Aplicação de uma rede neural de convolução para posicionamento de seccionadora em linha de produção

Abstract

Este trabalho tem como objetivo aplicar uma rede neural de convolução para auxiliar no posicionamento de uma seccionadora no local de teste da mesma. Com o avanço da inteligência artificial, tem-se observado o surgimento de novas aplicações para esta área de conhecimento. O intuito da solução proposta é centralizar a eficiência do processo de posicionamento da seccionadora em uma solução de engenharia. Para isso, foi realizada uma revisão bibliográfica sobre o tema, bem como o estudo de aplicações que se assemelham. No desenvolvimento da solução proposta, foram estabelecidas quatro estruturas diferentes de rede neural de convolução e comparado o desempenho entre os quatro modelos, assim como a adição de características físicas no ambiente de teste da seccionadora a fim de auxiliar no aprendizado dos modelos durante as etapas de convolução. Os resultados obtidos demonstraram que um modelo de CNN pode obter um desempenho mais satisfatório do que um operador em termos de inferência sobre o posicionamento da peça, aumentando não só a eficiência do processo, mas também a segurança do mesmo. Conclui-se que a utilização de redes neurais de convolução é uma ferramenta capaz de auxiliar os operadores, garantindo a eficiência do processo e permitindo que os esforços humanos sejam direcionados para processos mais pertinentes.

This work aims to apply a convolutional neural network to assist in the positioning of a disconnector switch in its testing site. With the advancement of artificial intelligence, new applications for this field of knowledge have been observed. The purpose of the proposed solution is to centralize the efficiency of the positioning process of the piece into an engineering solution. To achieve this, a literature review on the topic was conducted, as well as a study of similar applications. In the development of the proposed solution, four different convolutional neural network structures were established and compared for performance, as well as the addition of physical characteristics in the disconnector switch testing environment to assist in the learning of the models during the convolution stages. The results showed that a CNN model can achieve more satisfactory performance than an operator in terms of inference on the positioning of the piece, increasing not only the efficiency of the process but also its safety. It is concluded that the use of convolutional neural networks is a tool capable of assisting operators, ensuring the efficiency of the process and allowing human efforts to be directed towards more pertinent processes.