Simpósio Internacional de Confiabilidade Florianópolis 2008
|
|
- Samuel Borja Maranhão
- 7 Há anos
- Visualizações:
Transcrição
1 Simpósio Internacional de Confiabilidade Florianópolis 2008 Como calcular o MTTR quando não existem dados? Estudo de caso aplicado à indústria siderúrgica. lessandra Lopes Carvalho PUC-MG Simpósio Internacional de Confiabilidade SIC
2 1. RESUMO O foco deste trabalho é calcular o tempo de reparo médio ( TR ) de um equipamento sobre o qual não existem dados quantitativos. Será utilizada para este fim uma ferramenta que permite modelar o conhecimento de especialistas do processo e traduzi-lo de uma forma a obter resultados práticos. Considerando-se a necessidade de posterior validação do modelo proposto, escolheu-se como exemplo um equipamento que conta com um farto banco de dados inserido no contexto da indústria siderúrgica. partir do banco de dados foi calculado o tempo médio para reparo (MTTR) utilizando-se modelos probabilísticos. Os especialistas consultados para desenvolvimento do modelo proposto não tiveram acesso ao banco de dados sendo os resultados obtidos muito próximos ao cálculo convencional. 2. INTRODUÇÃO Numerosas ferramentas estatísticas têm sido desenvolvidas para auxiliar a análise da confiabilidade e mantenabilidade de sistemas. Entretanto, todas as metodologias existentes dependem de dados que, em muitas situações, são inexistentes. Como conseqüência, a escassez e ou a imprecisão de dados pode originar análises e informações errôneas obtidas a partir de metodologias corretas (BOLES; PELÁEZ, 1995, UTKIN; GUROV, 1996). partir desta constatação vêm sendo desenvolvidos métodos alternativos para cálculo de confiabilidade baseados em inteligência computacional (CI, 1996; CI; EN; ZHNG, 1991; CRVLHO, 2006) e técnicas bayesianas. (SINGPURLL, 2003). Cabe ressaltar que as várias abordagens não são conflitantes (CRVLHO et. al, 2007). Dentro do contexto da inteligência computacional será utilizada lógica fuzzy, (também conhecida como lógica nebulosa) para modelagem do MTTR. principal justificativa para utilização de lógica nebulosa em análise RM (Reliability, vailability and Maintainability) é a inexistência de bancos de dados consistentes contendo informações sobre datas de ocorrências de falhas e tempos de reparo. Dentre vários equipamentos disponíveis para análise optou-se por um deles considerado de vital importância para o processo produtivo e que apresenta um número expressivo de falhas. etapa de validação foi realizada a posteriori e a existência do banco de dados não influenciou a derivação do modelo nebuloso. 3. METODOLOGI BÁSIC Em uma primeira etapa será proposto um modelo de mantenabilidade baseado em inteligência computacional utilizando-se o software MTLB (MTHORKS, 2006). Posteriormente será realizado o cálculo convencional de mantenabilidade utilizando-se o software eibull++7 (RELISOFT, 2007) a partir de um banco de dados coletado durante 13 meses, entre 01/01/2006 e 28/02/2007. Finalmente os resultados obtidos pelos dois modelos serão confrontados. 3.1 Definições Preliminares O processo produtivo estudado apresenta a característica de fluxo contínuo, ou seja, encontra-se em funcionamento 24 horas por dia durante todos os dias da semana. Existem, portanto, 3 turnos de trabalho. Constatou-se que o turno de trabalho exerce forte influência sobre as demais variáveis de interesse. Durante o turno diurno as equipes de manutenção contam com o apoio do corpo administrativo para resolver quaisquer problemas logísticos que venham a surgir. Durante o turno noturno e o turno que compreende o final da tarde e o inicio da noite não existe o apoio do corpo administrativo, pelo menos de forma direta. O cálculo de mantenabilidade foi realizado somente com relação à paradas não planejadas (interrupções). Considerando-se a grande influência do turno de trabalho no cálculo do tempo médio de reparo, decidiu-se criar Simpósio Internacional de Confiabilidade SIC
3 cenários de modelagem distintos. Este trabalho foi realizado considerando-se o turno diurno sendo que a metodologia utilizada aplicável aos demais turnos. tabela 1 apresenta a relação de modos de falha a serem estudados e o número de ocorrências (N o Oc.) de cada um considerandose um período de 13 meses. No restante do texto os modos de falha serão identificados por um identificador (Id), conforme tabela1. Tabela 1 - Modos de falha turno diurno Modo de Falha Id N o Oc. Falha de automação 1 12 Falha no motor 2 2 Falha no conversor CC 3 1 Falha no Posicionamento 4 1 Curto-Circuito 5 1 Geração de sucata B 1 17 Inspeção no Laminador B 2 14 Material agarrado B 3 6 juste axial B 4 6 juste na escala de passe B 5 5 Perda de estab. material B 6 4 juste s B 7 4 Troca s B 8 3 tolamento de cilindros B 9 2 perto s B 10 2 Má formação produto final B 11 2 Material rampa de sucata B 13 2 Lixar cilindros B 13 1 Inspeção de lâminas B 14 1 Consignação de Equip. B 15 1 B empenado B 16 1 Troca de lâminas B 17 1 Troca de caçamba B 18 1 ferição de Bitola B 19 1 Quebra de cilindros B 20 1 Quebra s B 21 1 juste manual t B 22 1 Troca de cilindros B Modelo Nebuloso para Cálculo de Mantenabilidade proposta da lógica nebulosa (ZDEH, 1973) é oferecer uma metodologia para tratar informações vagas e imprecisas utilizando termos presentes na linguagem natural como baixo, alto, pequeno, etc. partir dos preceitos da lógica nebulosa é possível representar termos lingüísticos através de conjuntos, como uma extensão dos conjuntos convencionais. Estes conjuntos são chamados conjuntos nebulosos. partir da modelagem das variáveis de interesse de um sistema qualquer através de conjuntos nebulosos é possível utilizar um mecanismo de inferência baseado em regras se-então ( IF-THEN ) que seja capaz de modelar o raciocínio humano de forma aproximada. Um mecanismo ou processo de inferência nebuloso utiliza este conjunto de regras para realizar um mapeamento do universo de discurso de entrada no universo de discurso de saída. Procedimentos para este fim foram propostos por Mamdani e Sugeno. Fundamentos de Lógica Nebulosa são encontrados no NEXO. Maiores detahes podem ser obtidos em Jang et al. (1997) ou ainda em Pedrycz e Gomide (1998). Será apresentado a seguir o detalhamento do modelo nebuloso proposto para cálculo aproximado da mantenabilidade. O tempo de reparo médio ( TR ) é calculado a partir do somatório das variáveis tempo efetivo de manutenção (TEM) e tempo logístico (TLO) conforme (1) (1) TR = TEM + TLO Onde TEM : tempo efetivo de manutenção; TLO : tempo logístico. O modelo para o cálculo do TR é apresentado na figura 1. Foram utilizadas como entradas a complexidade do modo de falha (CX), a localização do mesmo dentro do equipamento (LO) e a dimensão física (DF) do sobressalente. s variáveis de entrada e a base de regras a ser utilizada foram obtidas através de entrevistas com os especialistas no processo em estudo. Simpósio Internacional de Confiabilidade SIC
4 CX LO DF Sistema nebuloso TEM Sistema nebuloso TLO Figura 1 - Modelo nebuloso para cálculo do tempo efetivo de manutenção TR notas variando de 0 a 1 para todas as variáveis sendo os conjuntos igualmente distribuídos no universo de discurso. figura 2 mostra a estratificação da variável complexidade do modo de falha (CX) através dos subconjuntos nebulosos pequeno, médio e grande. Foram utilizadas funções de pertinência triangulares para representar todos os subconjuntos. Procedimento análogo foi utilizado para todas as outras variáveis de entrada: localização do modo de falha (LO) e dimensão física do sobressalente (DF). O tempo efetivo de manutenção (TEM) é definido pelo somatório de cinco variáveis conforme (2). TEM = TDC + TDE+ TRE + TMO + TTE (2) Onde TDC : Tempo para detectar a falha; TDE : Tempo para desmontar; TRE: Tempo para reparar; TMO:Tempo para montar TTE: Tempo para testar. Cada uma das variáveis que compõem o TEM é calculada através de um processo de inferência nebuloso (fuzzy inference system - FIS) baseado em um conjunto de regras do tipo IF-THEN. O tempo logístico (TLO) é definido conforme (3). De maneira análoga ao TEM, cada uma das variáveis que compõem o TLO é calculada através de um processo de inferência nebuloso baseado em conjunto de regras do tipo IF-THEN. TLO = TMP + TDF+ TRS (3) Onde TMP : Tempo para mobilizar pessoas; TDF: Tempo para disponibilizar ferramentas; TRS : Tempo para repor sobressalentes. quantidade de subconjuntos nebulosos (termos lingüísticos) utilizados para representar cada variável de entrada foi sugerida pelos especialistas consultados. Foram atribuídas Figura 2 Variação do conjunto nebuloso complexidade CX presenta-se como exemplo uma das regras utilizadas para calcular o tempo de reparo TRE. Segundo esta regra, se a complexidade do modo de falha (CX) é pequena e a localização do mesmo dentro do equipamento (LO) é fácil, então o tempo de reparo é pequeno. Se CX é P e LO é F então TRE é P tabela 2 apresenta os resultados obtidos para o tempo de reparo médio (em minutos) considerando-se os modos de falha com número de ocorrências no mínimo 3. Cabe ressaltar que estes resultados não sofreram nenhuma influência do banco de dados. Espera-se que a chance de acerto (ou aproximação da realidade) seja maior para os modos de falha que ocorreram um maior número de vezes. Simpósio Internacional de Confiabilidade SIC
5 Tabela 2 Resultados modelo nebuloso Id 1 B 1 B 2 B 3 B 4 B 5 B 6 B 7 B 8 N o Oc TR M 19,65 19,28 44,93 44,93 49,28 45, Desenvolvimento do Modelo Probabilístico Conforme justificado na introdução escolheu-se como exemplo, para fins de demonstração da metodologia proposta, um equipamento considerado crítico. Este equipamento foi considerado um único componente sujeito a ocorrência de vários modos de falha. partir desta premissa, decidiu-se utilizar a metodologia de modos de falha competitivos (NELSON, 1982) para modelar o equipamento em estudo. Segundo este método, um único componente (equipamento) com vários modos de falhas independentes é considerado análogo a um sistema com vários componentes independentes. Os mecanismos de falha competem entre si de maneira que, o primeiro a alcançar o estado de falha provoca a falha do componente. Seja R(t) a função confiabilidade de um componente sujeito a M modos de falha independentes. função confiabilidade de cada modo de falha é representada por R 1 (t),...,r M (t). Portanto a função confiabilidade R(t) é dada pela expressão: R t) = R ( t) R ( t)... R ( ) (4) ( 1 2 M t tabela 1. Terminada esta etapa foi realizada a modelagem de confiabilidade e mantenabilidade relativa a cada modo de falha utilizandose o software eibull++7 (RELISOFT, 2007). Foram realizados testes de aderência para a modelagem de confiabilidade e mantenabilidade. Entretanto, considerando-se tratar de um equipamento reparável é necessário modelar a probabilidade de falha e a probabilidade de reparo. Os testes de aderência realizados individualmente para confiabilidade e mantenabilidade, não levam em consideração a iteração entre os dois modelos. Portanto, nem sempre a melhor distribuição de probabilidade indicada pelo teste de aderência é a mais adequada. validação de cada par de modelos de confiabilidade e mantenabilidade (relativos a cada modo de falha) foi realizada através de simulação de Monte Carlo. Foi utilizado nesta etapa o software BlockSim (RELISOFT, 2007). O resultado da simulação fornece o número esperado de falhas e o tempo total indisponível. Estes resultados foram comparados com o banco histórico de dados. Tabela 3 Distribuições de probabilidade para modelagem da confiabilidade Id f(t) Parâmetros 1 B 1 B 2 B 3 B 4 B 5 B 6 B 7 B 8 g.g. ex ex ex ex β=0,5100 µ=10,4211 β=0,4476 β=0,7242 β=0,9243 λ=8,9030e-6 λ=7,1220e-6 λ=7,1220e-6 λ= 5,3410e-6 η=29530 σ=0,7063 η=21755 η=71213 η=86386 γ =1,0933 pós realizada a estratificação dos dados em modos de falha foram calculados os tempos entre falhas e os tempos de reparo para cada um deles. O mesmo procedimento foi realizado para todos os modos de falha identificados na Simpósio Internacional de Confiabilidade SIC
6 Tabela 4 Distribuições de probabilidade para modelagem da mantenabilidade Id f(t) Parâmetros 1 B 1 B 2 B 3 B 4 B 5 B 6 B 7 B 8 LN g g LN 4. VLIDÇÃO DE RESULTDOS Finalmente, após a obtenção de todos os modelos, foi possível calcular o MTTR (tempo médio para reparo) relativo a cada modo de falha de forma a comparar com os valores obtidos pelo modelo nebuloso. tabela 5 apresenta os valores de MTTR obtidos para todos os modos de falha do turno diurno. Foram calculados intervalos de confiança bilaterais de 90% para os modos de falha que apresentaram quantidade suficiente de dados. Este valor foi escolhido a partir da observação de valores utilizados na indústria de uma maneira geral. Observa-se que os valores obtidos pelo modelo nebuloso encontram-se dentro de intervalo de confiança adotado. Tabela 5 Comparação de valores MTTR (min) Id -90% MTTR +90% 1 B 1 B 2 B 3 B 4 B 5 B 6 B 7 B 8 β=1,9400 β=0,7187 µ= 2,9670 µ= 2,8193 β=1,7931 µ=2,5503 β=1,4603 β=1,0627 β=4, ,53 14,64 21,06 9,90 30,60 9,80 8,51 14,66 31,89 η=23,4200 η=15,6580 σ= 61,0340 σ= 0,2613 η=53,1166 σ=0,8036 η=19,6139 η=34,5865 η=46, ,77 23,16 33,19 12,85 47,24 17,69 17,01 33,77 41,97 27,79 38,39 52,28 16,70 72,94 31,96 33,28 77,79 55,25 γ=33,8200 λ= 2,1320 γ=-0,7600 TR M 19,65 19,28 44,93 44,93 49,28 45,68 5. PRINCIPIS CONCLUSÕES Este trabalho apresenta o desenvolvimento de um modelo nebuloso para o cálculo indireto da mantenabilidade de sistemas reparáveis a partir do conhecimento de especialistas. Embora grande parte das indústrias não possua um banco de dados adequado à análise RM (Reliability, vailability and Maintainability) convencional, existem especialistas que detêm o conhecimento acerca de seus processos. abordagem nebulosa mostrou-se útil nestes casos, como pode ser comprovado pelos resultados apresentados. Conclui-se ainda que as principais vantagens da abordagem nebulosa podem ser obtidas em sistemas nos quais dados de falha e tempos de reparo são inexistentes ou não confiáveis. Quando houver disponibilidade de um banco de dados adequado os métodos convencionais (probabilísticos) são mais indicados. REFERÊNCIS BIBLIOGRÁFICS BOLES, J. B.; PELÁEZ, C. E. pplication of Fuzzy Logic to Reliability Engineering. IEEE, Proceedings v. 83, n.3, March 1995, p CI, K. Y ; EN, C. Y.; ZHNG, M. L. Fuzzy Variables as a Basis for a Theory of Fuzzy Reliability in the possibility context. Fuzzy Sets and Systems, v.42, p , CI, K. Y. System failure engineering and fuzzy methodology. n introductory overview. Elsevier Science Publishers. Fuzzy Sets and Systems, v. 83, p , CRVLHO,.L. Introdução à Confiabilidade: Métodos Clássicos e bordagem Nebulosa f. Exame de Qualificação (Doutorado em Simpósio Internacional de Confiabilidade SIC
7 Engenharia). Universidade Federal de Minas Gerais, Departamento de Engenharia Elétrica, Belo Horizonte. CRVLHO,.L. Métodos lternativos para Cálculo de Confiabilidade: bordagem Bayesiana e Inteligência Computacional. In: Simpósio Internacional de Confiabilidade, V, 2007, Belo Horizonte. Conference Tutorials, Belo Horizonte: Reliasoft Brasil, JNG, J.-S.R; SUN,C.-T.; MIZUTNI, E. Neuro- Fuzzy and Soft Computing. Computacional pproach to Learning and Machine Intelligence. United States of merica: Prentice Hall, p. MTHORKS. MTLB 7.2 Software Training Guide, NELSON. pplied Life Data nalysis. United States of merica: John illey & Sons, 1982; 634p. PEDRYCZ,.; GOMIDE, F. n Introduction to Fuzzy Sets. nalysis and Design. England: Massachusetts Institute of Technology, p. RELISOFT CORPORTION, BlokSim 7 Software Training Guide, 2007 RELISOFT CORPORTION, eibull ++ 7 Software Training Guide, SINGPURLL, N. D. Bayesian Reliability: Conversational Overview. In: nnual Reliability and Maintainability Symposium, 49 o, 2003, Tampa. Conference Tutorials, Tampa: IEEE, UTKIN, L. V.; GUROV, S.V. general approach for fuzzy reliability analysis in the possibility context. Elsevier Science Publishers. Fuzzy Sets and Systems, v. 83, p , ZDEH, L. Outline of a New pproach to the nalysis of Complex Systems and Decision Process. IEEE Transactions on Systems, Man, and Cybernetics, v.3, p , Simpósio Internacional de Confiabilidade SIC
8 NEXO Fundamentos de Lógica Nebulosa proposta da lógica nebulosa (ZDEH, 1973) é oferecer uma metodologia para tratar informações vagas e imprecisas utilizando termos presentes na linguagem natural como baixo, alto, pequeno, etc. partir dos preceitos da lógica nebulosa é possível representar termos lingüísticos através de conjuntos, como uma extensão dos conjuntos convencionais. Estes conjuntos são chamados conjuntos fuzzy (nebulosos). teoria clássica dos conjuntos estabelece que um elemento pode pertencer ou não pertencer a um determinado conjunto. Desta forma, a pertinência de um elemento particular x de um subconjunto em um espaço amostral X é definida através de uma função característica µ (x) (JNG et al.,1997). Esta função é dada pela expressão 2 1 se x (2 ) µ ( x) = 0 se x Onde µ (x) :função de pertinência : subconjunto do universo X x : elemento de teoria dos conjuntos nebulosos permite que um elemento x qualquer possa pertencer a um conjunto nebuloso com graus de pertinência diferentes de 0 e 1. Neste caso, a função de pertinência µ (x) faz o mapeamento do conjunto dos números reais para um intervalo [0, 1] e expressa o grau de pertinência de cada elemento em relação ao conjunto. ssim, um conjunto nebuloso é caracterizado pelo par ordenado ( x, µ (x) ) conforme apresentado em (3). { x, ( x) ) x X } = ( µ (3 ) Onde µ (x) : função de pertinência x : elemento de s funções de pertinência nebulosas podem assumir diversas formas sendo as mais utilizadas a triangular, trapezoidal e gaussiana (figura 1) Figura 1 Exemplo de Funções de Pertinência especificação de um conjunto nebuloso depende da determinação de um universo de discurso e a escolha de funções de pertinência adequadas. O universo de discurso determina a amplitude de variação do conjunto nebuloso (valores máximo e mínimo) e pode conter vários subconjuntos nebulosos. estratificação do universo de discurso e a escolha das funções de pertinência dependem da complexidade do problema a ser modelado. O princípio da extensão (ZDEH, 1973) estabelece um procedimento para que expressões matemáticas determinísticas possam ser utilizadas no domínio nebuloso. ssim, é possível a generalização de um mapeamento ponto a ponto de uma função qualquer f(.) para um mapeamento entre conjuntos nebulosos. Seja f uma função que mapeia X em Y e um conjunto nebuloso em X (expressão 4) = µ + ( x )/ x ( 4 ) ( x1 )/ x µ De acordo com o princípio da extensão, a imagem do conjunto nebuloso mapeada pela função f(.) pode ser expressa como o conjunto B (expressão 5) B = f ( ) = µ ( x1 )/ y µ ( x n )/ y n ( 5 ) Onde yi : f (xi), i=1...n Portanto, os conjuntos nebulosos, como uma extensão da teoria clássica de conjuntos, permitem a realização das operações básicas de complemento, interseção e união. partir da modelagem das variáveis de interesse de um sistema qualquer através de conjuntos n n Simpósio Internacional de Confiabilidade SIC
9 nebulosos é possível utilizar um mecanismo de inferência baseado em regras que seja capaz de modelar o raciocínio humano de forma aproximada. modelagem do conhecimento existente sobre um determinado sistema pode ser feito através de regras IF-THEN. partir desta etapa, um processo de inferência nebuloso utiliza este conjunto de regras para realizar um mapeamento do universo de discurso de entrada no universo de discurso de saída. Procedimentos para este fim foram propostos por Mandami e Sugeno. Maiores detahes podem ser obtidos em Jang et al. (1997) ou ainda em Pedrycz, Gomide (1998). Simpósio Internacional de Confiabilidade SIC
Sistemas especialistas Fuzzy
Sistemas Fuzzy Sistemas especialistas Fuzzy Especialistas Senso comum para resolver problemas Impreciso, inconsistente, incompleto, vago Embora o transformador esteja um pouco carregado, pode-se usá-lo
ANÁLISE DE DISPONIBILIDADE APLICADA A PROCESSO DE EXTRUSÃO - ESTUDO DE CASO EM UMA INDÚSTRIA DE EMBALAGENS PLÁSTICAS
ANÁLISE DE DISPONIBILIDADE APLICADA A PROCESSO DE EXTRUSÃO - ESTUDO DE CASO EM UMA INDÚSTRIA DE EMBALAGENS PLÁSTICAS JULIANA RODRIGUES DE SOUZA (PUC) ju_rodrigues1@hotmail.com Bruna Emanuelle de Avelar
Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
SIC Utilização de Técnicas de Confiabilidade para Otimização da Gestão de Ativos Industriais Um Estudo de Caso
SIC 2013 Utilização de Técnicas de Confiabilidade para Otimização da Gestão de Ativos Industriais Um Estudo de Caso Lívia Versiani Ramos Soares Guimarães Cachaçaria Terra Forte Introdução Objetivos Apresentar
ANÁLISE SISTÊMICA DE CONFIABILIDADE, MANTENABILIDADE E DISPONIBILIDADE EM UMA FROTA DE TRATORES DE ESTEIRA: PROJETO PILOTO APLICADO A MINERAÇÃO
1 João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 ANÁLISE SISTÊMICA DE CONFIABILIDADE, MANTENABILIDADE E DISPONIBILIDADE EM UMA FROTA DE TRATORES DE ESTEIRA: PROJETO PILOTO APLICADO A MINERAÇÃO Ricardo
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação. Inteligência Artificial. Lógica Fuzzy Aula II
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Lógica Fuzzy Aula II Introdução a Lógica Fuzzy Retomada Função de pertinência Variáveis linguísticas
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 09 Lógica Fuzzy Edirlei Soares de Lima Introdução A Lógica Fuzzy é baseada na teoria dos conjuntos fuzzy. Tradicionalmente, uma proposição lógica
SISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS
SISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS Stéphanie Lucchesi, Sandra Regina Monteiro Masalskiene Roveda Campus Experimental de Sorocaba Engenharia Ambiental steh_l@hotmail.com, ISB. Palavras chave: fuzzy,
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
APLICAÇÃO DE LÓGICA FUZZY PARA AVALIAÇÃO DE CURSOS SUPERIORES COM BASE NOS CONCEITOS CPC E IGC
APLICAÇÃO DE LÓGICA FUZZY PARA AVALIAÇÃO DE CURSOS SUPERIORES COM BASE NOS CONCEITOS CPC E IGC Henrique Silva Costa henriquesilva_052@hotmail.com Rafael Furtado Seeberger rafaelseeberger@gmail.com Thiago
SISTEMAS DE MANUTENÇÃO E CONFIABILIDADE TP077
SISTEMAS DE MANUTENÇÃO E CONFIABILIDADE TP077 6 DISPONIBILIDADE DE EQUIPAMENTOS 6.1 INTRODUÇÃO Diversas teorias em confiabilidade pressupõem o descarte dos componentes de interesse após a primeira falha.
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC Ederson Costa dos Santos 1, Leandro Barjonas da Cruz Rodrigues 1, André Maurício Damasceno Ferreira 2 1
Teoria da Decisão. Modelagem de Preferência. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Modelagem de Preferência Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
CONTEÚDO LÓGICA NEBULOSA INTRODUÇÃO INTRODUÇÃO. Lógica Procura modelar o raciocínio. Lógica. Marley Maria B.R. Vellasco
LÓGICA NEBULOSA Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características
Inteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC.
Inteligência Artificial Escola de Verão 28 Laboratório Associado de Computação e Matemática Aplicada LAC www.lac.inpe.br/~demisio/ia_lac.html Lógica Nebulosa A Lógica Nebulosa (ou Lógica Difusa Fuzzy Logic
APLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS
APLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS Alexandre Ferreira de Pinho, Mestrando Escola Federal de Engenharia de
Conjuntos Difusos. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7)
Conjuntos Difusos Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7) Conjuntos Difusos 2 Conjuntos Difusos Quais das seguintes pessoas são altas? Paulo:
METODOLOGIA PARA ACEITAÇÃO (ou rejeição) DE OPINIÕES DE ESPECIALISTAS USANDO CONJUNTOS NEBULOSOS
METODOLOGIA PARA ACEITAÇÃO (ou rejeição) DE OPINIÕES DE ESPECIALISTAS USANDO CONJUNTOS NEBULOSOS Mihail Lermontov, PhD Universidade Federal Fluminense mihail@lermontov.com Jorge Muniz Barreto, PhD Universidade
Lógica Nebulosa. Lógica Fuzzy
Lógica Nebulosa Ou Lógica Fuzzy Lógicas Bivalente e Polivalente Na logica clássica ou aristotélica: Dois valores verdade possíveis: Proposições verdadeiras;ou Proposições falsas. São sistemas chamados
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Olinda Fátima dos Santos 1 Carla Regina Guimarães Brighenti 1 1-Introdução A utilização de informação a priori em inferência
SISTEMA ESPECIALISTA NEBULOSO (MINICURSO) Luiz Biondi Neto Pedro Henrique Gouvêa Coelho Jorge Luís Machado do Amaral Maria Helena C.
Luiz Biondi Neto Pedro Henrique Gouvêa Coelho Jorge Luís Machado do Amaral Maria Helena C. Soares de Mello Inteligência Computacional A Inteligência Computacional (IC) é uma área de pesquisa que visa investigar
O Processo de Weibull Poisson para Modelagem da Confiabilidade em Sistemas Reparáveis
O Processo de Weibull Poisson para Modelagem da Confiabilidade em Sistemas Reparáveis Luiz Gustavo Fraga 1 Edmilson Rodrigues Pinto 2 Resumo: Sistemas reparáveis são aqueles sistemas que, após a ocorrência
Uma abordagem Fuzzy para a previsão de curto-prazo do consumo de energia elétrica
Uma abordagem Fuzzy para a previsão de curto-prazo do consumo de energia elétrica Roger Júnio Campos, Tales Argolo Jesus, Centro de Pesquisa e Desenvolvimento em Engenharia Elétrica - CPDEE - UFMG, 31270-901,
APLICAÇÃO DE ANALISE DE RISCO DE CLIENTE PARA TOMADA DE CRÉDITO UTILIZANDO LÓGICA FUZZY TOOLBOX DO MATLAB. Diogo Mendes.
APLICAÇÃO DE ANALISE DE RISCO DE CLIENTE PARA TOMADA DE CRÉDITO UTILIZANDO LÓGICA FUZZY TOOLBOX DO MATLAB Diogo Mendes. Luciana Wanderley Especialização em Engenharia de Sistemas Universidade Estadual
TP034-Tópicos Especiais de Pesquisa Operacional I
TP34-Tópicos Especiais de Pesquisa Operacional I (Conjuntos Difusos Princípio da Extensão) Prof. Volmir Wilhelm Curitiba, Paraná, Brasil Gráficos difusos Um gráfico difuso descreve um mapeamento funcional
Giovani Eduardo Braga CEMIG Distribuição S.A.
XXII Seminário Nacional de Distribuição de Energia Elétri SENDI 2016-07 a 10 de novembro Curitiba - PR - Brasil Giovani Eduardo Braga CEMIG Distribuição S.A. gioedu@cemig.com.br NOVAS ABORDAGENS DE INSPEÇÃO
XVIII Seminário Nacional de Distribuição de Energia Elétrica
Sistema Fuzzy para Determinar a Correlação entre a Taxa de Falhas de Transformadores Aéreos de Distribuição e a Temperatura Ambiente Ricardo Souza Gutierrez RR Gutierrez Engenharia/PPGEE-UFPA r_gutierrez@ig.com.br.
LÓGICA NEBULOSA CONTEÚDO
LÓGICA NEBULOSA Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características
Laboratório 4 - Controle nebuloso
Laboratório 4 - Controle nebuloso PTC 2619 / PTC 3418 Laboratório de Automação 1º semestre de 2017 Bruno A. Angélico Laboratório de Automação e Controle Departamento de Engenharia de Telecomunicações e
Análise de Disponibilidade Utilizando Abordagem Nebulosa
UNIVERSIDADE FEDERAL DE MINAS GERAIS Escola de Engenharia Programa de Pós-Graduação em Engenharia Elétrica Análise de Disponibilidade Utilizando Abordagem Nebulosa Alessandra Lopes Carvalho Tese de Doutorado
Fernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Utilização da Lógica Fuzzy: Uma Aplicação na Área da Saúde
Utilização da Lógica Fuzzy: Uma Aplicação na Área da Saúde Cristiane Koehler Universidade de Caxias do Sul (UCS) Centro de Informática Médica (CIM) ckoehler@ucs.br Lucimar Fossatti de Carvalho Universidade
CLASSIFICAÇÃO DE DIAGRAMAS UNIFILARES DE SUBESTAÇÕES ELÉTRICAS BASEADA EM SISTEMAS NEBULOSOS
CLASSIFICAÇÃO DE DIAGRAMAS UNIFILARES DE SUBESTAÇÕES ELÉTRICAS BASEADA EM SISTEMAS NEBULOSOS M. Sc. Daniel Gomes Ferrari Universidade Federal de Goiás. danielgferrari@uol.com.br Prof. Dr. Gelson da Cruz
Conteúdo: Sistemas Fuzzy Fuzzifier Inferência Regras Máquina de Inferência Defuzzifier
Conteúdo: Sistemas Fuzzy Fuzzifier Inferência Regras Máquina de Inferência Defuzzifier Sistemas fuzzy A inferência fuzzy é um paradigma computacional baseado na Teoria de conjuntos fuzzy, regras de inferência
IF-705 Automação Inteligente Sistemas Nebulosos
IF-75 Automação Inteligente Sistemas Nebulosos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo
Utilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente
Utilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente Rosangela Westphal da Silva 1,2, Priscyla Waleska Targino de Azevedo Simões 1,2,3, Merisandra Côrtes de Mattos 1,2,
Introdução. Sistemas Nebulosos (Fuzzy) Benefícios da Lógica Nebulosa. Introdução. Probabilidade e Possibilidade. Complexidade e Compreensão
(Fuzzy) Introdução Benefícios da Lógica Nebulosa Conjuntos Nebulosos Variáveis Lingüísticas Operadores (Fuzzy) Raciocínio Etapas Conclusão Introdução Surgiu com Lofti Zadeh em 965. O boom foi nos anos
CONTROLADOR FUZZY PARA MOTOR A RELUTÂNCIA. Dr. Tauler Teixeira Borges Departamento de Engenharia Universidade Católica de Goiás
CONTROLADOR FUZZY PARA MOTOR A RELUTÂNCIA Dr. Tauler Teixeira Borges Departamento de Engenharia Universidade Católica de Goiás Dr. Haroldo Rodrigues de Azevedo Faculdade de Engenharia Elétrica Universidade
UM MODELO DE MANUTENÇÃO BASEADO EM PROCESSOS PONTUAIS NÃO-ESTACIONÁRIOS PARA SISTEMAS COM VÁRIOS COMPONENTES
UM MOELO E MNUTENÇÃO SEO EM PROCESSOS PONTUIS NÃO-ESTCIONÁRIOS PR SISTEMS COM VÁRIOS COMPONENTES Héctor C. Noriega COPPE/UFRJ - Prog. Eng. Produção hector@openlink.com.br orges de Medeiros 239/42, 2243-4,
5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO
102 5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO Conforme detalhado na seção 4.3, foram criados três conjuntos de dados: clientes BT com 382 padrões, clientes comerciais MT com 866 padrões e clientes industriais
SSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 4 Sarita Mazzini Bruschi
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação SSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 4 Sarita Mazzini Bruschi Material
Estatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Somas aleatórias Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Simulação de Sistemas Discretos É
Uma investigação de métodos para o estudo da influência da incerteza em dados experimentais de vida acelerada
Uma investigação de métodos para o estudo da influência da incerteza em dados experimentais de vida acelerada Autores Maria Celia de Oliveira Papa Orientador Alvaro Jose Abackerli 1. Introdução Uma das
A abordagem nebulosa nos processos de manutenção centrada em confiabilidade
Espacios. Vol. 34 (4) 2013. Pág. 2 A abordagem nebulosa nos processos de manutenção centrada em confiabilidade The approach nebula processes in reliability centered maintenance Joel Alves Batista 1 y Carlos
Calendário 2018 Treinamentos e Eventos Brasil
Calendário 2018 Treinamentos e Eventos Brasil Este material apresenta as datas e locais dos próximos treinamentos abertos da ReliaSoft Brasil. Se sua agenda conflitar com alguma destas datas ou se você
Estatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Estatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
INTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL LÓGICA FUZZY (ou NEBULOSA) Prof. Ronaldo R. Goldschmidt ronaldo.rgold@gmail.com O que é? Técnica inteligente que tem como objetivo modelar o modo aproimado de raciocínio, imitando
Teste de % de defeituosos para 1 amostra
DOCUMENTO OFICIAL DO ASSISTENTE DO MINITAB Este documento é de uma série de papéis que explicam a pesquisa conduzida por estatísticos da Minitab para desenvolver os métodos e as verificações de dados usadas
Escola Politécnica da Universidade de São Paulo. Engenharia Elétrica. Programa de Pós Graduação. PCS Computação Fuzzy - 1 º Ciclo
Escola Politécnica da Universidade de São Paulo Engenharia Elétrica Programa de Pós Graduação PCS 5711 - Computação Fuzzy - 1 º Ciclo - 2000 Professor: Dr. Marco Túlio Carvalho de Andrade Trabalho Final
GE-814: Introdução à Avaliação Operacional
GE-814: Introdução à Avaliação Operacional Objetivo Que a audiência se familiarize com os testes estatísticos que visam estabelecer a garantia da performance de um sistema específico e comparações entre
José Francisco Moreira Pessanha
Pontifícia Universidade Católica do Rio de Janeiro Sistema de Inferência Neuro-Fuy Adaptativo - ANFIS José Francisco Moreira Pessanha Rio de Janeiro - RJ, 14 de junho de 00 Sumário 1 - Introdução - Sistema
Inteligência Artificial
DSC/CCT/UFC Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Representação do Conhecimento (Lógica Fuzzy) Prof.
Inferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
IN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GMI 5 4 a 7 Outubro de 2007 Rio de Janeiro - RJ GRUPO XII GRUPO DE ESTUDO DE ASPECTOS TÉCNICOS E GERENCIAIS DE MANUTENÇÃO EM INSTALAÇÕES
Modelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 07 Inferência Difusa Sistemas de Controle Difuso Max Pereira Regras difusas SE ENTÃO Antecedente:
Introdução. A Inteligência Artificial (IA) vem sendo desenvolvida desde o século passado.
Introdução A Inteligência Artificial (IA) vem sendo desenvolvida desde o século passado. Iniciou-se já na época da Grécia antiga, onde foi desenvolvido o Distribuidor de Água em Delfos, o qual fornecia
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA VARIABILIDADE NA MEDIDA DE DADOS CIENTÍFICOS Se numa pesquisa, desenvolvimento de um processo ou produto, o valor
Inteligência Artificial
Inteligência Artificial Sistemas Especialistas Raciocínio e Mecanismos de Inferência Arquitetura de um SE típico Interface com o Usuário: Perguntas e respostas; Linguagem natural Editor da Base de Conhecimento
SISTEMAS P-FUZZY APLICADOS À DINÂMICA POPULACIONAL
SISTEMAS P-FUZZY APLICADOS À DINÂMICA POPULACIONAL Miriam Eulalina Martins *, Rodney Carlos Bassanezi, Cid Marcos G. Andrade Uningá Centro Universitário Ingá PR, prof.miriammartins@uninga.edu.br Universidade
Aula 1 - Cálculo Numérico
Aula 1 - Cálculo Numérico Conceitos básicos Prof. Phelipe Fabres Anhanguera Prof. Phelipe Fabres (Anhanguera) Aula 1 - Cálculo Numérico 1 / 25 Sumário Sumário 1 Sumário 2 Motivação 3 Plano de ensino 4
Introdução aos Conjuntos
Introdução aos Conjuntos Nebuloso (Fuzzy) Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B niversidade Estadual de Feira de Santana Informações imprecisas Termos imprecisos
Capítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
2ª PROVA ICIN 1º/2015
Departamento de Engenharia Elétrica Prof. Adolfo Bauchspiess Faculdade de Tecnologia Laboratório de Automação e Robótica Universidade de Brasília 163848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO - 1
Lógica Nebulosa (Fuzzy)
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Lógica Nebulosa (Fuzzy) Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
19 Congresso de Iniciação Científica APLICAÇÃO DA LÓGICA NEBULOSA A MODELO DE CONHECIMENTO DO PROCESSO DE MINERAÇÃO DE DADOS
19 Congresso de Iniciação Científica APLICAÇÃO DA LÓGICA NEBULOSA A MODELO DE CONHECIMENTO DO PROCESSO DE MINERAÇÃO DE DADOS Autor(es) ANDRE DE ANDRADE BINDILATTI Orientador(es) ANDERSON BERGAMO, ANA ESTELA
Lógica Fuzzy. Lógica Fuzzy: Noções Gerais e Aplicações. apresentação. Prof a. Responsável: Graçaliz Pereira Dimuro. Disciplina: Computação Flexível
apresentação Lógica Fuzzy Conrado Ruch. Diego Pereira. Rogério Vargas Prof a. Responsável: Graçaliz Pereira Dimuro Disciplina: Computação Flexível Programa Conrado Ruch. Diego de Pereira Pós-Graduação.
Gestão da Confiabilidade de Usinas Hidrelétricas Aplicando Algoritmo de Reamostragem de Dados
Gestão da Confiabilidade de Usinas Hidrelétricas Aplicando Algoritmo de Reamostragem de Dados Jorge Coelho 1,2, Fabrício Bernardelli 1, Celso de Brasil 2, Augusto C. Gregatti 3 (1) Dep. de Ingeniería Eléctrica,
Sistemas Fuzzy Lógica Fuzzy e Sistemas Baseados em Regras Fuzzy
Sistemas Fuzzy Lógica Fuzzy e Sistemas Baseados em Regras Fuzzy Profa. Dra. Sarajane M. Peres e Prof. Dr. Clodoaldo A. M. Lima EACH USP http://each.uspnet.usp.br/sarajane/ } Baseado em: Dimensão Topológica
Engenharia de Requisitos
Engenharia de Requisitos Criado: mar/2001 Atualizado: set/2005 Tópicos Definição de Requisitos Participantes Processo Documento de Requisitos (SRS) Evolução dos Requisitos 2 Referência I.Sommerville. Sw
ESTUDO COMPARATIVO DA APLICAÇÃO DE TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL PARA A PREVISÃO DA FAIXA DE PESO DE RECÉM-NASCIDOS
ESTUDO COMPARATIVO DA APLICAÇÃO DE TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL PARA A PREVISÃO DA FAIXA DE PESO DE RECÉM-NASCIDOS Vivek Nigam 1 (IC), Cairo L. Nascimento Jr. 1 (PQ), Luiz Fernando C. Nascimento
Coleta e Modelagem dos Dados de Entrada
Slide 1 Módulo 02 Coleta e Modelagem dos Dados de Entrada Prof. Afonso C. Medina Prof. Leonardo Chwif Três Etapas Coleta Tratamento Inferência Coleta dos Dados 1. Escolha adequada da variável de estudo
Conteúdo: Conjuntos crisp x Conjuntos fuzzy Representação Propriedades Formatos
Conteúdo: Conjuntos crisp x Conjuntos fuzzy Representação Propriedades Formatos Conjuntos Crisp x Fuzzy Conjuntos crisp ou Conjuntos clássicos: cada entidade ou objeto de um dado universo pode pertencer
Para ajudar a interpretar os resultados, o Cartão de Relatórios do Assistente do teste de % de defeituosos para 1 amostra exibe os seguintes
Este documento é de uma série de papéis que explicam a pesquisa conduzida por estatísticos da Minitab para desenvolver os métodos e as verificações de dados usadas no assistente no software estatístico
VERIFICAÇÃO & VALIDAÇÃO
VERIFICAÇÃO & VALIDAÇÃO Validação: Estamos construindo o produto certo? Verificação envolve checar se o software cumpre com suas especificações. Verificação: Estamos construindo certo o produto? Validação
ABORDAGEM QUANTITATIVA PARA CÁLCULO DA CONFIABILIDADE HUMANA: UM ESTUDO DE CASO APLICADO À INDÚSTRIA AUTOMOBILÍSTICA
ABORDAGEM QUANTITATIVA PARA CÁLCULO DA CONFIABILIDADE HUMANA: UM ESTUDO DE CASO APLICADO À INDÚSTRIA AUTOMOBILÍSTICA CLESIA DE SOUZA EVANGELISTA (PUC) clesias@hotmail.com Fernanda Machado Grossi (PUC)
ANÁLISE DO DESEMPENHO DE BROCAS DE PERFURAÇÃO DE POÇOS DE PETRÓLEO USANDO SISTEMA NEBULOSO E GRAFO DE CONHECIMENTO
40 SBAI-Simpósio Brasileiro de Automação Inteligente São Paulo SP 08-10 de Setembro de 1999 ANÁLISE D DESEMPENH DE BRCAS DE PERFURAÇÃ DE PÇS DE PETRÓLE USAND SISTEMA NEBULS E GRAF DE CNHECIMENT José Ricardo
Estatística. Professor Jair Vieira Silva Júnior.
Estatística Professor Jair Vieira Silva Júnior Ementa da Disciplina Estatística descritiva; Interpretação de gráficos e tabelas; Amostras, representação de dados amostrais e medidas descritivas de uma
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
A Matemática como Serviço a Ciência da Computação. Prof. Dr. Carlos Eduardo de Barros Paes Coordenador do Curso de Ciência da Computação
A Matemática como Serviço a Ciência da Computação Prof. Dr. Carlos Eduardo de Barros Paes Coordenador do Curso de Ciência da Computação A Matemática e Ciência da Computação A Matemática faz parte do DNA
4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1. Introdução Os sistemas de potência interligados vêm adquirindo maior tamanho e complexidade, aumentando a dependência de sistemas de controle tanto em operação
Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Distribuições de Probabilidades
Distribuições de Probabilidades 1 Distribuições Contínuas 1.1 Distribuição Uniforme - U(a,b) Uso mais comum: Primeira tentativa em casos em que apenas os limites dos dados são conhecidos. f() 1/(b-a) a
GRUPO XII GRUPO DE ESTUDO DE ASPECTOS TÉCNICOS E GERENCIAIS DE MANUTENÇÃO EM INSTALAÇÕES ELÉTRICAS GMI
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GMI-14 19 a 24 Outubro de 2003 Uberlândia - Minas Gerais GRUPO XII GRUPO DE ESTUDO DE ASPECTOS TÉCNICOS E GERENCIAIS DE MANUTENÇÃO
Modelos: Verificação, Validação e Experimentação
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO Modelos: Verificação, Validação e Experimentação Prof. Luís César da Silva (UFES/CCA) ESA 01 Engenharia de Sistemas Modelos Validados e Confiáveis Fundamentos: (Naylor
LAB3 Controle nebuloso (VERSÃO PROVISÓRIA)
LAB3 Controle nebuloso (VERSÃO PROVISÓRIA) 3.1 Objetivo Esta experiência tem por objetivo a familiarição com a técnica de Controle Nebuloso (Fuzzy Control, em inglês). Para isso será contruído um controlador
PROBABILIDADE E ESTATÍSTICA EM HIDROLOGIA
Introdução 1 PROBABILIDADE E ESTATÍSTICA EM HIDROLOGIA Fenômeno - MODELO MATEMÁTICO Q = L.H 3/2 F= γ.h.a Ênfase: forma da expressão relação entre : L e H Q γ, h e A F Aula 1 Introdução 2 HIDROLOGIA " É
Análise de clusters usando classes latentes
Análise de clusters usando classes latentes João Branco Departamento de Matemática, IST XIV Congresso SPE, 27-30 Set. 2006 Covilhã Poucos dados/muitos dados p. 0/23 Sumário 1. Variáveis latentes 2. Modelos
4 Análise de Confiabilidade em Sistemas de Potência
4 Análise de Confiabilidade em Sistemas de Potência 4.. Introdução Qualquer sistema de potência está sujeito à falhas em seus equipamentos, que muitas vezes não podem ser previstas. Estas falhas podem
José Aparecido da Silva Gama¹. ¹Professor do Instituto Federal de Educação, Ciência e Tecnologia de Alagoas.
Estudo e Aplicação dos Testes de Hipóteses Paramétricos e Não Paramétricos em Amostras da Estação Fluviométrica Três Maria (MG) da bacia Hidrográfica do Rio São Francisco José Aparecido da Silva Gama¹
TÍTULO: MODELAGEM E SIMULAÇÃO DE UM TERMINAL PORTUÁRIO PARA EMBARQUE DE AÇÚCAR PARA EXPORTAÇÃO
TÍTULO: MODELAGEM E SIMULAÇÃO DE UM TERMINAL PORTUÁRIO PARA EMBARQUE DE AÇÚCAR PARA EXPORTAÇÃO CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS INSTITUIÇÃO: UNIVERSIDADE CATÓLICA
LÓGICA FUZZY NO CONTROLE DE EMBARQUE DE NAVIOS NO TERMINAL MARÍTIMO DE PONTA DA MADEIRA. Universidade Federal do Maranhão
LÓGICA FUZZY NO CONTROLE DE EMBARQUE DE NAVIOS NO TERMINAL MARÍTIMO DE PONTA DA MADEIRA *José Pinheiro de Moura, Ginalber Luiz de Oliveira Serra, Joâo Viana da Fonseca Neto Universidade Estaual do Maranhão
Lógicas Difusas e Sistemas Difusos
Lógicas Difusas e Sistemas Difusos 1 Semestre de 2015 Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 Introdução (1/2) O conhecimento humano é muitas vezes incompleto,
Coleta e Modelagem dos Dados de Entrada
Coleta e Modelagem dos Dados de Entrada Capítulo 2 Páginas 24-52 Este material é disponibilizado para uso exclusivo de docentes que adotam o livro Modelagem e Simulação de Eventos Discretos em suas disciplinas.
Introdução ao controle de conversores
Unidade VI Introdução ao controle de conversores 1. Controle por Histerese 2. Controle Linear 3. Utilização da ferramenta SmartCtrl (PSIM) Eletrônica de Potência 1 Introdução Conversores estáticos devem
Definição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento