. Ciênc. agrotec., Lavras, v. 34, n. 2, p. 279-284, mar./abr., 2010.
FONSECA, POLYANA SANTOS. MLP no MatLab - comandos básicos, Material do Professor notas de aula, Centro de Ensino Superior do Pará, 2013.
SILVA FILHO, E. B.; ALVES, M. C. M. e MOTA, M. Lama vermelha da indústria de beneficiamento de alumina: produção, características, disposição e aplicações alternativas.
Revista Matéria, v.12, n.2, p.322-338, 2007.
SLACK, N; CHAMBERS, S. e JOHNSTON, R. Administração da Produção, 2 ed. São Paulo: Atlas, 2008.
15
SLACK, N. e LEWIS, M. Estratégia de Operações, 2 ed. Porto Alegre: Bookman, 2009. STEINER, M.T.A; NIEVOLA, J.C; SOMA, N. Y. S.T; NETO, P.J.S. Extração de regras de classificação a partir de Redes neurais para auxílio à tomada de decisão na Concessão de crédito bancário. Pesquisa Operacional, v.27, n.3, p.407-426, Setembro a Dezembro de 2007. TORRES, R. G. Jr.; MACHADO, M. A. S. e SOUZA, R. C. Previsão de séries temporais de falhas em manutenção industrial usando redes neurais. ENGVISTA, v.7, n.2, p.4-18, 2005.
