Dissertação Falsa Torção

UNIVERSIDADE FEDERAL DE ITAJUB
Edmir Augusto da Silva

MODELAGEM E OTIMIZAO DO PROCESSO DE
TEXTURIZAO POR FALSA TORO
Dissertao submetida ao Programa de Ps-
Graduao em Engenharia de Produo como
requisito parcial obteno do ttulo de Mestre em
Engenharia de Produo
Orientador: Prof. Anderson Paulo de Paiva, Dr.

Itajub
2009
UNIVERSIDADE FEDERAL DE ITAJUB
Edmir Augusto da Silva
MODELAGEM E OTIMIZAO DO PROCESSO DE
TEXTURIZAO POR FALSA TORO
Dissertao aprovada por banca examinadora em 16 / 09 / 2009, conferindo ao autor o ttulo
de Mestre em Engenharia de Produo.
Banca Examinadora:
Prof . Dr. Linda Lee Ho
Prof. Dr. Pedro Paulo Balestrassi
Prof. Dr.Anderson Paulo de Paiva
Itajub
2009

Dedicatria
Dedico este trabalho minha esposa Suzana
e ao meu filho Igor.

Na natureza no h nem recompensas nem castigos;
h conseqncias.
Robert Green Ingersoll
Agradecimentos
Agradeo, maiormente a Deus, pelo dom da vida e pela graa de entender e abraar as
diversas oportunidades que esta vida me proporciona;
Aos meus familiares, pelo incentivo e constante auxlio na realizao das coisas em que
acredito;
minha esposa Suzana e ao meu filho Igor, que muito me ajudam a todo o momento;
Aos professores Anderson Paulo de Paiva, Carlos Eduardo Sanches da Silva e Pedro Paulo
Balestrassi pela valiosa orientao, competncia e amizade to fundamentais para a realizao
deste trabalho;
Universidade Federal de Itajub, atravs do Instituto de Engenharia de Produo e sua
coordenao, por tornar possvel essa realizao;
Enfim, a todos que contriburam para esta conquista direta ou indiretamente, meus sinceros
agradecimentos.
Resumo
A importncia da cadeia txtil no Brasil demanda contnua anlise e estudos na busca de
oportunidades para melhoria de seus processos, possibilitando assim maiores benefcios
sociedade. Nesta dissertao, buscou-se descrever a situao atual da indstria txtil, focando-
se os materiais sintticos de polister, mais especificamente, os fios texturizados. Procurou-se
discutir e apresentar alguns aspectos do desenvolvimento de produtos neste setor. Verificou-
se que algumas etapas do processo requerem maior utilizao do conhecimento cientfico e
minimizao da freqncia na utilizao de conhecimentos empricos. O estudo conduzido
baseou-se em dados histricos disponveis do processo de texturizao, a partir dos quais se
props um estudo de modelagem e otimizao. Trs mtodos (regresso linear mltipla,
regresso por componentes principais e projeo de estruturas latentes ou mnimos quadrados
parciais) foram estudados e aplicados a esses dados, destacando-se o mtodo PLS (do ingls
partial least square) como aquele de melhor adequao. Para a tarefa de otimizao
paramtrica utilizou-se o algoritmo gentico (em ingls: genetic algorithm, GA) em funo do
elevado grau de no linearidade da funo objetivo construda. Os resultados da modelagem
foram considerados extremamente adequados para predio das variveis desejadas e a
otimizao forneceu resultados excelentes, atendendo a todas as restries impostas.
Confirmou-se deste modo, a grande oportunidade existente para a implementao do mtodo
baseado em PLS-GA nas empresas do setor txtil, bem como em processos de fabricao
inerentes a outros segmentos produtivos.
Palavras chave: polister, multifilamentos, fios texturizados, falsa toro, mnimos
quadrados parciais, estruturas projetadas latentes, algoritmo gentico e otimizao.
Abstract
The importance of the Brazilian textile chain demands continuous analyses and studies in
search of the opportunities for continuous process improvements, providing more benefits for
the society. In this work an overall description of the current situation in the textile industry is
done focusing on synthetic materials of polyester, more specifically, textured yarns. The work
presents and discusses some aspects of the product development in textile industry. During
the work was verified that some phases of the processes require better utilization of the
scientific knowledge, thus minimizing the frequency of empirical knowledge. A study was
conducted based on a historical database and a proposal was made for the modeling and
optimization of the texturing process, the methodology though can be applied in any industry
or any other field of the textile industry. Three techniques (multiple linear regression,
principal component regression, partial least squares or projected latent structure) were
studied and applied to the data where better results were obtained with Partial Least Squares.
For the parametric optimization task was chosen the Genetic Algorithm due to the degree of
nonlinearity of the objective function. The modeling results were considered extremely
adequated for predicting the desired variables and the optimization gives excelent results
based on imposed constraints. Therefore, it was confirmed the opportunity that exists for the
implementation of the PLS-GA based approach to manufacturing processes of textile
enterprises and many others industries.

Keywords: polyester, multifilaments, textured yarns, false twist, multiple linear regression,
principal component regression, partial least squares, projected latent structures, genetic
algorithm, and optimization.

Sumrio
1 Introduo.......................................................................................................... 14
1.1 A indstria txtil no Brasil e no mundo................................................................ 14
1.2 Aspectos do desenvolvimento de novos produtos................................................. 20
1.3 Objetivo principal ................................................................................................ 22
1.3.1 Objetivos secundrios............................................................................... 22
1.4 J ustificativa..........................................................................................................23
1.5 Abrangncia do trabalho e limitaes...................................................................23
1.6 Estrutura do trabalho............................................................................................ 24
2 Processo de texturizao.................................................................................... 26
2.1 Texturizao por falsa toro............................................................................... 27
2.2 Caractersticas visuais do fio................................................................................ 27
2.2.1 Cor............................................................................................................28
2.2.2 Maticidade................................................................................................ 28
2.3 Caractersticas do fio referente ao toque............................................................... 28
2.3.1 Volume e cobertura................................................................................... 29
2.3.2 Elasticidade............................................................................................... 30
2.3.3 Conforto trmico....................................................................................... 31
2.3.4 Toque...................................................................................................... 311
2.4 Textura.............................................................................................................. 321
2.5 O processo de texturizao................................................................................. 321
2.5.1 O processo de texturizao por falsa toro............................................. 344
2.5.2 Sistema de insero de falsa toro agregado de frico......................... 37
2.6 Fatores importantes para a texturizao................................................................ 37
2.6.1 Dados da matria prima.............................................................................37
2.6.2 Dados do processo.................................................................................... 43
2.6.3 Dados qualitativos..................................................................................... 53
3 Modelagem estatstica........................................................................................ 56
3.1 Regresso linear mltipla..................................................................................... 56
3.2 Regresso por componentes principais.................................................................62
3.3 Mnimos quadrados parciais ou estrutura latente projetada...................................64
3.4 Abordagem computacional................................................................................... 65
4 Otimizao baseada em algoritmos genticos ................................................... 68
4.1 Algoritmo gentico.............................................................................................. 69
5 Modelagem do processo de texturizao por falsa toro ................................ 74
5.1 Trabalhos relevantes na rea................................................................................. 76
5.2 Nova proposta de modelagem.............................................................................. 78
5.3 Comparaes entre o modelo univariado e dados reais.........................................80
5.4 Variveis do processo de texturizao por falsa toro.........................................81
5.5 Modelagem por regresso mltipla univariada..................................................... 89
5.5.1 Anlise de regresso mltipla....................................................................94
5.5.2 Regresso por componentes principais.................................................... 100
5.5.3 Regresso por mnimos quadrados parciais............................................. 104
6 Integrao PLS-GA na otimizao do processo.............................................. 115
6.1 Exemplo de aplicao da abordagem GA-PLS................................................... 115
6.1.1 Atendendo solicitao do cliente.......................................................... 116
Concluses........................................................................................................................ 119
Referncias bibliogrficas................................................................................................ 122
Anexo A Processos pr-texturizao ............................................................................ 129
A.1 A fibra sinttica polister.................................................................................. 129
A.2 Fiao qumica por fuso e convencional .......................................................... 131
A.3 A rota do polister at a fiao.......................................................................... 137
A.4 Cristalizao..................................................................................................... 142

Lista de Figuras
Figura 1 Balana Comercial Brasileira de Produtos Txteis e Confeccionados. ................. 15
Figura 2 Exportadores em 2005......................................................................................... 16
Figura 3 Importadores em 2005......................................................................................... 16
Figura 4 Capacidade de PTA nominal. Fonte: PCI FIbres.................................................. 17
Figura 5 Capacidade de Paraxileno nominal. Fonte: PCI FIbres.........................................17
Figura 6 Rota Sinttica (ABRAFAS)................................................................................. 18
Figura 7 Demanda global de sintticos. Fonte: PCI Fibres................................................. 18
Figura 8 Distribuio do consumo de fios e fibras sintticos por pas. Fonte: PCI Fibres...19
Figura 9 Distribuio do consumo incluindo a China. Fonte: PCI Fibres........................... 19
Figura 10 Fio texturizado..................................................................................................27
Figura 11 Possibilidades de elasticidade de tecido............................................................. 30
Figura 12 pura do Filamento em mquina perfil V. ......................................................... 34
Figura 13 Fio sofrendo Falsa toro no agregado............................................................... 35
Figura 14 Representao da Falsa toro (Heberlein) ........................................................ 36
Figura 15 Seco transversal Redonda e Trilobal .............................................................. 38
Figura 16 Curva de tenso-esforo convencional............................................................... 40
Figura 17 ngulo de ataque e ngulo da fora friccional com o fio....................................50
Figura 18 Encolhimento....................................................................................................54
Figura 19 rea de meias e mquina................................................................................... 54
Figura 20 Fases da evoluo. Adaptado de Costa e Oliveira (2001)...................................70
Figura 21 Codificao proposta por Busacca et al. (2001). ................................................ 71
Figura 22 Cruzamento.......................................................................................................72
Figura 23 Mutao (Busacca et al., 2001)..........................................................................72
Figura 24 Viso geral da evoluo do algoritmo gentico.................................................. 73
Figura 25 Diagrama da evoluo da texturizao............................................................... 78
Figura 26 Diagrama da modelagem................................................................................... 80
Figura 27 Anlise estatstica de Y
1
.................................................................................... 83
2
.................................................................................... 83
3
.................................................................................... 84
4
.................................................................................... 84
5
.................................................................................... 85
6
.................................................................................... 85
Figura 33 Anlise de Componentes Principais para variveis independentes (X). .............. 88
Figura 34 Anlise de Componentes Principais para o conjunto de variveis dependentes (Y).
............................................................................................................................................89
Figura 35 Anlise de Componentes Principais para o conjunto XY. ..................................89
Figura 36 Dendograma de variveis de entrada.................................................................91
Figura 37 Dendogramas combinados (Correlao x Mdulo de Correlao)...................... 92
Figura 38 Escores do fator 1 versus 2................................................................................ 93
Figura 39 Representao da Matriz................................................................................... 94
Figura 40 Anlise de Regresso para Y1. ..........................................................................95
Figura 41 Anlise de Varincia para o modelo de regresso de Y1 e Somas de quadrados
parciais. ............................................................................................................................... 95
Figura 42 Anlise de resduos para a resposta Y1.............................................................. 96
Figura 43 Anlise de autocorrelao serial para Y1 e para seus resduos............................ 96
Figura 44 - Melhores combinaes de variveis para a explicao de Y1 (Best subsets). ......97
Figura 45 Anlise de regresso mltipla omitindo-se as variveis correlacionadas.............99
Figura 46 Anlise de regresso de Y1 utilizando PCR com 8 componentes....................... 101

Lista de Figuras (continuao)

Figura 47 Anlise de resduos de Y1 por PCR................................................................. 101
Figura 48 Comparao entre os Erros-padro para os modelos de regresso PCR............ 102
Figura 49 Testes de Mediana de Mood e Mann-Whitney para diferenas entre os erros
padro de previso com 8 e 10 componentes...................................................................... 103
Figura 50 Modelo PCR com 13 preditoras/componentes. ................................................ 104
Figura 51 Anlise de Componentes Principais para 13 preditoras.................................... 104
Figura 52 Coeficientes obtidos com PLS e 8 componentes principais.............................. 105
Figura 53 Nmero timo de componentes principais no ajuste PLS para Y1.................... 106
Figura 54 - Comparao entre o valor Real e Valor calculado por PLS (8 componentes).
.......................................................................................................................................... 106
Figura 55 Anlise de Resduos para Y1 com regresso PLS. ........................................... 107
Figura 56 Normalidade dos resduos das 6 respostas obtidos por regresso PLS............. 107
Figura 57 Coeficientes obtidos por PLS e 10 componentes.............................................. 108
Figura 58 Coeficientes de PLS obtidos com 13 componentes. ......................................... 108
Figura 59 Anlises estatsticas da diferena entre os erros de previso de MLR e PLS..... 109
Figura 60 Comparao entre os erros-padro de estimativas dos mtodos MLR, PCR e PLS.
.......................................................................................................................................... 110
Figura 61 Teste da Mediana de Mood para Erro Padro versus Mtodo de Regresso.
.......................................................................................................................................... 110
Figura 62 Comparao entre os valores previstos para Y1 pelos mtodos MLR, PCR e PLS.
.......................................................................................................................................... 111
Figura 63 Comparao de Y1(Teste) com os valores previstos por cada mtodo.............. 112
Figura 64 Comparao entre o valor previsto por PLS e o valor real Y1(Teste)............... 112
Figura 65 Comparaes entre erros padro de Y2 e Y3. .................................................. 113
Figura 66 Comparao entre erros padro para Y4 e Y5.................................................. 113
Figura 67 Comparaes entre erros padro (Y6).............................................................. 114
Figura 68 Exemplo de aplicao a otimizar. .................................................................... 117
Figura 69 Exemplo de aplicao otimizado..................................................................... 118
Figura 70 Estrutura molecular do PET............................................................................. 130
Figura 71 Foto ampliada da seo transversal do polister............................................... 130
Figura 72 Fiao convencional ........................................................................................ 133
Figura 73 Influncia do mod ratio no alongamento e tenacidade.................................. 135
Figura 74 Efeito da Velocidade no Alongamento............................................................. 136
Figura 75 Macromolculas em um filamento de POY...................................................... 137
Figura 76 Fora de estiragem.......................................................................................... 138
Figura 77 Ttulo individual do filamento......................................................................... 139
Figura 78 (a) Tenacidade................................................................................................. 140
Figura 79 (b) alongamento do POY como funo da velocidade...................................... 141
Figura 80 Filamentos estirados com temperatura (30min) versus densidade.................... 142
Figura 81 Desenho esquemtico do ponto de estiragem no filamento.............................. 143

Lista de Tabelas
Tabela 1 Valores de falsa toro [t/m]............................................................................... 36
Tabela 2 Ajuste entre YP e Y ............................................................................................ 81
Tabela 3 Variveis de resposta. ......................................................................................... 82
Tabela 4 Variveis de entrada............................................................................................ 86
Tabela 5 Correlao entre as variveis preditoras e P-value............................................... 87
Tabela 6 Correlao entre as variveis dependentes e P-value ...........................................87
Tabela 7 Resumo dos dados X........................................................................................... 90
Tabela 8 Modelos de regresso OLS para as seis caractersticas de resposta...................... 98
Tabela 9 Valores de VIFs para o modelo MLR completo................................................. 98
Tabela 10 Anlise de regresso mltipla para modelos reduzidos.................................... 100
Tabela 11 Modelos de regresso PCR para as seis caractersticas de resposta.................. 102
Tabela 12 Comparao entre modelos de regresso PCR................................................. 102
Tabela 13 Comparao entre modelos de regresso mltipla e PLS................................. 109
Tabela 14 Propriedades tpicas de fibras sintticas........................................................... 131
Tabela 15 Tcnicas de Fiao Qumica............................................................................ 131

Lista de Abreviaturas e Siglas
AATCC American Association of Textile Chemists & Colorists
ABIT Associao brasileira da indstria txtil
ABNT Associao brasileira de normas tcnicas
ABRAFAS Associao Brasileira de Produtores de Fibras Artificiais e Sintticas
ASTM American Society for Testing and Materials
BISFA Bureau International pour Standardisation ds Fibres Artificielles
CB-17 Comit Brasileiro para assuntos txteis
CEN Commission Europenne de Normalisation
CITENE Companhia Integrada Txtil do Nordeste
CITEPE Companhia Integrada Txtil de Pernambuco
DIN Deutches Institut Fr Normung
GA Genetic Algorithm
IEMI Instituto de Estudos e Marketing Industrial
ISO International Standard Organization
ITMF International Textile Manufacturers Federation
OMC Organizao Mundial do Comrcio
PCR Principal components regression
PET Poly Ethylene Terephthalate
PIB Produto Interno Bruto
PLS Partial Least Squares
POY Partial Oriented Yarn
PTA Purified Terephthalic Acid
SYFA Synthetic Yarn and Fiber Association
TMT Toray Murata Teijin

14
1 Introduo

1.1 A indstria txtil no Brasil e no mundo

A indstria txtil remonta em importncia aos primrdios da produo em massa,
sendo alavancada na Inglaterra com a revoluo industrial. Desde ento, alm de
proporcionar a gerao de grandes quantidades de empregos, tem sido contnuo objeto de
estudo para que seu progresso possa trazer ainda mais benefcios humanidade. A indstria
txtil tem migrado de pases desenvolvidos para pases em desenvolvimento, nos quais o
custo de mo-de-obra mais competitivo neste segmento da indstria. A concentrao na
gerao de tecnologias, treinamento, execuo de projetos industriais de grande porte e
prestao de servios, por sua vez, est quase sempre concentrada nos pases desenvolvidos.
Estes projetos industriais podem ser realizados virtualmente em qualquer parte do mundo e
geram matria-prima que pode ser utilizada pelos diversos setores da cadeia txtil que, no
necessariamente, se encontram no mesmo pas, criando ambientes altamente competitivos.
Dentro deste contexto, desenvolveu-se a indstria do polister, um derivado de petrleo
largamente utilizado no cotidiano. Esta dissertao discorre principalmente sobre fatos da
indstria txtil, de modo a proporcionar um retrato desta realidade.
O mercado mundial hoje corresponde a aproximadamente 30 milhes de toneladas por
ano de polister e o Brasil tem mercado de aproximadamente 750 mil toneladas por ano, uma
fatia de 2,5% do consumo mundial.
Ao longo de sua histria, que comeou ainda no tempo do imprio, a indstria txtil
brasileira viveu perodos de grande expanso, intercalados por outros de estabilidade e at, de
retrao. Na dcada de 90, com sua exposio concorrncia internacional o setor sofreu um
forte impacto negativo. Muitas empresas menos preparadas para competir com os
fornecedores externos, foram obrigadas a abandonar suas atividades, mas muitas outras
permaneceram no mercado e investiram em modernizao, obtiveram uma reduo de custos,
buscaram melhorar sua competitividade e enfrentaram a concorrncia dos importados. O
fechamento de muitas empresas, porm, no significa uma reduo da produo txtil, uma
vez que aquelas que permaneceram ativas mais do que compensaram a capacidade produtiva
perdida com os seus investimentos e importaes.

15
As indstrias txteis e confeccionistas brasileiras participam com 5,2% do faturamento
total da indstria de transformao. Em termos de pessoal ocupado, sua participao ainda
mais expressiva representando 17,3% do emprego total da indstria de transformao
nacional (IEMI 2007).
Segundo a Associao Brasileira da Indstria Txtil (ABIT), a indstria txtil e de
confeco do Brasil a stima mais importante do mundo, reunindo cerca de 30 mil
empresas, competitivas e geradoras de 1,6 milhes de postos de trabalhos diretos. Representa
17% do PIB industrial, sendo o segundo maior empregador desse segmento, existem 70
escolas de moda e design, alm de 12 universidades e faculdades na rea. Certamente, o setor
txtil um setor de grande relevncia para a economia do Pas. Segundo a International
Textile Manufacturers Federation (ITMF) e a Organizao Mundial do Comrcio (OMC),
pode-se verificar que o mercado txtil mundial continua registrando uma significativa
expanso, tanto no que se refere aos montantes produzidos, quanto ao comrcio entre os
grandes pases produtores e consumidores. Segundo Cerri (2007), no mercado mundial, o
consumo de sintticos de aproximadamente 65 mil toneladas e deste total polister
representa 49%, no mercado brasileiro, o consumo de sintticos representa 34,4% do mercado
txtil, enquanto que, no mercado mundial representa 39%. No Brasil, o consumo de polister
representa 59% do consumo de sintticos com um crescimento de 6% ao ano em mdia.
Segundo dados no site do Ministrio de Desenvolvimento e do Comrcio Exterior, em
2006, o polister deteve 80% do volume interno de fibras sintticas, sendo que 45% deste
volume so importados. Ainda segundo a mesma fonte, foram comercializados
aproximadamente 215 mil toneladas em 2006 de polister.

Figura 1 Balana Comercial Brasileira de Produtos Txteis e Confeccionados.

16

A Figura 1 demonstra um grfico da balana comercial do Brasil no setor txtil e de
confeco, na qual se percebe como a valorizao do real est influenciando a importao,
fazendo com que a mesma cresa.

Figura 2 Exportadores em2005

A Petrobrs, Petroqumica Suape, CITENE e CITEPE, realizaram o estudo
Integrao trazendo competitividade para a Indstria txtil do Nordeste (CERRI, 2007).
Segundo este estudo, o mercado txtil mundial movimenta 495 bilhes de dlares americanos
por ano. As Figura 2 e Figura 3 mostram graficamente alguns valores de exportao e
importao por pases onde se pode visualizar e posicionar o Brasil.

Figura 3 Importadores em2005

As representaes grficas do uma dimenso do posicionamento do Brasil no cenrio
mundial.
Dentro do setor txtil, esta dissertao ir se concentrar em fios sintticos e mais
especificamente no polister, um produto derivado de petrleo, obtido tal como descreve a
Figura 6.

17
Estudos da PCI Fibres mostraram que um barril de petrleo (42 gales de leo cru),
produz: gasolina, leo diesel, gasolina azul (avies), coque, leo industrial, gs liquefeito, gs,
asfalto, petroqumicos, lubrificantes, querosene, outros. Do grupo petroqumico retira-se a
matria prima de polister, os quais representam menos de 2,5% da produo de uma
refinaria. Da conclui-se, que a empresa txtil no tem um forte poder de negociao por si s
e, dessa maneira, requer a formao de grupos maiores para ter expresso significativa em
negociaes. Neste caso, normalmente as empresas se vem merc das variaes do preo
do petrleo.

Figura 4 Capacidade de PTA nominal. Fonte: PCI FIbres

O PTA (purified terephtalic acid) uma das matrias primas do polister juntamente
com o PX (paraxylene). Por isso, as maiores empresas produtoras de polister no mundo esto
associadas a grandes grupos petroqumicos.

Figura 5 Capacidade de Paraxileno nominal. Fonte: PCI FIbres

18

Figura 6 Rota Sinttica (ABRAFAS)

De acordo com a Figura 6, pode-se verificar que existem diferenas significativas de
uma fibra para outra. O quadro da Figura 6 est disponibilizado no site da Associao
Brasileira de Produtores de Fibras (ABRAFAS).

Figura 7 Demanda global de sintticos. Fonte: PCI Fibres

A Figura 7 mostra graficamente a demanda global por fios sintticos em 2007,
estratificada por tipo de fibra em percentual. O mercado estimado em 42 milhes de
toneladas no total (PCI Fibres).

19
Observa-se que polister tem uma expressiva fatia de 73%, o que se aproxima da
demanda de 30 milhes de toneladas em 2007. Assim se verifica a relevncia da gerao de
conhecimento a partir de processos que utilizam esta fibra.

Figura 8 Distribuio do consumo de fios e fibras sintticos por pas. Fonte: PCI Fibres

A Figura 8 expressa graficamente a distribuio das fibras sintticas nos blocos regionais
relevantes no mundo. O grfico mostra o consumo de fios e fibras artificiais e sintticas pelos
blocos de pases, com valores expressos em milhes de toneladas em 2006 (PCI Fibres). Fica
evidente que a Amrica do Sul tem expressividade mediana se comparada aos demais blocos.

Figura 9 Distribuio do consumo incluindo a China. Fonte: PCI Fibres

Os grficos mostrados at ento, excluam a China de modo proposital. Ao incluir-se a China
na Figura 9, nota-se a vultuosidade de consumo que este pas teve em 2006.
Isto ocorre principalmente porque grande parte dos pases desenvolvidos est usando a
China como seu parque industrial, de maneira a preservar seus prprios interesses de

20
lucratividade e se preocupando somente com a parte criativa e administrativa de seus
negcios.
Como o polister derivado do petrleo, muito de seu preo est atrelado variao
do preo do barril, que por sua vez vem apresentando altas expressivas de preo. Apesar dos
nmeros apresentados parecerem grandes, no o so na verdade, se for considerado que a
participao dos produtos petroqumicos no ultrapassa 2,5% da produo de uma refinaria
(PCI Fibres).
A cadeia txtil foi estudada em Nota Tcnica emitida pela Unicamp em 2002, em
Estudo da Competividade de Cadeias Integradas Txteis no Brasil, mas precisa ser
atualizada, embora a estrutura utilizada tenha sido bastante diversificada e interessante.
importante salientar que tambm neste setor, as importaes so objeto de contnuo
escrutnio por parte das empresas Nacionais, pois deterioram o parque industrial domstico e
ameaam a cadeia txtil produtiva. No perodo de 2002 a 2006, segundo Cerri (2007), as
importaes no setor de confeco cresceram 185% em quantidade, mas comparado ao setor
de fios que teve aumento de 817% este ltimo requer cuidados especiais de maneira a se
buscar meios de valorizar e desenvolver a indstria nacional. Existe um projeto de
implantao de uma cadeia integrada txtil e de confeco em Pernanbuco, que pretende gerar
600.000 empregos diretos e indiretos, e movimentar 4 bilhes de Reais na regio em 6 anos.

1.2 Aspectos do desenvolvimento de novos produtos

A definio para desenvolvimento de novos produtos que mais se aplica realidade
das manufaturas txteis expressa por J uran e Gryna (1992) como uma etapa da espiral da
qualidade que traduz as necessidades do usurio, descobertas por intermdio de informaes
de campo, num conjunto de requisitos do projeto do produto para a fabricao.
Dentro das estratgias para o desenvolvimento de produtos, descritas por Baxter
(1998), pode-se contextualizar as empresas txteis que conseguem sobreviver concorrncia
como aquelas que possuem uma estratgia ofensiva, isto , empresas que lideram o mercado
de fios de polister (frente ao importado) colocando-se sempre a frente dos concorrentes,
caracterizando uma cultura pr-ativa de inovao.
O projeto de produtos, para quem quer se manter competitivo, no deve ser
desenvolvido somente como atividade intuitiva, emprica e de tentativa e erro, mas deve ser

21
desenvolvido apoiado em mtodo sistmico, com forte embasamento cientfico, da mesma
maneira que inovaes utilizam-se do pensamento criativo sistemtico.
O desenvolvimento de novos produtos consolida-se como importante fator de
competitividade (SILVA, 2001), os novos produtos buscam atender s necessidades latentes
e/ou potenciais do mercado. Atravs da inovao, os produtos tradicionais esto evoluindo
para produtos modernos com incorporao de tecnologia que agregam muito mais valor na
contribuio financeira. A exigncia de flexibilidade faz com que a produo em massa
evolua para a diferenciao macia. A necessidade de uma estratgia ofensiva na organizao
provoca uma adequao na estrutura do processo de desenvolvimento de produtos, forando o
mesmo a ser um time de empreendorismo.
A concepo moderna do processo de desenvolvimento de produtos contribui
diretamente na: reduo de custos de produto, melhoria da qualidade, reduo do prazo de
desenvolvimento, aumento da flexibilidade, aumento da confiabilidade, e indiretamente
contribui para: aprendizado, reduo do custo de oportunidade, transformao da cultura
organizacional, ampliao do ciclo de vida do produto, aumento da participao no mercado,
aumento da margem de lucro, melhoria da imagem (CORRA, 1994).
Uma etapa relevante do desenvolvimento de produto a definio do mtodo de
trabalho e a aquisio de amostras, isto , para a obteno de um produto, existe uma fase
em que se faz necessria construo de prottipos (amostras). A etapa de amostragem,
sendo a atividade que ocorre atuando-se diretamente na mquina de produo em geral,
raramente ter seu tempo de execuo muito reduzido. Desta forma, necessrio se discutir
mtodos de modelagem do processo de maneira a se possibilitar um acesso remoto aos
recursos de modo eficiente e de custo reduzido.
Segundo critrios de caracterstica da concepo tradicional do processo de
desenvolvimento de produtos de Deschamps e Nayak (1997), empresas que se enquadram na
percepo departamentalizada, isto , o desenvolvimento de produto opera de maneira
fragmentada, onde cada departamento concentra-se em sua parcela de trabalho. Esta
fragmentao pode ocasionar problemas ou dificuldades na criao de uma modelagem do
processo, originando problemas de comunicao, uma vez que quando o crebro humano
recebe dados parciais, ele os completa para gerar a informao que necessita.

22
1.3 Objetivo principal

O objetivo principal desta dissertao avaliar e comparar a adequao de trs
mtodos de modelagem por regresso - a Regresso Linear Mltipla (MLR), a Regresso por
Componentes Principais (PCR) e a modelagem por Mnimos Quadrados Parciais (PLS)
aplicados ao processo de texturizao por falsa toro de fibras de polister. Uma vez obtida a
melhor aproximao para as caractersticas de sada do processo, a sua otimizao ser
estudada utilizando-se o mtodo de Algoritmos Genticos (GA), o qual avaliar uma condio
de timo, consideradas todas as restries e especificaes para o processo de texturizao
por falsa toro. Ser verificada a possibilidade da utilizao de dados histricos de um
processo na construo de modelos, o que pode promover a reduo de tempo e custo de
desenvolvimento de produtos e conduzir ao aperfeioamento do processo de tomada de
deciso.

1.3.1 Objetivos secundrios

Alm do objetivo principal exposto anteriormente, este trabalho tenciona tambm:
- Verificar a aplicabilidade dos mtodos estatsticos de modelagem a processos
complexos de um ambiente de manufatura txtil.
- Mostrar que mtodos estatsticos multivariados possibilitam uma modelagem
confivel realizada em funo de dados histricos disponveis.
- Comparar modelos de regresso com os modelos baseados em equaes
diferenciais e da transferncia de calor, comumente usados na manufatura de fios
e fibras sintticas.
- Avaliar a possibilidade de se substituir as equaes diferenciais por equaes de
regresso.
- Avaliar a influncia de estruturas de correlao presentes em dados de entrada
(X) e sadas (Y), sobre a acurcia dos coeficientes dos modelos de regresso.
- Difundir a utilizao da estattica multivariada e de mtodos de otimizao com
algoritmos evolutivos.
- Proporcionar uma reviso bibliogrfica, tcnica e cientfica acerca de modelos
aplicados a processos da indstria txtil de polister nacional.

23
1.4 Justificativa

Compreender um complexo processo de fabricao multi-etapas, simultneo, que requer um
produto final que atinja padres de qualidade em mltiplas caractersticas, j seria uma razo
suficiente para a realizao da presente pesquisa. Alm deste argumento, outros aspectos se
mostram igualmente relevantes, quais sejam:
- Possibilidade do uso de dados histricos de maneira no emprica e simultnea, de
modo a propiciar adequaes da produo e novos desenvolvimentos a partir dos
mesmos, sem custo adicional de pesquisa ou procedimento experimental;
- Possibilidade de melhoria para o grau de explicao dos modelos matemticos do
processo. Como ser demonstrado posteriormente, os modelos mecanicistas,
baseados em equaes diferenciais e de transferncia de calor, divergem
consideravelmente de dados reais, fornecendo ajustes apenas razoveis para as
caractersticas do processo de texturizao por falsa toro, na maioria das vezes;
- Negligncia sobre a influncia da utilizao de variveis correlacionadas em
problemas de modelagem;
- Possibilidade de se encontrar um conjunto de parmetros de processo que atenda
maior quantidade possvel de caractersticas como finalidade principal dos mtodos
de otimizao. A otimizao multicritrio baseada em parmetros de processo e
caractersticas especificadas pelo mercado ou cliente uma opo bastante
apropriada e precisa se tornar mais acessvel;
- Desenvolvimento de um procedimento de auxlio na tomada de deciso ligada
manufatura de produtos txteis com mltiplas caractersticas correlacionadas. H
um grande apelo por parte dos gestores por mtodos quantitativos que auxiliem
nesta tarefa.

1.5 Abrangncia do trabalho e limitaes

Este trabalho abrange, de maneira geral, os processos produtivos de filamentados e
multifilamentados e, pode-se estender ainda para processos de extruso e fiao de polmeros,
tanto na rea txtil, industrial ou tcnica.
As limitaes deste trabalho so:

24
- Ser estudado apenas o processo de texturizao por falsa toro de fios/fibras de
polister. Nada poder ser afirmado sobre outros processos de texturizao ou
fios/fibras produzidos com outras matrias-primas.
- No sero includos os dados de controle de processo;
- No ser proposta nenhuma forma de controle de processo multivariado;
- No sero computados os possveis erros associados ao sistema de medio;
- Sero utilizados apenas pacotes estatsticos comerciais para o desenvolvimento
deste estudo, com modelos avaliados apenas pelos algoritmos OLS e NIPALS.
- Como mtodo de otimizao mltipla, ser utilizado o Algoritmo Gentico.
Nenhuma comparao com mtodos gradientes, como GRG (Generalized Reduced
Gradient), por exemplo, ser feita.
- Devido ao conjunto de dados histricos utilizados, eventuais extrapolaes devem
ser criteriosas e, na medida do possvel, evitadas e devem considerar apenas a
regio abrangida pelos dados originais. Estudos futuros podem expandir as
fronteiras estabelecidas por esta limitao.

1.6 Estrutura do trabalho

No Captulo 2, ser realizada uma reviso sobre os diversos pontos relevantes de um
processo de texturizao e como se processa a transformao do polister em produto
acabado. Neste captulo, sero apresentadas tambm algumas formulaes mecnicas do
processo de maneira a ambientar o leitor com a complexidade do processo. Este captulo, no
entanto, pode ser omitido se o leitor estiver interessado somente na metodologia apresentada
para modelagem e otimizao. Estas formulaes, que em sua maioria, no foram publicadas
em peridicos cientficos, constituem-se no principal mecanismo de previso adotado pelas
indstrias txteis; poucas, entretanto, detm este know-how.
No Captulo 3, investigam-se os principais procedimentos estatsticos de regresso
univariados e multivariados (a literatura tem extensivo material comparando estes mtodos).
No Captulo 4, apresentar-se- uma reviso sobre procedimentos de otimizao de
mltiplas respostas baseados em Algoritmos Genticos. Uma reviso sobre este tema ser
tambm feita.
No Captulo 5, os modelos de regresso sero aplicados aos dados coletados do
processo de texturizao por falsa toro, e seus resultados sero comparados para se escolher

25
o modelo com a melhor adequao. Todas as anlises estatsticas sero realizadas utilizando-
se o software Minitab 15.
No Captulo 6, ser proposto um sistema de otimizao de mltiplas respostas com
restries, com soluo desenvolvida atravs da aplicao de Algoritmos Genticos,
denominado de Abordagem combinada GA-PLS.
Na seo de anexos, algumas informaes adicionais sobre a fibra do polister, suas
caractersticas e propriedades sero apresentadas. Este anexo revisa os processos anteriores
texturizao. O autor verificou a importncia e a necessidade de uma reviso como esta
devido baixa disponibilidade de material cientfico publicado nesta rea no Brasil.

26

2 Processo de texturizao

Para esta dissertao, realizou-se uma reviso bibliogrfica para caracterizao da
matria prima utilizada no processo de texturizao e sobre pontos relevantes da mecnica
envolvida no processo de texturizao por falsa toro, caracterizando todo este processo.
Muitos dos artigos referenciados datam do perodo entre 1973 e 2002, perodo durante o qual
se desenvolveram as principais equaes relacionadas com o processo de texturizao,
tornando-se o perodo mais produtivo em conhecimento. A dissertao procura consolidar
alguns pontos relevantes usando referncias mundiais. (Para informaes adicionais veja
Anexo A)
Segundo Fourn (1998), na maioria dos desenvolvimentos dos processos mecnicos da
indstria txtil, as invenes e desenvolvimentos na texturizao de fios no passaram por
uma seqncia racional desde a cincia bsica, pelos clculos de engenharia at
implementao prtica. O avano emprico baseado no entendimento intuitivo tem sido a
norma. Tudo isto no para dizer que a pesquisa acadmica tem sido colocada de lado. Na
medida em que a cincia de cada aspecto esclarecida, isto alimenta o entendimento
qualitativo dos que se preocuparam com prticas operacionais. A matemtica talvez tenha
sido ignorada, mas as idias proporcionaram uma conscincia tcnica. Grande parte do
conhecimento nesta rea foi transformada em procedimentos operacionais, largamente
adotados e difundidos, sem haver, necessariamente, uma contrapartida relacionada com a
publicao em peridicos cientficos destas prticas. Ressalta-se, portanto, que apesar de
poucas referncias cientficas, os modelos mecanicistas apresentados, constituem a prtica do
controle e desenvolvimento de processos da indstria txtil.
Ao se tratar de texturizao, a dissertao ser dedicada apenas ao estudo do processo
de texturizao por falsa toro em multifilamentos de polister a partir de POY (do ingls
partialy oriented yarn). Seria extremamente complexo e inapropriado, se fazer uma inferncia
completa sobre todos os processos de texturizao. A dissertao trata de prover uma
fundamentao da texturizao para estudos futuros e utilizao destes conhecimentos para
anlises de experimentos que possam ser propostos. medida que no seja possvel fazer as
demonstraes de clculos de projetos, a nfase ser dada nos princpios que regem o
fenmeno e nem sempre nos detalhes matemticos, os quais esto descritos nas publicaes
originais.

27

2.1 Texturizao por falsa toro

As fibras naturais, como l e algodo, possuem ondulaes, tambm chamadas de crimpagem.
Para adquirir efeitos similares e possibilidades do fio fiado, muitos mtodos foram
desenvolvidos (HEARLE, 2002), e o mtodo mais difundido atualmente o de texturizao
por falsa toro.

Figura 10 Fio texturizado
1

A texturizao visa proporcionar aparncia, toque e desempenho (propriedades
mecnicas) a um custo reduzido. Estes fios (Figura 10) podero ser empregados para melhorar
as caractersticas dos tecidos. No tocante texturizao, esta dissertao ir discutir as
caractersticas bsicas que so relevantes viso, toque e senso humano, propriedades dos
filamentos sintticos que atraem a ateno humana. A modificao de filamentos lisos recebe
o nome de texturizao ou ainda texturao.

2.2 Caractersticas visuais do fio

Segundo Demir e Behery (1997), a aparncia da superfcie depende de como a luz
refletida nela. Uma superfcie com topologia no uniforme reflete luz aleatriamente como
observado num papel ordinrio e fornece uma aparncia opaca, onde uma superfcie lisa
reflete luz de maneira organizada como um espelho e, portanto, cria uma aparncia brilhante.
Fios, filamentos e tecidos se comportam da mesma maneira. Com isso pode-se dizer que
tecidos produzidos com filamentos lisos iro ter aparncia altamente brilhante e tecidos
utilizando filamentos texturizados sero menos brilhantes. O perfil do filamento ir interferir

1
Figura gentilmente fornecida pela Temco.

28
na reflexo da luz tambm. Logo, um perfil redondo ir refletir luz de maneira menos
organizada do que em um perfil trilobal.

2.2.1 Cor

A cor uma sensao produzida nos olhos pelos raios decompostos da luz por um
objeto. Esta sensao visual est diretamente relacionada com a estrutura molecular da fibra,
ao invs das superfcies ou arranjos espaciais da mesma. Os compostos coloridos usam de
pigmentos tintoriais durante a produo do filamento sinttico; estas estruturas qumicas
absorvem luz visvel com determinado tamanho de onda e transmitem somente tamanhos de
onda selecionados para o olho.

2.2.2 Maticidade

A maticidade uma propriedade ptica que fortemente determinada pela presena de
pequenos centros espalhados na ou entre a fibra e pelo arranjo geomtrico das fibras no
filamento. Maticidade um complexo fenmeno que observadores experientes podem variar
somente em funo do posicionamento dos filamentos e do tecido. Alguns dos fatores que
podem influenciar a maticidade so: fonte de luz, propriedades direcionais da reflexo da luz,
o nvel geral da intensidade de luz refletida, a cor e a textura da superfcie e percepo visual
de profundidade.
No incio da produo de fibras sintticas elas eram brilhantes e lustrosas, porque
transmitiam luz livremente. Aparentemente, esta caracterstica era suficiente para vend-las,
mas eventualmente com o tempo, isto se mostrou uma limitao e esta aparncia no se
assemelhava com a aparncia das fibras naturais que eram muito mais desejveis. No
polister, verificou-se que a adio de dixido de titnio (TiO
2
) alterava sua aparncia de
brilhante para opaca.

2.3 Caractersticas do fio referente ao toque

O apelo humano do tecido depende, em mltiplas interaes, do efeito visual da
textura do tecido e da sensao ao toc-lo com as mos ou vesti-lo. No fcil se separar os

29
efeitos visuais do toque, porque muitos indivduos esto acostumados a ver e tocar o tecido ao
mesmo tempo. De maneira geral, estas caractersticas de toque so: volume e cobertura, calor
e, toque.

2.3.1 Volume e cobertura

Volume pode ser considerado como o volume especfico do fio ou tecido, isto , o
volume que o fio ou tecido ocupa em um espao livre. Pela natureza das fibras e filamentos,
entretanto, milhes delas em um fio ou tecido ocupam um pequeno espao quando eles esto
organizados de maneira ordenada, criando, portanto, pouco volume, e deixando pouco ar
passar entre eles. Tecidos manufaturados com tais fios provocam uma sensao no usurio
semelhante lminas de plstico, grudentas e desconfortvel, e, deste modo, encontra pouca
atrao e uso. Para criar volume no fio e, desta forma, no tecido, os elementos bsicos, isto ,
fibras e filamentos, so to desordenados organizadamente, que mesmo a distribuio na
direo axial ou radial uniforme, fazendo com que o fio ocupe o mximo volume no espao.
Este fenmeno simplesmente adquirido pela irregularidade geomtrica, como crimpagem,
lao, ou ondulaes dos elementos bsicos. Fibras naturais possuem estas propriedades
inerentes ao seu processo natural de formao. Fibras de algodo possuem formato transversal
de feijo e torcido no sentido do compriment; j a l enrolada e crimpada. Fibras sintticas
tambm so texturizadas para criar efeitos similares. Quando estas fibras ou filamentos so
utilizados para se fazer os fios ou multifilamentos, algum ar fica preso entre as fibras, o que
melhora as propriedades trmicas do fio; portanto, os tecidos manufaturados com estes fios ou
multifilamentos proporcionaro um sentimento de calor, volume, e sero confortveis. Estas
propriedades normalmente atraem a natureza humana; por conseguinte, estes tecidos
encontram muitas utilidades no dia-a-dia.
Fios volumosos ocupam um volume consideravelmente maior que o necessrio para os
filamentos por si s. Esta propriedade do fio est diretamente relacionada com a cobertura
proporcionada com o tecido utilizando-se de mais ou menos fios, sendo que o tecido pode
cobrir uma rea sem clara aparncia de uma rede de espaos vazios.

30
2.3.2 Elasticidade

A elasticidade uma propriedade do tecido de se adaptar ao corpo das pessoas,
causando sensao de conforto e leveza na movimentao. Esta propriedade ainda
responsvel pela manuteno da aparncia de novo ao tecido, mesmo aps inmeras
lavagens. Estes tecidos que tem boa elasticidade no ficam com marcas de dobras ou se
deformam.
Para ilustrar esta propriedade, a Figura 11 mostra como a empresa Unifi Inc. divulga
seu produto registrado sob nome Reflexx, classificando a elasticidade do tecido em trs
reas principais sendo: de 5% a 15% chamado de elasticidade normal, veja tambm Derder
(1985), de 20% a 30% de elasticidade de conforto, e de 35% a 45% de elasticidade de
desempenho.

Figura 11 Possibilidades de elasticidade de tecido
2

Como esta elasticidade no mercado txtil pode ser traduzida como encolhimento, muitas
vezes esta propriedade denominada desta forma. Isto ocorre, porque na medida em que se
alteram as temperaturas com as quais o tecido tratado, principalmente no acabamento ou em

2
Figura retirada do propecto fornecido a clientes pela empresa em Feiras e eventos publicitrios.

31
fases anteriores, o encolhimento do tecido varia em funo desta, e conseqentemente, a
estrutura do tecido ter uma elasticidade diferente e que estar correlacionada com o
encolhimento do mesmo. Da, a denomincao em comum. Busca-se utilizar fios com
elasticidade para maior conforto do vesturio e, no caso do polister, isto funciona como uma
alternativa aos fios elastomricos, que normalmente so combinados atravs de recobrimento
ou retoro, e ou a poliamida.
2.3.3 Conforto trmico

As imperfeies na superfcie da fibra ou na orientao das fibrilas no fio fiado, criam
espaos vazios nos quais se armazenam alguma quantidade de ar. O ar esttico funciona como
bom isolador trmico, portanto, o fio fiado proporciona uma sensao de calor confortvel.
Atravs da mudana da superfcie cilndrica presente na geometria dos filamentos e sua
disposio espacial ao longo do fio, o calor de filamentos contnuos pode ser aperfeioado.
Filamentos texturizados tambm se portam como fios fiados e ar mantido entre os
filamentos.
Sem levar em considerao o contedo de fibra, calor e isolao trmica dependente
no armazenamento de ar sobre uma grande faixa de vento, temperatura, e condies de
umidade. tambm verdade que, nas estruturas txteis, a razo de transferncia de calor
depende muito mais na rea real de contato entre pele e superfcie do tecido que no tipo de
fibra usada. Ento, o fio texturizado no tecido proporcionar maior sensao de calor do que o
fio liso no tecido.

2.3.4 Toque

Toque descrito como uma avaliao subjetiva de um material txtil obtido pelo
senso do toque (TTI, 1975). Toque , portanto, um fenmeno psicolgico. Isto implica na
habilidade dos dedos para fazer uma sensvel e discriminante avaliao, e da mente, para
integrar e exprimir os resultados em um nico valor julgado. Este julgamento no pode ser
obtido objetivamente, porque os mecanismos relevantes dos sensores orgnicos - sistema
nervoso e a mente - so desconhecidos at certo ponto, variando de indivduo a indivduo e
em funo do tempo para cada indivduo (ELLIS, 1980).
A sensao obtida quando existe um contato entre a pele humana e o tecido
fortemente determinada pela dureza da capilaridade ou laos das fibras projetadas sobre a

32
superfcie do tecido. Quanto mais finos forem estes capilares (ou fibrilas), mais suavidade no
tecido ser sentida. Entretanto, a sensao de um toque leve ou pesado ser essencialmente
governada por parmetros diferentes. Por ltimo, pode-se mencionar a maleabilidade e o
caimento que so principalmente funes da construo e acabamento do tecido.
Ainda de acordo com Ellis (1980), existem quatro centros sensoriais correspondentes a
4 fatores: (1) suavidade, (2) dureza, (3) volume ou compactao (aspectos do peso e
espessura), e (4) caracterstica trmica (aspectos de calor, peso e espessura).

2.4 Textura

O termo textura define e descreve aqueles atributos de um objeto que pode ser
reconhecido pela viso humana (caractersticas visuais) ou toque (caractersticas tteis).
As principais propriedades da textura desejada nas confeces e txteis domsticos so
conforto trmico, opacidade, maleabilidade, e boas propriedades de vestimenta, casada com
uma atraente aparncia e fcil manuteno.
Atratividade e apelo ao consumidor de bens txteis so fortemente relacionados sua
propriedade da superfcie, que esto em constante contato com os sensos humanos, como
viso e toque. Estes atributos de um objeto que pode ser reconhecidos pela viso humana e
toque esto descritos no termo textura, que abrange volume, cobertura, toque, e conforto
trmico como propriedades tteis, e de aparncia e maticidade como propriedades visuais.

2.5 O processo de texturizao

Devido crescente demanda de bens txteis e a diminuio de recursos naturais, fios
sintticos so imprescindveis na indstria txtil hoje. Estes fios sintticos, como a poliamida
e o polister, so fios multifilamentados fiados a partir de uma fieira. Entretanto, so
desprovidos dos apelos humanos previamente discutidos. Apesar do apelo por produtos de
origem natural, os fios sintticos oferecem algumas propriedades superiores, como uma maior
resistncia, boa elasticidade, flexibilidade e resistncia abraso.
Conforto trmico, toque, textura natural e aparncia so consideradas propriedades
desejveis na maioria dos fios txteis. Filamentos lisos contnuos no possuem estas
qualidades, embora sejam freqentemente mais resistentes e muito mais uniformes que fios de

33
fibras naturais. Na produo de fios txteis de filamentos sintticos, o ideal seria combinar as
propriedades desejadas para fibras naturais e sintticas, mas isto uma tarefa at hoje
praticamente impossvel de ser realizada. Entretanto, o objetivo primrio de todo processo de
produo do filamento sinttico o de imitar as caractersticas da fibra natural, mantendo as
propriedades desejveis das fibras sintticas.
Um mtodo para se alcanar este objetivo seccionar os filamentos contnuos em
fibras cortadas, que sero ento processadas na forma de fios, utilizando-se mtodos de fiao
convencional de algodo ou l. Entretanto, este procedimento moroso, apesar de ser til para
misturas de fibras sintticas e naturais. Alternativamente, filamentos contnuos podem ser
convertidos em fios por vrios mtodos de texturizao a baixo custo, mas muitas vezes estes
processos inadequadamente simulam fios fiados.
Combinar as qualidades desejveis de materiais naturais e sintticos uma meta
inalcanvel por si s. Alguns aspectos dos produtos naturais podem ser imitados pelos
filamentos sintticos atravs do mtodo de texturizao. Entretanto, a texturizao, em geral,
o processo de modificao da estrutura regular dos filamentos sintticos em alguma coisa
como estruturas aleatrias. Esta estrutura pode ser alcanada de muitas maneiras, como por
deformao trmica, mecnica e qumica dos filamentos individuais, e seus arranjos espaciais
no conjunto do fio. Outra definio para texturizao, dada por Denton (1987), : texturizao
o meio pelo qual distores finas permanentes, ondulaes, laos, espiras, ou rugas so
introduzidos dentro dos filamentos lineares originais dos fios sintticos sem destruir a
continuidade dos filamentos originais. O produto final, que o fio texturizado volumoso
com curvatura, ondulaes, torcido ou filamentos emaranhados. Isto possibilita a sensao de
suavidade natural, aumentando a sensao trmica e conforto dos tecidos.
Tecidos com fios texturizados tm melhor habilidade de reteno de sua forma que
aqueles feitos com filamentos lisos. Isto se deve obviamente melhorada propriedade de
frico entre filamentos. A flexibilidade uma propriedade importante e desejada nos fios
txteis e tecidos, que depende da habilidade dos filamentos (na camada externa) em se
deformar facilmente. Um filamento liso comparativamente menos flexvel que um filamento
ondulado, curvado e, enrolado. Esta deformao fcil dos filamentos uma funo de sua
curvatura e rigidez toro, determinada pela densidade linear dos filamentos e da geometria
dos filamentos no fio. Nos fios texturizados, filamentos se encontram em diversas
configuraes geomtricas e so levemente ajuntados de maneira a no inibir seus
movimentos relativos. Tecidos feitos com estes fios tm resultados de melhor flexibilidade e
extensibilidade. A texturizao tambm proporciona fios mais leves. Mantendo-se os outros

34
fatores iguais, o fio sendo mais leve, melhor ser seu poder de cobertura. Seu alto poder de
cobertura tambm funo do maior volume adquirido como discutido anteriormente.
A maioria das fibras termoplsticas sintticas tem baixo contedo de umidade quando
comparado s fibras naturais. Entretanto, o ar armazenado nos interstcios dos fios
texturizados retm umidade, fazendo com que o fio texturizado tenha boas caractersticas de
conforto. Porque alguma gua absorvida pelos filamentos sintticos, fios texturizados so
facilmente lavados e secos. Esta propriedade pode ser variada utilizando-se um nmero de
filamentos diferentes, medida que se aumenta o nmero de filamentos e a consequente
absoro de gua.

2.5.1 O processo de texturizao por falsa toro

Demir e Behery (1997) descreveram que, imediatamente aps a fiao dos polmeros,
a estrutura molecular estar somente parcialmente estirada, com filamentos, portanto, no
adequados para uso txtil. O arranjo paralelo das macromolculas pela estiragem cria uma
estrutura tridimensional desejada de propriedades no filamento. As foras de coexistncia
nestes arranjos regulares e paralelos de macromolculas a fora de coeso que pode ser
liberada por calor.

POY

Forno curto
Forno Longo
W1
Placa fria
Agregados
W2
Segundo forno
W3
Produto
acabado

Figura 12 pura do Filamento em mquina perfil V.

35
Neste estado de mnima energia interna, se o filamento mecanicamente deformado, a
estrutura molecular ir aceitar a nova configurao do filamento. O resfriamento subseqente
do filamento causar uma permanente fixao desta nova configurao. Desta maneira,
muitos dos filamentos sintticos so chamados de termoplsticos. Esta uma caracterstica
particular da texturizao termomecnica, da qual a texturizao por falsa toro um
excelente exemplo.

Os requisitos bsicos da texturizao por falsa toro so:
1. Aquecimento do polister acima da temperatura de transio vtria T
g
(mas abaixo da
temperatura de fuso T
m
), no Forno curto (localizado logo aps o sistema de roletes W1).
2. Deformao dos filamentos at a forma desejada utilizando-se toro; utiliza-se o
agregado que contm os discos de frico.

Figura 13 Fio sofrendo Falsa toro no agregado

3. Resfriamento dos filamentos abaixo de T
g
mantendo-se a forma desejada, com
resfriamento proporcionado pela placa fria.
4. Devido a memria termica do polister, os multifilamentos tendem a se rearranjar aps o
conjunto de frico de modo que os multifilamentos resfriados ocupem um volume maior
(textura) que o do incio do processo.

36
As etapas (1), (2) e (3) ocorrem quase que simultaneamente entre W1 e W2.

At aproximadamente 1956, um processo multi-etapas-toro fixao-distoro era
utilizado (FOURNE, 1956), o qual foi substitudo 1957/58 por um processo contnuo
(Patente: DRP 618 050, 1932
3
). Aqui, o fio estacionrio ou em movimento, torcido entre
dois pontos fixos e no rotacionrios (pontos (a) e (c), Figura 14, por exemplo, na direo Z).
O resultado para a poro entre (a) e (b) toro S, e para a poro entre (b) e (c) toro Z,
isto , o somatrio anula a toro (Figura 14). Para fios em movimento, a toro S comea em
(a) e fica constante at o elemento de toro em (b), a partir do qual se desfaz. Se o fio
fixado na rea entre (a) e (b) em alto estado de toro, isto , aquecido o suficientemente e
ento resfriado, a toro ser removida em (b), mas as ondulaes causadas pela toro se
mantero. Adicionalmente, estiragens parciais e termo-fixao aps (c) podem remover
parcialmente uma poro do volume e elasticidade de novo (Figura 12).

Figura 14 Representao da Falsa toro (Heberlein)

A tabela a seguir apresenta frmulas que dependem do ttulo para a determinao dos
nveis de toro recomendados no ponto (b). Segundo Fourn (1956) e fabricantes, estes
valores usam interpolao de experimentos e otimizao matemtica de molas. Na prtica, os
valores reais para os fios, mquinas, fuso de falsa toro dentre outros fatores, devem ser
determinados caso a caso segundo os valores medidos experimentalmente.

Tabela 1 Valores de falsa toro [t/m]
De acordo com
Ttulo (dtex)
22 67 167 220 t/m (Frmula) Processo
Heberlein 4230 3080 2106 1865 800+305560/(67+dtex) Toro real
Fourn 3658 2951 2123 1891 30180/(1+16,7/dtex)dtex Toro real
Barmag 5165 3457 2221 1940 800+305560/(48+dtex) Falsa toro

A toro por frico naturalmente composta por grande quantidade de
escorregamento na superfcie dos discos e, entretanto, faz com que a anlise matemtica seja
muito difcil e incerta. A reduo de engrenagem que causa uma diferena de velocidade entre

3
Patente Heberlein, empresa geradora de novas tecnologias na poca, hoje parte da Oerlikon.

37
o disco e o filamento faz com que o escorregamento no interfira de maneira significativa na
insero de tores no filamento.

2.5.2 Sistema de insero de falsa toro agregado de frico

Embora tenham sido desenvolvidos e empregados diversos mtodos de insero de
toro, atualmente, utilizam-se o sistema de discos de frico e correias (Toray Murata
Teijing, TMT). Esta dissertao focar o processo de texturizao com toro produzida por
discos de frico.
O processo consiste, basicamente, em inserir alta toro ao filamento contnuo,
fixando esta alta toro por um processo subseqente de aquecimento e resfriamento, seguido
de completa distoro.

2.6 Fatores importantes para a texturizao

Nas prximas sees sero discutidos os vrios mtodos de mensurao das variveis
existentes no processo de texturizao. As diversas empresas utilizam meios diferentes para
definir os seus respectivos parmetros de processo, otimiz-los e control-los. As sees a
seguir mostraro alguns dos mais importantes fatores para a texturizao. Na modelagem
proposta, sero utilizadas a maioria das variveis descritas a seguir.

2.6.1 Dados da matria prima

Existem algumas informaes da matria prima que podem ser obtidas atravs do
fornecedor ou que podem ser analisadas em laboratrio prprio, segundo normas
internacionais (ISO, CEN, BISFA, ASTM, AATCC, DIN, ABNT e fabricantes).

As informaes sobre matria-prima que geralmente so importantes so: (existem outras,
como por exemplo, leo, mas a dissertao est focando somente nas informaes que sero
usadas no experimento a ser discutido no captulo de modelagem e otimizao)

38
1. Lote de Fiao Lote da produo de fiao, tambm chamado de Merge. Cada
unidade de produo segue procedimento e filosofias prprias que concentram todas as
informaes bsicas do fio fiado.
2. Maticidade Brilhante (Bright), Semi Opaco (Semi-Dull), Opaco (Dull), Co-Polmero
(Copolymer), Cor (Color), aparncia e cor do polmero. Esta propriedade define o grau de
abrasividade da superfcie, j que a composio do polister muda de acordo com o
polmero, e pode ser determinada de acordo com a quantidade de TiO
2
, atravs de um
teste de cinzas (em ingls, Ash Test). O POY brilhante, por exemplo, tem de 0.05% a
0,10% de TiO
2
; o semi-opaco, de 0,20 a 0,30%, e opaco, 0,50% de maneira geral. Esta
dissertao focou na matiz semi-opaca.
3. Ttulo do POY (Denier) Densidade linear do multifilamento. Denier significa quantos
gramas pesam 9.000 metros de fio. O sistema internacional utiliza a unidade Dtex, que
significa quantos gramas existem em 10.000 metros de fio. No Sistema Internacional (SI),
a base kg/m, enquanto que a norma DIN 60905 especifica o sistema Tex (1 Tex =1
g/1000m). A determinao do ttulo se d utilizando-se de um mtodo gravimtrico, tal
que:

] [
10
4
1
dtex
l Z
G
T
=
(1)
Onde: G=massa da fibra (mg), l=comprimento (m) da volta, Z=nmero cabos.
4. Nmero de Filamentos o nmero de filamentos que compem cada cabo de
multifilamento. Ser determinado pela quantidade de orifcios da fieira.

Figura 15 Seco transversal Redonda e Trilobal

39
5. Tipo de Seco Transversal Redonda, Trilobal (trs lados), Octalobal (oito lados),
Extico (pode ter vrios perfis). O perfil tambm ir influenciar o grau de abrasividade da
superfcie do multifilamento j que esta pode ser mais ou menos irregular.
6. Fora de Estiragem (cN) Tenso dinmica obtida a partir da estigarem do POY a 1,7
(adimensional), utilizando o aparelho de fora de estiragem Dynafil da Textechno (ASTM
D5344-99), aparato descrito com detalhe em Fourn (1998).
7. Alongamento (%) extenso do fio at sua ruptura, medido em percentual do
comprimento original. O alongamento uma propriedade mecnica derivada da estiragem
dinamomtrica. Equipamentos de teste usam uma razo constante de extenso para tornar
os diversos resultados comparveis. O princpio do teste prender o fio entre as garras e
submet-lo a um programa de tenso pr-definido. Uma clula de fora ir registrar a
fora e um diagrama mostrar a curva de Tenacidade (Fora) e alongamento. O
Alongamento e tenacidade so fatores significantes para o controle de processo de
produo do fio, processos futuros e caractersticas do produto. O alongamento
registrado no momento da ruptura do fio.
8. Tenacidade (cN/Den) tenacidade obtida em funo da razo entre a tenso (fora) de
ruptura e o ttulo do fio. Dada a fora de ruptura P
F
[cN] e o ttulo do fio T [Denier], a
tenacidade
F
ser:

T
P
F
F
= o (2)
O resultado se dar no mesmo teste em que se calcula o alongamento.
Segundo King (1991), o esforo sofrido pelo filamento pode ser demonstrado a partir do
conceito de estiragem total como o produto do processo de fiao e estiragem. King
(1991) escreveu um modelo matemtico capaz de explicar o comportamento fundamental
destes esforos, o que auxiliou o desenvolvimento de novos produtos. Utilizando-se as
variveis de 1 a 8, descritas anteriormente, as seguintes propriedades podem ser
calculadas, ainda sobre a matria-prima:
9. ndice de orientao (cN/Den) Orientao uma medida de alinhamento de cristlitos
em uma regio cristalina ou amorfa paralela com o eixo do filamento. Para medio desde
ndice em laboratrio, pode-se utilizar de birrefringncia tica ou anlise de raio-X. Para
efeitos prticos, utilizam-se resultados da fora de estiragem que est diretamente
correlacionada com a orientao, tomando-se o Dynafil (fora de estiragem) que medido

40
usando-se uma estiragem a frio de 1,6 (adimensional). Logo, para se definir o ndice de
Orientao em cN/Den, utiliza-se a razo da Fora de estiragem pelo Denier,
multiplicando-se o resultado pela estiragem utilizada. Este ndice pode ser comparado
entre fios de diferentes valores de Denier.

Figura 16 Curva de tenso-esforo convencional
Na Figura 16, a extenso pode ser convertida em alongamento (%), taxa de
estiragem, ou esforo, da mesma maneira que a fora pode ser expressa como tenso
baseada no ttulo original ou no ponto de medio. Os pontos crticos so: o ponto de
recuo (yield point), a estiragem natural (natural draw ratio), e estiragem de ruptura
(break). A regio no linear no foi caracterizada quantitativamente. A tenacidade, neste
caso, ser tratada em gramas por Denier [gpd], onde Denier o ttulo do fio
originalmente, com a tenacidade especfica baseada no ttulo no momento da ruptura. Nos
dois pontos crticos, de estiragem natural (n) e de ruptura (b), ou em qualquer ponto entre
(r), as frmulas a seguir so vlidas.
Alongamento: 100
) (
0
0
=
e
e e
E
r
r
[%]
Estiragem: 1
100
+ =
r
r
E
[adimensional]
Ttulo: 1 + =
r
r
d
d
[Denier]
Tenacidade verdadeira:
r
r
r
d
l
= o [gpd]

41
Esforo: ) log(
r
e= [g]
Onde: d Denier original;
l
Fora [g]; e extenso [cm]; o na origem; n ponto de
estiragem natural; r em qualquer ponto; b ponto de ruptura.

King (1991) assumiu que a tenacidade especfica do PET poderia ser considerada
constante e em torno de
b
o 6,5 [gpd], que a estiragem pode ser escrita em funo da
birrefringncia (n), tal que:

3865 , 0
529 , 9

A = n
b
(3)
Como inferido por Vassilatos (1985), a estiragem natural e a ruptura so linearmente
relacionadas como:

7 , 1
b
n
=
(4)
Como a tenacidade especfica foi considerada constante, tem-se:

b
b
T
o
=
(5)
Como a regio entre a estiragem natural e a de ruptura no linear e no objetivo
modelar esta regio, pode-se, para esta regio, definir o grau de estiragem ou fator de
estiragem (conceito similar ao clculo de grau de cristalizao), tal que:

( )
( )
n b
n y
f

=
(6)

O fator 0 , 0 =
f
indicar o nvel mnimo (estiragem natural) e o fator 0 , 1 =
f
, o
mximo (estiragem a ruptura). King (1991) tambm verificou que a funo logartmica do
esforo aproximadamente linear em relao ao fator de estiragem. Desta maneira, o
esforo contribudo para o aumento da tenso aps a estiragem natural pode ser
representado usando o seguinte modelo:

42

) exp(
1 0 f h
b b o + =
(7)
Esta equao pode ser pode ser rearranjada para se obter:

f
B
h
o
1
=
(8)
Onde: B
1
=exp(b
1
).
Quando obtidos os coeficientes por regresso linear, a equao deve ser reescrita para
determinar a contribuio do esforo em relao origem, e o esforo de aumento da
tenso pode ser obtido por:

1
1
=
f
B
H
o
(9)
Logo o esforo total pode ser obtido pela soma dos esforos:

H n T
o o o + =
(10)
King (1991) estimou os coeficientes usando regresso no linear na Equao 10 para
obter:

) 1 669 , 5 ( 773 , 0 + =
f
T
o
(11)
Neste caso, o material PET 0,645 IV com 34 filamentos teve uma constante de 5,669 para
o esforo de aumento de tenso.
Das equaes (5) e (7), pode-se escrever a estiragem de ruptura como funo somente do
fator de estiragem, tal que:

1 7 , 0
7 , 1
+
=
f
b
(12)
Experimentos no artigo de King mostraram que as propriedades fsicas do fio na
texturizao seguem os princpios de comportamento da estiragem a frio.
10. Estiragem para ruptura transformao de alongamento de ruptura em estiragem
suficiente para romper o fio, definido por (Equao 12).
11. Estiragem Natural Define-se como sendo 60% da estiragem de ruptura.
12. Tenacidade Especfica o produto da tenacidade do POY e sua estiragem de ruptura.

43
Existem no mercado dois grandes produtores de mquinas para texturizao de falsa-
toro. So eles: Barmag e TMT. Ao se discutir sobre parmetros de mquina, este
trabalho utilizar o produtor Barmag, por ser o fornecedor de maior insero no mercado.
Dos modelos existentes de mquinas de texturizao, ser utilizado um perfil tipo V
com forno curto, modelo AFK.
Os parmetros de especificao da mquina (colocados na mquina via receita ou
mudana mecnica) geralmente mais importantes sero discutidos no prximo item.

2.6.2 Dados do processo

1. Tipo Material Disco Os tipos mais conhecidos e utilizados no mercado so: PU
(poliuretano), Cermico tratado (marca mais conhecida Cerasoft), Cermico. Esta
mudana mecnica. Os fios tm que deslizar na superfcie do disco, e o valor da frico
fio/superfcie influencia o nvel de toro desenvolvida no fio e o acrscimo de tenso no
sistema. Esta dissertao no discutir as influncias dos diferentes tipos de disco no
processo.
2. Velocidade de produo (m/min) Velocidade perifrica do segundo eixo da mquina
(no se usa o ltimo eixo como referncia).
3. Taxa de Estiragem diferena de velocidade perifrica entre o primeiro eixo e o segundo;
zona que tambm chamada de zona de estiragem, e onde ocorre a texturizao
(estiragem, aquecimento e toro/distoro simultneos).
4. D/Y Abreviatura da razo da velocidade perifrica de disco sobre a velocidade do fio
(speed of Disc/Yarn). Esta proporo define a estabilidade da texturizao aplicada ao fio.
Na insero de toro, os discos de frico so capazes de inserir mais de uma toro por
revoluo do disco, o que resulta em uma alta taxa de insero de toro para uma
velocidade dos elementos de frico relativamente baixa. Com os discos de frico,
tambm possvel minimizar o aumento da tenso no caminho do fio (pura).
5. Sobre alimentao 2 (%) aps a zona de estiragem, existem outras zonas onde se relaxa
o fio para estabilizao. Neste caso, sobre alimentao 2, tambm denominado como zona
de fixao, a regio na qual se estabelece a quantidade de fio dentro do forno de fixao.

44
6. Sobre alimentao 3 (%) zona de entrelaamento para se colocar ns com jato de ar
(entrelaadores), esta dissertao no discutir as influncias do entrelaamento no
processo.
7. Sobre alimentao 4 (%) zona de enrolamento onde se define a dureza da bobina de fio
final, medida em termos de densidade.
8. Temperatura do Forno curto (C) o forno de texturizao tem duas fases (uma curta
outra longa) que juntas formam o forno de texturizao. O objetivo do forno como um
todo elevar a temperatura do fio de modo a propiciar uma estiragem longitudinal
uniforme (orientao das macromolculas, cristalizao da cadeia) e com isso ter
condies de texturizao constantes para gerar propriedades no fio tambm constantes.
Os fornos so eltricos de alta temperatura com insertos que alinham a passagem dos fios.
Estes insertos podem ser retirados facilmente para limpeza quando necessrio.
9. Temperatura do Forno Longo (C) complemento do item anterior.
10. Temperatura do Segundo Forno (C) Forno de Fixao onde ocorre a termo-fixao do
fio determina o encolhimento do fio. Forno de fludo trmico normalmente Glicol (do
ingls downtherm).
A partir dos parmetros citados, podem ser calculados alguns indicadores que facilitam a
parametrizao do processo. Estes indicadores podem ser utilizados para se comparar fios
de ttulos diferentes ou at maquinrios diferentes.
11. Ttulo do fio liso Ao se medir o ttulo do fio em Denier, mede-se o mesmo na forma
texturizada (fio com ondulaes devido crimpagem sofrida pela toro e distoro). Para
clculos mecnicos, busca-se uma forma mais uniforme como se houvesse somente a
estiragem. Ttulo do fio liso , portanto, a Razo do Ttulo da matria prima POY pela
estiragem.
12. Fator de estiragem normaliza a estiragem utilizada no processo, sendo que 0 a
estiragem natural do fio em questo e 1, a estiragem de ruptura.
Alguns parmetros importantes do processo de texturizao esto relacionados com a
Temperatura do fio. O estudo mais recente sobre aquecimento de filamentos em fornos curtos
de alta temperatura foi realizado por Eskin (2003). O estudo foi sobre o modelo bidimensional
instvel por conveco-radiao. Algumas suposies foram admitidas baseadas em estudos

45
anteriores de comportamento do fio em fornos de alta temperatura e aquecimento por
conveco e radiao:
- Dada que a quantidade de toro inserida no multifilamento insuficiente de
causar embarao, o perfil do fio se aproxima de um cilindro infinitamente
longo. Portanto, o fio pode ser assumido como um cilindro slido.
- Qualquer ponto no perfil do fio pode ser localizado por coordenadas polares r,
e z. Enquanto o fio est dentro do forno, ele rotaciona a velocidades altas (at
500.000 rpm) devido toro gerada pelo agregado. No forno, o fio aquecido
por conveco pelo ar das vizinhanas dentro do forno. Resultando destes
fatores, o fio aquecido uniformemente por toda a circunferncia, de modo que
a temperatura seja a mesma ao redor da circunferncia em qualquer raio na
seco transversal do fio. Ento, a temperatura do fio independente da
coordenada .
- A temperatura do forno no constante ao longo do comprimento. A medio
da temperatura em pontos diferentes ao longo do forno mostrou que o perfil da
temperatura era parablico, com pico no centro do forno. Entretanto, a
temperatura da superfcie do forno usada neste estudo foi assumida como
parablica.
Partindo-se das suposies apresentadas, a equao diferencial da temperatura do fio dada
por:

t
T
C
z
T
CV
z
T
k
r
T
r
r r
l
k
tex
c
c
=
c
c
|
|
.
|
\
|
c
c
+ |
.
|
\
|
c
c
c
c

2
2
(13)
Onde: k, condutividade trmica [W/m K], l, comprimento do forno [m], r, raio do fio [m], T,
temperatura do forno [C], z, posio do fio [m], , densidade do polmero [kg/m
3
], C, calor
especfico [J /kg K], V
tex
, Velocidade de texturizao, t, tempo [s].

Definindo-se as superfcies de contorno, a especificao da temperatura do fio na
entrada como temperatura ambiente serve como uma condio inicial, logo:
T(r,z,t)=T
0
em t=0
E as condies de contorno como,

( )
0
, ,
=
c
c
r
t z r T
em r=0 (14)

46

( )
( ) q t z r T T h
r
t z r T
k
a
+ =
c
c
) , , (
, ,
em r=r0 (15)
Sendo T
a
=temperatura ar ambiente e q =fluxo de calor [W/m
2
] (radiao trmica da parede
do forno). Assim, tem-se que:

0 =
c
c
z
T
em z=0 e z=l (16)
O mtodo para a radiao total para rea fechada foi usado para calcular a fluxo de calor
radioativo para cada superfcie, tal que:

( )

=

=

=
(
(
N
j
j k j k j
N
j j
j
j k
j
kj
T T F q F
1
4 4
1
1
o
c
c
c
o
(17)
Onde =constante Stefan-Boltzman [W/m
2
K
4
], =emissividade, F
12
=fator de viso.

1 2 2
2 1
2 1
1
12
2 1
cos cos 1
dA dA
S A
F
A A
} }

=
t
| |
(18)
Onde =ngulo de viso, A =rea [m
2
].

Da literatura, Eskin (1983) ainda retirou os fatores de viso do anel elemento do fio e
o elemento anular do forno. As quantidades adimensionais da equao diferencial inicial
podem ser definidas por:

u
|
q
u
q q
u
c
c
=
c
c
c
c
+
c
c
+
c
c
2
2
2
2
2
1
>0, 0<<1, 0<<1 (19)
Sujeito s seguintes condies de contorno:
=0 em =0 (20)

0 =
c
c
q
u
em =0 (21)

( ) 0 u u
q
u
+ =
c
c
a
Bi
em =1 (22)

0 =
c
c
u
em =0 e =1 (23)
Onde as quantidades adimensionais so definidas por:

47
(, ,) =T/Tr; =r/r0; =z/L (24)
Bi=hr0/k;
0
=qr0Tr/k; =r0/L (25)

2
0
/ r to =
; a=Ta/Tr;
L
r V
tex
o
2
0
=
(26)
Aqui, =difusividade trmica (m
2
/s), T
r
a temperatura de referncia,
0
a temperatura
adimensional inicial e Bi o nmero de Biot. A emissividade do forno dada 0,75, e a
emissividade do fio dada 0,70.

A conveco natural dentro do forno se d em regime laminar. Baseado na mxima
diferena de temperatura e na caracterstica de comprimento igual altura do forno, o nmero
de Rayleigh 2,35x10
6
, que abaixo do valor crtico. Para o clculo do dimetro do fio,
utiliza-se o raio do fio r
0
, que pode ser calculado usando-se a densidade linear do fio D
1

(dtex). D
1
por sua vez, pode ser calculada em termos da tenso na zona de toro, w e toro
inserida N como se segue:

{ }
(
+ =

) 60 ( 2
10 29
) 5 ( 2 9 , 0 1
5 2
0 0 1
w
N
w D D D
(27)
Onde D
0
a densidade linear (dtex) na zona de toro para toro zero.

75 , 3
208
1 17 , 1
0
|
.
|
\
|
=
w
D D
n
(28)
Na equao 29, D
n
a densidade nominal linear (dtex) do fio fornecido. Dados
experimentais mostraram que densidade linear (D), na sada do rolete depende somente da
densidade linear, D
n
e da tenso da zona de toro, w. Assim, pode-se escrever:

2085 , 1
208
1 0881 , 1 0 , 2 93 , 0
0
|
.
|
\
|
= + =
w
D D D
n
(29)
Ento, o raio pode ser calculado pela definio da densidade linear, tal que:

t = ] [ 10
6 2
0 1
cm r D
(30)
ou,

t
) (
10
1 3
0
dtex D
r

=
(31)

48
onde e r
0
so a densidade (g/cm
3
) e o raio (cm) do fio, respectivamente.

Devido texturizao por falsa toro, a construo de toro causa um decrscimo na
velocidade do fio na zona de toro. Desse modo, a velocidade requerida para clculo do
tempo de aquecimento no pode ser obtida pela medida da velocidade dos roletes, que a
velocidade do fio sem toro. Alm disto, a toro por polegada real do fio na zona de
aquecimento no conhecida devido distribuio das tores do ponto de toro (fuso) em
direo a zona de aquecimento. Se o produto da velocidade e densidade linear do fio D
1
V
tex

na zona de velocidade e DV na sada do rolete, desde que em equilbrio, o fluxo de massa
atravs do sistema constante:
D1Vtex =DV (32)
Se L o comprimento do aquecimento na zona de toro, ento o tempo de aquecimento
dado por:
t* =L/ Vtex =L D1/DV (33)
Desde que a velocidade de produo pode ser obtida pela velocidade do rolete de sada, a
velocidade de texturizao do fio dentro do forno e o tempo de residncia podem ser obtidos
em termos da densidade linear, tanto na zona de toro quanto na sada do rolete.
Hearle, Grosberg & Backer (1970) mostraram que, fios de polister altamente torcidos
com uma multiplicao de toro maior que 70, tm um fator de empacotamento da ordem de
0,75.
O coeficiente de condutividade trmica do fio foi calculado da seguinte equao:

( )
( )
(
(
(
(
+
u
u
+ =
a f
a
a fio
k k
k
k k
4
1
1
(34)
onde o fator de empacotamento.

Os valores de condutividade trmica do polister k
f
=0,1406 [j/mK], T
g
=45 C, T
m
=
215 C, Densidade [kg/m
3
] 1030 e calor especfico C [J /kgK] 1883.

A teoria descrita at aqui prov informaes suficientes para os clculos da temperatura do fio
dentro e na sada do forno.

49
13. Temperatura do fio final zona 1(C) como foi descrito anteriormente, o forno de
texturizao tem duas zonas e ao passar pelas mesmas considerando-se o ttulo do fio, a
velocidade da mquina, as caractersticas do forno e do polister, pode-se estimar a
temperatura do fio no final da mesma (considera-se ambiente climatizado em 25C). O
comprimento desta zona de 0,3 [m].
14. Temperatura do fio final zona 1 e 2 (C) da mesma maneira que o item (13), porm, este
forno possui comprimento de 0,7 [m].
15. Densidade da Fibra (g/cm
3
) Ajuste da densidade em funo da densidade linear do POY
(Ttulo Denier). O clculo da densidade pode ser feito pelo mtodo de imerso da amostra
em coluna, para medir o empacotamento molecular.

V
m
=
[kg/m3] (35)
16. Percentual de cristalinidade considerando-se densidade da fibra limites normais de
trabalho entre 1,336 g/cm
3
a 1,455 g/cm
3
, pode-se determinar o percentual de
cristalinidade baseado na densidade da fibra calculado anteriormente. Dada a densidade
cristalina
c
, definida como a mxima densidade do polmero, obtida do peso e volume
molecular da clula de unidade cristalina; e densidade amorfa
a
, obtida pela medida de
densidade de uma amostra totalmente amorfa. O grau de cristalinidade (v/v) definido
como:

[%] 100 -
=
a c
a

o
, (36)
Onde: =densidade medida [g/cm
3
],
a
densidade amorfa, PET = 1,3310[g/cm
3
],
c
=
densidade cristalina, PET=1,4550 [g/cm
3
].
17. Temperatura do fio antes do agregado (C) observando-se o T
g
do polister deve-se
controlar para que o fio entre no agregado resfriado (abaixo do T
g
). Este valor estimado se
d em funo da velocidade de produo, temperatura do fio e ttulo do fio liso (considera
as caractersticas da AFK)
Thwaites (1985) apresentou um modelo simplificado e derivado das equaes a seguir
para razo de tenso do fio e gerao de torque. Razo de tenso do fio dado em termo

50
de ngulo de contato, , e o coeficiente de frico, , por uma equao modificada de
Capstan, tal que;

u Sen Cos
T
T
in
out
A = ln
(37)
Onde e so complementos do ngulo de ataque e o ngulo obtido pela fora friccional
com o fio, respectivamente.

Figura 17 ngulo de ataque e ngulo da fora friccional como fio
O torque gerado pelo fuso dado em termos da diferena de tenso por:

Cotg R T T Q
in out
= A ) (
(38)
Onde R o raio do fio. Finalmente, o ngulo a cada ao de frico dado em termos da
velocidade axial do fio, V
y
, e velocidade angular, , por:

R Cos V
Sen V V
s
s y
O

=

tan
(39)
O modelo simplificado, deste modo, se mostra dependente da constncia sobre as
variveis , R, e e as razes /V
y
e V
S
/V
y
.
Para anlise de entre toro e ngulo hlice usou-se a seguinte simbologia:
= ngulo hlice na superfcie do fio estirado e torcido
N =nmero de tores por unidade de medida do fio estirado
r
0
=raio equivalente do fio liso considerando-se 100% empacotamento dos

51
filamentos (r
0
x densidade polmero =densidade linear do fio liso x 10
-6
)
Y
c
=razo de contrao do fio, isto , comprimento do fio liso/comprimento do
fio torcido
T
e
=Taxa de Estiragem
U =densidade linear do fio liso no estirado, POY (dtex)
T =densidade linear do fio liso estirado (dtex)
D =velocidade da superfcie do disco de frico
Y =Velocidade de produo do fio liso
= densidade do polmero
Podem-se relacionar estes parmetros com duas equaes; a primeira, da geometria do
fio, pode ser escrita como:

u t tan 2
2
3
0
=
c
Y N r
(40)
A segunda, de acordo com Hearle e Morton (1957), dada por:

) sec 1 (
2
1
u + =
c
Y
(41)
Destas equaes, uma terceira pode ser derivada para relacionar a toro e o ngulo hlice
de superfcie.

) sec 1 (
) 1 (sec 2
0
u t
u
+

=
r
N
(42)
18. Tenso do fio liso (g) estimada a partir do ndice de orientao do POY, ttulo do fio
liso, helix angle (em portugus ngulo de toro. Examinando-se o fio aps torcido pode-
se definir um ngulo de toro que determina o nmero de tores que o fio recebeu no
agregado por unidade de comprimento).
19. Tenso do fio texturizado T1 (g) acrescenta ao estimador anterior, fatores que
influenciam a texturizao como DY, temperatura do fio e tores por unidade de
comprimento. Esta tenso antes do agregado fator determinante da velocidade mxima
que determinado fio ir possuir considerando situaes ideais de texturizao.
20. T
1
Stress (g/Den) com objetivo de se conceber uma maneira de se comparar as tenses
idias entre diversos fios, definiu-se o stress, que a razo da tenso do fio texturizado

52
pelo ttulo do fio liso. Posteriormente, observou-se que existem faixas de trabalho
indicadas para cada tipo de mquina (perfil) e caractersticas de fio especficas.
21. Tenso do fio texturizado T
2
(g) O fio ao passar pelo agregado ocorre que, acima do
mesmo est sofrendo toro do fio e ao passar completamente pelo agregado o fio
distorce. Portanto, a tenso antes e aps indicam o grau de recuperao do estado original
do fio (este processo a texturizao em si). Define-se a tenso aps o agregado em
funo do tipo de polmero, tipo de disco, ttulo, filamentos e tenso de entrada.
22. T
2
/T
1
Tension Ratio Razo de T
2
e T
1
. Ajustando-se o ngulo de contato entre o fio e a
superfcie do disco, a razo T
2
/T
1
pode ser feita igual a ou menor que 1. Greenwood
(1977) discute extensivamente a lei de Amonton,

o
e
T
T
=
1
2
(43)
23. Unitens %CV definido em funo de stress (tenso por unidade de ttulo), seo
transversal do filamento, DY, tipo de disco, velocidade de produo, temperatura do fio.
24. Velocidade de instabilidade (m/min) clculo da velocidade onde ocorrer a instabilidade
de processo em funo de ndice de orientao, estiragem e temperatura do fio.
25. Velocidade segura de Operao (m/min) 80% da velocidade de instabilidade. Na
verdade, a diferena entre a velocidade de instabilidade e a velocidade de operao o
fator de segurana adotado para o processo.
26. Toro (T/m) toro por unidade de comprimento, definido por Ttulo do fio liso,
geometria do disco (AFK) e densidade da fibra.
27. Temperatura Fio 2 Forno (C) mesma idia usada no clculo do primeiro forno, agora
para o segundo forno. A temperatura do fio na sada deste forno ajudar estimar o
encolhimento final do fio, estimado em funo do ttulo, filamentos, temperatura do forno
e sobre-alimentao.
As mquinas de texturizao produzem simultaneamente vrios fios, algumas com
108, 216 ou at 240 posies, que produzem fio ao mesmo tempo. Um grande desafio fazer
com que todos estes fios estejam sendo produzidos exatamente da mesma forma e com a
mesma qualidade. Para possibilitar este processo, intensivos programas de manuteno
preditiva, preventiva e corretiva so aplicados, bem como controles de processos, a fim de se
minimizar controles no produto acabado. Os controles de processos se valem de medies on-

53
line tais como: medies de tenses, temperaturas, controles visuais, velocidades, etc. Utiliza-
se o laboratrio txtil para determinar os ndices serimtricos do fio, descritos no prximo
item.

2.6.3 Dados qualitativos

1. Lote Define parmetros de mquina e conseqentemente identifica produtos.
2. Cabos os fios com ttulo e nmero de filamentos podem ser unidos em mais de um cabo.
3. Ttulo Denier do fio texturizado estimado em funo de sobre-alimentao total, ttulo
do fio liso, sobre-alimentao no enrolamento, nmero de cabos. Denier uma medida de
densidade linear em gramas por 9000 m de fios.
4. Denier por Filamento Razo do ttulo estimado acima pelo nmero de filamentos.
5. Alongamento de texturizao (%) alongamento estimado.
6. Tenacidade do Texturizado (g/Den) tenacidade estimada.
7. Encolhimento Leesona (%) encolhimento em gua a fervura, o procedimento similar
ao descrito para o encolhimento a seco, porm o meio aonde se deixa a meada por 10
minutos a gua a fervura.
8. Encolhimento Seco (%) encolhimento em ar quente. O fio, em meada de 2500 dtex
tensionado a 1 cN/tex, pr-tensionado por um peso (0,01cN/tex e 0,99 cN/tex) de frente
a uma rgua na posio vertical, o L
1
(comprimento sob fora F
1
) medido, e aps
repouso de 10 min na estufa a 120 C o L
2
(comprimento sob fora F
2
, F
1
>F
2
) medido,
e logo aps L
3
(comprimento aps retirar F
2
).

[%] 100
1
2 1
-
=
L
L L
E
(44)

[%] 100
2 1
3 1
-
=
L L
L L
K
(45)

[%] 100
2 1
3 1
-
=
L L
L L
B
(46)

54

Figura 18 Encolhimento
Tingimento uma parte do controle de processo muito importante porque coloca prova
muitas das etapas em que o fio passou, mostrando o fio quase como o cliente ir ver.

Figura 19 rea de meias e mquina.
Este processo consiste na confeco de meias onde cada bobina de fio tecida por alguns
metros subseqentemente, de maneira que toda a mquina seja tinta no mesmo banho para
se fazer a leitura das bandas onde se separam algumas posies que, eventualmente,

55
estejam se destacando, uma vez que deseja que todas as posies se comportem de
maneira similar. As leituras so feitas em cabines padronizadas e com luz tambm padro.
Muitas empresas utilizam-se do mtodo da escala cinza (AATCC) para graduar as
posies entre elas, a escala cinza varia de 1 a 5 sendo o nvel cinco onde no se percebe
qualquer diferena de tonalidade de cor entre as posies.

9. Absoro relativa cor %K/S estimado em funo do ttulo, temperatura do fio e stress. O
pigmento do corante absorvido nas regies amorfas da fibra, por isso existem pigmentos
com maior e menor tamanho de molcula. Como indicador de absoro de cor, a razo
K/S pode ser calculada como:

( )
R
R
S K
2
1
/
2
=
(47)
Onde: R o grau de refletncia.
10. Quebras rupturas no fio que ocorrem no decorrer da produo do mesmo, importante
indicador de qualidade de matria prima e de regulagem de processo (se os valores forem
estimados sero informaes extremamente teis para clculo de produtividade). Estas
quebras podem ser medidas por unidades ocorridas no turno de produo, por unidade de
massa produzida do produto, ou ainda algumas empresas definem o inverso quantas
unidades de massa se produzem at que ocorra uma quebra.

56

3 Modelagem estatstica

Nesta dissertao, trs mtodos de regresso sero estudados e comparados com o
intuito de se obter modelos razoveis para o processo de texturizao por falsa toro:
(a) Mtodo de Regresso linear mltipla (MLR, do ingls Multiple Linear Regression),
utilizando-se algoritmo de mnimos quadrados ordinrios (OLS);
(b) Mtodo de Regresso por Componentes Principais (PCR) e algoritmo OLS e,
(c) Mtodo de regresso por Mnimos Quadrados Parciais (PLS), utilizando o algoritmo
NIPALS.
Este trs mtodos podem ser implementados a partir da maioria dos pacotes
estatsticos. No sero discutidos outros algoritmos alm do OLS e do NIPALS, em funo de
sua indisponibilidade nos pacotes estatsticos tradicionais, especificamente, o Minitab 15,
utilizado nesta pesquisa. Depois de comparadas, as equaes de regresso com os melhores
ajustes e os menores erros sero utilizadas como funes-objetivo em um problema de
otimizao com mltiplas respostas, como ser discutido no captulo 5. O critrio de escolha
do melhor mtodo para a modelagem dos dados do processo de texturizao por falsa toro,
ser baseado na ordem de grandeza do coeficiente de ajuste (R
2
aj.) e do erro padro da
previso (PSE) para um conjunto de dados de teste de tamanho n=51.
A seguir, apresenta-se uma breve reviso dos trs mtodos que sero empregados
neste trabalho.

3.1 Regresso linear mltipla

O mtodo dos mnimos quadrados ordinrios (OLS) (do ingls Ordinary Least Squares)
o algoritmo tipicamente usado para estimar os coeficientes de um modelo de regresso
simples e mltipla, linear ou no-linear, arranjos fatoriais completos, fracionados ou
superfcies de resposta.
Sejam consideradas as n>k observaes da varivel de resposta disponveis, assim como
y
1
, y
2
,..., y
n
. Assumindo-se que valor esperado do erro seja zero, pode-se escrever que:

i
k
j
ij j ik k i i i
x x x x y c | | c | | | | + + = + + + + + =

=1
0 1 2 2 1 1 0
...
(48)

57
O mtodo dos mnimos quadrados baseia-se na escolha de valores para na equao
(49), de modo que a soma dos quadrados dos erros seja minimizada. A funo de mnimos
quadrados pode ser escrita como (MONTGOMERY, 2001):

2
1 1
0
1
2

= = =
|
|
.
|
\
|
= =
n
i
k
j
ij j i
n
i
i
x y L | | c
(49)

A funo L deve ser minimizada em funo de
k
| | | ,..., ,
1 0
. Assim, tem-se que:

0 2
1 1
0
0
=
|
|
.
|
\
|
=
c
c
=
c
c

= =
n
i
k
j
ij j i
j
x y
L L
| |
| |
(50)
Simplificando-se e generalizando-se a equao (50), obtm-se:

= = = = =
= + + + +
n
i
i ik
n
i
ik k i ik
n
i
n
i
ik i
n
i
ik
y x x x x x x x
1 1
2
2
1
2
1
1 1
1
0
...

| | | | (51)
Estas equaes so chamadas de Equaes normais de mnimos quadrados
(MONTGOMERY, 2006). Nota-se que existem p= k+1 equaes, uma para cada coeficiente
de regresso desconhecido.
Em notao matricial, o sistema de equaes (51) pode ser escrito como:
X Y + = (52)

(
(
(
(
=
(
(
(
(
=
(
(
(
(
=
(
(
(
(
=
k k nk n n
k
k
n
x x x
x x x
x x x
y
y
y
c
c
c
|
|
|

1
0
1
0
2 1
2 22 21
1 12 11
2
1
, ,
1
1
1
, X y
(53)
possvel notar que L pode ser expresso como:
X X y X 2 y y X X X y y X y y
T T T T T T T T T T T
+ = + = L (54)
Como os estimadores de mnimo quadrado devem satisfazer a:
0
= + =
c
c
X 2X y 2X
T T
|
L
(55)
Uma simplificao da eq. (55) conduz a:

58
y X X X
T T
=
(56)
Multiplicando-se ambos os lados da equao (56) pela inversa da matriz X X
T
, tem-se:
y X X X
T 1 T
= |
(57)
A equao (57) a expresso matricial das equaes normais de mnimos quadrados,
descritos anteriormente (MONTGOMERY, 2006)
Modelos de regresso linear mltipla so freqentemente utilizados como
aproximaes de funes. Isto , como a verdadeira relao funcional entre x e y no
conhecida, aproxima-se tal relacionamento por um modelo de regresso, que relativamente
adequado dentro de certa faixa de variao das variveis independentes.
Como se sabe,
i
y representa um valor ajustado, obtido a partir do modelo de
regresso. A diferena entre o valor real observado
i
y e
i
y , denomina-se resduo, e pode ser
representado por:

i i i
y y e = (58)
Considerando-se a soma de quadrados para os resduos, pode-se escrever:
e e ) (e
T 2
n
1 i
i
= = =

= =
2
i
n
1 i
i
y y
E
SS (59)
Substituindo-se X y y y e
= = , chega-se a:
X X X y y X y y ) X (y ) X (y
T T T T T T T

+ = =
E
SS (60)
X X y X 2 y y
T T T T T

+ =
E
SS (61)
Como: y X X X
T T
=
, a equao (61) se torna:

y X y y
T T
=
E
SS (62)
A equao (62) chamada soma de quadrados residual.

59
Derivando-se uma forma matricial para a soma de quadrados total, vem que:

n
y
y y
n
y
y
2
n
1 i
i
T
2
n
1 i
i
n
1 i
2
i
|
.
|
\
|
=
|
.
|
\
|
=

= =
=
T
SS (63)
Para a soma de quadrados do modelo, tem-se que:
( )
2
n
1 i
i
T T T
2
n
1 i
i
T
y
n
1
y X y X y y y
n
1
y y |
.
|
\
|
= |
.
|
\
|
= =

= =

e t m
SS SS SS (64)
O teste para a significncia da regresso determina se existe uma relao linear entre a
varivel de resposta y um subconjunto de regressores. As hipteses apropriadas neste caso
so:

H
H
j
k
0
0
1
3 2 1 0
= =
= = = = = =
|
| | | |
(65)
A rejeio da hiptese nula implica que no mnimo um dos regressores contribui
significativamente para a explicao da variao de Y. Uma vez que raramente um modelo
explica 100% da variao da resposta modelada, provvel que exista uma diferena entre o
valor observado e o valor modelado. Se a hiptese nula, descrita na equao (65) for
verdadeira, ento
2
o
R
SQ ser uma varivel aleatria
2
_ , com k graus de liberdade. O
nmero de graus de liberdade para esta varivel igual ao nmero de regressores presentes no
modelo. Por sua vez,
2
o
E
SQ segue o mesmo condicionamento, com n-p graus de liberdade.
As duas expresses anteriores so independentes. Logo, dividindo-se as duas variaes
encontra-se uma distribuio F. Portanto, a estatstica de teste para a significncia do modelo
pode ser descrita por:

( )
E
M
E
M
MQ
MQ
p n SQ
k SQ
F =
=
0
(66)
Deve-se rejeitar a hiptese nula se o valor calculado na equao (66) for maior do que o
valor de
( ) p n k
F
, , o
.
As hipteses para testar a significncia de qualquer coeficiente de regresso so:

60

0 :
0 :
1
0
=
=
j
j
um menos Pelo H
H
|
|
(67)
Se a hiptese nula no for rejeitada, ento o coeficiente poder ser retirado do modelo.
A estatstica de teste utilizada para esta finalidade da pela equao (68):

jj
j
C
T
.
2
0
o
|
=
(68)
Na equao (68)
jj
C o j-simo elemento da diagonal de ( )
1
X X
T
correspondente a
j
|
.
Observa-se que o denominador da equao (68) o erro-padro do coeficiente
j
|
. Deve-se
rejeitar a hiptese nula se
( ) p n
t T

>
, 2 0 o
.
Um intervalo de confiana para os coeficientes de regresso dado por:

o o | | o |
o o
= + s s

1 )
(
2
, 2 /
2
, 2 / jj p n j j jj p n j
C t C t P
(69)

Do mesmo modo, pode-se tambm construir um intervalo de confiana para a resposta
mdia de um determinado ponto como | |
T
k
x x x x
0 02 01 0
1 = . A resposta mdia neste
ponto estimada por |
0
T
x Y
x = , com varincia dada pela equao 70:

( ) ( )
0
1
0
2
0
x x V
T
x Y
= X X
T
o (70)

Logo, um intervalo de confiana a 100(1-o)% da mdia dado por:

( ) ( ) o o o
o o
=
|
.
|
\
|
+ s s

1
0
1
0
2
, 2 / 0
1
0
2
, 2 /
0 0 0
x x t x x t P
T
p n x Y x Y
T
p n x Y
X X X X
T T
(71)

A medida mais comum de adequao de um modelo o coeficiente de determinao
(R
2
). Este termo representa o percentual de variao na resposta que explicada pelo modelo
construdo. Associado a este coeficiente, encontra-se o R
2
ajustado (R
2
adj.), que considera o

61
fato de que R
2
tende a superestimar a quantidade atual de variao contabilizada para a
populao. Tambm fato que a incluso de muitos termos no modelo de regresso aumenta
substancialmente o valor de R
2
. Se o modelo recebeu fatores adicionais desnecessrios,
haver um incremento em R
2
, sem haver, necessariamente, melhoria de informao na
resposta. por este motivo que o valor de R
2
ajustado mais apropriado para se comparar
modelos com diferentes quantidades de termos.
O valor de R
2
pode ser calculado aplicando-se a equao (72), tal que:

T
E
T
M
SQ
SQ
SQ
SQ
R = = 1
2
(72)
O coeficiente de determinao ajustado (R
2
ajustado) uma modificao que
considera o nmero p de variveis includas no modelo. Observando-se a equao (73), nota-
se que o valor ajustado decresce medida que p aumenta.

) 1 (
1
1
2 2
R
p n
n
R
adj

|
|
.
|
\
|
=
(73)
Os resduos de um modelo de regresso desenvolvem um importante papel no
julgamento da sua adequao. Considerando-se alguns aspectos peculiares, o conjunto de
resduos deve ter distribuio normal com mdia zero e varincia o
2
, devem ser no
correlacionados com outros resduos, com a mdia dos tratamentos, com as variveis
preditoras e ao longo do tempo. Devem ter padro aleatrio, no tendencioso e devem
preferencialmente assumir a forma padronizada segundo a equao (74).

2
o
i
E
i
i
e
MQ
e
d = =
(74)
A padronizao dos resduos cria um escalonamento para o desvio-padro, o que torna
sua interpretao mais fcil.
Para quantificar a presena de multicolinearidade na regresso linear ser usado o fator
de inflao da varincia (do ingls, variation inflation factor), o clculo feito para cada
preditor e valores acima de 5 geralmente so indesejveis, valores iguais a 1 indicam ausncia
de correlao entre os preditores.

62
3.2 Regresso por componentes principais

A Regresso por Componentes Principais (do ingls: principal components regression,
PCR) consiste na aplicao do mtodo de mnimos quadrados ordinrios utilizando como
variveis independentes, os escores dos componentes principais da matriz de preditoras X
(AGUILERA et al., 2006; LIU et al., 2003). De acordo com Sun (1996), a principal vantagem
desse mtodo que a substituio das variveis originais pelos componentes principais atenua
(ou at mesmo, elimina) os efeitos da multicolinearidade, provocada pela utilizao de
variveis preditoras correlacionadas; a principal desvantagem que a interpretao pode ser
dificultada pelo fato de no se usar as variveis originais e as componentes principais so
afetadas pelo escalonamento das variveis.
A quantidade de escores de componentes principais que devem ser utilizados neste
tipo de regresso depende da estrutura de varincia-covarincia (ou correlao) apresentada
pelos dados da matriz de preditoras X. O mtodo de extrao destes componentes se d a
partir da Anlise de Componentes Principais.
A Anlise de Componentes Principais (ACP) uma tcnica estatstica multivariada
que se dedica explicao da estrutura de varincia-covarincia existente em um conjunto de
dados, utilizando-se combinaes lineares das variveis originais. Segundo Johnson e
Wichern (2002) e Rencher (2002), seus objetivos principais so: (1) a reduo de
dimensionalidade e (2), a interpretao de dados. Embora p componentes sejam necessrios
para se reproduzir a variabilidade total de um sistema de interesse, geralmente, a maior parte
desta variabilidade pode ser representada por um pequeno nmero k de componentes
principais. Isto quer dizer que existe quase tanta informao em k componentes principais que
nas p variveis originais. A idia geral da ACP , portanto, que k componentes principais
podem substituir, sem perda considervel de informao, as p variveis originais. O conjunto
original de dados, consistindo de n medies das p variveis, reduzido para um conjunto
posterior formado por n medies de k componentes principais.
De acordo com Rencher (2002), a ACP geralmente revela relacionamentos que no
seriam identificados no conjunto original, o que resulta em uma interpretao mais abrangente
do fenmeno de interesse. Segundo J ohnson e Wichern (2002), o i-simo componente
principal poder ser escrito matematicamente como uma combinao linear X
T
i
que for
soluo da expresso (78) a seguir:

63

( )
i k Cov
Sujeito
Var Maximizar
T
k
T
i
i
T
i
T
i
< =
=
para 0 ) , (
1 : a

X X
X

(75)

Por vezes til escrever as combinaes lineares na forma de escores dos componentes
principais. Em muitas aplicaes, a matriz de variveis padronizadas est representada pelas p
colunas das caractersticas estudadas, em cada uma das suas n observaes. Assim, na prtica
mais comumente empregada a matriz transposta de Z (vide explicao de Z a seguir).
Para se encontrar uma expresso adequada a esta realidade que represente a mesma
informao que p i Y
i
,..., 2 , 1 , = = Z A
T
i
, utilizam-se os escores de componentes principais
(PC
k
), que podem ser representados como:

(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
|
|
.
|
\
|

|
|
.
|
\
|

|
|
.
|
\
|

|
|
.
|
\
|

|
|
.
|
\
|

|
|
.
|
\
|

|
|
.
|
\
|

|
|
.
|
\
|

|
|
.
|
\
|

= =
pp p p
p
p
pp
p pn
n n
pp
p p
pp
p p
k
A A A
A A A
A A A
s
x x
s
x x
s
x x
s
x x
s
x x
s
x x
s
x x
s
x x
s
x x
PC
2 1
2 22 21
1 12 11
22
2 2
11
1 1
2
22
2 22
11
1 12
1
22
2 21
11
1 11
. A Z
T
(76)

Onde: Z a matriz das variveis originais padronizadas e, A, a matriz de autovetores
resultantes da decomposio espectral da matriz de varincia-covarincia (ou correlao) dos
dados originais.
Para se identificar o nmero de componentes principais adequados para representar
um conjunto original, existem vrios critrios. Segundo Jonhson e Wichern (2002), o mais
conhecido o critrio de Kaiser, que estabelece como nmero adequado de componentes
todos aqueles com autovalores maiores que a unidade. Entretanto, devido variao ocorrida
na amostragem, aproximadamente metade dos autovalores excedero unidade. Segundo
J onhson e Wichern (2002), para se escolher os componentes principais que representem
satisfatoriamente um conjunto de dados, considera-se adicionalmente para anlise, todos os
componentes com explicao conjunta (e acumulada) maior que 80%. Quando se observa que
um nmero reduzido de componentes (geralmente menor do que o nmero de variveis)

64
atende a esses dois critrios, identifica-se a presena de redundncia no conjunto e,
consequentemente, a possvel reduo de dimensionalidade.
Uma vez determinados e armazenados o nmero de componentes principais e seus
escores, o mtodo OLS tradicional pode ser, ento, aplicado.

3.3 Mnimos quadrados parciais ou estrutura latente projetada

O mtodo de Mnimos Quadrados Parciais (em ingls: partial least squares, PLS)
um mtodo de regresso para uma ou mltiplas variveis dependentes, extremamente til
quando as preditoras utilizadas so altamente correlacionadas ou, quando existem mais
preditoras do que observaes, situao na qual o mtodo OLS geralmente falha, produzindo
coeficientes com erros padres muito grandes (YACOUB e MacGREGOR, 2004;
WENTZELL e VEGA, 2003; HELLAND, 1988; HOSKULDSSON, 1988; WOLD et al.,
1984). De maneira semelhante ao PCR, o mtodo PLS reduz o nmero de preditoras a um
conjunto de componentes principais. No caso multivariado, os resultados obtidos atravs do
PLS podem diferir substancialmente daqueles obtidos por modelagem individual de cada
resposta Y
i
. Segundo Velleman e Welsh (1981), alm da multicolinearidade, PLS um
mtodo particularmente adequado para tratar dados tais como preditoras com um coeficiente
de variao muito pequeno (o que sugere que a preditora quase uma constante) ou o excesso
de dados faltantes.
A maior diferena existente entre os mtodos PLS e PCR que, enquanto no PCR os
componentes principais so determinados exclusivamente pelos valores dados das variveis
de entrada (X), no PLS, os valores dados tanto das variveis X como Y, influenciam a
construo dos componentes (WEBSTER et al.,1974)
Portanto, PLS um mtodo que procura formar componentes que capturam o mximo
de informao das variveis X e que seja til para predizer Y
i
, enquanto reduz a
dimensionalidade do problema de regresso pela utilizao de um nmero menor de
componentes que de variveis originais. Este mtodo considerado especialmente til para
construir equaes preditivas quando existem muitas variveis explicativas e
comparativamente poucos dados (HOSKULDSSON,1988).

65

Figura 20 Interpretao Geomtrica do PLS.

3.4 Abordagem computacional

Como na Regresso Linear Mltipla, o propsito principal da Regresso por Mnimos
Quadrados Parciais construir um modelo Y=XB+E, onde Y uma matriz de resposta do tipo
n por m variveis, X uma matriz de variveis preditoras do tipo n por p, B a matriz de
coeficientes de regresso do tipo p por m, e E um termo de rudo para o modelo cujas
dimenses so idnticas a Y. Geralmente, as variveis em X e Y so padronizadas.
Tanto o mtodo PCR quanto o PLS, produzem escores de fatores como combinao
linear das variveis preditivas originais, de modo que no existam correlaes entre os
componentes usados no modelo de regresso preditivo, procedimento semelhante ao mtodo
de componentes principais. Por exemplo, suponha que exista um conjunto de dados com a
varivel resposta Y (na forma matricial), portanto um vetor, e um grande nmero de variveis
preditoras X (na forma matricial), algumas das quais altamente correlacionadas. A regresso
usando um fator de extrao computa o escore da matriz T=XW para uma matriz de peso
apropriado W, e ento considera o modelo de regresso Y=TQ+E, onde Q uma matriz de
coeficientes de regresso (peso) para T, e E um termo de erro (rudo). Uma vez que os pesos

66
Q so computados, o modelo de regresso descrito equivalente a Y=XB+E, onde B=WQ,
que pode ser usado como um modelo de regresso preditivo.

T=XW (77)
Onde: T
n x c
; X
n x p
; W
p x c
;

Regresso por componentes principais e regresso por mnimos quadrados parciais diferem
nos mtodos usados para extrair os fatores escores. De maneira sucinta, regresso por
componentes principais produzem matriz peso W refletindo uma estrutura de covarincia
entre as variveis preditivas, enquanto que regresso por mnimos quadrados parciais
produzem uma matriz peso W refletindo uma estrutura de covarincia entre as variveis
preditivas e de respostas.
Para estabelecer o modelo, o mtdo de regresso por mnimos quadrados parciais produz a
matriz de peso W
p x c
para X de maneira que T=XW, isto , as colunas de W so vetores peso
para a coluna X produzindo a matriz de escores T
n x c
. Estes pesos so computados de maneira
que cada um deles maximiza a covarincia entre as respostas e os fatores escores
correspondentes. Procedimentos de mnimos quadrados ordinrios de Y em T so, ento
executados, para produzir Q, as cargas para Y (ou pesos para Y), tal que Y=TQ+E. Uma vez
que Q computado, obtm-se Y=XB+E, onde B=WQ, e o modelo de predio est completo.

Y=TQ+E (78)
Onde: Y
n x m
; T
n x c
; Q
c x m
; E
n x m
,
Y=XB+E (79)

B=WQ (80)

Uma matriz adicional necessria para uma descrio do procedimento completo de regresso
por mnimos quadrados parciais a matriz de fator de carga P, do tipo p por c, que fornece
um fator para o modelo X=TP+F,. Neste caso, F a parte inexplicvel do escore X.
X=TP+F (81)

67
Onde: X
n x p
; T
n x c
; P
c x p

A maior parte dos softwares estatsticos emprega o algoritmo NIPALS (Nonlinear
Iterative Partial Least Squares), apesar do processo de extrao de componentes tambm
poder ser executado a partir do processo de decomposio em valores singulares (do ingles:
singular value decomposition, SVD). Basicamente, o algoritmo NIPALS produz modelos de
regresso consecutivos, adicionando-se um componente principal a cada iterao. Os
componentes so calculados uma primeira vez utilizando-se as matrizes padronizadas de X e
Y. Em seguida, os componentes so calculados para a matriz de resduos de X e Y. As
iteraes terminam quando se alcana o nmero mximo de componentes estabelecidos pelo
usurio, ou quando os resduos da matriz X se igualam a zero.

Figura 21 Algoritmo extrado de Wold (2001).

Ressalte-se que quando o nmero de componentes adotados igual ao nmero de
preditoras, os coeficientes de regresso obtidos por OLS sero iguais queles calculados por
PLS. Segundo Wold et al. (2001) e Geladi e Kowalski (1986), geralmente, um processo de
validao cruzada, no qual uma observao ou um grupo de observaes separado do
conjunto original, utilizado para se identificar o nmero timo de componentes que devem
ser utilizados. Este critrio de otimizao busca minimizar o erro de previso, contrapondo-se
R
2
e R
2
de previso (PRESS), alguns pacotes estatsticos tambm adotam para o R
2
de
previso a nomenclatura de Q
2
.

68

4 Otimizao baseada em algoritmos genticos

O objetivo deste captulo discorrer sobre a utilizao do mtodo de otimizao de
Algoritmos Genticos (GA), aplicado s funes Y
i
, estabelecidas a partir dos mtodos
estatsticos de modelagem. O algoritmo gentico foi escolhido por ser bem adequado a um
sistema de otimizao baseado em funes no-lineares. O objetivo principal da otimizao
de cada caracterstica o atendimento de sua especificao ou, seu alvo T
i
. Desse modo, uma
funo-objetivo para um problema nominal, pode ser estabelecida como:

( )
2
i i i
T Y Z Minimizar =
p i ,..., 2 , 1 =
(82)

Nota-se que, embora as funes de Y
i
(obtidas por MLR, PLS ou PCR) sejam lineares, suas
diferenas em relao aos respectivos alvos T
i
, so no lineares (quadrticas).
Analogamente, desejando-se otimizar simultaneamente todas as caractersticas, pode-
se utilizar uma mdia geomtrica (KOKSOY, 2006; KOKSOY e YALCINOZ, 2006), tal que:

( )
[
=
(
=
r
j
p
j j Global
T Y Z Minimizar
1
1
2

p i ,..., 2 , 1 =
(83)

Como no caso do processo de texturizao existem muitas variveis, algumas delas
determinadas e/ou especificadas em funo da matria prima, outras qualitativas especificadas
pelo cliente e ou processo, prope-se o seguinte sistema de otimizao, usando-se de limites
inferiores e superiores de especificao (LIE e LSE, respectivamente):

( )
[
=
(
=
r
j
p
j j Global
T Y Z Minimizar
1
1
2
(84)

i i i
LSE X LIE : a Sujeito s s (85)

p i ,..., 2 , 1 =

69
O sistema das equaes (84) e (85) anteriores estabelece um modelo geral de
otimizao para o processo de texturizao, onde j e p so o nmero de variveis que deseja-
se otimizar ao mesmo tempo (normalmente 2 ou mais). Entretanto, de acordo com a reviso
bibliogrfica do captulo 2, observa-se que algumas variveis de deciso X
i
dependem da
natureza do produto e, consequentemente, da matria-prima. Desse modo, dependendo do
produto desejado pelo cliente, estabelecem-se os valores para 4 ,..., 1 = i com x
i
, de modo que
estas variveis se tornem constantes. Sendo T
i
o valor nominal especificado de Y
i
e |Y
i
-T
i
|=D
i
,
sendo D
i
o mdulo da diferena, tem-se como restrio D
i
<1 (D
i
pode ser definido segundo
critrios de controle de processo). Assim, prope-se o seguinte sistema de otimizao:

( )
[
=
(
=
r
j
p
j j Global
T Y Z Minimizar
1
1
2
(84)

i i i
LSE X LIE : a Sujeito s s (85)
) (
1 1
cte T x =
) (
2 2
cte T x =
) (
3 3
cte T x =
) (
4 4
cte T x =

1 s
j j
T Y

p i ,..., 2 , 1 =

r j ,..., 2 , 1 =

O sistema de otimizao anterior mostra duas linhas gerais de restries adotadas para
o processo de texturizao por falsa toro: uma para as variveis de processo, para a qual o
histrico, experincia, restries de mquina, matria-prima dentre outros indicadores de
qualidade, influenciaro o nvel a ser adotado de limite mnimo e mximo especificado e
outra, na qual o cliente ou o mercado especificam a faixa aceitvel para o grupo de resultados
serimtricos.

4.1 Algoritmo gentico

Segundo Busacca et al. (2001) e Costa e Oliveria (2001), os Algoritmos Genticos so
procedimentos computacionais de busca e otimizao baseados no conceito da seleo

70
natural; uma tcnica de otimizao que utiliza uma populao de solues (ou pontos) ao
contrrio de se utilizar um nico ponto, como nos mtodos gradientes. Criado por Holland
(1960) e aperfeioado por Goldberg (1989), baseado no principio O indivduo que melhor se
ajusta (adapta), sobrevive (Darwin), a soluo que melhor atender a funo-objetivo
aquela que sobreviver s mutaes e combinaes.

Figura 22 Fases da evoluo. Adaptado de Costa e Oliveira (2001).
J eong et al. (2005) afirmam que algoritmo gentico um mtodo de otimizao global que
pode ser aplicado em vrias reas, incluindo-se a facilitao de projetos de lay-out,
determinao de condies de mquina, projetos de construes, estimativas de parmetros de
sistema, e otimizao de parmetros de processo (CALDAS e NORFORD, 2002; ISLIER,
1998; COOK et al., 2000; DAREN, 2001; EDWARD et al., 2002; TANG e LI, 2002).
Este algoritmo busca solues atravs da evoluo de um grupo de cromossomos que
representam um vetor de soluo. Em cada gerao, uma nova populao gerada atravs de
operaes genticas tais como: gerao, cruzamento, mutao, e elitismo. Duas descendncias
de cromossomos podem ser produzidas pelo acasalamento probabilstico dos dois
cromossomos selecionados baseados na razo de cruzamento (operao de cruzamento). O
cromossomo elite com a melhor aptido (do ingls fitness) reproduzido para a prxima
gerao. O processo de evoluo continuado at que certo critrio de parada seja atingido,
os critrios de parada podem ser: um mximo nmero de geraes, tempo disponvel de
computao, valor objetivo desejado, melhoria mnima, ou melhoria mnima relativa (J ANG

71
et al., 1997). A Figura 23, adapatada de Busacca et al. (2001), apresenta um diagrama com
as principais relaes semnticas definidas no algoritmo.

Figura 23 Codificao proposta por Busacca et al. (2001).

Aps a gerao da populao inicial, os indivduos so ordenados segundo sua
adequao (do ingls, Fitness), esta ordenao utilizada para definir que indivduos
sobrevivem para a prxima gerao, um indivduo uma soluo potencial para o problema
de otimizao (BUSACCA et al., 2001).
Os GAs requerem diversidade gentica, entretanto, uma pequena diversidade pode
gerar a convergncia prematura para um timo local e o excesso de diversidade da populao
pode gerar agrupamentos de indivduos com diferentes timos locais. Desta forma, unindo-se
pais de agrupamentos diferentes, pode-se contribuir para a gerao de filhos com carga
gentica ruim, e em termos de otimizao, este procedimento pode levar a no convergncia
do algoritmo, alm de aumentar o tempo de processamento (BUSACCA et al., 2001).
Ainda sobre o algoritmo, a primeira populao gerada de forma aleatria, utilizando-
se de uma distribuio de probabilidade uniforme dentro de certa faixa especificada. O
algoritmo de procriao (do ingls Breeding) tambm probabilstico, com isso a soma
acumulada dos valores da funo de adequao de cada cromossomo normalizada para
totalizar 1. A nova populao , ento, gerada aleatoriamente, seguindo as probabilidades
estabelecidas em funo das frequncias acumuladas. O procedimento semelhante

72
Simulao de Monte Carlo. Evidentemente, os indivduos (cromossomos ou vetores de
soluo) com os melhores valores da funo de adequao, tero maiores chances de
sobreviver para a prxima gerao.

Figura 24 Cruzamento.

Com a populao temporria gerada no passo anterior, Np/2 pais so sorteados
aleatoriamente (sem reposio) e independentemente de seus valores de adequao, e cada par
ser dividido em posies aleatrias (sorteio probabilstico) e as partes so recombinadas,
gerando uma descendncia de dois filhos.

Figura 25 Mutao (Busacca et al., 2001)

73
O cruzamento no realizado em todos os pares de cromossomos (vetores de soluo),
e em geral, este rearranjo feito em uma poro da populao de pares de pais, com
probabilidade PC 60%, um nmero aleatrio R gerado na faixa de [0, 1] e o cruzamento
realizado somente se R <PC, desta forma, sendo R >PC os filhos sero iguais aos pais. O
passo seguinte substituir os pais pelos filhos.
Existe ainda a MUTAO, processo de alterao de um bit de 01(e vice-versa) na
populao de bits. De modo geral, o nmero de bits mutantes igual a: PM x Total de Bits,
onde PM =10
-3
. Esta evoluo ocorre at que o nmero de geraes alcane o valor pr-
estabelecido ou o tempo de processamento atinja o valor previsto.

Figura 26 Viso geral da evoluo do algoritmo gentico.
Nos Algoritmos Genticos usados em otimizao no-linear restrita, a funo de
aptido uma equao sem restries. Portanto, para se utilizar os GAs em problemas de
otimizao no-linear com restries necessrio se utilizar funes de barreira (mtodo
interior) ou penalidade (mtodo exterior) para transformar um problema restrito em irrestrito.
Como os GAs no dependem de uma soluo bsica inicial vivel, as funes de penalidade
so mais usadas que as de barreira (COSTA e OLIVEIRA, 2001). Desse modo, a funo de
aptido poder ser escrita como:

( ) { } | | ( ) | |
|
|
.
|
\
|
+ + =

= =
p
k
m
l

l

k
x h x g R x f x F
1 1
2 2
, 0 max ) ( ) (
(86)

74

Nesta dissertao, usou-se o solver do Excel verso premium.

Figura 27 Telas do Excel Solver (verso emingls)

5 Modelagem do processo de texturizao por falsa toro

Os modelos comumente utilizados para explicar o processo de texturizao por falsa
toro utilizam, em sua maioria, uma metodologia desenvolvida a partir de equaes
diferenciais relacionadas ao processo de transferncia de calor ocorrido durante a
texturizao, bem como as propriedades fsicas do polmero e outros princpios da mecnica.
Diferentemente desta abordagem tradicional, optou-se neste trabalho, pela aplicao de
modelos de regresso. Estudando-se a natureza do conjunto de dados coletados deste
processo, trs mtodos de regresso sero avaliados: o modelo de regresso multivariada por
Mnimos Quadrados Parciais (PLS), o modelo de Regresso Linear Mltipla univariada
(MLR) e o modelo de Regresso por Componentes Principais (PCR). Em funo da existncia

75
de um grande banco de dados disponvel para este processo, este estudo comparativo
bastante vivel.
A otimizao de processos normalmente realizada a partir de modelos causais
construdos ou atravs de experimentos projetados que relatam os efeitos independentes de
todas as variveis ajustveis do processo para com toda a varivel resposta de interesse.
Entretanto, em processos muito complexos, existem muitas variveis ajustveis
(manipuladas), muitas vezes altamente correlacionadas, alm de restries operacionais (por
exemplo, o encolhimento do fio texturizado que se correlaciona com ttulo do POY,
temperaturas, velocidades, etc.). Nestes casos, modelos causais completos no so fceis de
serem obtidos, ou quando obtidos, explicam pouco da varivel de interesse. Entretanto, uma
quantidade significantiva de dados de processos operacionais est muitas vezes disponvel,
com uma grande faixa de condies de trabalho. Este fato tem sido verificado principalmente
em empresas que se adequaram normas internacionais, nas quais a rastreabilidade , na
maioria dos casos, um requisito importantssimo. Estes dados podem possibilitar a construo
de modelos causais restritos que mostram como grupos de processos e variveis de matria
prima afetam a qualidade do produto em um subespao das variveis originais. Modelos de
variveis latentes lineares ou no, construdos usando PLS, so ideais para tal propsito
(YACOUB e MACGREGOR, 2004).
Nesta dissertao, uma metodologia proposta para desenvolvimento de processos e
controles baseados na otimizao dos subespaos definidos pelos modelos de variveis
latentes construdos com estes dados disponveis. Modelos de regresso so desenvolvidos e
estratgias de otimizao, usando algoritmos genticos, so implementadas para atender aos
objetivos importantes de desenvolvimento do produto e controle de processo. A combinao
de mtodos de regresso e otimizao pode, assim, ser extremamente efetiva em encontrar
condies de processo que alcanam objetivos de qualidade desejveis, reduzindo o tempo de
desenvolvimento requerido para se atingir qualidade final de produto com variabilidade
reduzida.
No desenvolvimento e/ou otimizao de processos txteis qumicos, essencial
identificar os efeitos que as variveis de processo tm nos valores da qualidade final do
produto e sua variabilidade nos diversos estgios do processo. Se um modelo dinmico
fundamental do processo est disponvel, todos podem us-lo para desenvolver novos
produtos, e otimizar ou controlar o processo na presena da matria prima e variaes de
condies ambientais ou estruturais. Alternativamente, modelos empricos que estimam os
efeitos causais de variveis ajustveis e das variveis de processo e das variveis das matrias

76
primas no processo de qualidade podem ser obtidos por experimentos planejados. Estes
modelos podem ser usados de maneira similar (dentro de designadas regies restritas) para
otimizar ou controlar o processo (MELVIK et al., 2001). No entanto, para processos
complexos, modelos fundamentais no esto disponveis na maioria das vezes, de maneira a
considerar todas as variveis do processo. O grande nmero de variveis correlacionadas no
permite, por sua vez, um ajuste independente dos parmetros, fazendo com que a obteno de
modelos empricos seja difcil, de modo que representam o comportamento do processo
dentro de restries operacionais ou de custo.
Com o advento de padronizaes de processo e a utilizao de normalizao ISO,
criou-se uma mentalidade na qual a ateno para se fazer uso dos dados histricos coletados
no processo vem a cada dia crescendo e tendo maior importncia. Num primeiro momento,
estes dados eram usados como simples conferncia e informao de rastreabilidade, mas
agora, j so vistos como fonte potencial de informao til, atravs da qual pode-se retirar
uma imensurvel quantidade de conhecimento, se um mtodo de anlise de dados adequado
for empregado.
importante ressaltar que, apesar de existirem vrios trabalhos sobre a modelagem de
processos de texturizao, os mesmos foram realizados em empresas produtoras de mquinas
e empresas lderes na produo de polister mundial. E, como de praxe neste segmento, suas
publicaes no so comuns, em funo do cuidado que se tem com a propriedade intelectual.
Do mesmo modo, no se verifica tambm a criao de patentes, o que de certa forma um
contra ponto para a preocupao inicialmente mencionada. Esta uma realidade que talvez
seja uma caracterstica deste setor. Neste contexto, esta dissertao pretende comparar o
desempenho dos modelos de regresso com mtodos e equaes utilizados comumente na
industrial txtil, tal como descrito no Captulo 2, mas que no tem respaldo em publicaes
cientficas, embora se reconhea sua caracterstica investigativa. No prximo item, citam-se
os trabalhos que, de uma maneira ou de outra, se assemelham tentativa proposta nesta
dissertao.

5.1 Trabalhos relevantes na rea

Yuzheng et al. (2007) discorreram sobre a modelagem da distribuio da toro no fio
fantasia (slub-yarn) usando relaes mecnicas e matemticas, mas pouca anlise estatstica.
Sztandera et al. (2007) escreveram sobre tcnicas de inteligncia computacional para construir

77
sistemas que podiam desenvolver formulaes de polmeros com caractersticas desejadas
pelo consumidor. Para isso, usaram um extenso banco de dados no qual se evidenciava a
correlao existente entre a estrutura com a propriedade dos polmeros. Atravs de redes
artificiais neurais e algoritmo gentico, as propriedades dos polmeros puderam ser preditas.
Como as modelagens se baseiam, em sua maioria, em teorias da mecnica, Endo et al.
(2003) propuseram uma nova teoria para a mecnica de toro existente nos discos de frico,
a partir de experimentos. Zimliki et al. (2000) relatam que as propriedades dos fios podem ser
determinadas atravs de dados do filamento, com modelos que permitem a predio do
alongamento, tenacidade e modulo inicial para fios. A tcnica utilizada foi de princpio de
conservao de energia e anlise das curvas de alongamento e estrutura de toro. O artigo
discorre sobre o modelo matemtico proposto.
Pal et al. (1996) realizaram um DOE (do ingls design of experiments) para
microfibra, usando trs matrias primas, e texturizaram o fio utilizando 4 variveis de
processo em cinco nveis. Featherstone et al. (1986) apresentaram uma abordagem
Lagrangiana (Lagrange) de modelagem auxiliada por computador. Este artigo tambm
mencionou Twaites (1981), que utilizou uma abordagem de coordenadas do sistema do tipo
Euler. Ghosh et al. (1981) discorreram sobre a influncia da temperatura do primeiro forno,
espao entre discos, taxa de estiragem e D/Y nas propriedades do fio. O experimento utilizado
foi um arranjo de superfcie de resposta do tipo Box-Behnken com trs nveis e 27
experimentos. O estudo apontou existncia relevante de interaes.
Chudoba et al. (2007) realizaram um estudo multivariado do efeito da toro, carga e
comprimento no comportamento da tenso de fios multifilamentados de vidro, empregando
basicamente a anlise de correlao e ANOVA. Durand et al. (2007) usaram uma combinao
de algoritmo gentico e mnimos quadrado parciais (PLS) na anlise quantitativa infra-
vermelha de txteis de algodo e viscose. O artigo afirma que o espectro total disponibiliza
480 variveis, mas com a utilizao de variveis latentes (componentes principais) o modelo
requer somente 11 destas e tem um erro de 3,74%. Na mesma linha de leitura espectroscpica,
Rodgers et al. (2000) mediram a memria trmica da poliamida em carpetes utilizando
comparativamente MLR e PLS. De maneira similar, Ownes (1997) props um mtodo para
determinar qualidade do fio diretamente na mquina texturizadora. Este estudo (parcialmente
patrocinado pela Milliken) utilizou MLR e PLS na anlise de dados, alm de utilizar
correlao, anlise discriminante e anlise de componentes principais para anlise especfica
dos espectros. Karakas et al. (2004) estudaram a influncia dos parmetros principais da

78
texturizao por falsa toro, como temperatura de fio e velocidade de texturizao, nas
propriedades mecnicas e estruturais da Poliamida 6.6 usando anlise de varincia.
Como se percebe nos trabalhos relacionados com o tema desta pesquisa, existem
poucos trabalhos que consideram a utilizao conjunta de modelagem multivariada e
otimizao aplicados ao entendimento e melhoria do processo de texturizao por falsa
toro. Assim, parece razovel que esta proposta seja investigada.
5.2 Nova proposta de modelagem

King, J erry (2002) apresentou um seminrio na associao de fios texturizados dos EUA
ressaltando a evoluo do desenvolvimento dos produtos txteis e os desafios para o futuro no
que tange o processo de desenvolvimento de produtos texturizados (Figura 28). Como foi
verificado no item 5.1, os trabalhos escritos na dcada de 80, mostravam algumas idias de
como os fundamentos da mecnica influenciariam os resultados dos processos. Na dcada de
70, iniciaram-se os experimentos verificando-se interaes e possibilidades, o que de certa
forma colaborou com a descoberta de meios para melhoria da produtividade. A partir da
dcada de 90, verifica-se um aumento suave de produtividade sem nenhuma melhoria
tecnolgica, apesar de haver um aumento contnuo de produtividade ao longo dos anos at o
dia de hoje.

Figura 28 Diagrama da evoluo da texturizao

79
King, Charlie (2003) tambm apresentou trabalhos com modelagem de POY (na
fiao) no mesmo seminrio da TYAA (Textured Yarn American Association), hoje designada
SYFA (Synthetic Yarns and Fiber Association). Encerradas as apresentaes, a proposta de
dar continuidade aos trabalhos de modelagem, baseada na idia seria combinar os trabalhos de
modelagem apresentados, foi feita, de modo a criar um modelo de texturizao que previsse
as propriedades dos fios texturizados a partir de dados da matria prima POY e informaes
de parmetros de mquina. King, J erry (2002) no publicou seus trabalhos alm do seminrio,
mas discutiu todas as frmulas que encontrou para determinao de fatores chaves na
texturizao no seminrio. J King, Charlie (2003) havia publicado um de seus trabalhos com
estiragem a frio de polister e uma proposta de modelagem. Novamente, deve-se enfatizar
que, no setor txtil, muitas das prticas utilizadas no desenvolvimento de processos e produtos
tm um carter eminentemente tcnico (prtico) e confidencial, mas, com pouca validade
cientfica, principalmente no que tange as publicaes em peridicos especializados.
A partir destas informaes e de equaes j descritas nos captulos anteriores desta
dissertao, construiu-se um modelo para o processo de texturizao em meados de 2003. E
este modelo, no publicado por razes de confidencialidade, considerado estratgico para as
empresas que o detm, e apresenta um ajuste razovel para todas as propriedades do fio,
estimado a partir de alguns fatores de produtividade e controle de processo. A modelagem
utilizou-se de metodologias determinsticas, baseadas em equaes diferenciais relacionadas
com o processo de transferncia de calor ocorrido durante a texturizao, propriedades fsicas
do polmero e outros princpios fundamentais da mecnica.
Na Figura 29, mostra-se de forma geral, a metodologia adotada para o tratamento dos
dados, visando sua modelagem e otimizao. A Figura 29 apresenta a estrutura adotada neste
caso. Ressalta-se que todo o processo de anlise ocorreu numa condio off line (fora da linha
de processo), devido inteno de se evidenciar a quantidade de conhecimento subjacente
que existe em dados histricos de boa qualidade.

80

Figura 29 Diagrama da modelagem

5.3 Comparaes entre o modelo univariado e dados reais

O objetivo principal desta dissertao verificar a possibilidade de se encontrar,
atravs de mtodos de regresso, modelos de explicao razovel para as caractersticas do
processo de texturizao. Neste contexto, busca-se justificar a pertinncia desta proposta
confrontando-se dados reais de processo com aqueles calculados com base no modelo
univariado (um modelo adotado na prtica e sobre o qual no h publicaes cientficas).
Nesta contraposio, mediu-se a correlao entre os dados. Destacados na tabela 2
aparecem, em negrito, os resultados obtidos anteriormente com a modelagem determinstica
usando-se equaes diferenciais.

81
Tabela 2 Ajuste entre YP e Y
Varivel Calculada Resultado real R
2
Modelo Univariado
YP1 Y1 88.7%
YP2 Y2 82.9%
YP3 Y3 99.7%
YP4 Y4 66.0%
YP5 Y5 28.5%
YP6 Y6 84.3%

Conforme se observa na tabela 2, existe a possibilidade de se melhorar a explicao
das caractersticas do processo de texturizao, investigando-se a utilizao de modelos de
regresso, principalmente para as variveis Y4 e Y5. disto que tratam os prximos itens
deste trabalho.
5.4 Variveis do processo de texturizao por falsa toro

O ponto de partida para a construo dos modelos de regresso utilizados neste
trabalho, foi um banco de dados com informaes do processo de texturizao, de uma fbrica
de fios que utiliza processos padronizados, em condies de qualidade e controle. Aps a
eliminao de algumas variveis problemticas (de difcil controle ou com dados faltantes em
excesso), definiu-se o conjunto de dados utilizados nas anlises que se seguem. Este trabalho
reduziu o escopo da modelagem para um ambiente de texturizao por falsa toro,
utilizando-se como matria prima o POY semi-opaco, em uma mquina de forno curto, com
perfil V e agregados de discos de Poliuretano com disposio fixa.

82

Figura 30 Visualisao das variveis no processo (Foto cedida por Udo Schweizer).

A seguir, so apresentados os conjuntos de variveis independentes (X) e dependentes
(Y) consideradas para o estudo. O banco de dados formado por uma amostra de tamanho
n=235, com 13 variveis preditoras (X) e 6 variveis de resposta (Y), representando as
principais caractersticas de qualidade do processo de texturizao por falsa toro de fibras
de polister (Tabela 3).

Tabela 3 Variveis de resposta.
Tenso antes
do agregado
T1 (cN)
Tenso aps
agregado T2
(cN)
Denier
(g/9km)
Alongamento
(%)
Tenacidade
(cN/tex)
Encolhimento
fervura (%)
Y1 Y2 Y3 Y4 Y5 Y6

A seguir, apresentam-se algumas medidas estatsticas utilizadas para caracterizar cada
uma destas variveis de resposta.

83
105 90 75 60 45 30
Median
Mean
66 64 62 60 58
1st Quartile 53,000
Median 62,000
3rd Quartile 70,000
Maximum 102,700
58,198 62,248
59,784 65,000
14,448 17,325
A-Squared 3,37
P-Value < 0,005
Mean 60,223
StDev 15,755
Variance 248,226
Skewness -0,497573
Kurtosis 0,588666
N 235
Minimum 20,000
Anderson-Darling Normality Test
95% Confidence I nterval for Mean
95% Confidence I nterval for Median
95% Confidence I nterval for StDev
95% Confidence I ntervals
Tenso antes do Agregado (Y1)

1
.

90 75 60 45 30
Median
Mean
60 59 58 57 56 55 54
1st Quartile 49,000
Median 57,700
3rd Quartile 67,000
Maximum 95,000
54,573 58,398
55,392 59,504
13,646 16,363
A-Squared 1,59
P-Value < 0,005
Mean 56,486
StDev 14,880
Variance 221,424
Skewness -0,397946
Kurtosis 0,230557
N 235
Minimum 18,000
Tenso aps agregado (Y2)

2
.

84

320 280 240 200 160 120 80
Median
Mean
175.0 172.5 170.0 167.5 165.0 162.5 160.0
1st Quartile 157.26
Median 160.10
3rd Quartile 163.50
Maximum 326.40
159.92 175.01
159.60 160.60
53.83 64.54
A-Squared 25.21
P-Value < 0.005
Mean 167.46
StDev 58.70
Variance 3445.30
Skewness 1.01175
Kurtosis 1.49641
N 235
Minimum 73.90
Denier (Y3)

3
.

33 30 27 24 21 18
Median
Mean
24.5 24.0 23.5 23.0 22.5
1st Quartile 21.180
Median 22.750
3rd Quartile 26.620
Maximum 35.390
23.415 24.461
22.490 23.350
3.735 4.478
A-Squared 5.49
P-Value < 0.005
Mean 23.938
StDev 4.073
Variance 16.586
Skewness 0.776222
Kurtosis -0.064042
N 235
Minimum 16.040
Alongamento do fio texturizado (Y4)

4
.

85

5.1 4.8 4.5 4.2 3.9 3.6 3.3
Median
Mean
4.56 4.52 4.48 4.44 4.40
1st Quartile 4.2500
Median 4.4900
3rd Quartile 4.6900
Maximum 5.1100
4.3840 4.4814
4.4400 4.5504
0.3474 0.4165
A-Squared 3.42
P-Value < 0.005
Mean 4.4327
StDev 0.3788
Variance 0.1435
Skewness -0.814191
Kurtosis 0.334942
N 235
Minimum 3.2800
Tenacidade (Y5)

5
.

45.0 37.5 30.0 22.5 15.0 7.5
Median
Mean
17 16 15 14 13 12
1st Quartile 10.410
Median 12.550
3rd Quartile 15.460
Maximum 48.130
14.254 16.738
12.120 13.000
8.865 10.630
A-Squared 20.81
P-Value < 0.005
Mean 15.496
StDev 9.667
Variance 93.453
Skewness 1.63888
Kurtosis 1.91200
N 235
Minimum 4.200
Encolhimento (Y6)

6
.

86
Analogamente, apresentam-se (Tabela 4) as principais medidas estatsticas das 13
variveis independentes.

Tabela 4 Variveis de entrada
x
i
Descrio Mdia
Desvio
Padro
Q1 Mediana Q3
x
1
Ttulo do POY (Denier) 269,32 86,54 262,00 265,00 269,00
x
2
Nmero de Filamentos 51,58 18,85 34,00 48,00 68,00
x
3
Fora de Estiragem (cN) 97,56 29,71 88,00 96,00 99,00
x
4
Alongamento do POY (%) 118,55 4,78 116,00 119,00 121,00
x
5
Velocidade de produo (m/min) 688,19 141,37 550,00 700,00 800,00
x
6
Taxa de Estiragem 1,68 0,07 1,66 1,70 1,73
x
7
D/Y 1,72 0,12 1,64 1,69 1,76
x
8
Sobre alimentao 2 (%) -2,06 1,90 -3,50 -2,00 0,00
x
9
Sobre alimentao 3 (%) -4,78 0,93 -5,50 -5,00 -4,00
x
10
Sobre alimentao 4 (%) -5,55 1,12 -6,30 -5,75 -4,80
x
11
Temperatura Forno Curto (C) 442,79 41,74 440,00 450,00 470,00
x
12
Temperatura Forno Longo (C) 342,53 40,57 300,00 350,00 380,00
x
13
Temperatura 2 Forno (C) 151,49 75,87 150,00 175,00 205,00

Considerando-se os conjuntos de variveis X e Y citados anteriormente, pode-se
avaliar tambm a estrutura de correlao entre estes conjuntos. A seguir, sero apresentadas
duas anlises de correlao: (Tabela 5) para as preditoras x
i
e (ii), para as variveis
dependentes y
i
. Desejando-se estudar a aplicao de tcnicas multivariadas como o PLS, por
exemplo, uma anlise de componentes principais de trs conjuntos de variveis (X, Y e XY)
tambm ser apresentada.

87

Tabela 5 Correlao entre as variveis preditoras e P-value
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12
x2 0.220
0.001
x3 0.841 0.357
0.000 0.000
x4 0.081 -0.024 -0.305
0.216 0.714 0.000
x5 -0.264 -0.605 -0.248 -0.085
0.000 0.000 0.000 0.196
x6 -0.304 -0.544 -0.482 0.380 0.693
0.000 0.000 0.000 0.000 0.000
x7 0.210 0.345 0.135 0.040 -0.391 -0.461
0.001 0.000 0.038 0.540 0.000 0.000
x8 -0.102 0.037 -0.028 -0.048 0.087 -0.018 0.054
0.120 0.570 0.669 0.466 0.186 0.785 0.413
x9 0.044 0.143 0.066 0.041 0.022 0.005 -0.039 0.507
0.498 0.028 0.315 0.536 0.738 0.945 0.554 0.000
x10 0.034 0.285 0.035 0.066 -0.145 -0.111 0.087 0.401 0.818
0.605 0.000 0.596 0.312 0.026 0.089 0.182 0.000 0.000
x11 0.340 -0.442 0.226 -0.022 0.403 0.288 -0.290 -0.025 0.045 -0.110
0.000 0.000 0.000 0.742 0.000 0.000 0.000 0.699 0.492 0.094
x12 0.331 -0.306 0.299 -0.011 0.392 0.275 -0.290 0.092 0.024 -0.083 0.550
0.000 0.000 0.000 0.866 0.000 0.000 0.000 0.158 0.718 0.206 0.000
x13 0.124 -0.153 0.103 -0.051 0.072 -0.071 0.099 -0.169 -0.689 -0.804 0.107 0.113
0.058 0.019 0.115 0.437 0.271 0.279 0.129 0.009 0.000 0.000 0.102 0.084

Tabela 6 Correlao entre as variveis dependentes e P-value
Y1 Y2 Y3 Y4 Y5
Y2 0.974
0.000
Y3 0.574 0.517
0.000 0.000
Y4 -0.257 -0.253 0.430
0.000 0.000 0.000
Y5 -0.120 -0.059 -0.736 -0.413
0.067 0.368 0.000 0.000
Y6 0.034 0.035 -0.130 -0.319 0.149
0.608 0.599 0.047 0.000 0.022

Para o conjunto de dados do processo de texturizao em questo, observa-se na figura
37 a seguir, que 5 componentes principais explicam 82% da variao das 13 variveis
independentes originais. Isto indica certo nvel de redundncia a qual, no contexto dos
mtodos de regresso, pode ser entendida como um indcio de multicolinearidade. Esta
constatao j havia sido identificada nas anlises de correlao anteriores.

88
De maneira anloga, a figura 38 apresenta a ACP para as respostas (Y). Observa-se
que 3 componentes principais so capazes de explicar 90,5% da variao do conjunto original.
Logo, a reduo de dimensionalidade tambm possvel (e vivel) para o conjunto de
variveis dependentes.
No contexto do mtodo de regresso PLS, importante que exista uma estrutura de
correlao forte no conjunto formado pelas variveis x
i
e y
i
. A figura 39 mostra a ACP
aplicada ao conjunto de 19 variveis (13 variveis independentes e 6 dependentes). Nota-se
que 6 componentes principais so capazes de explicar 85,8% da variao total encontrada no
conjunto original.

Figura 37 Anlise de Componentes Principais para variveis independentes (X).

89

Figura 38 Anlise de Componentes Principais para o conjunto de variveis dependentes (Y).

Figura 39 Anlise de Componentes Principais para o conjunto XY.

5.5 Modelagem por regresso mltipla univariada

Considerando-se que os modelos determinsticos no apresentam resultados
compatveis com os dados reais, optou-se por se estudar mtodos alternativos para a
modelagem e otimizao do processo de texturizao baseado em mtodos estatsticos. Para
se construir um modelo para controle e otimizao, seria necessrio se projetar um
experimento com todas as variveis de matria prima, e com todas as variveis controladas
(manipuladas) de processo para que se pudesse afirmar que as relaes causais poderiam ser
estabelecidas. No entanto, neste estudo, uma faixa limitada de matrias-primas foi realmente
utilizada, em parte, porque eram matrias-primas utilizadas no perodo da coleta de dados e,
em outra, pelo mtodo a ser proposto poder ser aplicado com relativa facilidade para cada

90
novo produto de interesse. Em funo do nmero relativamente alto de variveis, de sua
estrutura de correlao, da boa qualidade e quantidade dos dados observados e da
impossibilidade de intervir na planta durante seu funcionamento, no se utilizou um arranjo
de DOE.
A anlise de correlao discutida anteriormente, evidenciou a forte estrutura de
dependncia existente entre os conjuntos de preditoras e respostas.

Tabela 7 Resumo dos dados X.
xi Descrio Mdia
Desvio
Padro
MIN MAX
x1 Ttulo do POY (Denier) 269,32 86,54 115,00 510,00
x2 Nmero de Filamentos 51,58 18,85 34,00 96,00
x3 Fora de Estiragem(cN) 97,56 29,71 40,00 212,00
x4 Alongamento do POY (%) 118,55 4,78 101,00 135,00
x5 Velocidade de produo (m/min) 688,19 141,37 400,00 950,00
x6 Taxa de Estiragem 1,68 0,07 1,50 1,80
x7 D/Y (Vel. Disco/Fio) 1,72 0,12 1,52 2,15
x8 Sobre alimentao 2 (%) -2,06 1,90 -5,30 0,00
x9 Sobre alimentao 3 (%) -4,78 0,93 -7,00 -2,40
x10 Sobre alimentao 4 (%) -5,55 1,12 -8,40 -2,90
x11 Temperatura Forno Curto (C) 442,79 41,74 320,00 550,00
x12 Temperatura Forno Longo (C) 342,53 40,57 200,00 420,00
x13 Temperatura 2 Forno (C) 151,49 75,87 0,00 240,00

Os dados foram coletados ao longo de um start-up de produo e a partir de testes para
produo de amostras, quando tcnicos manipularam as variveis para alcanar propriedades
desejadas. A matriz de dados utilizada contm 235 linhas, referentes a 235 produtos
produzidos em situaes diferentes de parmetro, de processo ou tempo. A matria-prima foi
fixada em polister semi-opaco com seo transversal redonda. Com isso, os Ttulos (X1) e
Filamentos (X2) estudados variam de 115 a 510 Denier e 34 a 96 Filamentos. A fora de
estiragem (X3) e o alongamento (X4) deste grupo de matria-prima abrange a faixa de 40 a
212 cN e 101 a 135 %, repectivamente. As variveis de X1 a X4 formam o grupo da matria-
prima. Na anlise de variveis de processo, que de sua interao resulta o volume do fio,

91
aparecem as variveis D/Y (X7) e Temperatura do segundo forno (X13), variando de 1,52 a
2,15 e 0 a 240C, respectivamente. Em um outro grupo, aparecem todas as sobre-alimentaes
(X8, X9 e X10) que variam entre 0 e -8,4%. Um grupo caracterstico de variveis composto
somente de variveis manipuladas do processo, compreendido por Velocidade de produo
(X5), Taxa de Estiragem (X6), Temperatura do forno de texturizao (X11, forno curto e X12
forno longo), variando de 400 a 950 m/min, 1,50 a 1,80, e 200 a 550 C. Deste modo, a matriz
de entrada ser 13 x 235. A Figura 40 mostra o Dendograma das variveis de entrada com
os grupos encontrados por ele. Esta estrutura de apresentao de dados assemelha-se a uma
rvore cujas razes podem formar grupos (ou clusters) de acordo com o grau de similaridade
entre as variveis. Cada vez que um grupo quebrado tem-se um indcio de reduo da
similaridade.

x12 x11 x6 x5 x13 x4 x10 x9 x8 x7 x2 x3 x1
-47,26
1,83
50,91
100,00
Variables
S
i
m
i
l
a
r
i
t
y
Dendrogram
Ward Linkage; Correlation Coefficient Distance

Figura 40 Dendograma de variveis de entrada

Para melhor entendimento do processo, pode-se fazer uma anlise de cluster onde grupos de
variveis que possuem relaes fortes sero facilmente identificadas. Esta Anlise de Cluster
utilizou a correlao como medida de similaridade e o Mtodo de Ward como mecanismo de
ligao. Este mtodo procura agrupar as variveis de modo a minimizar a varincia das
unidades dentro dos grupos formados, enquanto se maximiza a varincia entre estes

92
grupos. Percebe-se a formao de dois grupos bem distintos de variveis X, marcados por
uma grande dissimilaridade (linha pontilhada vertical). Esta dissimilaridade se deve, alm do
valor da correlao, ao sinal da correlao entre as variveis. Para o primeiro grupo, formado
pelas variveis x
1
, x
3
, x
2
, x
7
, x
8
, x
9
e x
10
, o nvel de similaridade est acima de 51%, com
destaque para a similaridade entre as correlaes de x
1
, x
3
, x
9
e x
10
(92,06%).

x12 x11 x6 x5 x13 x4 x10 x9 x8 x7 x2 x3 x1
-47,26
1,83
50,91
100,00
Variables
S
i
m
i
l
a
r
i
t
y
x13 x10 x9 x8 x12 x11 x7 x6 x5 x2 x4 x3 x1
-153,19
-68,79
15,60
100,00
Variables
Ward Linkage; Correlation Coefficient Distance
Ward Linkage; Absolute Correlation Coefficient Distance

Figura 41 Dendogramas combinados (Correlao x Mdulo de Correlao).

93
1,0 0,5 0,0 -0,5 -1,0
1,0
0,5
0,0
-0,5
-1,0
First Factor
S
e
c
o
n
d

F
a
c
t
o
r
0
0
x13
x12
x11
x10
x9
x8
x7
x6
x5
x4
x3
x2
x1
Loading Plot (Preditoras)

Figura 42 Escores do fator 1 versus 2
Considerando-se comparativamente o valor absoluto da correlao, nota-se um
rearranjo dos grupos, embora muitas variveis ainda permaneam nos grupos anteriores.
Desta anlise, depreende-se que o nvel de correlao suficiente, inclusive, para agrup-las
com moderada intensidade. Este um outro indcio que a correlao no conjunto de preditoras
no pode ser desconsiderada.
A figura 42 mostra, utilizando uma anlise de fatores baseada em extrao por
componentes principais, os mesmos grupos de variveis da Anlise de Cluster. Para evitar os
efeitos da multicolinearidade, variveis com correlaes altas poderiam ser eliminadas e/ou
substitudas por aquelas com as quais se correlacionem intensamente.
Para as variveis de sada, separaram-se as trs variveis de processo extremamente
relevantes para a qualidade do produto final e trs indicadores da qualidade do produto que
influenciam todas as propriedades dos tecidos que iro empregar estes fios.
A matriz de dados de entrada e sada, X e Y (esquematicamente representada na figura
43 a seguir), contm seis fatores importantes para a qualidade do produto, trs variveis de
processo, que foram coletados diretamente das folhas de controle de processo, e quatro fatores
intrnsecos do produto, que foram coletados do laboratrio de serigrafia.

94
Variveis de processo Variveis da Qualidade
X
11
X
12
X
13
... ... X
1m
Y
11
Y
12
... Y
1r

X
21
X
22
X
23
... ... X
2m
Y
21
Y
22
... Y
2r

... ... ... ... ... ... ... ... ... ...
O
b
s
e
r
v
a
e
s

X
n1
X
n2
X
n3
... ... X
nm
Y
n1
Y
n2
... Y
nr

Figura 43 Representao da Matriz

5.5.1 Anlise de regresso mltipla

A figura 44 a seguir representa a anlise de Y1. Nota-se um ajuste bastante alto para a
resposta de interesse (R
2
adj. =90,6%), a significncia estatstica do modelo (P-value =0,000)
e Durbin-Watson igual a 2,02625, o que representa a ausncia de autocorrelao serial
conforme mostra a figura 44. Individualmente, apenas as variveis x
8
, x
12
e x
13
no
apresentam significncia para % 5 = o .
As variveis x1, x3 e x10 foram aquelas que apresentaram os maiores VIFs, todos
maiores que 5. Avaliando-se a soma de quadrados seqencial (Seq SS) na Figura 45, nota-se
que as variveis mais importantes na explicao do comportamento de Y1 so, nesta ordem,
x1, x5 e x6.
Na figura 46, observa-se que os resduos deste modelo so aproximadamente normais.
O grfico de resduos versus valor ajustado (Fitted Value) no apresenta aparentemente
padres de heteroscedasticidade, tais como os formatos de funil ou borboleta, como sugere
Montgomery (2001).
O grfico de resduos padronizados versus ordem sugere um padro aleatrio de
distribuio dos resduos, sem indcios de clusters, tendncias, misturas ou oscilao
excessiva. H poucos resduos alm dos limites de -2 e +2, o que sugere a ausncia de
outliers.

95

Figura 44 Anlise de Regresso para Y1.

Figura 45 Anlise de Varincia para o modelo de regresso de Y1 e Somas de quadrados parciais.

96
4 2 0 -2 -4
99,9
99
90
50
10
1
0,1
Standardized Residual
P
e
r
c
e
n
t
100 80 60 40 20
2
1
0
-1
-2
Fitted Value
S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
l
2,25 1,50 0,75 0,00 -0,75 -1,50 -2,25
24
18
12
6
0
F
r
e
q
u
e
n
c
y
220 200 180 160 140 120 100 80 60 40 20 1
2
1
0
-1
-2
Observation Order
S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
l
Normal Probability Plot Versus Fits
Histogram Versus Order
Anlise de Resduos (Y1)

Figura 46 Anlise de resduos para a resposta Y1.

55 50 45 40 35 30 25 20 15 10 5 1
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
55 50 45 40 35 30 25 20 15 10 5 1
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
Autocorrelao ( Y1)
(with 5% significance limits for the autocorrelations)
Autocorrelao (Y1-Resduos)
(with 5% significance limits for the autocorrelations)

Figura 47 Anlise de autocorrelao serial para Y1 e para seus resduos.

97

Figura 48 - Melhores combinaes de variveis para a explicao de Y1 (Best subsets).

A Figura 48 mostra os resultados de diversas combinaes feitas com as 13 variveis
preditoras, inclusive combinaes que no utilizaram as variveis com P-values maiores que
5%. Observa-se que a remoo destas variveis no aumenta a explicabilidade do modelo,
com uma concomitante reduo da varincia (S). Por esta razo, optou-se pelo modelo de
regresso linear mltipla completo.
Por outro lado, a anlise estatstica anterior, apresenta vrias preditoras com valores de
VIF acima de 4 ou 5. Segundo Montgomery et al. (2006) e Myers e Montgomery (2002),
muitos autores consideram que o fator de inflao da varincia no deveria exceder 4 ou 5.
Esta anlise sugere, portanto, a presena de multicolinearidade (pelo menos moderada) no
conjunto de preditoras. Myers e Montgomery (2002) sugerem ainda que para avaliar o grau de
multicolinearidade, pode-se empregar um nmero de condio k formado pela razo entre os
autovalores da matriz X
T
X, (
min max
k = ). No haver a incidncia de multicolinearidade
se este nmero de condio for menor que 100. Para o conjunto de preditoras do processo de
texturizao em questo, 1692 , 2
max
= e 0001 , 0
min
= , o que fornece um nmero de

98
condio de 21.692. A presena de multicolinearidade no implica em mudana nos valores
dos regressores, mas sim, no aumento da varincia para a previso, ou seja, as previses feitas
com modelos formados por variveis de entrada correlacionadas tendem a fornecer
estimativas menos precisas do que aqueles isentos de correlao. Myers e Montgomery (2002)
afirmam ainda que, mesmo se a multicolinearidade estiver presente, o modelo de regresso
ainda ser til se as novas observaes previstas pertencerem ao domnio (ou espao
experimental) da varivel x. Entretanto, a previso de observaes por extrapolao estar
bastante comprometida quanto sua preciso. A seguir apresentam-se as demais anlises de
regresso.

Tabela 8 Modelos de regresso OLS para as seis caractersticas de resposta.
Coeficientes Modelos Completos
Y1 Y2 Y3 Y4 Y5 Y6
b
0
-184,361
1
-136,785 186,145 96,763 2,288 21,933
b
1
0,092 0,093 0,656 0,015 -0,003 -0,024
b
2
0,083 0,013 -0,018 -0,085 -0,001 -0,127
b
3
0,285 0,228 -0,023 -0,029 0,003 0,048
b
4
-0,447 -0,460 -0,038 0,375 -0,012 0,126
b
5
0,012 0,010 0,007 0,006 0,000 -0,009
b
6
163,467 144,604 -120,830 -68,191 2,211 -1,594
b
7
-14,270 -20,577 2,229 -0,812 0,158 -3,626
b
8
-0,191 0,099 0,101 0,311 0,023 -0,462
b
9
2,230 2,596 -0,367 -0,542 0,022 0,566
B
10
-2,823 -3,740 -1,704 0,132 0,006 1,550
B
11
-0,049 -0,039 0,008 -0,017 -0,001 0,025
B
12
-0,002 -0,011 -0,021 0,010 0,002 0,046
B
13
-0,009 -0,011 -0,002 0,009 0,000 -0,096
R
2
adj.
: 90,60% 86,60% 99,80% 80,90% 73,70% 87,90%
S 4,831 5,445 2,474 1,778 0,194 3,368
Darbin-Watson 2,026 2,016 2,283 2,129 2,136 2,227

(1)
Valores em negrito representam coeficientes significativos (P-value <5%).

Tabela 9 apresenta os valores dos VIFs, que so iguais para todos os modelos de
regresso apresentados anteriormente, uma vez que o conjunto de preditoras utilizado o
mesmo. Destacam-se em negrito, os VIFs considerados altos.

Tabela 9 Valores de VIFs para o modelo MLR completo.
x
i
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
x
10
x
11
x
12
x
13

VIF 8,58 2,42 9,49 2,65 3,54 4,42 1,65 1,70 4,02 5,89 2,09 1,89 4,08

99
H uma explicao bastante simples para a ocorrncia de multicolinearidade no caso
do processo de texturizao. Neste caso, os dados utilizados para a modelagem foram obtidos
via metodologia determinstica. Baseado em equaes diferenciais descritas no captulo 2,
clculos intermedirios facilitaram a gerao de equaes para as variveis que se desejava
calcular. A existncia de detalhes importantes nestes clculos intermedirios permite inferir
que a qualidade destas equaes intermedirias influencia diretamente na qualidade das
respostas preditas, alm da qualidade dos dados iniciais usados.
Uma maneira bastante simples de se corrigir problemas com multicolineariadade
eliminar as variveis que apresentam correlaes fortes. Os dendogramas das figuras 40 e 41
anteriores mostraram que as maiores similaridades devido correlao se do entre os pares
de variveis x
1
e x
3
, x
5
e x
6
, x
9
e x
10
. Para saber qual varivel do par deveria ser eliminada
para corrigir o problema, optou-se por aquela com o menor valor para a Soma de quadrados
seqencial, ou seja, a varivel do par que possui o menor coeficiente. Desse modo, optou-se
por se manter as variveis x
1
, x
5
e x
10.

Figura 49 Anlise de regresso mltipla omitindo-se as variveis correlacionadas.

A anlise da figura 49 mostra que os VIFs diminuem consideravelmente com a
remoo das variveis x
3
, x
6
e x
9
. No obstante disto, a explicao do modelo cai bastante (de

100
90,6% para 77,1%), com um aumento considervel da varincia/desvio (S
completo
=4,83;
S
reduzido
=7,54). A tabela 10 mostra o resultado deste procedimento aplicado a todas as
respostas.

Tabela 10 Anlise de regresso mltipla para modelos reduzidos.
Reduzido
Coef. Y1 Y2 Y3 Y4 Y5 Y6
b0 31,348 45,751 78,678 32,095 4,851 33,511
b1 0,161 0,147 0,661 0,012 -0,003 -0,009
b2 0,141 0,057 0,004 -0,078 -0,001 -0,109
b3 - - - - - -
b4 -0,025 -0,032 -0,764 0,000 -0,004 0,010
b5 0,060 0,053 -0,027 -0,014 0,001 -0,009
b6 - - - - - -
b7 -35,539 -39,204 13,315 5,959 -0,099 -4,806
b8 0,259 0,558 0,067 0,238 0,027 -0,355
b9 - - - - - -
b10 -4,367 -4,776 -0,236 0,827 -0,016 1,767
b11 -0,048 -0,036 0,003 -0,020 -0,001 0,024
b12 0,018 0,005 -0,029 0,005 0,002 0,048
b13 -0,054 -0,052 0,027 0,026 0,000 -0,097
R
2
adj
.: 77,10% 74,80% 99,30% 48,90% 70,10% 87,60%
S 7,543 7,466 4,806 2,912 0,207 3,398
(1)
Valores em negrito representam coeficientes significativos (P-value <5%).

Nota-se que a excluso dos termos correlacionados diminui a explicao e aumenta a
varincia de todos os modelos. Como se acredita que a manuteno de todas as 13 variveis
importante para o entendimento do processo, ao passo que todas as variveis devem ser
definidas para que o processo funcione, se faz necessrio estudar uma outra abordagem para
contornar o problema das correlaes nas variveis de entrada.

5.5.2 Regresso por componentes principais

Aplicando-se o mtodo de mnimos quadrados ordinrios (OLS) aos escores dos
componentes principais, obtidos via decomposio espectral da matriz de varincia-
covarincia (ou correlao) do conjunto de preditoras, tem-se:

101

Figura 50 Anlise de regresso de Y1 utilizando PCR com8 componentes.

4 2 0 -2 -4
99,9
99
90
50
10
1
0,1
P
e
r
c
e
n
t
100 80 60 40 20
3,0
1,5
0,0
-1,5
-3,0
Fitted Value
S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
l
2,25 1,50 0,75 0,00 -0,75 -1,50 -2,25
30
20
10
0
F
r
e
q
u
e
n
c
y
220 200 180 160 140 120 100 80 60 40 20 1
3,0
1,5
0,0
-1,5
-3,0
Observation Order
S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
l
Anlise de resduos de Y1 por PCR

Figura 51 Anlise de resduos de Y1 por PCR.

102
Tabela 11 Modelos de regresso PCR para as seis caractersticas de resposta.
Coeficientes Modelos Completos
Y1 Y2 Y3 Y4 Y5 Y6
b
0
60.2230 56,4855 167.463 23,9381 4,43272 15,4961
b
1
-1.8179 -2,4476 12.4353 0,8631 -0,11358 0,2909
b
2
1.5654 1,4222 16.0386 1,0347 -0,09150 -4,3428
b
3
-7.1654 -6,5038 -26.9260 -0,1071 0,06798 -1,6791
b
4
2.4707 1,9094 14.6771 0,1965 -0,11847 0,6688
b
5
-2.2665 -2,0275 0.9599 1,3789 0,04000 -3,5532
b
6
-2.7938 -2,6106 4.379 0,2041 -0,04003 1,9749
b
7
-6.9511 -4,8875 2.169 1,7437 -0,10507 0,6569
b
8
8.1676 7,6426 11.079 -1,4276 -0,03426 -3,7766
R
2
adj.
: 82,3% 77,2% 94,3% 56,8% 70,8% 84,8%

Tabela 12 Comparao entre modelos de regresso PCR.
R
2
adj.
( PCR 8 componentes): 82,3% 77,2% 94,3% 56,8% 70,8% 84,8%
R
2
adj.
(PCR 10 componentes): 87,4% 83,2% 97,4% 68,4% 71,1% 86,7%
R
2
adj.
(PCR 13 componentes): 90,6% 86,6% 99,8% 80,9% 73,7% 87,9%

Figura 52 Comparao entre os Erros-padro para os modelos de regresso PCR.

Nota-se que a utilizao de 8 componentes principais conduz a ajustes melhores do
que aqueles obtidos com a eliminao das variveis correlacionadas. Porm, estes resultados
no so to bons quanto aqueles alcanados pelos modelos completos. A figura 53 a seguir
mostra os resultados utilizando todos os componentes. Neste caso, os ajustes so exatamente
iguais queles demonstrados pelos modelos completos, com os todos os coeficientes
apresentando VIFs iguais a um, ou seja, sem os efeitos da multicolinearidade.

103

Figura 53 Testes de Mediana de Mood e Mann-Whitney para diferenas entre os erros padro de previso com
8 e 10 componentes.

No se percebem diferenas significativas entre as medianas dos erros de previso para o
modelo PCR com 8, 10 ou 13 componentes. Portanto, neste caso, ser utilizado o modelo com
8 componentes.

104

Figura 54 Modelo PCR com13 preditoras/componentes.

5.5.3 Regresso por mnimos quadrados parciais

A seguir, apresenta-se uma seqncia de procedimentos compatvel com a adoo do
modelo de anlise de regresso PLS. Primeiramente, executa-se uma anlise de componentes
principais, para se avaliar se a estrutura de correlao das matrizes X e Y so compatveis
com a aplicao desta tcnica.

Figura 55 Anlise de Componentes Principais para 13 preditoras.

105
Nota-se que 8 componentes explicam 94% da estrutura de variao dos dados de
entrada. Assim, podem-se utilizar os oito componentes com segurana na anlise de regresso
por PLS. A figura 56 mostra os coeficientes estimados utilizando estes componentes.

Figura 56 Coeficientes obtidos comPLS e 8 componentes principais.

Na figura 57, nota-se que o nmero timo de componentes que devem ser utilizados
na modelagem individual de Y1 de 8 componentes principais, ou seja, a partir de 8
componentes, a explicao do modelo no aumenta mais significativamente. O mesmo se
aplica s demais respostas.

106
13 12 11 10 9 8 7 6 5 4 3 2 1
0,90
0,85
0,80
0,75
0,70
0,65
Components
R
-
S
q
optimal
Fitted
Crossval
Variable
Seleo do Modelo PLS (Y1)

Figura 57 Nmero timo de componentes principais no ajuste PLS para Y1

100 90 80 70 60 50 40 30 20 10
100
90
80
70
60
50
40
30
20
10
Valor Real
V
a
l
o
r

C
a
l
c
u
l
a
d
o

(
P
L
S
)
PLS Response Plot
(response is Y1)
8 components

Figura 58 - Comparao entre o valor Real e Valor calculado por PLS (8 componentes).

107

4 2 0 -2 -4
99,9
99
90
50
10
1
0,1
P
e
r
c
e
n
t
100 80 60 40 20
2
1
0
-1
-2
Fitted Value
S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
l
2,25 1,50 0,75 0,00 -0,75 -1,50 -2,25
30
20
10
0
F
r
e
q
u
e
n
c
y
220 200 180 160 140 120 100 80 60 40 20 1
2
1
0
-1
-2
Observation Order
S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
l
Resduos de Y1 - Modelo PLS

Figura 59 Anlise de Resduos para Y1 comregresso PLS.

2 0 -2
99,9
99
90
50
10
1
0,1
P
e
r
c
e
n
t
2 0 -2
99,9
99
90
50
10
1
0,1
P
e
r
c
e
n
t
2 0 -2
99,9
99
90
50
10
1
0,1
P
e
r
c
e
n
t
2 0 -2
99,9
99
90
50
10
1
0,1
P
e
r
c
e
n
t
2 0 -2
99,9
99
90
50
10
1
0,1
P
e
r
c
e
n
t
4 0 -4
99,9
99
90
50
10
1
0,1
P
e
r
c
e
n
t
PLS Residual Normal Plot
(response is Y1)
8 components
Normal - 95% CI
(response is Y2)
8 components
Normal - 95% CI
(response is Y3)
8 components
Normal - 95% CI
(response is Y4)
8 components
Normal - 95% CI
(response is Y5)
8 components
Normal - 95% CI
(response is Y6)
8 components
Normal - 95% CI

Figura 60 Normalidade dos resduos das 6 respostas obtidos por regresso PLS.

108

Figura 61 Coeficientes obtidos por PLS e 10 componentes.

Figura 62 Coeficientes de PLS obtidos com13 componentes.

Das anlises anteriores e da tabela a seguir, depreende-se que, aumentando-se o
nmero de componentes utilizados, aumenta-se tambm a explicao dos modelos, enquanto
que os coeficientes se aproximam daqueles obtidos com a regresso mltipla.

109

Tabela 13 Comparao entre modelos de regresso mltipla e PLS.
Mtodo Y
1
Y
2
Y
3
Y
4
Y
5
Y
6

R
2
adj.
(Regresso Mltipla): 90,6% 86,6% 99,8% 80,9% 73,7% 87,9%
R
2
adj.
(PLS-8 componentes): 90,5% 86,4% 97,7% 79,2% 72,2% 85,1%
R
2
adj.
(PLS-10 componentes): 91,0% 87,2% 98,1% 81,5% 73,5% 87,5%
R
2
adj.
(PLS-13 componentes): 91,1% 87,3% 99,8% 81,9% 75,1% 88,5%
R
2
adj.
(PCR-8 componentes): 82,3% 77,2% 94,3% 56,8% 70,8% 84,8%
R
2
adj.
(PCR-10 componentes): 87,4% 83,2% 97,4% 68,4% 71,1% 86,7%
R
2
adj.
(PCR-13 componentes): 90,6% 86,6% 99,8% 80,9% 73,7% 87,9%

Nota-se que os maiores ajustes para as respostas ocorrem com PLS de 13 componentes
e a prpria regresso linear mltipla (MLR). Entretanto, os erros de previso no mtodo PLS
so estatisticamente menores do que aqueles apresentados pela MLR. De acordo com a teoria,
eliminando-se a influncia da multicolinearidade, reduz-se o erro de previso do modelo
(MYERS e MONTGOMERY, 2002). Ou seja, embora os coeficientes sejam os mesmos, o
erro de previso ser menor porque os coeficientes foram calculados levando-se em
considerao uma combinao linear no correlacionada das preditoras. Neste caso, mostra-se
que as caractersticas do algoritmo NIPALS superam as do algoritmo OLS, no que tange a
ordem de grandeza dos erros de previso.

Figura 63 Anlises estatsticas da diferena entre os erros de previso de MLR e PLS.

110

50 45 40 35 30 25 20 15 10 5 1
2,00
1,75
1,50
1,25
1,00
0,75
0,50
Index
D
a
t
a
PSDF1
PSDF2
PSEFit2
Variable
Erros-padro de estimativas (Previso)

Figura 64 Comparao entre os erros-padro de estimativas dos mtodos MLR, PCR e PLS.

Na figura 65, mostra-se uma comparao entre os erros-padro de estimativas para a
previso de 51 observaes, previstas segundo os mtodos MLR, PCR e PLS. Nesta figura,
PSDF1 o erro de previso associado ao modelo de regresso mltipla (MLR); PSDF2 o
erro de previso obtido empregando-se o mtodo PCR com 8 componentes e, PSEFit2, o erro
de previso do modelo PLS com 8 componentes.

Figura 65 Teste da Mediana de Mood para Erro Padro versus Mtodo de Regresso.

111

Como os dados de erro padro no apresentam normalidade, estabeleceu-se a
utilizao do teste de hiptese no-paramtrico da Mediana de Mood para se avaliar
diferenas significativas entre os erros de previo de cada mtodo utilizado. De acordo com os
resultados apresentados na figura 66, o erro padro do mtodo PLS significativamente
menor do que aqueles apresentados pelos mtodos PCR e MLR (P-value =0,000). possvel
notar a diferena entre os intervalos de confiana de 95% para a mediana dos erros de
previso de PLS e MLR em relao aos erros de previso do mtodo PCR, neste caso. No foi
identificada diferena significativa entre os intervalos dos erros de MLR e PCR.

50 45 40 35 30 25 20 15 10 5 1
80
70
60
50
40
30
20
Observaes
D
a
t
a
PLS
PCR
MLR
Y1(Teste)
Variable
Previses de Y1 com PLS; PCR e MLR

Figura 66 Comparao entre os valores previstos para Y1 pelos mtodos MLR, PCR e PLS.

112
50 40 30 20 10 1
80
60
40
20
D
a
t
a
PLS
Y1(Teste)
Variable
50 40 30 20 10 1
80
60
40
20
PCR
Y1(Teste)
Varivel
50 40 30 20 10 1
80
60
40
20
D
a
t
a
MLR
Y1(Teste)
Variable
Previso de Y1(Teste) por PLS
Previso de Y1(Teste) por PCR
Previsode Y1(Teste) por MLR

Figura 67 Comparao de Y1(Teste) com os valores previstos por cada mtodo.

50 45 40 35 30 25 20 15 10 5 1
80
70
60
50
40
30
20
Index
D
a
t
a
PLS
Y1(Teste)
Variable
Previso de Y1(Teste) por PLS

Figura 68 Comparao entre o valor previsto por PLS e o valor real Y1(Teste).

113

Figura 69 Comparaes entre erros padro de Y2 e Y3.

Figura 70 Comparao entre erros padro para Y4 e Y5.

114

Figura 71 Comparaes entre erros padro (Y6).

As anlises anteriores indicaram um erro de previso significativamente menor com o
PLS como mtodo de regresso do que com os mtodos PCR e MLR. Isto foi observado nos
testes de Mediana de Mood para todas as seis respostas de interesse, exceto para a resposta
Y5, na qual se observa uma interseo entre os intervalos de confiana para a mediana dos
erros de previso entre os mtodos PLS e PCR. De maneira geral, portanto, torna-se evidente
que, para o processo de texturizao em anlise, os mtodos que consideram a estrutura de
correlao presente nas preditoras e respostas apresentam erros de previso menores, para os
mesmos ajustes.
No se pode afirmar obviamente que todos os processos de manufatura e/ou de
texturizao, apresentaro estruturas correlacionadas como estas apresentadas neste trabalho.
Entretanto, se estruturas semelhantes ocorrerem para qualquer outro banco de dados, o
mtodo poderia ser considerado como soluo interessante.

115

6 Integrao PLS-GA na otimizao do processo

Os resultados apresentados no Captulo 5 sugerem que o mtodo PLS bastante
adequado quando um processo de manufatura formado por um sistema complexo de
variveis independentes e dependentes que se correlacionam. Regresses tradicionais
requerem no colinearidade e/ou realizao de experimentos, os quais so onerosos em
processos complexos, difceis de serem feitos e na maioria das vezes, sem aplicabilidade
prtica. Em trabalhos futuros onde a comparao com outros mtodos no seja necessria
sugere-se o PLS como uma tcnica de destacado desempenho na presena de conjuntos com
muitas variveis e poucos dados, multicolinearidade, dados faltantes ou outliers, este mtodo
parece ser adequado ao controle de processos txteis. Desse modo, os dados podem ser
coletados normalmente, como se faz via de regra para o controle de processos e
rastreabilidade, e no momento em que se tem uma quantidade que se julgue suficiente, aplica-
se o mtodo PLS para a modelagem. Esta modelagem poder ser atualizada com novos dados
de produo ou ajustes de processo, promovendo um processo contnuo de melhoria.
Uma vez obtidos os modelos das caractersticas de interesse, pode-se utiliz-los como
funes objetivo ou restries em problemas de otimizao. disto que trata este captulo:
utilizar as formulaes estabelecidas no Captulo 4, utilizando as funes modeladas no
Captulo 5. Dada a natureza no-linear dos sistemas de otimizao discutidos anteriormente,
ser utilizado o Algoritmo Gentico para a soluo do problema. Esta abordagem hbrida se
denominar Integrao GA-PLS.
Dadas as condies de contorno necessrias ao estabelecimento dos sistemas de
equaes do processo de otimizao, apresenta-se a seguir um exemplo de otimizao de um
produto txtil de interesse.
6.1 Exemplo de aplicao da abordagem PLS-GA

Dentro deste captulo, sero enunciadas algumas possibilidades prticas de aplicao
da metodologia proposta de modelagem por PLS e otimizao por GA que podem promover a
melhoria de setups de mquina, reduzindo os custos de produo ou qualidade, ou obtendo
condies de matria prima que proporcionem melhores caractersticas dos produtos finais.
Estas configuraes timas permito o atendimento dos requisitos do mercado, seja na forma

116
de uma solicitao direta do cliente ou atravs da anlise de um tcnico do segmento em
questo. Os clientes, de um modo geral, tm uma percepo de qualidade que pode ser
traduzida em parmetros da qualidade dos fios, que neste trabalho denominou-se dados
serimtricos.

6.1.1 Atendendo solicitao do cliente

Se um cliente utiliza diferentes lotes de uma empresa ao longo do tempo, e recebe os
relatrios com os dados serimtricos do fio, ele tender a ser mais crtico com relao
variao destes dados quando houver mudana de lotes. Se o cliente tem em seu corpo tcnico
pessoas com conhecimento na rea txtil, a solicitao de dados serimtricos especficos e
variao dos mesmos procedimento comum. Nas empresas de setores onde a normalizao
est presente, este procedimento de solicitao j esperado e dificilmente atendido sem que
diversos testes sejam feitos para se verificar sua viabilidade. Como se sabe, estes testes
demandam recursos que poderiam ser mais bem aproveitados em atividade que gerem valor.
Tomando-se como exemplo que um cliente solicite um fio com ttulo final de 165
denier e 34 filamentos, para uma aplicao de malharia. Ao se requisitar o produto na fbrica,
deve-se especificar o fio como:

Ttulo de 165 denier com 34 filamentos;
Tenacidade >3,5 cN/den, pois malharia no requer grande esforo;
Alongamento entre 22 e 24 %, para se tomar cuidado com o tingimento;
Encolhimento em torno de 14%.

A partir dos dados acima, pode-se estabelecer os valores objetivo dos parmetros de
qualidade especificados (no capitulo de otimizao estes valores so designados como T
i
).
Desta maneira, existe um objetivo a ser alcanado que a determinao dos nveis dos
parmetros de mquina e matria prima que podem atender a esta especificao. Supondo-se
que a matria prima a ser utilizada j se encontre em estoque, seleciona-se um lote adequado
para este produto final, o qual dever ter um 265 denier com 34 filamentos. Este fio (POY)
estar identificado por um lote de fiao, que tem caractersticas fsicas j descritas em
relatrio de qualidade quando na especificao de matria prima. Com esta informao, j
esto disponveis o objetivo e a matria prima, faltando somente a definio dos parmetros

117
de mquina e indicaes de processo. Esta etapa pode ser definida atravs da modelagem e
otimizao proposta. O valor a ser definido para a diferena de D
i
=|T
i
Y
i
|, D
i
ser de 1
unidade, pois, historicamente, o cliente no tem tido problemas com variaes desta
magnitude.

Figura 72 Exemplo de aplicao a otimizar.

Na figura 72, pode-se observar as suposies feitas em funo dos dados requeridos
pelo cliente, e conseqentes atribuies feitas em funo de dados histricos. Com relao aos
parmetros de mquina, estes tambm devem seguir a experincia ou necessidade da empresa
no momento, visando maximizar a qualidade e reduzir custos. Desta maneira, sugeriu-se um
conjunto de dados para o limite superior e inferior. As seis funes-objetivo utilizadas (Y1 a
Y6), foram obtidas atravs do mtodo PLS, adotando-se 8 componentes principais. Como se
demostrou anteriormente, os ajustes (R
2
adj.
) destas respostas so, respectivamente: 90,5%;
86,4%; 97,7%; 79,2%; 72,2%; 85,1%. Nota-se que estes ajustes so relativamente maiores (e
melhores) do que aqueles obtidos com o modelo de King (no descrito no trabalho devido a
propriedade intelectual).
Com todo este procedimento pronto, pode-se executar o algoritmo de soluo para se
encontrar as possibilidades de parmetros de mquina e respectivos indicadores de processo
que atendero s restries, seguindo o modelo proposto. interessante observar que o
objetivo da otimizao a minimizao da mdia geomtrica formadas pelas diferenas
quadrticas entre cada funo estimada (cada caracterstica) os seus respectivos objetivos.
Desta maneira a restrio de D
i
em uma unidade somente funciona como restrio auxiliar.

118

Figura 73 Exemplo de aplicao otimizado

Na figura 73, tm-se uma sugesto de parmetros adequados para se atender
solicitao do cliente. Este processo de estabelecer funes-objetivo usando mtodos
estatsticos e a sua conseguinte otimizao requerem dados histricos e alguns conhecimentos
de engenharia txtil, as informaes adicionais importantes entendidas a partir do estudo no
envolvem custos abusivos em sua obteno. Logo, uma informao extremamente relevante
por indicar as solues possveis sem utilizar recursos que podem estar gerando valor para a
empresa.
Na hiptese de o conjunto de parmetros apresentados na Figura 73 ser uma soluo
possvel que no atenda s expectativas (ou restries), possvel se adequar os limites
inferior e superior de modo a se encontrar outras solues, ou ainda, pode-se valer da opo
de alterar as restries de D
i
para valores menores, sendo mais rgido na aproximao dos
resultados esperados e calculados.
Este exemplo utilizou uma solicitao do cliente, muito embora pudesse ter sido
proveniente de clientes internos como os setores de planejamento ou qualidade, decorrentes
de uma anlise de custos, ou da necessidade de melhoria de qualidade ou produtividade.
Outros exemplos poderiam ser apresentados, porm, a soluo muito provavelmente
seguiria a mesma sequncia conceitual, demonstrando as solues possveis viveis para o
problema.

119

Concluses

Nesta dissertao, foram evidenciados muitos detalhes do processo de texturizao
que devem ser observados na produo de fios texturizados de polister. Estes detalhes,
registrados pelas empresas como informaes de matria-prima e parmetros de processo,
podem ser utilizados para melhoria do mesmo se devidamente tratados, utilizando-se mtodos
como o PLS, por exemplo, para gerao de modelos que sirvam para previso, simulao ou
otimizao, como se demonstrou. Os resultados positivos alcanados expem a grande
oportunidade existente para as empresas reduzirem ou eliminarem os testes realizados
empiricamente, fazendo com que ganhos evidentes apaream. O trabalho ainda demonstrou
que a metodologia proposta para a gerao deste novo conjunto de informao, obtido a partir
do processamento dos dados disponveis, no tem alto custo, o que indica sua adoo por
qualquer processo de manufatura.
Algumas concluses especficas acerca da modelagem e otimizao do processo de
texturizao por falsa toro so as seguintes:
- Embora se dispusesse de um banco de dados consideravelmente grande, o pr-
processamento do mesmo, eliminando outliers, dados faltantes e possveis erros de
registro, foi fundamental para os bons ajustes encontrados;
- As anlises de resduos foram teis na confirmao de que o conjunto final de dados
era adequado s tarefas de modelagem e otimizao, conferindo um grau de
confiabilidade aos resultados;
- Embora o conjunto de dados utilizados fosse grande, empregando-se o mtodo PLS,
pode-se utilizar um banco de dados pequeno (formado em curto perodo), o que
permitiria a reduo tempo de desenvolvimento de produtos;
- A eliminao de dados faltantes exclui, de certa forma, informaes referentes outras
variveis. Esta eliminao no seria necessria se o usurio utilizar o mtodo PLS
diretamente. Este mtodo robusto ocorrncia de dados faltantes;
- Dados relativos a processos de texturizao por falsa toro apresentam correlaes
fortes e significativas, tanto no conjunto de preditoras quanto no conjunto de respostas.
A modelagem independente das caractersticas dos produtos txteis pode se constituir
em um equvoco;

120
- Sobre o conjunto original de 19 variveis (13 de entrada e 6 de sada), 6 componentes
principais foram suficientes para se explicar 86% da variao do conjunto, o que
mostra a redundncia do conjunto de dados e a presena de multicolinearidade.
- Quanto ao conjunto de respostas, 3 componentes principais explicam 90% da variao
de todas as respostas. Isto mostrou que as caractersticas da fibra texturizada no
podem ser modeladas de forma independente;
- Embora seja algumas vezes indesejvel, a estrutura de correlao mostrou alguns
aspectos positivos de sua presena, tais como a boa relao entre preditoras e respostas,
e os clusters de variveis formados, compatveis com a natureza do processo, como o
conjunto de velocidades de sobrealimentao, por exemplo;
- O mtodo MLR apresentou bons ajustes, embora tenha apresentado problemas de
multicolinearidade e erros de previso comparativamente mais altos que o PLS;
- A eliminao das variveis de entrada correlacionadas eliminou o problema da
multicolineariade, mas reduziu sensivelmente a explicao do modelo;
- O mtodo PCR com 8 componentes no apresentou bons ajustes para as respostas;
- No foram detectadas diferenas significativas quanto ao erro de predio na
utilizao dos mtodos PCR e PLS com 8, 10 ou 13 componentes, respectivamente;
- O mtodo PLS com 8 componentes apresentou erros de previso estatisticamente
menores que os mtodos PCR (8 componentes) e MLR;
- O mtodo de otimizao por Algoritmos Genticos mostrou-se eficiente ao
proporcionar solues muito prximas aos alvos pr-estabelecidos, atendendo a todas
as restries;
- Embora 8 componentes principais tenham sido suficientes, melhores ajustes e
condies de setup poderiam ser atingidos utilizando-se PLS com 13 componentes.
- As seis funes-objetivo utilizadas (Y1 a Y6), foram obtidas atravs do mtodo PLS,
adotando-se 8 componentes principais. Como se demostrou anteriormente, os ajustes
(R
2
adj.
) destas respostas so, respectivamente: 90,5%; 86,4%; 97,7%; 79,2%; 72,2%;
85,1%. Nota-se que estes ajustes so relativamente maiores (e melhores) do que
aqueles obtidos com o modelo de King. O mesmo se observou nos mtodos PCR e
MLR.
De uma maneira geral, a anlise comparativa entre os mtodos de regresso MLR,
PCR e PLS, mostrou os bons nveis de ajuste e previsibilidade do mtodo PLS, o que o
qualifica como uma excelente opo para modelagem de processos de texturizao.

121
Trabalhos futuros podem abordar a utilizao do mtodo PLS no controle de processo
multivariado da manufatura, aplicaes on-line no sistema, modelagem mais complexas
incluindo mais fatores e processos. Outrossim, pode-se pensar tambm na utilizao de
modelos no lineares, incluindo-se interaes entre variveis e termos quadrticos. Tambm
poderiam ser estudadas outras opes de anlise tais como a Correlao Cannica e a
Regresso mltipla multivariada. No mbito dos mtodos MLR e PCR pode-se considerar a
padronizao dos dados de entrada antes da modelagem e tambm, a considerao de mtodos
de rotao (Varimax, Equimax, etc) para a extrao dos componentes principais que
representaro os dados originais.

122

Referncias bibliogrficas

AGUILERA, A.M., ESCABIAS, M., VALDERRAMA, M.J. Using principal components for
estimatin logistic regression with high-dimensional multicollinear data, Computational
Statistics & Data Analysis, 2006, 50 (8), 1905-1924 pp.
ARTUNC, H.; WEINSDORFER, H., Einflu der Geschwindigkeit beim PES-Spinnen und ds
Fadenlaufprofils der Texturiermachine auf das Verarbeitungsverhalten beim Texturieren,
CTI 38/90, Oct. 1988, p.897.
BARMAG ORLIKON, Machine Manufacturer, Remscheid, Germany. Disponvel em:
www.barmag.com, acesso em: 5 de maro de 2008.
BAXTER, M., Projeto de produto, So Paulo: Edgard Blcher, 1998, p. 93-94.
BRASIL TXTIL, IEMI, Instituto de Estudos e Marketing Industrial Ltda. Relatrio (anual)
Setorial da Indstria Txtil Brasileira, 2007.
BURNHAM, A. J .; J . F. MacGregor; R. Viveros. A statistical framework for multivariate
latent variable regression methods based on maximum likelihood. J ournal of Chemometrics,
1999 (13): 4965.
BUSACCA G.P., MARSEGUERRA M., ZIO E., Multiobjective optimization by genetic
algorithms: application to safety systems. Reliability and Engineering Systemn Safety, 2001,
2 (1), 5974.
CALDAS, L.G., L.K. NORFORD. A Design Optimization Tool Based on a Genetic
Algorithm. Automation in Construction, 2001, 11 (2), 173-184.
CERRI, P.L., Integrao trazendo competitividade para a Indstria txtil do Nordeste.
Apresentao para o Banco do Nordeste, 2007.
CHUDOBA, R., VORECHOVSCKY, M., ECKERS, V. & GRIES, T. Effect of Twist,
Loading Rate and Length on Tensile Behavior of Multifilament Yarns (A Multivariate Study).
Textile Research J ournal, 2007, Vol. 77 (11), 880-891.
COOK, D.F.; RAGSDALE, C.T; MAJ OR, R.L., Combining a neural network with a genetic
algorithm for process parameter optimization. Engineering Applied Artificial Intelligence,
2000, 13(4), 391396.
COPAS, J . B. Regression, Prediction, and Shrinkage, J ournal of the Royal Statistical Society,
ser. B, 1983, 45, 3 1 1-354.
CORRA, H. L.; GIANESI, I. G. N., Administrao estratgica de servios. So Paulo:
Atlas, 1994, p. 151.
COSTA, L., OLIVEIRA, P., Evolutionary algorithms approach to the solution of mixed
integer non-linear programming problems, Computers and Chemical Engineering, 2001, 25,
257-266.
DAREN, Z., QSPR studies of PCBs by the combination of genetic algorithms and PLS
analysis. Computers Chemistry, 2001, 25(2), 197204.
DAVIES, A. M. C. Uncertainty testing in PLS regression. Spectroscopy Europe, 2001 13(2).
Disponvel em: http://www.spectroscopyeurope.com/TD_13_2.pdf , acesso em 5 de maro de 2008.

123
DAVIS, E.W.; TALBOT, J .R., Polyester, Fibers, in Encyclopedia of Polymer Science and
Technology, 2
nd
Edition, 1985, V.12, 119-113.
DE J ONG, S. SIMPLS: An alternative approach to partial least squares regression.
Chemometrics and Intelligent Laboratory Systems, 1993, 18: 251-263.
DEMIR, A.; BEHERY, H.M., Synthetic Filament Yarn: Texturing Technology. Prentice-Hall,
Inc, NJ : 1997.
DENTON, M.J ., Texturing of Continuous Filament Synthetic Yarns, The J ournal (Bradford
Textile Society), 1987, 51-56.
DERDER, G., Textured Polyester Filament Yarns in Spun Yarn Weaving, Melliand
Textilberiche (English Edition), September 1985, 699-713.
DESCHAMPS, J . P.; NAYAK, P. R., Produtos irresistveis: como operacionalizar um fluxo
perfeito de produtos do produtor ao consumidor, So Paulo: Makron Books, 1997.
DIETRICH, W.; REICHELT, G.; RENKERT, H. Untersuchungen zum PES-
schmelzspinnproze bei Abzugsgeschwindigkeiten von 5000 10000m/min, CTI Sept. 1982,
p.612.
DURAND, A. DEVOS, O., RUCKEBUSCH, C., HUVENNE, J .P. Genetic algorithm
optimization combined with partial least squares regression and mutual information variable
selection procedures in near-infrared quantitative analysis of cotton-viscose textiles.
Analytica Chimica Acta, 2007, 595, 72-79.
EDWARD, E.; CONRAD, B.; SELWAYAN, S., Optimization of a neural network model for
calibration of voltammetric data. Chemometrics Intelligence Laboratory System, 2002, 61(1
2), 3549.
ELLIS, B.C., A Review of Techniques for the Assessment of Hand, Textile Research J ournal,
April 1980, 231-238.
ENDO, T., SHINTAKU, S., & KINARI, T. Mechanics of Disk-type False Twisting Part I:
Yarn Path and Friction Force on a Single Disk. Textile Research J ournal, Fev. 2003, 73 (2),
139-146.
ESKIN, N., Analysis of a high temperature heater in a false twist texturing process, Energy
Conversion and Management Vol. 44, 2003, pgs. 2531-2547.
FALK, R. F.; NANCY B. M. A primer for soft modeling. University of Akron Press. Includes
an introduction to PLS, Akron, Ohio: 1992.
FEATHERSONE, A.M., HEARLE, J .W.S., WELLSTEAD, P.E. Simulation of the False
Twist Textile Yarn Texturing Process, Simulation Council Inc., 1986, 46:2, 53-60.
FOURNE, F.V., Stretch Yarn (krauselmaterial), Melliand-Textilber. 37 1956, p.661, 39 1958
p.247 e 361.
FOURNE, F.V., Synthetic Fibers. Hanser, Munich: 1999, p.16.
FRONTLINE Solvers, Premium Solver Plataform User Guide, 2006. 317p.
GANDHI, R.S., PAL, S.K., KOTHARI, V.K. Draw-Texturing of Microfiber Polyester Yarn.
Textile Research J ournal, Dezembro 1996, 66 (12), 770-776.
GARTHWAITE, P.H. An Interpretation of Partial Least Squares, J ournal of the American
Statistical Association, Vol. 89, No. 425. Mar., 1994, pp. 122-127.
GELADI, P.; KOWALSKI, B. Partial least-squares regression: A tutorial. Analytica

124
Chimica Acta, 1986, 185: 1-17. A standard introduction to PLS, albeit using chemometric
examples.
GHOSH, S. & WOLHAR, J . The Influence of Some Machine-Setting Variables on the
Properties of Yarns in the Friction-Twist-Draw-Texturing Process, Textile Research Institute,
1981, Vol. 51 (6), 373-383.
GOLDBERG, D.E., Genetic algorithms in search, optimization and machine learning.
Reading, MA: Addison-Wesley, 1989.
GREENWOOD, K., An Apparent Friction Paradox (Amontons law), J ournal of Physics,
D:Applied Physics, 1977, Vol. L53-L58.
GUNST. R. F.; MASON. R. L. Biased Estimation in Repression: An Evaluation Using Mean
Squared Error J ournal of the American Statistical Association, 1977, 72, 616-628.
HADI, A. S.; LING, R. F. Some cautionary notes on the use of principal components
regression. The American Statistician, 1998, 52, 15-19.
HAIR, J .F., ANDERSON, R.E., TATHAM, R.L., BLACK, W.C. Anlise Multivariada de
Dados, 5
a
Edio, 2005, 593p.
HEARLE, J .W., Texturing Technology. The Textile Institute, Manchester: 2002.
HEARLE, J .W.S.; GROSBERG, P.; BACKER, S., Structural Mechanics of Fibers, Yarns and
Fabrics. New York: Wiley-Interscience, 1970.
HEARLE, J .W.S.; MORTON, W.E., J ournal of Textile Institute, 1957, Vol. 48, T159.
HELLAND. I. S. On the Structure of Partial Least Squares Regression, Communications in
Statistics, Part B Simulation and Computations, 1988, 17, 581-607.
HELLAND. I. S. Partial Least Squares Regression and Statistical Methods, Scandinavian
J ournal ofStatistics, 1990, 17, 97-114.
HEUVEL, H.M.; HUISMAN, R., J . Polymer Science. 22(8) 1978 p.2229.
HOLLAND J ., Iterative circuit computers. Proceedings of the Western J oint Computer
Conference, 1960.
HOSKULDSSON, P., PLS Regression Methods, J ornal of Chemometrics, 1988, 2, 211-228.
HULLAND, J . Use of Partial Least Squares (PLS) in Strategic Management Research: A
review of four recent studies. Strategic Management J ournal, 1999, 20, 195-204.
HUNYAR, A.; REICHERT, H., Faserforsch und Textiltechn. 4 1954, p.1.
HWANG J .T. G.; NETTLETON, D. Principal components regression with data-chosen
components and related methods.Technometrics, 2003, 45(1), 70-79.
ISLIER, A.A., A genetic algorithm approach for multiple criteria facility layout design.
International J ournal Production Research, 1998, 36(6), 1459-1569.
J ANG, J .S.R.; SUN, C.T.; MIZUTANI, E.; Neuro-fuzzy and Software Computing: A
computacional approach to learning and machine intelligence, 1997 (Prentice-Hall:
Englewood Cliffs, NJ ).
J EONG, B.; LEE, J .; CHO, H. Efficient optimization of process parameters in shadow mask
manufacturing using NNPLS and genetic algorithm. International J ournal of Production
Research Vol. 43, n.15, Agosto 2005, p.3209-3230.
J OHNSON RA, WICHERN D., Applied multivariate statistical analysis, 5
th
ed., Prentice-

125
Hall, New J ersey, 2002.
J OLLIFE, I. T. A note on the use of principal components in regression. Applied Statistics,
1982, 31, 300-303.
J URAN, J .M.; GRYNA, F. M., Controle da qualidade ciclo dos produtos: do projeto
fabricao, So Paulo: Makron Books, 1992 v.3, p. 4.
KARAKAS, H.C., DAYIOGLU, H. Influence of Major False-Twist Texturing Parameters on
the Structural Properties of Polyamide 6.6 Yarn. Fibers & Textiles in Eastern Europe, 2004,
v. 12, n. 2 (46).
KING, C.M., Summer Conference Short Seminar, Presentation, Charlote, SC: 2003.
KING, C.M., The development of physical properties during the spinning and cold drawing of
PET, Fiber Industries Inc., Charlotte, NC: 1991.
KING, J ., TYAA Summer Conference Short Seminar, Presentation, Charlote, SC: 2002.
KKSOY O., Multiresponse robust design: Mean square error (MSE) criterion. Applied
Mathematics and Computation, 2006, 175 (2), 17161729.
KKSOY O., YALCINOZ T., Mean square error criteria to multiresponse process
optimization by a new genetic algorithm. Applied Mathematics and Computation, 2006, 175
(2), 16571674.
LIU, R. X., KUANG, Q. GONG, HOU, X. L. Principal component regression analysis with
SPSS. Computer Methods and Programs in Biomedicine, 2003, 71 (2), 141-147.
LOHMLLER, J .B. Latent variable path modeling with partial least squares. New York:
1989, Springer-Verlag, 283 p.
LUDEWIG, H., Polyesterfasern, Akademie-Verlag, Berlim, 1975, p.51 e 81.
MALTHOUSE, E. C.; TAMHANE, A. C.; MAH, R. S. H. Nonlinear partial least squares.
Computers in Chemical Engineering, 1997, 21: 875-890.
MASON, R. L.; GUNST, R. F. Selecting principal components in regression.Statistics and
Probability Letters, 1985, 3, 299-301.
McINTYRE, J.E., Fibers, Manufacture, in Encyclopaedia of Polymer Science and
Technology, 2
nd
Edition, 802-839.
McINTYRE, J .E., The Chemistry of Fibers, Edward Arnold, London: 1971
MDICE, Ministrio do Desenvolvimento, Indstria e Comrcio Exterior, Disponvel em:
http://www.desenvolvimento.gov.br/, acesso em 5 de maro de 2008.
MELVIK, B.H., FAERGESTAD, E.M., ELLEJ AER, M.R., NAES, T. Using Raw Material
Measurements in Robust Process Optimization, Chemometrics Intell Lab. Syst., 55 (2001),
133-145.
MONTGOMERY, D.C., Design and analysis of experiments, 4
th
ed., Wiley, New York, 2001.
MONTGOMERY, D.C., PECK, E.A., VINING, G.G. Introduction to Linear Regression
Analysis, 2006, John Wiley & Sons, 4
th
ed., 640p.
MYERS, R.H., MONTGOMERY, D.C. Response Surface Methodology: Process and
Product Optimization using Designed Experiments, 2002, 2
nd
ed., 798p.
OWENS, K. Development of a Practical Method for Measuring Heat History of Texturized
Polyester At-line Using NIRA (Near Infra-Red Analysis). Master Thesis at Institute Textile

126
Technology Charlottesville, Virginia, May 1997.
PATENTE DRP 618 050 (Ad.: 11 March 1932 Heberlein & Co. Watwill, Switzerland).
PCI, PCI Fibres pertencente ao grupo: May House Ltd., <http://www.pcifibres.com/>,
CARMICHAEL, A. apresentada na SYFA, Synthetic Yarn and Fiber Association. Statistical
Methods for Forecasting. New York: J ohn Wiley & Sons, 1983.
PHATAK, A.; J ONG, S., The geometry of partial least squares, J ournal of Chemometrics,
Vol. 11, 1997, 311-338.
PROCHNIK, V.; Estudo da Competitividade de Cadeias Integradas no Brasil: Impactos das
zonas de livre comrcio, NEIT-IE-UNICAMP: 2002.
RAUBENHEIMER, J . E. An item selection procedure to maximize scale reliability and
validity. South African J ournal of Industrial Psychology, 2004, 30 (4), 59-64.
RENCHER A.C., Methods of multivariate analysis, 2
nd
ed., Wiley, 2002, 732p.
REVISTA TXTIL, disponvel em: http://www.revistatextil.com.br/ acesso em 5 de maro de
2008.
RODGERS, J .E., GHOSH, S. Measuring Nylon Carpet Yarn Heat History by Remote NIR
Spectroscopy Part I: Development of laboratory Remote Fiber-Optic Measurements, Textile
Research J ournal, 2000, 70 (6), 510-524.
SANCHES, R.A., Otimizaao dos Parmetros de Regulagem das Mquinas Circulares de
Malharia, utilizando a Metodologia Taguchi. Campinas: 2001, p. 17.
SELLIN, N. Partial least square modeling in research on educational achievement, 1995
256-267 in Wilifred Bos and Rainer H. Lehmann, eds., Reflections on educational
achievement; Papers in honour of T. Neville Postlethwaite, New York: Waxmann Munster,
1995.
SELLIN, N.; KEEVES, J .P. Path analysis with latent variables, 1994, 4352-4359 in Torstein
Husen and T. Neville Postlethwaite, eds., International encyclopedia of education, 2nd ed.,
London: Elsevier Publishers, 1994.
SILVA, C. E. S., Mtodo para avaliao do desempenho do processo de desenvolvimento de
produtos, Florianpolis, SC: 2001, p. 25.
SJ OSTROM, M.; WOLD, S.; LINDBERG, W.; PERSSON, J .-A.; MARTENS, H.; A
Multivariate Calibration Problem in Analytical Chemistry Solved by Partial Least-Squares in
Latent Variables, Analytica Chemica Acta, 1983, 150, 61-70.
SPSS, Statistical Package for the Social Sciences, disponivel em: http://en.wikipedia.org/wiki/SPSS
, acesso em 19 maio de 2008.
STONE, M.,; BROOKS, R. J . Continuum Regression: Cross-Validated Sequentially
Constructed Prediction Embracing Ordinary Least Squares, Partial Least Squares and
Principal components Regression, J ournal of the Royal Statistical Society, Ser. B, 1990, 52,
237-269.
SUN, J ., A multivariate principal component regression analysis of NIR data. J ournal of
Chemometrics, 1996, 10, 1-9.
SYFA, Sinthetic Yarns and Fiber Association, site da associao disponvel em:
www.thesyfa.org, acesso em 27 de maio de 2008.
SZTANDERA, L., CARTWRIGHT, H.M. & CHIH-CHUNG, C. Genetics Algorithms in

127
Molecular Design of Novel Fibers. National Textile Center Annual Report. NTC Project:
C05-PH01, Novembro 2007, 9 pginas.
TANG, K. AND LI, T., Combining PLS with GA-GP for QSAR. Chemometrics Intelligence
Laboratory System, 2002, 64(1), 5564.
TEMME, D.; KREIS, H.; HILDEBRANDT, L. PLS path modeling A software review. SFB
2006 649 Discussion Paper 2006-084. Berlin: Institute of Marketing, Humboldt-Universitt
zu Berlin, Germany.
TENENHAUS, M.; PAGS, J .; AMBROISINE, L.; GUINOT, C. PLS methodology to study
relationships between hedonic judgements and product characteristics. Food Quality and
Preference, 2004 16(4), 315-325.
TENENHAUS, M.; VINZI, V. E.; CHATELIN, Y.-M.; LAURO, C. PLS path modeling.
Computational Statistics and Data Analysis, 2005, 48(1):159205.
THWAITES, J .J . & HOOPER, C.W. The Dynamics of the False Twist Process Part IV: Draw
Texturing Experiments, J ournal of the Textile Institute, 1981, 72:6, 249-259.
THWAITES, J .J ., The Mechanics of Friction-Twisting Reassessed, Part II: Tension and
Torque Generation in the Disc Spindle, J ournal of Textile Institute, 1985, Vol. 76, No 3, pg.
157-170.
TMT MACHINERY INC, Machine Manufacturer, Kioto, J apo. Disponvel em: www.tmt-
mc.jp, acesso em: 5 de maro de 2008.
TOBIAS, R. D. An introduction to partial least squares regression. Cary, NC: SAS Institute,
1997. Disponvel em: http://ftp.sas.com/techsup/download/technote/ts509.pdf, acesso em
maro 2008.
TTI, Textile Terms and Definitions, The Textile Institute, 7
th
edition, Manchester: 1975.
UNIFI INC., disponvel em: www.unifi.com, acesso em 5 de maro de 2008.
VAN DE VOET, H. Comparing the predictive accuracy of models using a simple
randomization test. Chemometrics and Intelligent Laboratory Systems, 1994, 25: 313-323.
VASSILATOS, G., High-Speed Fiber Spinning, Wiley-Interscience, New York: 1985,
Chapter 14.
VELLEMAN P.F., WELSH R.E., Efficient computing of regression diagnostics. American
Statistician, 1981, 35, 234242.
VINZI, V. E.; WYNNE W. C.; HENSELER, J .; HUIWEN W. EDS. Handbook of partial
least squares: Concepts, methods and applications in marketing and related fields. Series:
Springer Handbooks of Computational Statistics. New York: 2008 Springer-Verlag.
WEBSTER, J . T.; GUNST, R. F.; MASON, R. L. Latent Root Regression Analysis,
Technometrics, 1974, 16, 5 13-522.
WENTZELL, P.D.; VEGA, M. L. Comparison of principal components regression and
partial least squares regression through generic simulations of complex mixtures.
Chemometrics and Intelligent Laboratory Systems, 2003 65(2), 257-279.
WILKINSON, G.D., Draw-Textured Yarn Technology, Monsanto Textile Company 1974.
WINSTON, W.L.; ALBRIGHT, S.C., Practical Management Science: Spreadsheet Modeling
and Applications, 3a ed., Thomson, South Western: 2007.
WOLD, H. Partial least squares, 1985, 581-591 in Samuel Kotz and Norman L. J ohnson,

128
eds., Encyclopedia of statistical sciences, Vol. 6, New York: Wiley, 1985.
WOLD, S., SJ OSTROM, M., ERIKSSON, L., PLS-regression: a basic tool of Chemometrics.
Chemometrics and Intelligent Laboratory Systems, 2001, v. 58,, 109-130.
WOLD, S.; RUHE, A.; WOLD, H.; DUNN, W. J . The Collinearity Problem in Linear
Regression: The Partial Least Squares (PLS) Approach to Generalized Inverses, SIAM
J ournal on Scientific and Statistical Computing, 1984, 5, 735-743.
YACOUB, F., MACGREGOR, J .F., Product Optimization and Control in the Latent Variable
Space of Nonlinear PLS Models, Chemometrics and Intelligent Laboratory Systems, 2004,
Vol. 70, 63-74.
YUSHENG, L., WEIDONG, G., HONGBO, W. A model for the twist distribution in the slub-
yarn. International J ournal of Clothing Science and Technology Vol. 19, n.1, 2007, p.36-42.
ZIMLIKI, D.A., KENNEDY, J .M. HIRT, D.E., & REESE, G.P. Determining Mechanical
Properties of Yarns and Two-Ply cords from Single-Filament Data Part I: Model
Development and Predictions. Textile Research J ournal, 2000, 70 (11), 991-1004

129
Anexo A Processos pr-texturizao

Este anexo visa atender s necessidades da realidade dos profissionais que atuam na
rea txtil brasileira, proporcionando uma reviso bibliogrfica referente ao detalhamento do
processo de texturizao. A sua leitura podem auxiliar o leitor interessado na compreenso
dos fenmenos fsicos que envolvem o processo.

A.1 A fibra sinttica polister

O polister encontra-se classificado como fibra sinttica derivada do petrleo. Outros
grupos existentes de fibras so naturais, artificiais e sintticas. A normalizao da indstria
txtil no Brasil realizada pela ABNT/CB-17 (Comit Brasileiro de Txteis e do Vesturio).
As fibras sintticas (e as fibras em geral) consistem de polmeros, componentes formados por
molculas grandes, que contm unidades estruturais repetidas muitas vezes em cada molcula.
Uma molcula sozinha talvez contenha centenas de unidades repetidas, fazendo com que seu
peso molecular chegue a 10.000. Tais molculas so chamadas de macromolculas ou cadeias
de molculas (McINTYRE, 1971).
A simples existncia de um polmero no pressupe a existncia de uma fibra. Por
exemplo, existem muitos tipos de plsticos que so feitos de polmeros e claramente no so
fibras. A caracterstica mais importante que distingue polmeros na forma de fibras sua
orientao em uma direo particular (propriedades anisotrpicas). Portanto, as fibras tendem
a ser muito mais resistentes no sentido longitudinal do que no transversal. As propriedades
fsicas das fibras so fortemente influenciadas pela organizao das cadeias polimricas, isto
, macromolculas, com setores ou sees cristalinas ou no cristalinas, e as disposies
destes setores em relao um ao outro (McINTYRE, 1971).
O polister (PES) polimerizado por reao entre um lcool e um cido. O caminho
mais usual a polimerizao do cido tereftlico (feito de para-xileno, que destilado do
petrleo e altamente purificado), com etileno glicol (o leo quebrado para gerar etileno
gasoso). Este gs oxidado no ar com catalisador para formar xido de etileno, que ento
hidratado para produzir etileno glicol, no vcuo por um mecanismo a elevada temperatura (em
torno de 270C) para formar polietileno terefitalato (tambm representado por PET).
A estrutura molecular do polister est representada na figura 74 a seguir:

130

Figura 74 Estrutura molecular do PET

As fibras de polister so fiadas atravs da passagem de uma massa fundida por
orifcios de uma fieira (espineretes). Existe um grande nmero de perfis que podem ser
encontrados com estes orifcios. Em funo da temperatura de transio vtrea (Tg) do
polister ser de 80C, os filamentos so estirados quente para desenvolver orientao e
cristalinidade. As propriedades da fibra de polister so grandemente afetadas pela estrutura
da fibra. Por sua vez, a estrutura da fibra, que tem uma grande influncia na aplicabilidade das
fibras de polister, depende enormemente dos parmetros de processo pelo qual a fibra passa
at sua formao. De maneira geral, a estrutura da fibra determinada pela velocidade de
fiao, estiragem quente, relaxamento e sua tenso, e processos de fixao utilizados
(DAVIS et al., 1985).

Figura 75 Foto ampliada da seo transversal do polister

O polister conhecido por ter alta recuperao elstica, particularmente em pequenas
deformaes. As propriedades mecnicas do polister mido so virtualmente iguais quelas
do polister seco. Fibras de polister tm excelente resistncia a cidos, lcalis, ataques de
micrbios, e luz. A baixa higroscopicidade (capacidade de absorver gua de 0,4% em
condies controladas) faz a fibra de polister sujeita a eletricidade esttica.

131
O tingimento de fibras de polister, em geral, requer cuidados, devido falta de reas
hidroflicas e inerente dureza das molculas de polister. Algumas empresas que atendem
mercados no crticos quanto uniformidade tintorial se utilizam de mtodos convencionais,
mas quando se fornece para mercados mais exigentes (como automobilstico), a utilizao de
alta temperatura de tingimento, Carrier (composto qumico que facilita o contato do corante
com a fibra) e igualizantes se fazem necessrios.
Esta dissertao focou somente no polister, a Tabela 14 ilustra as propriedades das
fibras mais populares no mercado a fim de contextualizar melhor o polister no meio
sinttico. As fibras sintticas, apesar de suas caractersticas intrnsecas de cada polmero, tm
algumas semelhanas, o que possibilita utilizao de mesmos conceitos de produo e
controle de processo. medida que as tecnologias so desenvolvidas, verifica-se a chegada
de novas fibras no mercado, as consolidadas so as descritas na Tabela 15.

Tabela 14 Propriedades tpicas de fibras sintticas.
Poliamida Polister Polipropileno
Tenacidade, N/tex:
65% umidade relativa, 21 C 0,40-0,70 0,35-0,53 0,44-0,79
Molhada 0,35-0,62 0,35-0,53 0,44-0,79
Alongamento a ruptura, %:
65% umidade relativa, 21 C 15-30 15-30 15-30
Molhada 20-40 15-30 15-30
Mdulo de elasticidade, N/tex (65% umidade relativa, 21 C) 3,5 7,9 2,6-4,0
Higroscopicidade, % (65% umidade relativa) 4,0-4,5 0,4 Nenhum
Gravidade especfica 1,14 1,38 0,90
Variao volumtrica na gua, % 2-10 Nenhuma Nenhuma
Temperatura de transio vtrea, C: (T
g
)
0% umidade relativa 107 80 -10
100% umidade relativa -8 80 -10
Temperatura de fuso, C (T
m
) 215-250 260 165

A.2 Fiao qumica por fuso e convencional

Existem alguns tipos mais comuns de fiao para fibras, a Tabela 15 mostra trs tipos de
fiao.

Tabela 15 Tcnicas de Fiao Qumica
Fiao por Fuso Fiao a seco Fiao mida
Poliamida Acetato Viscose
Polister Triacetato Raion
Polipropileno Acrlico Acrlico
Polietileno Elastmeros Elastmeros

132
A fiao por fuso foi desenvolvida no final de 1930 para Poliamida 6 e 6.6, e agora
utilizada por vrias outras fibras (McINTYRE). De maneira geral, as plantas de fiao por
fuso recebem chips ou so ligadas diretamente polimerizao. O material recebido
fundido em uma rosca do extrusor, que alimentar o cabeote de fiao.
Um tpico sistema de fiao convencional descontnuo mostrado na Figura 76. Os
termos em ingls da figura so traduzidos a seguir:
11. Chip Hopper Silo de chips, no processo descontnuo, o processo contnuo fornece
material fundido diretamente ao extrusor;
12. Motor control panel painel de controle do motor, dosagem de chips;
13. Extruder Extrusora, responsvel pela formao da massa fundida;
14. Extruder control panel Painel de controle da extrusora;
15. Condenser Condensador;
16. Pre-filter Pr-filtro, uma srie de filtragens necessria dependendo do processo e da
pureza desejada;
17. Spinning head Cabea de fiao, as fieiras estaro logo aps as bombas de fiao;
18. Spining head control panel painel de controle da cabea de fiao;
19. Drive shaft Eixo, controlam as bombas de fiao;
20. Reduction gear Engrenagem de reduo;
21. Quench Box rea de resfriamento, reduzem a temperatura dos filamentos de maneira
uniforme e controlada;
22. Spin Tube Tubo de Fiao;
23. Oiling Jet Bicos de leo de ensimagem, aplicao de lubrificante e anti-esttico;
24. Heater Aquecedores, troca de calor para fluido trmico normalmente o glicol;
25. Sealed vapor phase heater aquecedor selado a vapor do fludo trmico;
26. Inverter Inversores;
27. Motor control panel Painel de controle dos motores;
28. Oiling roller Rolos de ensimagem;
29. Godet roller Rolos godet;
30. Interlace Entrelaadores, fazem o fechamento dos filamentos;
31. Take-up winder Cabeote de enrolamento;

A massa fundida pode passar por sistemas de filtraes para eliminar partculas slidas
grandes ou impurezas, os quais, se chegarem s fieiras, podero bloquear seus orifcios ou

133
ainda, se passarem pelos orifcios, podero causar prejuzos nas propriedades do filamento e
consequentemente influenciar negativamente a qualidade e produtividade de processos
futuros. Aps a filtragem, a massa fundida passa por fieiras, com quantidade determinada
pelas bombas de fiao. Estas fieiras contm orifcios atravs dos quais a massa fundida
extrudada sob uma presso superior a 20 MPa. Os orifcios variam de 175 a 750 m na sada e
a capilaridade muito inferior que a espessura da fieira de 3 a 10 mm. Cada orifcio funciona
como um funil para evitar descontinuidades de fluxo e, o nmero de orifcios por fieira varia
de dezenas a centenas, para filamentos contnuos.

Figura 76 Fiao convencional

A velocidade com a qual o polmero ir sair do orifcio da fieira (espinerete) ser
determinada pela velocidade da rosca da extrusora. A Figura 73 mostra que existe um

134
sistema fechado entre a extrusora e a cabea de fiao que contm as fieiras por onde saem os
filamentos que iro compor o multifilamento. O cabeote de fiao que enrola os
multifilamentos tem velocidade prpria controlada de acordo com necessidades do processo.
Portanto, a diferena de velocidade entre o enrolamento e a sada da fieira determina o grau de
orientao das molculas. A tenso gerada neste processo propicia um aumento de orientao
da macromolcula medida que ela estendida (estirada). A tenso nesta regio tambm
fortemente influenciada pelo arraste do ar de insuflamento que resfria o fio e determina o grau
de uniformidade do filamento.
A fieira no controla diretamente a densidade linear do filamento. A densidade linear
controlada pela sada de polmero por cada orifcio, (W) (g/min) e a velocidade de fiao dada
pela velocidade do cabeote de enrolamento, V(m/min). A densidade linear (tex) do filamento
fundido ento, 10
3
W/V. A relao entre dimetro do orifcio da fieira e a densidade linear
envolve a taxa de estiragem entre o orifcio e o enrolamento V
0
/V, onde V
0
a velocidade de
extruso mdia:
Densidade Linear =
V
V W A
p 0
(87)

Onde A a rea da seo transversal (mm
2
) do orifcio; , a densidade (kg/m
3
) do extrudado a
temperatura de sada; V, a velocidade de fiao e W
p
, a frao de polmero que deixa a fieira
(em fiao por fuso W
p
=1).

135

Figura 77 Influncia do mod ratio no alongamento e tenacidade

A massa de polmero fundido passa pelo orifcio da fieira e estirada pela fora vinda
do rolo de enrolamento. Comparando-se o dimetro da fibra ao sair da fieira com seu
dimetro final, define-se a relao chamada de perfil da capilaridade (denominado Mod. ratio
em ingls). A velocidade com que esta massa puxada pelo rolo de enrolamento provoca um
atrito com o ar de insuflamento, influenciando a taxa de estiragem. Procura-se ter uma zona
morta nesta rea, logo aps a fieira, a fim de se evitar o acmulo de monmeros ao redor dos
orifcios.
Imediatamente aps esta regio, um ar gelado e filtrado lanado atravs dos
filamentos a uma vazo controlada para gerar um resfriamento uniforme. O tipo de filamento
a ser produzido ir requerer um tipo de resfriamento adequado ao nmero de filamentos.
Os filamentos resfriados convergem de maneira a formar o multifilamento contnuo.
Este multifilamento passar por um rolo ou bico de aplicao de leo de ensimagem, que
uma mistura de lubrificante, leos anti-estticos e aditivos, ainda podendo conter biocidas e
inibidores de corroso. Este leo melhora a coeso entre filamentos e reduz atrito nos guia-
fios estacionados. A coeso do multifilamento fundamental para que no apaream
filamentos abertos (laos). Filamentos soltos causam quebras de um grupo de filamentos ou
do multifilamento, fazendo com que processos futuros sejam comprometidos. A eletricidade

136
esttica, comum ao polister, pode acarretar srios problemas se no for combatida com leos
anti-estticos. As concentraes de ensimagem na superfcie da fibra giram em torno de 0,5%.
A fiao pode ser classificada em funo do grau de orientao das molculas. Na
Figura 78, esta relao da orientao das molculas com as velocidades de fiao e
respectivas classificaes demonstrada. Nota-se que medida que se aumenta a velocidade
do enrolamento (produo), reduz-se o alongamento (%) da fibra, o que ocasiona maior
orientao das macromolculas.
Esta dissertao ir se concentrar na regio do processo em que se obtm o fio
parcialmente orientado (POY, do ingls partially oriented yarn), que ser utilizado como
matria-prima no processo de texturizao. A Figura 79 representa o filamento de um POY.

Figura 78 Efeito da Velocidade no Alongamento.

As investigaes sobre a fiao POY tiveram incio por volta de 1950, mas sua
comercializao teve incio na dcada de 1970, principalmente, porque cabeotes de
enrolamento de alta velocidade no estavam disponveis at ento. A fibra obtida na faixa de
velocidade do POY quase completamente amorfa, mas tem resistncia maior que fibras
obtidas com velocidades menores.

137

Figura 79 Macromolculas em umfilamento de POY.

A.3 A rota do polister at a fiao

A massa fundida da policondensao contnua empurrada pela bomba de descarga do
finalizador da cabea de fiao no menor caminho possvel. Normalmente, filtros adicionais
no so necessrios, e as velocidades da massa fundida variam de 4 a 6 cm/s, em tubos com
um dimetro interno de 32 a 100 mm. Para viscosidade intrnseca nomal de []=0,6 a 0,7 a
massa fundida e os tubos devem ter temperaturas 280C, e para viscosidade intrnseca alta
de []0,9 a temperatura pode ser 290C, com um tempo mximo de residncia de 10 min.
Os tubos so soldados com gs frmico e eletrodo polido no interior a uma altura mxima de
irregularidade R
t
0,4m (veja http://en.wikipedia.org/wiki/Roughness para detalhes em
clculos para anlise de polimentos de superfcie) e, como vlvulas, no podem ter cantos ou
depresses. Os conjuntos de fiao, tambm chamados de pacos, podem usar ou no areia de
ao como filtros e conter um filtro na frente da fieira, com distribuio de 20 m para os
ttulos usuais.
Os chips so transportados por ar da desidratao mecnica at a secagem, onde eles
so cristalizados em secadores vcuo entre 130 a 145 C, sob contnuo movimento e, ento,
secados at uma umidade residual menor que 0,004% a 180 C, por um total de 8 a 12 h,
incluindo uma reduo de temperatura de aproximadamente 2 h para 80 C. Para maiores
capacidades, hoje, cristalizadores contnuos e secadores so preferidos, os quais tambm
cristalizam os chips sob um constante movimento e com temperatura entre 140 a 145 C. Os
chips sero ento secos at uma umidade residual menor que 0,004% durante a descida de
temperatura da torre de secagem, a 180 C, com ar ou nitrognio, e com ponto de orvalho
menor que -40 C. O transporte de chips e sua armazenagem desde a extruso so feitos da
mesma maneira com ar seco ou nitrognio. O tamanho do extrusor deve ter 10 a 20% de
capacidade reserva. O comprimento de rosca deve ser de 25 a 30 vezes o dimetro (D). A
presso da massa fundida na entrada da rosca est entre 100 e 130 bar para fins txteis, com

138
bombas de fiao de 150 a 200 bar de diferena de presso. Para grandes instalaes, filtros
podem ser instalados com conexo para evitar perdas nas trocas dos mesmos.
Por experincia, para filamentos txteis para texturizao, utiliza-se o POY com
velocidades entre 3200 a 3600 m/min, at 5200 m/min (FOURN, 1999; LUDEWIG, 1975).
Fourn (1999) ainda mostra um estudo que rene muitas outras fontes, no qual (Figura 80) a
curva da fora de estiragem dada como funo da velocidade de enrolamento. O
alongamento ruptura decresce com o aumento da velocidade, enquanto que a tenacidade
especfica aumenta. A 5000 m/min, os valores finais de fiao para dimetro, orientao,
cristalizao e birrefringncia so atingidos em aproximadamente 60 cm abaixo da fieira, isto
, em 10 ms (milisegundos). A 9000 m/min isto ocorre em 10 cm ou 1ms (ARTUNC et al.,
1988; DIETRICH et al., 1982)

Figura 80 Fora de estiragem

Para avaliaes de estabilidade no processo de fiao possvel concluir que o mnimo ttulo
individual do filamento deve ser:

139

| |
(
(
|
|
.
|
\
|
=
0
min
ln . . . ,
v
v
Q f f p dtex T
L
(88)
Na equao 88, T =ttulo individual do filamento, Q =vazo da fieira em g/min, v
L
/v
0
=
estiragem de fiao.
De acordo com esta equao, os filamentos com maiores ttulos individuais, indicados
na rea A da Figura 81, so fiados mais facilmente que quando comparados com os
filamentos de menores ttulos individuais, indicados na rea B da Figura 81 e que geraro
muitas quebras. A Figura 81 representa graficamente a variao do ttulo versus a vazo. A
vazo, controlada pela bomba de fiao que controla a passagem de polmero pela fieira de
fiao, separa a massa de polmero em filamentos.

Figura 81 Ttulo individual do filamento

A razo para isto a fiao fracionada (pontos finos e grossos) que ocorrem
freqncia de aproximadamente 10
5
s
-1
. Outra investigao discute relaes entre ttulos
individuais do filamento (2,5 a 4,3 dtex), velocidade de enrolamento (1750 a 5500 m/min),
estiragem da fiao (153 a 613) e tenacidade ruptura (2,0 a 4,0 cN/dtex), alongamento
ruptura (em %), o mdulo elstico inicial (18 a 70 cN/dtex), a fora de encolhimento (300 a

140
3300 cN/mm
2
), o mdulo de estiragem (0,6 a 7,5 cN/dtex), tamanho do cristal (30 a 65 ) e a
velocidade de extruso atravs do orifcio da fieira (4 a 40 m/min) bem como a absoro de
corante (em mg de pigmento/[g] de fibra, com molcula grande) de 7 a 11 antes e 1 a 4 depois
da estiragem e molcula menores de 10 a 11 antes e 4 a 10 depois de estirado.
A influncia dos parmetros mencionados pode ser resumida como se segue:
1. Para altas distores de fiao (153 a 613) o aumento da tenacidade diminui, tanto em
relao velocidade de extruso como em relao velocidade de enrolamento (Figura
82) (HUNYAR et al., 1954).

Figura 82 (a) Tenacidade
2. O alongamento ruptura reage numa direo contrria (Figura 82). Na faixa de
aproximadamente 4000 m/min, a fiao induz cristalizao (HEUVEL et al., 1978).
3. O mdulo inicial aumenta com o aumento da velocidade de fiao, enquanto a razo de
distoro no tem influncia. Maiores ttulos de fiao mostram menores mdulos iniciais
devido ao resfriamento vagaroso no incio em funo da alta capacidade trmica.
4. A fora de encolhimento aumenta com o aumento da velocidade de enrolamento e maiores
razes de distoro (>345). Maiores ttulos individuais, porm, diminuem a fora de
encolhimento.

141
5. A fora de estiragem dinmica para a estiragem residual aumenta com a velocidade de
enrolamento, paralelamente com o aumento da razo de distoro e encolhimento.
6. O mdulo de estiragem, igual fora na regio inicial da estiragem, aumenta tambm com
maiores velocidades de enrolamentos.
7. O tamanho de cristais (medidos atravs de raios-X) aumenta com maiores velocidades de
fiao.

Figura 83 (b) alongamento do POY como funo da velocidade

8. A birrefringncia (maiores respostas para maiores pr-orientao de cadeias moleculares)
aumenta com maiores velocidades de enrolamento; este aumento menor para filamentos
grossos (denier por filamento, dpf) nas velocidades de at 3500 m/min que para dpfs mais
finos, acima de 4500 m/min o aumento de orientao devido a estiragem a cobre.

142
A.4 Cristalizao

Para o polister na forma de chips na abertura de uma extrusora de rosca simples, a
cristalizao se torna claramente visvel: polister no cristalizado adere zona de entrada
logo que atingem a temperatura de 120 a 150 C, formando um anel adesivo e bloqueiam a
entrada de novos chips. Tambm nos fios, as regies amorfas e cristalinas determinam as
propriedades das fibras. No filamento, uma estrutura amorfa e regies cristalinas seguem uma
a outra e s vezes se misturam. Quando os filamentos so aquecidos, por exemplo, durante a
texturizao, as cadeias adjacentes aumentam como mostra a Figura 84 para diferentes
estiragem dos filamentos de polister. (FOURN 1998)

Figura 84 Filamentos estirados comtemperatura (30min) versus densidade

A curva (1) na Figura 84 foi medida em um material no estirado. O grau de cristalizao
pode ser calculado como:

) (
) (
a k
a

o
=
(89)
Onde: =densidade e define (a) como completamente amorfa e (k) para completamente
cristalino, as densidades para polister so:
k
=1,455 e
a
=1,331 [g/cm
3
].

143
As curvas mostram materiais com diferentes estiragens. Desta maneira, conhecendo-se
a estiragem da fibra e a temperatura qual est exposta, pode-se determinar a densidade da
mesma.
No processo de estiragem, o que ocorre de maneira microscpica o alinhamento das
cadeias de macromolculas, gerando aumento da cristalizao do polmero. A Figura 85
representa esta transformao de modo a deixar uma representao clara deste processo pelo
qual o polmero passa. Pode-se verificar uma regio na qual as macromolculas esto
totalmente desordenadas e desalinhadas. Neste estado, o polmero no proporciona
resistncia. Ao se estirar o polmero, ocorre a formao de pontos de estiragem (do ingls
necks) e a partir deste ponto, as macromolculas passam a ter maior grau de alinhamento de
acordo com a estiragem e temperatura aplicadas. Este dois fatores so os de maiores
influncia para com o grau de cristalizao ou orientao do polmero.

Figura 85 Desenho esquemtico do ponto de estiragemno filamento

Dissertação Falsa Torção

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Dissertação Falsa Torção

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDADE FEDERAL DE ITAJUB

Edmir Augusto da Silva

, a equao (61) se torna:

S-ar putea să vă placă și