Controle preditivo neural aplicado a processos de secagem e cura de pintura automotiva.

• Ano de defesa: 2023
• Autor(a) principal: CAVALCANTE, Esley Silva.
• Orientador(a): VASCONCELOS, Luis Gonzaga Sales.
• Banca de defesa: BRITO , Romildo Pereira., RAMOS, Wagner Brandão Ramos., NEVES, Thiago Gonçalves das.
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande
• Programa de Pós-Graduação: PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICA
• Departamento: Centro de Ciências e Tecnologia - CCT
• País: Brasil
• Palavras-chave em Português: Indústria Automotiva; Processo de Pintura; Estufas de Secagem e Cura; Redes Neurais Artificiais; Controle Preditivo Neural; Automotive Industry; Painting Process; Drying and Curing Ovens; Artificial Neural Networks; Neural Predictive Control; Industria Automotriz; Proceso de pintura; hornos de secado y curado; Redes Neuronales Artificiales; Control Predictivo Neuronal; Industrie automobile; Processus de peinture; Fours de séchage et de durcissement; Réseaux de neurones artificiels; Contrôle prédictif neuronal
• Área do conhecimento CNPq: Engenharia Química
• Link de acesso: https://dspace.sti.ufcg.edu.br/handle/riufcg/32289

No processo de pintura automotiva, manter condições operacionais ideais nas estufas de secagem e cura é crucial para garantir pinturas de alta qualidade, especialmente no que diz respeito aos perfis de temperatura de partes específicas da carroceria. Esse trabalho apresenta uma metodologia para desenvolver e implementar um sistema de Controle Preditivo Neural (NNPC) para os processos de secagem e cura de pintura em uma estufa automotiva utilizada na etapa de eletrodeposição (estufa Elpo), com o objetivo de proporcionar melhorias no controle de temperatura das partes da carroceria. Para treinar as Redes Neurais Artificiais (RNA) nas várias zonas da estufa Elpo, um conjunto de dados foi gerado usando um modelo fenomenológico baseado nos primeiros princípios. Para tanto, distúrbios aleatórios foram aplicados às variáveis de entrada do modelo (velocidade do transportador e temperaturas das zonas), a fim de obter a resposta dinâmica das variáveis de saída do processo (temperaturas em partes específicas da carroceria). Os conjuntos de dados foram então divididos em conjuntos de treinamento (80%), validação (10%) e teste (10%), e o treinamento das RNAs foi realizado utilizando o algoritmo backpropagation. O NNPC implementado utiliza o conjunto de RNA treinadas para a predição dos valores futuros das temperaturas em posições específicas da carroceria (variáveis controladas). Para determinar os sinais ótimos de controle (variáveis manipuladas) um otimizador baseado no modelo de Controle Preditivo Generalizado (GPC) foi utilizado, e a função objetivo foi minimizada através do Algoritmo de Otimização de Colônia de Formigas (ACO). Através de simulações de quatro cenários operacionais com distúrbios aplicados nas variáveis de entrada, os resultados demonstram o desempenho satisfatório do NNPC, mantendo as temperaturas das partes da carroceira efetivamente próximas aos setpoints predefinidos. Com isso, conclui-se que a utilização do NNPC oferece um melhor controle de temperatura para as partes da carroceria, mitigando problemas de pintura, reduzindo retrabalhos e custos operacionais.