X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
DETECÇÃO DE FALHAS NO PROCESSO DE LINGOTAMENTO CONTÍNUO
UTILIZANDO MÁQUINA DE APRENDIZADO E AUTÔMATO FINITO
Daniel Lúcio de Souza Borba∗, Walmir Matos Caminhas∗, Fernando Marcos Andrade de
Resende†, Gilberto Henrique dos Reis Marçal†, Fabricio Domith Rodrigues†
∗
Avenida Presidente Antônio Carlos, 6627
Universidade Federal de Minas Gerais - Departamento de Engenharia Eletrônica
Belo Horizonte, Minas Gerais, Brasil
†
Av. Pedro Linhares Gomes, 5431
Usiminas - Usina Intendente Câmara
Ipatinga, Minas Gerais, Brasil
Emails: [email protected], [email protected], [email protected],
[email protected], [email protected]
Abstract— Breakout is the major problem in steel continuous casting process because it represents a big
danger to people and equipments. Therefore all continuous casting machine has a Breakout Detection System
(BDS). This paper shows a new breakout detection system based on computational intelligence methods. It uses
machine learning and finite-state automaton approaches. The system doesn’t differ the steel grade that machine
casts. This is the main system property because it minimizes the number of system inputs, enables the use of
unique rules to breakouts’s detection for all steel grades and eliminates the necessity of additional training to
add new steel grade in product mix.
Keywords—
Continuous Casting, Breakout, Fault Detection, Learning Machine
Resumo— O breakout é o maior problema no processo de lingotamento contı́nuo de aço devido ao alto risco
de dano às pessoas e aos equipamentos associado a ele. Por esse motivo, toda máquina de lingotamento contı́nuo
deve ser dotada de um sistema de detecção de breakout (BDS). Este artigo apresenta um novo sistema de detecção
de breakouts baseado em técnicas de inteligência computacional, utilizando máquina de aprendizado e autômato
finito. A principal caracterı́stica do BDS apresentado neste artigo é a não necessidade de diferenciação do tipo
de aço que a máquina está lingotando, o que reduz o número de informações que devem ser passadas ao BDS,
possibilita a utilização de regras únicas de detecção de breakouts para todos os tipos de aço e elimina a necessidade
de se treinar o BDS toda vez que um novo tipo de aço é incorporado ao mix de produtos.
Palavras-chave—
1
Lingotamento Contı́nuo, Breakout, Detecção de Falhas, Máquina de Aprendizado
Introdução
O lingotamento contı́nuo é uma importante etapa
na produção de aço. No Brasil, 91,9% do aço
é produzido por lingotamento contı́nuo, segundo
dados de 2003 (de Oliveira Cravo, 2006). Ele é o
processo responsável por transformar o aço lı́quido
em lingotes sólidos. Para isso, o aço lı́quido é vazado dentro de um molde de cobre ou de grafite
que é refrigerado por água (Machado et al., 2003).
Dentro do molde, devido ao contato com a parede
dele, o aço é solidificado, formando uma fina camada sólida chamada pele. Para evitar a abrasão
do aço ao molde, é utilizado óleo ou pó fluxante
pra lubrificar a interface entre eles. Além disso,
o molde é oscilante, o que ajuda ainda mais a
evitar o abrasamento. A medida que o aço vai
passando pelo molde, a espessura da pele vai crescendo. Ao sair do molde, a pele deve ter uma
espessura tal que suporte a pressão ferrostática
do aço lı́quido dentro do lingote, confinando assim esse aço lı́quido em seu interior. Se a pele
não suportar essa pressão, ela se rompe depois de
sair do molde e o aço lı́quido presente no interior
do lingote vaza, danificando os rolos extratores da
máquina de lingotamento contı́nuo e outros equi-
ISSN: 2175-8905 - Vol. X
pamentos que possam estar próximos à máquina.
A esse fenômeno de rompimento da pele e vazamento do aço lı́quido do interior do lingote é dado
o nome de breakout.
A figura 1 apresenta o diagrama esquemático simplificado de uma máquina de lingotamento
contı́nuo com dois veios que ilustra este processo.
Figura 1: Máquina de lingotamento contı́nuo - (1)
Panela, (2) Distribuidor, (3) Molde, (4) Rolos Extratores e de Suporte e (5) Cortador.
Devido ao potencial de danos que o breakout
pode causar (perda de produção, danos em equipamentos, risco à segurança dos operadores etc.),
toda a máquina de lingotamento contı́nuo deve ser
dotada de um sistema de detecção de breakout ou
839
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
BDS (Breakout Detection System), como são comumente chamados.
O BDS proposto neste trabalho traz a vantagem de ser autoadaptativo e de não diferenciar o
tipo de aço que está sendo lingotado. Ele analisa
o comportamento do aço que está sendo lingotado
pela máquina e a partir dessa análise define o comportamento normal do aço, se autoadaptando a
este comportamento. Dessa maneira, não é necessário informar ao sistema o tipo de aço que está
sendo lingotado e nem as condições de operação
da máquina, pois ele vai se adaptar a esses dois
fatores automaticamente. Para isso, o sistema utiliza uma máquina de aprendizado para analisar o
comportamento do aço e definir o seu comportamento normal, e utiliza um autômato finito para
determinar se uma novidade no comportamento
do aço (comportamento fora do normal) é ou não
um potencial breakout. Essas caracterı́sticas apre
sentam um avanço nos sistemas de detecção de
breakout, pois simplificam o funcionamento deles,
possibilitando a utilização de um menor número
de entradas e de regras únicas de detecção de breakouts para todos os de tipos de aço.
2
Breakout
Há diversos tipos de breakouts, mas, para o contexto que o BDS proposto foi desenvolvido e testado, o único tipo que se está interessado em
detectar é o por agarramento de pele (sticker ).
Estima-se que 79% dos breakouts que ocorrem no
mundo são desse tipo (Emling, 2003). Em ordem
cronológica, ele se caracteriza por:
1. um crescimento abrupto da temperatura no
ponto de agarramento da pele (ponto quente);
2. um crescimento da temperatura em regiões
vizinhas ao ponto de agarramento e no ponto
logo abaixo do ponto de agarramento;
3. um decrescimento da temperatura no ponto
onde ocorreu o agarramento;
4. um decrescimento da temperatura nas regiões
vizinhas ao ponto de agarramento.
A figura 2 mostra o padrão de temperatura
que seria medido por um termopar em um ponto
fixo do molde onde ocorreu o agarramento.
Este mesmo padrão de temperatura, após um
certo tempo, seria observado em termopares vizinhos ao que onde primeiro apareceu o agarramento e também no termopar logo abaixo dele.
O crescimento abrupto da temperatura se
deve ao fato da pele no ponto de agarramento
apresentar uma pequena espessura. Por isso, ao
sair do molde, esse ponto não suporta a pressão ferrostática e se rompe, provocando assim o
breakout. A temperatura cai após a passagem do
ponto de agarramento, pois na vizinhança dele a
pele se torna mais espessa.
ISSN: 2175-8905 - Vol. X
Figura 2: Variação da temperatura no breakout
por agarramento de pele.
3
Sistema de Detecção de Breakout
Como cada tipo de aço apresenta um comportamento diferente durante o lingotamento, a primeira coisa que o sistema detecção deve fazer é
identificar o comportamento normal do aço. Dessa
maneira, o primeiro estágio do BDS proposto é
um analisador de comportamento. Esse analisador observa o comportamento das curvas temperaturas dos termopares ao longo do molde e obtém as componentes principais delas. A partir
das componentes principais, o sistema gera o modelo de comportamento normal, definindo a região
de comportamento normal do sistema. Gerado o
modelo normal, o sistema passa a comparar os
valores das componentes principais de cada nova
amostra de temperatura com o modelo. Se a nova
amostra estiver dentro da região normal descrita
pelo modelo, a amostra é incorporada a ele. Se
não, a amostra é classificada como uma anormalidade, ou seja, uma novidade no comportamento
do aço. Essa técnica de detecção de novidade utilizada pelo sistema é chamada de Classificação de
Uma Classe (Lemos, 2007).
A figura 3 mostra um exemplo de análise
das componentes principais do comportamento da
temperatura para um lingotamento no qual ocorreu o breakout, evidenciando um dos modelos de
comportamento normal que podem ser gerados.
Nela se pode ver claramente a separação entre os
pontos de comportamento normal (pontos azuis)
e os do comportamento durante o breakout (cruzes vermelhas), além da definição da região de
comportamento normal (delimitada pelo retângulo verde).
Como o comportamento normal do aço é dinâmico e variável no tempo, o modelo tem que se
adaptar às mudanças dele. Para isso, o sistema
utiliza janelas deslizantes. O tamanho da janela é
algo crı́tico de se escolher, pois não pode ser pequeno demais de forma que o sistema tome como
840
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
Figura 3: Análise de componentes principais para
um lingotamento no qual ocorreu o breakout.
normal um comportamento de potencial breakout
e nem grande demais de forma que o sistema confunda uma mudança normal de comportamento
com o de um breakout. Não há um regra definida
para a escolha do tamanho da janela, pois o tamanho ideal pode variar com o tipo de modelo escolhido e com as particularidades de cada processo
de lingotamento (limite de velocidade de lingotamento, tipos de aços lingotados, tipo de lubrificante da interface molde-aço etc.) (Borba, 2011).
No caso do sistema desenvolvido, foram feitos testes do sistema com diversos tamanhos de janela
para determinar o tamanho ideal. O teste consistiu em apresentar o conjunto de testes ao sistema,
determinando o número de alarmes verdadeiros e
falsos. Repetiu-se esse teste para cada um dos tamanhos de janelas avaliados, o que obteve o maior
número de alarmes verdadeiros com o menor número de alarmes falsos foi definido como o tamanho ideal. Após os testes se chegou que, para o
conjunto de testes, o tamanho ideal da janela era
de 40 amostras.
Para atualizar o modelo, se uma nova amostra for classificada como pertencente ao comportamento normal do sistema, ela é incorporada ao
modelo e a amostra mais antiga no modelo é retirada, através da geração de um novo modelo
com a janela de amostras mais recente. O modelo é gerado com pequenas folgas, de forma a
comportar pequenas variações de comportamento
consideradas como normais. Dessa forma, mudanças suaves no comportamento normal são incor-
ISSN: 2175-8905 - Vol. X
poradas automaticamente ao modelo. No caso de
uma nova amostra ser considerada como uma novidade no comportamento do aço, o modelo de
comportamento normal é mantido e o analisador
de comportamento fica esperando os estágios posteriores do sistema definirem se essa novidade representa uma mudança normal do comportamento
do aço ou um potencial breakout. Se for definido
que as amostras consideradas como novidade são
uma mudança normal do comportamento do aço,
o analisador de comportamento analisa a janela de
amostras mais recente e gera um novo modelo de
comportamento normal. Para iniciar o analisador
de comportamento, a primeira janela de amostras
adquirida, ou seja, as 40 primeiras amostras, são
sempre definidas como normais, gerando assim um
primeiro modelo a partir do qual as amostras posteriores serão avaliadas.
Como se pode ver, o analisador de comportamento é uma a máquina de aprendizado. Essa máquina de aprendizado apresenta um aprendizado
por reforço (Ribeiro, 1999). O aprendizado pode
ser dito como por reforço, pois pois a máquina
só atualiza o modelo gerado, ou seja, aprende, se
o novo comportamento da temperatura identificado por ela for considerado como normal pelos
estágios posteriores do sistema de detecção, que
representam a resposta do ambiente. Como não
há nenhum treinamento inicial da máquina para
identificar o que é um comportamento normal e
nem pode haver, pois este comportamento é diferente para cada tipo de aço, que não é conhecido
previamente, não se pode dizer que o aprendizado
é supervisionado. Sendo assim, as respostas dos
estágio posteriores representam o reforço necessário para o aprendizado da máquina, indicando o
quão bom é o modelo gerado por ela.
O segundo estágio do BDS proposto é um analisador de novidade ou anomalia. Esse analisador irá determinar se o comportamento anormal
da temperatura que está sendo observado em um
termopar é compatı́vel com o comportamento da
curva caracterı́stica de agarramento de pele e, se
sim, em que ponto da curva ele se encontra. Sendo
assim, o que esse classificador faz é identificar o
padrão da curva caracterı́stica do agarramento de
pele.
Para conseguir determinar em qual parte da
curva caracterı́stica um certo comportamento de
temperatura se encontra, o classificador a separa
em cinco regiões: ‘c’, ‘u’, ‘r’, ‘v’ e ‘e’ (Kempf and
Adamy, 2004). Essa separação é mostrada na figura 4.
Cada uma dessas regiões apresentam caracterı́sticas próprias em relação à pertubação do comportamento (variação das componentes principais
em relação aos limites normais definidos pelo modelo), sendo possı́vel assim, determinar em qual
dessas regiões se encontra um conjunto de dados anormais. Para cada uma dessas regiões, o
841
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
Figura 4: Associação entre a curva caracterı́stica
de agarramento de pele e as suas respectivas regiões.
classificador associa um valor chamado breakoutability, que mede numericamente em qual região
da curva o comportamento se encontra e o quão
perto ou longe ele se encontrada das regiões vizinhas. Ele varia entre 0 (inı́cio da curva caracterı́stica) e 1 (fim da curva caracterı́stica). É importante destacar que um valor alto de breakoutability neste trabalho não significa necessariamente
que um breakout está ocorrendo, ao contrário do
conceito original definido por Bhattacharya et al.
(Bhattacharya et al., 2004).
Para caracterizar um comportamento de
curva caracterı́stica de agarramento, o conjunto
de dados apresentados em sequência ao analisador de novidade deve passar por todas as regiões
da curva, podendo permanecer por mais de um
perı́odo de amostragem em uma mesma região e
caminhar por regiões vizinhas sem restrições. Essas caracterı́sticas fazem com que a melhor escolha
para implementar o analisador seja uma autômato
finito.
Figura 5: Autômato finito para identificação do
comportamento de uma curva caracterı́stica de
agarramento de pele.
Observa-se pela figura 5 que o autômato possui 6 estados. Quanto mais alto o número do estado, mais perto do final da curva caracterı́stica o
comportamento observado se encontra. Iniciando
sempre o autômato no estado 1, a cada interação
do sistema, a região da curva na qual a amostra
adquirida se encontra é determinada através da
pertubação dela e, de acordo com ela, o estágio do
autômato é definido, conforme as regras de transição apresentadas na figura 5. Por exemplo, se uma
série de amostras for associada a sequência de regiões ‘ccurrvve’, ela será identificada como uma
curva caracterı́stica de agarramento completa, fazendo o autômato alcançar o estado 6. Por outro lado, se uma série de amostras for associada
ISSN: 2175-8905 - Vol. X
à sequência de regiões ‘cuurvr’, ela não será identificada como uma curva caracterı́stica de agarramento completa e o estado final alcançado pelo
autômato será o estado 1.
Como a pertubação do comportamento é dada
em forma de razão, as caracterı́sticas da curva ficam independentes do comportamento normal do
aço, permitindo assim a definição de regras únicas
para a detecção dela.
O terceiro e último estágio do BDS proposto
é o detector de breakout. Ele é responsável por,
dada a região da curva caracterı́stica de agarramento em que cada um dos termopares do molde
se encontra, determinar se o arranjo dessas regiões ao longo do molde caracteriza ou não um
comportamento de breakout. Se sim, ele toma as
providências necessárias para evitar o breakout e
dispara um alarme de aviso para o operador.
O detector de breakout gera dois tipos de alarmes: de agarramento e de canto. O alarme de
agarramento pode ser gerado em qualquer parte
do molde e é disparado quando as caracterı́sticas descritas anteriormente para o breakout por
agarramento de pele são verificadas. O alarme de
canto só pode ser gerado pelos pontos de medição
de temperatura localizados nos cantos do molde.
Ele se caracteriza por não esperar a propagação do
ponto quente para a parte inferior do molde. Isso
ocorre, pois os cantos são as partes onde a refrigeração do molde é menos eficiente, devido ao menor contato do aço com o molde, então quando um
agarramento ocorre no canto do molde, a propagação do ponto quente para a parte inferior do molde
pode demorar muito, ou a temperatura pode subir
de forma tão lenta que o sistema pode não detectar o breakout a tempo de evitá-lo.
Quando um alarme é acionado, o analisador
de comportamento e o analisador de novidade são
levados aos seus respectivos estados iniciais, reiniciando o seu funcionamento quando o alarme é
desacionado.
O diagrama resumo do sistema desenvolvido é
apresentado na figura 6 com os seus componentes
funcionais e as interações entre eles.
4
Resultados
O BDS proposto foi desenvolvido visando substitui o BDS originalmente instalado nas máquinas de lingotamento contı́nuo da Usina Intendente
Câmara. A substituição do BDS original foi motivada por várias falhas apresentadas por ele na
detecção de agarramentos de pele.
Inicialmente, o BDS proposto foi desenvolvido
utilizando dados de sete corridas nas quais ocorreu o breakout. Posteriormente, foi realizado um
pré-teste no sistema. O pré-teste foi realizado com
dados históricos de um mês de três máquinas de
lingotamento da Usiminas. Deste perı́odo, foram
separados os dados das corridas nas quais ocorre-
842
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
Figura 6: Diagrama resumo do BDS proposto.
ram um alarme verdadeiro ou um falso no BDS
proposto ou no BDS original, cuja a veracidade
foi comprovada pelos especialistas da Usiminas.
Posteriormente, mais dados de corridas nas quais
houve breakout ou alarmes verdadeiros ou falsos
foram incorporados. O conjunto formado pelos
dados dessas corridas foi denominado conjunto de
testes e possui no total 38 corridas. Esse conjunto possui corridas de aços peritéticos e nãoperitéticos, variando também bastante a velocidade de lingotamento entre elas, mas por motivo
de sigilo, esses dados não podem ser divulgados.
Os resultados referentes aos testes realizados com
este conjunto, para o BDS original e para o BDS
proposto, são apresentados na tabela 1.
onou o alarme durante o agarramento de pele.
O alarme falso 1 foi definido como aquele cuja
placa referente ao instante do alarme não apresentou nenhuma marca. O alarme falso 2 foi definido como aquele no qual a placa referente ao
instante do alarme apresentou marcas, mas que
não eram marcas caracterı́sticas de agarramento
de pele. Além do agarramento de pele, marcas
na placa podem ser causadas por falta de lubrificação momentânea ou pelo aparecimento de uma
pequena trinca. Estes fatores podem causar variações na temperatura que podem ser confundidas
com um agarramento de pele.
Verifica-se uma clara vantagem do BDS proposto sobre o BDS original. O BDS proposto
apresenta um número de alarmes verdadeiros bem
maior (80%) do que o BDS original. Além disso, o
BDS proposto conseguiu detectar todos os agarramentos contidos no conjunto de testes, não apresentando nenhum alarme tardio ou não acionado.
Quanto aos alarmes falsos, o BDS proposto apresentou um alarme falso a menos do que o original, sendo importante notar que o BDS proposto não teve nenhum alarme falso do tipo 2,
ou seja, ele não confundiu nenhum outro comportamento comprovadamente anormal com um comportamento de agarramento de pele.
Comparando o horário de acionamento do
alarme no BDS original e no proposto para os alarmes verdadeiros, verificou-se que o BDS proposto
conseguiu detectar o agarramento de pele sempre
antes do que o original. Isso é uma grande vantagem, pois quanto antes se detectar o agarramento,
maior a probabilidade de evitar o breakout. Estes
resultados são mostrados na tabela 2.
BDS Original
Corrida
Tipo alarme
BDS Original
BDS Proposto
Verdadeiro
Tardio
Não acionado
Falso 1
Falso 2
10
3
5
6
1
18
0
0
6
0
Total falso
Total
7
25
6
24
Tabela 1: Comparação entre o número de alarmes
do BDS original e do proposto para o perı́odo de
testes.
O alarme verdadeiro foi definido como aquele
cujo agarramento de pele foi confirmado pelos especialistas da Usiminas e o alarme foi acionado
a tempo de evitar o breakout. O alarme tardio
se refere àquele cujo o acionamento não ocorreu
a tempo de evitar o breakout. O não acionado
é referente às corridas nas quais o BDS não aci-
ISSN: 2175-8905 - Vol. X
A
B
C
D
E
F
G
H
I
J
BDS Proposto
Instante do alarme (s)
1550
1207
1960
675
808
7761
2382
298
1784
1626
Antecipação média BDS proposto
1543
1185
1945
639
802
774
2367
295
1769
1615
13,2 s
Tabela 2: Comparação entre o instante de acionamento do alarme no BDS original e no proposto.
Em comparação com um BDS comercial, de
1 Para a corrida F, o instante de disparo do alarme do
BDS original não foi fornecido, por isso, o instante definido como o máximo aceitável para o disparo do alarme
foi utilizado.
843
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
três corridas analisadas, o BDS proposto detectou
o agarramento de pele mais rapidamente que o
BDS comercial em duas delas. Os resultados são
mostrados na tabela 3.
BDS Comercial
Corrida
BDS Proposto
Instante do alarme
L
M
N
2035
1130
1435
2029
1122
1442
Tabela 3: Comparativo entre o instante de acionamento do alarme em um BDS comercial e no
BDS proposto.
maneira viável e eficiente de detectar e evitar breakouts.
Agradecimentos
Os autores agradecem a FAPEMIG e o CNPq pelo
financiamento do Laboratório de Detecção de Falhas, Controle, Otimização e Modelagem da Escola de Engenharia de UFMG (DIFCOM), onde
foi desenvolvido este trabalho. Agradecem também a toda a equipe Usiminas pelo financiamento
deste trabalho e em especial à Superintendência
de Automação, à Superintendência de Manutenção e à Superintendência de Aciaria pelo apoio
fundamental prestado durante todo o perı́odo de
desenvolvimento e testes do sistema.
Referências
5
Conclusões
Pode-se ver através dos resultados que o BDS proposto apresenta grandes vantagens em relação ao
BDS original da Usiminas. Ele têm um desempenho semelhante ao do BDS original quanto ao número de alarmes falsos, conseguiu detectar agarramentos de pele que o BDS original não foi capaz
de detectar ou não detectou em tempo hábil para
evitar o breakout, e conseguiu detectar todos os
agarramentos de pele antes do que o original.
É importante ressaltar que um breakout, segundo a Usiminas, tem o custo de aproximadamente um milhão de reais só em reparo de equipamentos. A isso ainda se soma a perda de produção devido ao tempo de parada do veio, que pode
durar entre 8 e 24 horas. Já o alarme falso, custa
a perda de um ou dois lingotes devido a defeitos
pela parada da máquina e no máximo 30 minutos
de parada de produção. Assim, é melhor serem
gerados alarmes falsos do que ter breakouts não
detectados.
Em comparação com um BDS comercial, o
BDS proposto apresentou bons resultados. Ele foi
capaz de detectar o breakout antes que o BDS comercial em duas das três corridas avaliadas, apresentando uma antecipação média de 3,5 segundos.
Como a metodologia utilizada pelo BDS proposto não necessita que o tipo de aço lingotando
seja conhecido previamente, a utilização de uma
regra única para detecção de breakouts se tornou
possı́vel. Isso é importante, pois simplifica a detecção e facilita a configuração do sistema. Além
disso, por não precisar necessariamente ser treinado toda vez que um novo tipo de aço é incluı́do
no mix de produção, o sistema ganha em confiabilidade e reduz o seu tempo de indisponibilidade.
Então se pode concluir que a abordagem utilizada para o BDS proposto, de detecção através
de máquina de aprendizado e classificação de novidades através de autômato finito, se mostrou uma
ISSN: 2175-8905 - Vol. X
Bhattacharya, A. K., Chithra, K., Jatla, S. and
Srinivas, P. (2004). Fuzzy diagnostics system
for breakout prevention in continuous casting
of steel, Proceedings of the 5◦ World Congress on Intelligent Control and Automation,
Hangzhou, P.R. China pp. 3141–3145.
Borba, D. L. S. (2011). Sistema de detecção de breakouts em máquinas de lingotamento contı́nuo, Master’s thesis, UFMG, Belo Horizonte,
MG, Brasil. Submetida à banca.
de Oliveira Cravo, V. (2006). Modelamento matemático da zona de mistura de aços em lingotamento contı́nuo, Master’s thesis, Universidade Federal de Ouro Preto, Ouro Preto,
MG, Brasil.
Emling, W. H. (2003). Breakout prevention, in
A. Cramb (ed.), The Making, Shaping and
Treation of Steel, 11 edn, Association of Iron
and Steel Engineers, Pittsburgh, USA, chapter 19.
Kempf, R. and Adamy, J. (2004). Sequential pattern recognition employing recurrent fuzzy
systems, Fuzzy sets ans systems (146): 451–
472.
Lemos, A. P. (2007). Proposta de um algoritmo
genérico de detecção de novidades em séries temporais utilizando modelos de previsão, Master’s thesis, UFMG, Belo Horizonte,
MG, Brasil.
Machado, M. L. P., de Paulo Ferreira Marques Sobrinho, V. and Arrivabene, L. F. (2003). Sinderurgia para não sinderurgistas, CEFETES, Vitória, ES, Brasil.
Ribeiro, C. H. C. (1999). Aprendizado por reforço,
V Escola de Redes Neurais pp. 28–72.
844