Departamento de Computação
2018
Relatório
Projeto Robô Cartesiano
Recortes da indústria 4.0: Melhoria de desempenho e manutenção preditiva
Grupo
Antonio Luciano Lopes Uliana - 628034
Luís Felipe Franco Candêo Tomazini - 595098
Disciplina
Sistemas de Integração e Automação Industrial
Professor
Orides Morandin Jr
Sumário
1. RESUMO ...................................................................................................................................................... 3
2. INTRODUÇÃO ................................................................................................................................................ 3
3. FUNDAMENTOS TEÓRICOS ............................................................................................................................... 8
3.1. INDÚSTRIA 4.0 ..................................................................................................................................................... 8
3.2. OTIMIZAÇÃO ........................................................................................................................................................ 8
3.3. MANUTENÇÃO PREDITIVA....................................................................................................................................... 9
4. PROPOSTA .................................................................................................................................................... 9
4.1. VISÃO GERAL ....................................................................................................................................................... 9
4.2. OTIMIZAÇÃO ...................................................................................................................................................... 10
4.3. MANUTENÇÃO PREDITIVA .................................................................................................................................... 10
4.3.1. CONTROLE ESTATÍSTICO DE PROCESSO (CEP) ................................................................................................................... 11
5. DESENVOLVIMENTO ..................................................................................................................................... 12
5.1 DIAGRAMAS ....................................................................................................................................................... 12
5.2 IMPLEMENTAÇÃO................................................................................................................................................ 15
6. RESULTADOS E DISCUSSÃO ............................................................................................................................. 17
7. CONCLUSÃO ............................................................................................................................................... 18
8. PROJETOS FUTUROS ...................................................................................................................................... 19
REFERÊNCIAS...................................................................................................................................................... 20
APÊNDICES ........................................................................................................................................................ 21
A. DESCRIÇÃO DE CASO DE USO .................................................................................................................................... 21
B. DIAGRAMAS DE SEQUÊNCIA ...................................................................................................................................... 23
2. INTRODUÇÃO
• Surgimento e princípios da indústria 4.0
• Fundamentos de PID
• Aprimoramento da sintonia do PID no robô cartesiano
• Manutenção preditiva
• Objetivo do projeto
o Comparação do projeto com a indústria real
o Comparação do erro sem e com a adição da otimização
o Estimativa do tempo economizado com a predição de um erro futuro pelo gradiente no CEP
Embora a indústria 4.0 já tenha algumas de suas características aplicadas há algum tempo, a sua fundamentação
de conceito e nomeação foi feita pelo governo alemão como parte das estratégias governamentais voltadas à
tecnologia. Assim, o termo foi utilizado pela primeira vez em 2011, na Feira Hannover - a maior feira do mundo no
âmbito da tecnologia industrial - que ocorre todos os anos na Alemanha. Os sistemas de produção inteligentes nos
quais os princípios da Indústria 4.0 são sustentados se baseiam: na capacidade de operação em tempo real, de modo
que a aquisição, tratamento de dados e tomada de decisão possa ocorrer quase que instantaneamente nos processos
Esses fundamentos da indústria 4.0 são uma aplicação no âmbito das fábricas, que só é possível pelo avanço
tecnológico e alguns conceitos recentemente surgidos, como Internet das Coisas (IoT), Big Data Analytics e Segurança
da Informação. O conceito de IoT consiste na conexão em rede de dispositivos físicos (máquinas e sensores) com
softwares de controle de dados por meio de sistemas eletrônicos embarcados. O Big Data Analytics consiste num
mapeamento de uma quantidade de dados que torna impossível para uma análise humana, então os dados capturados
dentro da indústria (estado das máquinas, controle de processos, análise de desempenho, quantidade de produtos
fabricados, quantidade de material aproveitado e desperdiçado, dentre muitos outros dados relevantes para a
produtividade da fábrica) são tratados através de softwares inteligentes, que se baseiam no conceito 6C (Connection,
Cloud, Cyber, Content, Community e Customization). A segurança, assim, se torna um dos fatores mais importantes
para a existência da Indústria 4.0, pois com esse grande volume de dados, as informações se tornam vulneráveis e são
necessárias aplicações que mantenham backups de dados e robustez da informação, isto é, todas as informações
utilizadas pela indústria 4.0 precisam ser confiáveis, de modo que não hajam falhas na transmissão de dados via rede,
que os dados sejam passados entre os dispositivos de forma integral e que não ocorram perdas nesse processo
Desse modo, a inteligência por trás deste projeto que está sendo construída possui inúmeras aplicações, desde os
softwares que estão sendo implementados, passando pela parte mecânica e elétrica, juntamente com a eletrônica.
Fisicamente, a aparência atual dele está próxima a de um protótipo de elevador de cargas, como mostra a figura 3
Contudo, os módulos do projeto podem ser adaptados para outros tipos de aplicação, e com o módulo da indústria
4.0 não é diferente. Além disso, é um dos módulos de mais fáceis transposição para diferentes aplicações de um robô
cartesiano. Isso é possível por conta da documentação construída até aqui e a implementação das funções que captam
os dados de posição cartesiana do robô, e tratam esses dados de modo a melhorar a calibração do PID e atuar com
manutenção preditiva. A figura 4 exibe uma visão lateral do equipamento, na qual também é possível observar os
equipamentos acoplados como motor e de eletrônica, como sensores, CIs, shields e um arduino.
3.2. OTIMIZAÇÃO
A técnica de Ziegler Nichols não é um algoritmo de otimização propriamente dito, mas sim uma heurística. Seu
uso se deve não por ser o melhor método, mas pelo fato de ser de fácil implementação. Contudo, apresenta diversas
desvantagens, como a necessidade de um ajuste fino posterior e não ser possível sacrificar um parâmetro em
detrimento de outro. Outro ponto grave é que esta heurística fica presa em máximos locais, não conseguindo explorar
outros cenários de busca na tentativa de chegar em um máximo global. De modo geral, esse método é satisfatório no
momento em que se faz a sintonia do PID. Porém, com a utilização do equipamento, pode-se utilizar os dados das
execuções para melhorar a sintonia. Esta é a motivação para se incluir um módulo de indústria 4.0 no projeto,
utilizando uma técnica heurística ou meta heurística de otimização para sintonização do PID e não apenas para a
manutenção preditiva como ocorre geralmente.
Por outro lado, técnicas como a do algoritmo Expectation Maximization (EM) são métodos iterativos para
encontrar um valor de máxima posteriori, fazendo uma estimativa dos parâmetros em modelos estatísticos. O
processo pode ser dividido em duas etapas: a de expectation (E), na qual uma função é criada e sua função de
probabilidade é avaliada com os parâmetros atuais; e a de maximization (M), na qual é feita a maximização dos
parâmetros na função de probabilidade encontrada no passo anterior. Assim como o algoritmo de Ziegler Nichols, o
EM tem o problema de ficar preso em máximos locais. Existe a possibilidade de evitar tal problema com o princípio de
hill climbing, alternando a estimativa inicial de forma aleatória. Outra alternativa são algoritmos genéticos (AGs), os
quais utilizam uma população de possíveis soluções para um problema de otimização, a fim de encontrar soluções
melhores. AGs são utilizados em problemas do tipo NP, porém, não há garantia de que encontrarão a solução ótima,
isto é, dependendo da heurística de busca podem chegar a resultados que sejam ótimos num determinado contexto
(num curto espaço de tempo, ou para uma quantidade de dados limitada) mas não sejam realmente resultados
otimizados num contexto global; ou até mesmo em valores aleatórios, pois não tendem a sacrificar ganhos menores
em detrimento de otimizações futuras.
4. PROPOSTA
• Visão Geral do funcionamento do sistema
• Como melhorar a sintonia de PID
• Como atuar na manutenção preditiva
• Monitoramento por Controle Estatístico de Processos (CEP)
Figura 5 – Diagrama de Componentes que influenciam e são influenciados pela indústria 4.0, direta ou indiretamente
(Fonte: Elaborado pelos autores).
O eixo robótico troca informações com o supervisório, através de uma comunicação que utiliza o protocolo
modbus, enviando e recebendo dados, dos quais os parâmetros de desempenho de controle (erro, tempo de resposta
e sobressinal) serão importantes para a avaliação da indústria 4.0. Esses dados são relacionados à posição cartesiana
que o eixo atinge em funcionamento, comparado à posição que ele deveria atingir. Dessa forma, é possível construir
uma arquitetura de software que seja capaz de avaliar esses parâmetros e otimizá-los, com o intuito de se obter
valores mais próximos ao objetivo pré-definido incialmente ao longo do tempo. Além disso, com um grande volume
de dados, também será possível realizar suposições com relação a possíveis falhas nas peças, baseados nos parâmetros
de desempenho analisados e testes em cima deles. Com isso, é possível realizar métodos que façam um
acompanhamento do robô e realizem uma manutenção preditiva, analisando os dados recolhidos pelo sistema
Tabela 1 – Tabela com os valores de constantes KP, KI e KD simulados para cada carga no eixo robótico, junto ao erro
obtido
Carga (kg) KP KI KD Erro (%)
3 5,0 0,2 0,01 0,455
3 4,0 1,0 0,001 0,003
3 1,0 0,1 0,0 0,000
3 13,0 0,1 0,0 0,108
3 13,0 0 0,0 0,000
(Fonte: Elaborado pelos autores)
Após o mapeamento destes cenários, é possível verificarmos se o PID não está com o desempenho planejado, e
sobretudo, qual a forma que devemos tratar tal problema: resintonizar o PID, trocando as suas constantes KP, KI e KD;
ou dar a devida manutenção à máquina, como por exemplo em casos de deslubrificação do parafuso, falha de leitura
de velocidade angular ou desmagnetização do motor.
5.1 DIAGRAMAS
Primeiramente, o sistema irá importar os dados tabelados das constantes KP, KI e KD que tiveram as suas simulações
feitas anteriormente. Em seguida, será obtido o valor da carga a ser movimentada pelo eixo robótico, lembrando que
neste projeto a tabela conterá apenas valores para 3kg, uma vez que esta é a mais comum. Será então escolhido o
último conjunto de constantes utilizada pelo PID, podendo ser o da sintonização inicial ou um da tabela previamente
importada. Será analisado se o erro está dentro da faixa permitida. Caso esteja, o sistema segue seu fluxo. Do
contrário, o algoritmo de otimização da indústria 4.0 irá apontar um novo conjunto de constantes a ser utilizado no
PID. Verifica-se se o usuário quer realizar uma nova iteração, ou seja, mover uma nova carga. Em caso afirmativo,
volta-se ao passo de obtenção da carga, repetindo-se o ciclo. Em caso negativo, encerra-se o fluxo. A figura 7 ilustra
este processo em forma de diagrama de atividades.
Existem dois atores que participam do fluxo de execução do módulo da indústria 4.0: o usuário e o sistema em si.
O usuário pode assumir múltiplas funcionalidades dentro da estrutura organizacional da empresa. Este pode ser tanto
um engenheiro interessado na melhoria da produção e dos processos, bem como o operador que coloca as cargas no
eixo robótico. Assim, como funcionalidades requeridas por ele pode-se mencionar a solicitação da otimização do erro
do deslocamento da carga e realizar uma nova iteração, ou seja, mover uma nova carga. O sistema terá como
funcionalidades requeridas a importação da tabela com as constantes a serem utilizadas no PID, a busca pelo último
conjunto de constantes do PID utilizada para a carga atual e a determinação de para qual conjunto de constantes deve-
se utilizar após última iteração. A figura 8 ilustra estes casos de uso em forma de diagrama de casos de uso.
Para cada caso de uso da figura 8 existe uma descrição de caso de uso específica, contando com: nome do caso de
uso, ator primário, pré-condição, pós-condição, curso normal e curso alternativo. Essa descrição, a qual está no
apêndice A, ajuda a entender qual é o fluxo das ações de cada caso de uso, qual o fluxo alternativo caso essa ação
não se comporte da maneira esperada (ou comum), o que é necessário de entrada, qual saída produz e também quais
atores do sistema estão envolvidos nessas ações.
Finalmente, as funções e variáveis do programa desenvolvido pela atuação da indústria 4.0 são referentes à ótica
de melhoria da sintonia do PID. Para representá-las, baseou-se no diagrama de classes da UML, como mostra a figura
10. Contudo, na prática, não existem classes na função, e sim um conjunto de funções e variáveis que funcionam em
um único fluxo dos dados.
Figura 11 – Exemplo de visualização de gráficos da biblioteca PySPC (Fonte: (SILVA, 2017; VUKSANOVIC, 2017))
O diagrama de atividades (página 13) documenta o fluxo de dados da função de aprimoramento do PID, de modo
que seja possível entender como o sistema da indústria 4.0 vai tratar as informações, assim que elas chegam do
sistema supervisório para otimizar seus valores e devolvê-las para a atuação do supervisório. Computacionalmente,
as funções construídas em python que representam as caixas desse diagrama, possuem as seguintes características e
parâmetros:
l recebe_carga_utilizada(): o peso que se deseja realizar a simulação é atribuído pela chamada da função que
retorna um valor arredondado para baixo (usando a função floor() da biblioteca math).
l pega_ultima_iteracao(last_iterations_file, carga): escolhido o peso para executar, a função irá retornar a linha
da tabela com os dados da última iteração calculada, para que o erro dessa iteração possa ser comparado com o
erro da iteração que será calculada a seguir.
l determinar_pid_tabela(ultimo_erro, conjunto_constantes): irá escolher o PID a ser utilizado, fazendo com que a
calibração inicial (da equipe do módulo de controle) seja otimizada por essa função da indústria 4.0
A estratégia utilizada na função que recebe a carga utilizada de arredondar o valor lido é necessária para que caso
o usuário do programa da indústria 4.0 opte por “setar” (escolher/escrever) uma carga com um número diferente dos
disponíveis na tabela de dados, o programa aproxime para um número mais próximo, colocando para cima. Isso ocorre
por que a equipe do módulo de controle do projeto decidiu por criar um banco de PIDs começando em 0,5 kg e tendo
incrementos de 1kg até 4,5 kg. Por este motivo, necessitou-se fazer uma escolha de implementação para quando a
carga informada não fosse uma destas especificadas. Sendo assim, caso o usuário queira fazer uma simulação com,
por exemplo 3kg (que não estará disponível na tabela de dados), esse peso será aproximado para 3.5, e não para 2.5kg,
pois assim o eixo robótico atuará com uma segurança, no sentido de que quanto maior o valor da carga, mais crítico
para o sistema e, portanto, menos risco de se trabalhar com uma programação de uma carga menor, quando na
verdade é maior.
Por fim, caso tenha sido encontrado um PID que seja aceitável (do ponto de vista do usuário que estava utilizando
o programa), esse valor é salvo como último PID, para que posteriormente possa ser utilizado novamente, e o
programa se encerra.
Além da implementação da função de aprimoramento do PID, também foi implementada uma função que exibe
os gráficos do tipo CEP, e que também poderá ser utilizado para observar o comportamento do sistema no que tange
a manutenção preditiva. Esse gráfico é exibido na figura 12.
Para a implementação desse programa de geração gráfica, é necessária a utilização da biblioteca PySPC, com
vantagens descritas no tópico 5.1 deste relatório. Os dados armazenados no arquivo em formato de tabela, pelo
programa de otimização do PID são carregados, posteriormente esses dados são tratados para o formato correto de
manipulação da PySPC, de modo que as iterações fiquem no eixo x e os valores de erro no eixo y. Desse modo, é
possível observar as variações de erro ao longo das iterações, de modo que é possível fazer uma análise das variações
muito bruscas em relação aos erros anteriores e, dessa forma, prever possíveis falhas, causadas por variações fora dos
padrões considerados normais. Esses padrões normais podem ser medidos forçando erros, tais como citados
anteriormente: desmagnetização do motor e falta de lubrificação do parafuso. Com essas observações, através do
gráfico estatístico do tipo CEP, exibido na figura 12, um padrão de comportamento para determinadas falhas pode ser
traçado e, no futuro, essas falhas podem ser percebidas com antecedência, aplicando assim o conceito de manutenção
preditiva.
6. RESULTADOS E DISCUSSÃO
• Metodologia dos testes
• Análise de escalabilidade
Por se tratar de um programa de relativa fácil implementação e com uma documentação de código e de UML bem
estruturados, os testes possuem uma metodologia baseada no comparativo entre os resultados obtidos da sintonia
inicial do PID, realizada pela equipe de controle como sendo o baseline. A comparação seria feita analisando os
parâmetros de desempenho de controle, mais especificamente a análise do erro. Dessa forma, os dados de
desempenho do sistema que são capturados pelo supervisório e repassados para a indústria 4.0 contendo os PID’s
utilizados na sintonia inicial seriam comparados com os valores gerados pela estratégia de otimização da indústria 4.0.
Com esse comparativo, seriam gerados gráficos de análise da melhoria de desempenho, traçando as diferenças de
erro obtidos ao longo do tempo de cada um.
No caso da manutenção preditiva, os testes seriam constantemente utilizados de modo a manter o sistema
atualizado com dados precisos referentes aos principais causadores de falhas. Com isso, seriam forçadas falhas no
sistema, como desmagnetização do motor e falta de lubrificação no parafuso, para analisar como o robô cartesiano se
7. CONCLUSÃO
• Retomada do que é o projeto
• Resumo da análise de resultados
• Análise da demanda com a entrega
• Prova de conceito isolada
• Próximos passos e melhorias
No âmbito do desenvolvimento deste projeto, o módulo da indústria 4.0 pode trazer dois principais benefícios:
aprimorar a sintonia do PID que foi previamente ajustado pelo módulo de controle e atuar na manutenção preditiva,
com análise de gráficos estatísticos do tipo CEP para analisar o desempenho do sistema, em tempo real, de forma
descentralizada. Com um PID melhor calibrado, utilizando uma técnica mais avançada para cenários mais críticos, por
exemplo cargas mais pesadas ou cargas com uma frequência de utilização, que tem o objetivo de ter um sistema
funcionando de maneira melhor na maioria das vezes que é utilizado. Já a manutenção preditiva contribui para uma
análise de dados com o objetivo de prever possíveis falhas, baseada em padrões de comportamento; com isso, evita-
se que o desgaste mecânico se torne um problema de alto custo para a fábrica, visto que o operador de manutenção
possa prever as falhas e trocar as peças que estão causando o problema - baseado na análise dos gráficos - evitando
que seja necessária uma manutenção corretiva e bloqueando o processo de fabricação.
Na função de melhoria do PID, poderiam ser utilizadas outras técnicas mais eficientes, como por exemplo
algoritmos genéticos e lógica fuzzy. Com isso, haveria a garantia de que a evolução em relação à sintonização inicial
do PID pudesse fornecer uma diferença significativa. Além disso, a manutenção preditiva pode ser melhorada
analisando-se outros possíveis cenários de falha, além da desmagnetização do motor e da falta de lubrificação do
parafuso. Outra possível melhoria dela é o acréscimo de outras análises diferentes do CEP, como por exemplo a técnica
TOFD (Time of Flight Diffraction), que permite a simplificação dos padrões tradicionais utilizados na detecção de
defeitos utilizando transdutores, permitindo a detecção de defeitos internos da máquina de forma mais rápida e eficaz.
Aliando técnicas estatísticas análises físicas dos materiais que compõem o equipamento e monitoramento via software
computacional, é possível construir um ambiente inteligente dentro de uma fábrica, com análise eficaz,
descentralizada e com redução de custos significativas.
Vale-se ressaltar que o escopo deste projeto foi o de uma prova de conceito isolada, ou seja, apesar de haver
diversos times trabalhando em partes diferentes de um mesmo projeto, não há uma integração total entre os módulos
para testar em sua completude quesitos como comunicação de dados e escalabilidade. A contribuição principal é o
estudo da viabilidade do uso de tecnologias da indústria 4.0 em um projeto de robô cartesiano, simulando cenários
de menor escala. Neste sentido, percebe-se um alinhamento entre o que foi proposto e o que foi entregue. Foram
utilizadas técnicas simples, mas que demonstram a eficácia da metodologia. O projeto não teve
superdimensionamentos em termos algorítmicos. Foi utilizado um método de heurística de otimização em forma
8. PROJETOS FUTUROS
• Uso de modelo adaptativo fuzzy (AG)
• Simular desgaste para predizer cenários
• Comunicação entre múltiplos equipamentos
Na implementação atual, temos um banco de PIDs alternativos caso seja necessária a melhoria da sintonia do que
foi feito pelo grupo de controle. Neste sistema, foi feita a simulação para cada um dos conjuntos de constantes e sabe-
se em qual situação cada um deles será melhor: caso o overshoot seja muito alto, ou caso o erro tenha subido
abruptamente. Contudo, existem técnicas melhores como a utilização de um modelo adaptativo fuzzy. Neste cenário,
seriam feitas buscas por uma solução ótima para o problema. A cada iteração os pontos fortes de cada modelo seriam
incorporados, enquanto que os menos benéficos seriam descartados.
Com o objetivo de não apenas indicar que um erro está próximo de ocorrer, mas também indicar qual o problema
que acontecerá, pode-se ser implementado um algoritmo supervisionado para a classificação dos dados de acordo
com classes pré-determinadas. Ilustrativamente, poderiam ser criadas 4 classes de interesse, como por exemplo
desmagnetização do motor, falha de leitura de velocidade angular, falha de leitura da altura e desgaste mecânico. A
linha de tendência para cada um desses casos tende a ser diferente, com algumas subindo ou caindo mais rápido.
Desta maneira, baseado em aprendizados passados o sistema poderia inferir qual o problema que irá acontecer,
alertando a equipe para que a devida manutenção seja feita.
Como dito anteriormente, para que tal procedimento seja possível é necessário conhecimento passado dos dados
para que se possa fazer uma inferência. Quanto mais dados mais preciso será o resultado. Uma das maneiras de se
conseguir mais dados é conectando diversos equipamentos. Com a transmissão dos seus dados para um sistema
central, todos os equipamentos poderiam usufruir dos dados gerados pelos demais dentro de uma mesma indústria,
ou até mesmo de todos os equipamentos da fabricante a depender da política de privacidade dos dados. Com este
volume de informações melhores predições podem ser feitas, ao passo que novos desafios surgem, vide como
transmitir os dados (Bluetooth, ZigBee ou outra comunicação sem fio), qual a periodicidade do envio e recebimento
dos dados e também onde serão armazenados estes dados. Tais provocações remetem à figura 1, a qual deu origem
a este projeto e continua relevante nos trabalhos futuros, uma vez que todos os aspectos da indústria 4.0 devem ser
considerados novamente.
FRANCO, J. et al. Sintonia De Controladores PID Utilizando Algoritmos Genéticos. Revista Online De Inteligência
Computacional Aplicada, 2010.
JOZEF HERčKO, E. S. J. H. Industry 4.0 As A Factor Of Productivity Increase. TRANSCOM PROCEEDINGS 2015 , 2015.
NG, A. CS229 Lecture Notes, 2018. Disponivel em: <http://cs229.stanford.edu/notes/cs229-notes8.pdf>. Acesso em:
20 nov. 2018.
SCHMIDT, R. et al. Industry 4.0 - Potentials For Creating Smart Products: Empirical Research Results. Business
Information Systems, 2015.
SILVA, C. Q. Statistical Process Control Charts Library for Humans, 2017. Disponivel em:
<https://github.com/carlosqsilva/pyspc/blob/master/README.md>. Acesso em: 11 nov. 2018.
SISTEMAS, L. 10 pilares da indústria 4.0 - Conheça a importância de cada tecnologia, 2018. Disponivel em:
<http://www.lwtsistemas.com.br/10-pilares-da-industria-4-0>. Acesso em: 20 nov. 2018.
VUKSANOVIC, D. Industry 4.0: The Future Concepts And New Visions Of Facotry Of The Future Development.
International Scientific Conference On ICT And E-Business Related Research, 2017.
- Curso Normal:
1. Usuário escolhe a opção de solicitar novos valores de constante.
2. Sistema retorna PID mais otimizado.
3. Sistema busca na tabela de dados um valor correspondente de PID.
4. Novos valores de constantes de PID são obtidos.
5. Enquanto usuário desejar buscar por constantes de PID, voltar para curso normal 2.
6. Encerrar caso de uso
- Curso Alternativo:
1a) Usuário digita valor inválido na interface de decisão do programa.
- Mensagem de erro é exibida.
- Ir para etapa 1 do curso normal.
- Curso Normal:
1. Sistema busca pelo caminho onde a tabela está armazenada no computador.
2. É feita a leitura do arquivo.
3. Arquivo é importado para o programa.
4. Encerrar caso de uso.
- Curso Alternativo:
2a) Ocorre erro de leitura.
- Mensagem de erro é exibida.
- Ir para etapa 1 do curso normal.
- Curso Alternativo:
3a) Valor de erro do PID atual já é o mais otimizado para o caso.
- Valores de constantes de PID são mantidos para o caso.
- Ir para etapa 5 do curso normal.
- Curso Normal:
1. Sistema compara valor de erro atual com valores da tabela.
2. É feita a busca da faixa de valores de erro que correspondam a esse erro dentro da tabela.
3. Sistema busca na tabela de dados um valor correspondente de PID.
4. Valor encontrado é retornado.
5. Encerrar caso de uso
Figura 13 – Diagrama de sequência – Buscar último PID (Fonte: Elaborado pelos autores)
Figura 14 – Diagrama de sequência – Solicitar otimização de erro (Fonte: Elaborado pelos autores)