Control de Procesos Automatizados
Jimmy Rubio Mora David Guerrero Bayona
Técnicas De Control Inteligente
Profesor: Manuel Mayorga Barriga Ramón, Ingeniero Electrónico
Instituto Universitario de la Paz Escuela de Ingeniería de Producción Ingeniería de Producción Barrancabermeja 2016
CONTENIDO
INTRODUCCIÓN ....................................................................................................................................... 3 1.
OBJETIVOS ...................................................................................................................................... 4 1.1. 1.2.
2.
OBJETIVO GENERAL ......................................................................................................................... 4 OBJETIVOS ESPECÍFICOS ................................................................................................................. 4
CONTROL INTELIGENTE ............................................................................................................... 5 2.1. INTELIGENCIA ARTIFICIAL ................................................................................................................. 5 2.2. CARACTERÍSTICAS (IA)..................................................................................................................... 6 2.3. CONTROLADORES INTELIGENTES ..................................................................................................... 7 2.3.1. Controlador inteligente directo ............................................................................................. 7 2.3.2. Sintonización de un control clásico ..................................................................................... 7
3.
TÉCNICAS DE CONTROL INTELIGENTE .................................................................................... 8 3.1. LÓGICA BORROSA............................................................................................................................. 8 3.2. REDES NEURONALES ..................................................................................................................... 10 3.2.1. Técnica de decisión ............................................................................................................ 13 3.3. SISTEMAS EXPERTOS ..................................................................................................................... 14 3.3.1. Estructura de un sistema experto ..................................................................................... 14 3.3.2. Tipos de sistemas experto ................................................................................................. 15 3.3.3. Ventajas y limitaciones ....................................................................................................... 17 3.3.4. Aplicaciones ......................................................................................................................... 17 3.4. ALGORITMOS GENÉTICOS .............................................................................................................. 18 3.4.1. Algoritmo Genético Simple ................................................................................................. 19 3.4.2. Codificación .......................................................................................................................... 20 3.4.3. Ventajas y desventajas ....................................................................................................... 20 3.4.4. Area de investigación .......................................................................................................... 20 3.5. REDES PETRI .................................................................................................................................. 21 3.5.1. Ventajas ................................................................................................................................ 22
CONCLUSIÓN ......................................................................................................................................... 23 BIOGRAFÍAS........................................................................................................................................... 24
2
INTRODUCCIÓN Desde hace varias décadas el hombre se ha empeñado en automatizar las tareas que requieran un comportamiento inteligente, para lo cual ha desarrollado máquinas que imitan rasgos de la inteligencia humana. Con este fin ha creado técnicas basadas en el análisis formal y estadístico del comportamiento humano ante diferentes problemas, aliviando así áreas tales como el control de sistemas, la planificación automática, la habilidad de responder a diagnósticos y a consultas de los consumidores, el reconocimiento de la escritura, el habla y los patrones. En los últimos años ha adquirido particular relevancia el empleo de algoritmos de visión artificial basados en técnicas de reconocimiento de patrones, para incrementar las prestaciones de manipuladores robóticos en muchos escenarios, destacándose la clasificación automática de productos agrícolas, basada en criterios de forma, textura, tamaño y color en líneas de embalaje de los mismos. (1)
3
1. OBJETIVOS
1.1.
Objetivo General
Realizar investigación con un esquema entendible acerca de las técnicas de control inteligente. El cual requiere consultar información y desglosarla con el fin de lograr obtener un conocimiento apreciable en miras de futuros proyectos y aplicaciones en el area ingenieril.
1.2.
Objetivos Específicos
Indagar acerca de la teoría, experimentos e investigaciones que se han hecho encaminadas al perfeccionamiento del control inteligente. Reconocer las técnicas de control inteligente así como su fundamentación teórica y práctica en la cotidianidad. Investigar acerca del control inteligente y sus avances tecnológicos, las aplicaciones desarrolladas a partir de estudios previos. Tipos o técnicas existentes patentadas por especialistas en el campo, teniendo en cuenta en que nos puede afectar positiva o negativamente y su aplicación en el entorno industrial.
4
2. CONTROL INTELIGENTE
El término Control Inteligente se utiliza para hacer referencia a un control en el que las actividades cognoscitivas tienen especial importancia. Dentro de este tipo de problemas son de especial importancia los derivados de los comportamientos impredecibles, como los ocasionados por mal funciones de los sistemas a controlar. (2) Podemos decir que un control es el que se realiza de un sistema que quiera comandar a otro pero que usa otro sistema que basa su operación en una técnica de inteligencia artificial, esto permite encontrar un dispositivo externo al sistema dinámico a controlar que nos proporcione una señal adecuada para que la salida del sistema tenga unas características deseadas.
2.1.
Inteligencia Artificial
La Inteligencia Artificial (IA) es una rama de las ciencias computacionales que trata sobre el comportamiento inteligente, aprendizaje y adaptación en las máquinas, usando como modelo la forma en que actúan los seres vivos, en particular el ser humano. La IA en general trata sobre la creación de agentes inteligentes.
5
2.2.
Características (IA)
Tiene actitudes mentales, tales como creencias e intenciones. Es capaz de aprender y mejorar a través de la interacción con su ambiente para modificar su propio comportamiento o desempeño. Tiene la capacidad de resolver problemas. Entiende, puede darle sentido a ideas ambiguas o contradictorias. Planifica, evalúa, predice. Conoce sus límites. Puede distinguir a pesar de las situaciones. Puede ser creativo obteniendo la característica de original. Puede generalizar. Puede percibir y modelar el mundo exterior. Puede entender y utilizar el lenguaje de símbolos. Adaptación en línea, es capaz de aprender rápidamente la información contenida en una gran base de datos. Reorganización en línea, es capaz de acomodar o crear nuevas reglas para la solución de problemas de manera incremental. El agente inteligente es capaz de almacenar información en un sistema de memoria con el fin de establecer relaciones y operaciones en un contexto de trabajo.
6
2.3. Controladores Inteligentes 2.3.1. Controlador inteligente directo
Fig. 1 Controlador inteligente directo Este caso corresponde a un esquema de control directo, donde el controlador es un elemento que está diseñado con alguna técnica de inteligencia computacional para actuar sobre la planta. Usualmente los controladores inteligentes de este tipo son los neuro-controladores o los controladores difusos, según sea la técnica utilizada. 2.3.2. Sintonización de un control clásico
Fig. 2 Sistema de control clásico En este caso observamos un sistema tradicional de control, donde el controlador actúa directamente sobre la planta sobre la base de un error entre un valor de referencia definido y la salida medida de la planta. (3)
7
3. TÉCNICAS DE CONTROL INTELIGENTE El control inteligente comprende una serie de técnicas tomadas fundamentalmente de la inteligencia artificial con las que se pretenden resolver problemas de control inabordables por los métodos clásicos. [Sanz 90].
3.1.
Lógica Borrosa
La lógica difusa fue investigada, por primera vez, a mediados de los años sesenta en la Universidad de Berkeley (California) por el ingeniero Lotfy A. Zadeh. Cuando se dio cuenta de lo que él llamó principio de incompatibilidad: “Conforme la complejidad de un sistema aumenta, nuestra capacidad para ser precisos y construir instrucciones sobre su comportamiento disminuye hasta el umbral más allá del cual, la precisión y el significado son características excluyentes”. Introdujo entonces el concepto de conjunto difuso (Fuzzy Set) bajo el que reside la idea de que los elementos sobre los que se construye el pensamiento humano no son números sino etiquetas lingüísticas. La lógica difusa permite representar el conocimiento común, que es mayoritariamente del tipo lingüístico cualitativo y no necesariamente cuantitativo, en un lenguaje matemático a través de la teoría de conjuntos difusos y funciones características asociadas a ellos. Permite trabajar a la vez con datos numéricos y términos lingüísticos; los términos lingüísticos son inherentemente menos precisos que los datos numéricos pero en muchas ocasiones aportan una información más útil para el razonamiento humano. lógica difusa o borrosa es la lógica que utiliza expresiones que no son ni totalmente ciertas ni completamente falsas, es decir, es la lógica aplicada a conceptos que pueden tomar un valor cualquiera de veracidad dentro de un conjunto de valores que oscilan entre dos extremos, la verdad absoluta y la falsedad total. Conviene recalcar que lo que es difuso, borroso, impreciso o vago no es la lógica en sí, sino el objeto que estudia: expresa la falta de definición del concepto al que se aplica. La lógica difusa permite tratar información imprecisa, como estatura media o temperatura baja, en términos de conjuntos borrosos que se combinan en reglas para definir acciones: si la temperatura es alta entonces enfriar mucho. De esta manera, los sistemas de control basados en lógica difusa combinan variables de entrada, definidas en términos de conjuntos difusos, por medio de grupos de reglas que producen uno o varios valores de salida. Se puede decir que si la lógica es la ciencia de los principios formales y normativos del razonamiento, la lógica difusa o borrosa se refiere a los principios 8
formales del razonamiento aproximado, considerando el razonamiento preciso (lógica clásica) como caso límite. Así pues, las características más atractivas de la lógica difusa son su flexibilidad, su tolerancia con la imprecisión, su capacidad para modelar problemas no lineales, y su base en el lenguaje natural. (4)
Fig. 3 Esquema general de un sistema basado en lógica difusa.
BLOQUE DIFUSOR: Bloque en el que a cada variable de entrada se le asigna un grado de pertenencia a cada uno de los conjuntos difusos que se ha considerado, mediante las funciones características asociadas a estos conjuntos difusos. Las entradas a este bloque son valores concretos de las variables de entrada y las salidas son grados de pertenencia a los conjuntos difusos considerados. BLOQUE DE INFERENCIA: Bloque que, mediante los mecanismos de inferencia que veremos más adelante, relaciona conjuntos difusos de entrada y de salida que representa a las reglas que definen el sistema. Las entradas a este bloque son conjuntos difusos (grados de pertenencia) y las salidas son también conjuntos difusos, asociados a la variable de salida. DESDIFUSOR: Bloque en el cual a partir del conjunto difuso obtenido en el mecanismo de inferencia y mediante los métodos matemáticos de desdifusión, se obtiene un valor concreto de la variable de salida, es decir, el resultado. MECANISMOS DE INFERENCIA: son aquellos en los que se usan los principios de la lógica difusa para realizar un mapeo de los conjuntos difusos de entrada a los conjuntos difusos de salida. Cada regla es interpretada como una implicación difusa. Es decir, el bloque de inferencia es aquel en el cual se realiza la “traducción matemática” de las reglas difusas: estas reglas modelan el sistema pero para poder trabajar con ellas y extraer un resultado se debe de evaluar matemáticamente la información que reflejan. (4)
9
3.2.
Redes Neuronales
Las redes neuronales son más que otra forma de emular ciertas características propias de los humanos, como la capacidad de memorizar y de asociar hechos. Si se examinan con atención aquellos problemas que no pueden expresarse a través de un algoritmo, se observará que todos ellos tienen una característica en común: la experiencia. El hombre es capaz de resolver estas situaciones acudiendo a la experiencia acumulada. Así, parece claro que una forma de aproximarse al problema consista en la construcción de sistemas que sean capaces de reproducir esta característica humana. En definitiva, las redes neuronales no son más que un modelo artificial y simplificado del cerebro humano, que es el ejemplo más perfecto del que disponemos para un sistema que es capaz de adquirir conocimiento a través de la experiencia. Una red neuronal es “un nuevo sistema para el tratamiento de la información, cuya unidad básica de procesamiento está inspirada en la célula fundamental del sistema nervioso humano: la neurona”. (5)
Fig. 4 Red neuronal totalmente conectada. La misma está constituida por neuronas interconectadas y arregladas en tres capas (esto último puede variar). Los datos ingresan por medio de la “capa de entrada”, pasan a través de la “capa oculta” y salen por la “capa de salida”. Cabe mencionar que la capa oculta puede estar constituida por varias capas.
10
Función de entrada: La neurona trata a muchos valores de entrada como si fueran uno solo; esto recibe el nombre de entrada global. Algunas de las funciones de entrada más comúnmente utilizadas y conocidas son: Sumatoria de las entradas pesadas: es la suma de todos los valores de entrada a la neurona, multiplicados por sus correspondientes pesos.
Producto de las entradas pesadas: es el producto de todos los valores de entrada a la neurona, multiplicados por sus correspondientes pesos.
Máximo de las entradas pesadas: solamente toma en consideración el valor de entrada más fuerte, previamente multiplicado por su peso correspondiente.
.
Función de activación: Calcula el estado de actividad de una neurona; transformando la entrada global (menos el umbral, Θi) en un valor (estado) de activación, cuyo rango normalmente va de (0 a 1) o de (–1 a 1). Esto es así, porque una neurona puede estar totalmente inactiva (0 o –1) o activa (1). Función Activación lineal:
Fig. 5 Activación lineal.
11
Función Activación sigmoidea:
Fig. 6 Activación sigmoidea. Función Activación Tangente hiperbólica:
Fig. 7 Activación Tangente Hiperbólica
Función Salida: El último componente que una neurona necesita es la función de salida. El valor resultante de esta función es la salida de la neurona i (out i); por ende, la función de salida determina qué valor se transfiere a las neuronas vinculadas. Si la función de activación está por debajo de un umbral determinado, ninguna salida se pasa a la neurona subsiguiente. Normalmente, no cualquier valor es permitido como una entrada para una neurona, por lo tanto, los valores de salida están comprendidos en el rango [0, 1] o [-1, 1]. También pueden ser binarios {0, 1} o {-1, 1}. Función Salida Identidad:
12
3.2.1. Técnica de decisión
Fig. 8 Esquema Proceso de decisión. Lo mismo ocurre cuando se utiliza una red neuronal como un sistema de sostén de decisiones. La salida de la red neuronal es directa o indirectamente la solución al problema o la decisión a tomar.
13
3.3.
Sistemas Expertos
Los sistemas expertos son llamados así porque emulan el razonamiento de un experto en un dominio concreto y en ocasiones son usados por éstos. Con los sistemas expertos se busca una mejor calidad y rapidez en las respuestas dando así lugar a una mejora de la productividad del experto. Los Sistemas Expertos fueron desarrollados por la comunidad de IA a mediados de los años ‘60. En este periodo de investigación de IA se creía que algunas pocas reglas de razonamiento sumadas a computadoras poderosas podían producir un experto o rendimiento superhumano. Un intento en esta dirección fue el General purpose Problem Solver (GPS), Solucionador de problemas de propósito general (Turban, 1995).
3.3.1. Estructura de un sistema experto
Los SE están compuestos por dos partes principales: el ambiente de desarrollo y el ambiente de consulta. El ambiente de desarrollo es utilizado por el constructor para crear los componentes e introducir conocimiento en la base de conocimiento. El ambiente de consulta es utilizado por los no-expertos para obtener conocimiento experto y consejos (Turban, 1995). Los siguientes son los componentes básicos de un SE: Subsistema de adquisición de conocimiento Es la acumulación, transferencia y transformación de la experiencia para resolver problemas de una fuente de conocimiento a un programa de computadora para construir o expandir la base de conocimiento. El estado del arte actual requiere un ingeniero en conocimiento que interactúe con uno o más expertos humanos para construir la base de conocimiento. Base de conocimiento Contiene el conocimiento necesario para comprender, formular y resolver problemas. Incluye dos elementos básicos: heurística especial y reglas que dirigen el uso del conocimiento para resolver problemas específicos en un dominio particular.
14
Base de hechos Es una memoria de trabajo que contiene los hechos sobre un problema, alberga los datos propios correspondientes a los problemas que se desean tratar. Motor de inferencia Es el cerebro del SE, también conocido como estructura de control o interpretador de reglas. Este componente es esencialmente un programa de computadora que provee metodologías para razonamiento de información en la base de conocimiento. Este componente provee direcciones sobre cómo usar el conocimiento del sistema para armar la agenda que organiza y controla los pasos para resolver el problema cuando se realiza una consulta. Tiene tres elementos principales: (1) Intérprete, ejecuta la agenda seleccionada; (2) programador, mantiene el control sobre la agenda; (3) control de consistencia, intenta mantener una representación consistente de las soluciones encontradas (Turban, 1995).
Fig. 9 Estructura de un sistema experto.
3.3.2. Tipos de sistemas experto
Basados en reglas previamente establecidas Los sistemas basados en reglas trabajan mediante la aplicación de reglas, comparación de resultados y aplicación de las nuevas reglas basadas en situación modificada. También pueden trabajar por inferencia lógica dirigida, bien empezando con una evidencia inicial en una determinada situación y dirigiéndose hacia la obtención de una solución, o bien con hipótesis sobre las posibles soluciones y volviendo hacia atrás para encontrar una evidencia existente (o una deducción de una evidencia existente) que apoya una hipótesis en particular. 15
Representación del conocimiento Hay numerosas formas de representar el conocimiento en IA, sin embargo, los Sistemas Expertos suelen ser llamados sistemas basados en reglas. Reglas “Si...entonces...” Las reglas “Si... Entonces...” son el principal tipo de conocimiento usado en Sistemas Expertos, donde dichas normas se utilizan para capturar razonamiento de expertos que emplean a menudo. Sin embargo, con el tiempo los investigadores comenzaron a desarrollar e integrar otras formas de representación del conocimiento, tales como el razonamiento basado en casos. Los sistemas que incluyen múltiples tipos de conocimiento a veces se conocen Basados en casos El razonamiento basado en casos es el proceso de solucionar nuevos problemas basándose en las soluciones de problemas anteriores. Un mecánico de automóviles que repara un motor porque recordó que otro auto presentaba los mismos síntomas está usando razonamiento basado en casos. Un abogado que apela a precedentes legales para defender alguna causa está usando razonamiento basado en casos. También un ingeniero cuando copia elementos de la naturaleza, está tratando a esta como una “base de datos de soluciones”. El Razonamiento basado en casos es una manera de razonar haciendo analogías. Se ha argumentado que el razonamiento basado en casos no sólo es un método poderoso para el razonamiento de computadoras, sino que es usado por las personas para solucionar problemas cotidianos. Más radicalmente se ha sostenido que todo razonamiento es basado en casos porque está basado en la experiencia previa. Basados en redes bayesianas Una red bayesiana, red de Bayes, red de creencia, modelo bayesiano o modelo probabilístico en un gráfico acíclico dirigido es un modelo gráfico probabilístico (un tipo de modelo estático) que representa un conjunto de variables aleatorias y sus dependencias condicionales a través de un gráfico acíclico dirigido (DAG por sus siglas en inglés). Por ejemplo, una red bayesiana puede representar las relaciones probabilísticas entre enfermedades y síntomas. Dados los síntomas, la red puede ser usada para computar las probabilidades de la presencia de varias enfermedades. Sistemas Expertos difusos Los Sistemas Expertos difusos se desarrollan usando el método de lógica difusa, la cual trabaja con incertidumbre. Esta técnica emplea el modelo matemático 16
de conjuntos difusos, simula el proceso del razonamiento normal humano permitiendo a la computadora comportarse menos precisa y más lógicamente que las computadoras convencionales. Este enfoque es utilizado porque la toma de decisiones no es siempre una cuestión de blanco y negro, verdadero o falso; a veces involucra áreas grises y el término “quizás”. 3.3.3. Ventajas y limitaciones
Ventajas Mientras que un experto humano tiene limitaciones y percances propias de su condición humana, es decir: se enferma, envejece, migra a otras empresas, el Sistema Experto, respecto a sus pares humanos, no sufre de estas cuestiones y se convierte en una herramienta estable para su entorno y fiable porque sus actividades son completamente replicables (siempre contesta de la misma manera a menos que se le cambie el diseño). A esto se le suma la velocidad de procesamiento que es mayor al de un ser humano. Debido a la escasez de expertos humanos en determinadas áreas, los SE pueden almacenar su conocimiento para cuando sea necesario poder aplicarlo. Así mismo los SE pueden ser utilizados por personas no especializadas para resolver problemas. Además si una persona utiliza con frecuencia un SE aprenderá de él. Limitaciones Es evidente que para actualizar se necesita de reprogramación de estos (tal vez este sea una de sus limitaciones más acentuadas) otra de sus limitaciones puede ser el elevado costo en dinero y tiempo, además que estos programas son poco flexibles a cambios y de difícil acceso a información no estructurada. Los Sistemas Expertos carecen de sentido común, para un SE no hay nada obvio Además no podemos mantener una conversación informal con estos sistemas. Para un sistema experto es muy complicado de aprender de sus errores y de errores ajenos. No son capaces de distinguir cuales son las cuestiones relevantes de un problema y separarlas de cuestiones secundarias. 3.3.4. Aplicaciones
Sistema de Ayuda sobre Legislación Argentina en Riesgos de Trabajo (Britos, 2001): Es un Sistema Experto que provee a los operadores judiciales de información decisoria acerca de la futura pena a otorgar en un caso, promoviendo la realización de acuerdos previos al juicio que permitan acelerar los tiempos procesales.
17
Sistema Experto para el entrenamiento y asistencia en la toma de decisiones en un Centro de Información y Control Aéreo (Ierache, 2002): Un Sistema Experto cuyo objetivo es facilitar el entrenamiento del personal y asistir en la toma de decisiones relativas a la interceptación en el Centro de Información y Control ante la presencia de vuelos no identificados considerados como potenciales vuelos ilícitos. Comprehensive Maxilofacial Diferential Diagnosis eXpert System (Ameri, 2008): Es una herramienta educacional para el entrenamiento en la práctica de diagnósticos médicos desarrollada con un Sistema Experto. Sistema Experto Difuso para Determinar Perfiles Criminológicos basado en el Test de Lüscher y Variables Socio-Criminológicas (Cardona, 2007): Sistema Experto difuso basado en el modelado de variables difusas y la adquisición de conocimientos de carácter psicológico y social con el fin de inferir la inclinación criminalística de un cierto individuo. Diseño de un Sistema Experto Difuso: Evaluación de Riesgo Crediticio en Firmas Comisionistas de Bolsa para el Otorgamiento de Recursos Financieros (2007, Hurtado): El modelo planteado basado en Sistemas Expertos Difusos permite soportar estas decisiones de asignación de recursos financieros con el propósito de disminuir el riesgo de falta de pago del capital asignado.
3.4.
Algoritmos Genéticos
Los Algoritmos Genéticos (AGs) son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización. Están basados en el proceso genético de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza de acorde con los principios de la selección natural y la supervivencia de los más fuertes, postulados por Darwin (1859). Por imitación de este proceso, los Algoritmos Genéticos son capaces de ir creando soluciones para problemas del mundo real. La evolución de dichas soluciones hacia valores óptimos del problema depende en buena medida de una adecuada codificación de las mismas. Los Algoritmos Genéticos usan una analogía directa con el comportamiento natural. Trabajan con una población de individuos, cada uno de los cuales representa una solución factible a un problema dado. A cada individuo se le asigna un valor o puntuación, relacionado con la bondad de dicha solución. En la naturaleza esto equivaldría al grado de efectividad de un organismo para competir por unos determinados recursos. Cuanto mayor sea la adaptación de un individuo al 18
problema, mayor será la probabilidad de que el mismo sea seleccionado para reproducirse, cruzando su material genético con otro individuo seleccionado de igual forma. Este cruce producirá nuevos individuos descendientes de los anteriores – los cuales comparten algunas de las características de sus padres. Cuanto menor sea la adaptación de un individuo, menor será la probabilidad de que dicho individuo sea seleccionado para la reproducción, y por tanto de que su material genético se propague en sucesivas generaciones.
3.4.1. Algoritmo Genético Simple
Fig. 10 Pseudocódigo del Algoritmo Genético Simple
El Algoritmo Genético Simple, también denominado Canónico, se representa en la Como se verá a continuación, se necesita una codificación o representación del problema, que resulte adecuada al mismo. Además se requiere una función de ajuste o adaptación al problema, la cual asigna un número real a cada posible solución codificada.
19
3.4.2. Codificación
Se supone que los individuos (posibles soluciones del problema), pueden representarse como un conjunto de parámetros (que denominaremos genes), los cuales agrupados forman una ristra de valores (a menudo referida como cromosoma). Si bien el alfabeto utilizado para representar los individuos no debe necesariamente estar constituido por el {0, 1}, buena parte de la teoría en la que se fundamentan los Algoritmos Genéticos utiliza dicho alfabeto. 3.4.3. Ventajas y desventajas
No necesitan conocimientos específicos sobre el problema que intentan resolver. Operan de forma simultánea con varias soluciones, en vez de trabajar de forma secuencial como las técnicas tradicionales. Cuando se usan para problemas de optimización -maximizar una función objetivo-resultan menos afectados por los máximos locales (falsas soluciones) que las técnicas tradicionales. Resulta sumamente fácil ejecutarlos en las modernas arquitecturas masivas en paralelo. Usan operadores probabilísticos, en vez de los típicos operadores determinísticos de las otras técnicas. Pueden tardar mucho en converger, o no converger en absoluto, dependiendo en cierta medida de los parámetros que se utilicen -tamaño de la población, número de generaciones, etc. Pueden converger prematuramente debido a una serie de problemas de diversa índole.
3.4.4. Area de investigación
Durante los últimos años una gran parte de la investigación en esta área se ha concentrado en el desarrollo de mejoras al desempeño de los algoritmos genéticos. Se han propuesto nuevas técnicas de representación, selección y cruza, con resultados muy alentadores. Por ejemplo, el uso de los códigos de Gray y la codificación dinámica han superado algunos de los problemas asociados con la representación de valores reales mediante cadenas binarias. También se han propuesto técnicas adaptativas que varían dinámicamente los parámetros de control (porcentajes de mutación y cruza), en contraposición con el esquema estático 20
tradicional. Otras innovaciones notables son los algoritmos genéticos distribuidos y los algoritmos genéticos paralelos. El fundamento matemático de los algoritmos genéticos sigue siendo otra área abierta de investigación. Resulta de especial interés el desarrollo de modelos de la dinámica de los algoritmos genéticos, el análisis de problemas que resultan difíciles para la técnica, pruebas de convergencia y en general, el tratar de comprender mejor cómo funcionan. (6)
3.5.
Redes Petri
Las redes de Petri (RdP) fueron introducidas en la literatura en la tesis doctoral de Carl Adam Petri (7) como una herramienta para simular las propiedades dinámicas de sistemas complejos mediante modelos gráficos de procesos concurrentes. Desde entonces su estudio y desarrollo han tenido un auge realmente vigoroso debido fundamentalmente a las numerosas aplicaciones que se les ha encontrado, las cuales incluyen diversas áreas del conocimiento y de la técnica. Se ha demostrado que las RdP son un instrumento adecuado para la representación y análisis de ciertos sistemas, ya que estas tienen la habilidad de representar y analizar de una forma fácil sincronización y concurrencia, donde varios procesos que evolucionan simultáneamente son parcialmente independientes. Las redes de Petri (RdP) se describen como una herramienta de naturaleza gráfica para el diseño y análisis de sistemas dinámicos de eventos discretos. Una red de Petri se representa gráficamente por un grafo dirigido bipartito. Los dos tipos de nodos, lugares y transiciones representan, las variables que definen el estado del sistema (lugares) y a sus transformadores (transiciones). Los lugares se representan por círculos, las transiciones por barras y el marcado M se representa por una distribución en los lugares denominados marcas. Una marca se representa gráficamente por un punto en el interior del círculo que define el lugar que lo contiene. Los lugares y transiciones se conectan por arcos dirigidos. Un arco dirigido de un lugar Pi a una transición Tj define un lugar de entrada de la transición. Múltiples entradas a una transición son indicadas por múltiples arcos desde el lugar de entrada a la transición. Un lugar de salida es indicado por un arco desde la transición al lugar. Análogamente, múltiples salidas son representadas por múltiples arcos.
21
Fig. 11 Lugares, transiciones y señales en una red de Petri. El marcado de una red, M, se define por un vector columna en donde los elementos son el número de marcas contenidas en los lugares El marcado define el estado de la red de Petri.
3.5.1. Ventajas
El sistema completo es a menudo más fácil de entender debido a la naturaleza gráfica y precisa del esquema de representación. El comportamiento del sistema puede ser analizado utilizando la teoría de las redes de Petri, que incluye herramientas para el análisis tales como los árboles de marcados y establece relaciones entre ciertas como los árboles de marcados y establece relaciones entre ciertas estructuras de redes y el comportamiento dinámico. Pueden aplicarse también técnicas para la verificación de programas paralelos. Puesto que las redes de Petri pueden sintetizarse usando técnicas "bottomup" y "top-down", es posible diseñar automáticamente sistemas cuyo comportamiento es conocido o fácilmente verificable. Su éxito se debe básicamente a la simplicidad de su mecanismo básico, si bien, la representación de grandes sistemas es costosa. Para facilitar su uso en diferentes campos de aplicación, el modelo original se ha extendido en dos aspectos: Introducción de modificaciones estructurales para incrementar la potencia o la comodidad de modelado o para facilitar la solución de los problemas de análisis Definición de redes de Petri temporizadas que se pueden utilizar para analizar cuantitativamente las prestaciones del sistema modelado.
22
CONCLUSIÓN
En conclusión cabe destacar la importancia que tiene los sistemas de control inteligente a nivel operativo e industrial los cuales nos han permitido llevar los procesos a un plano tecnológico muy avanzado logrando una independencia sobre la intervención del humano, pero es en la ciencia y la investigación donde incluso hay amplio campo para desarrollar nuevas ideas y contribuir con sistemas que llevan a la perfección los datos, convirtiendo estas técnicas en aliadas para la consecución de mejores resultados. Podemos decir que el futuro para estas técnicas es prometedor unas más sobre otras, cada una tiene una funciones específicas y otras se adecuadas a los requerimientos que deseen. Desde el punto de vista científico se seguirán desarrollando y perfeccionando sistemas que permitan una evolución en la cotidianidad de los humanos.
23
BIOGRAFÍAS
(1)González, S. B., Martínez, J. L., & Rodríguez, Y. E. (2011). Sistema para el control inteligente de un robot manipulador. Revista Ciencias Técnicas Agropecuarias, 20(2), 24-30. 01-04-2016. De EBSCO Discovery Service. (2)Jiménez, Agustín; Matía, Fernando; Galán, Ramón; Sanz, Ricardo; (2000). Control Inteligente. Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial, verano, 43-48. (3)Politécnico Colombiano Jaime Isaza Cadavid - Ingeniería en instrumentación y control - Control Inteligente (En línea) (Consultado: 14-042016) Disponible en internet: http://controlinteligente.netai.net/index_archivos/page0004.htm (4)Pérez Pueyo, Rosanna Descripción General de las Técnicas de Lógica Difusa, cap.2. (PDF) (Consultado: 14-04-2016). (6)Coello, Carlos A. “Introducción a los Algoritmos Genéticos”, Soluciones Avanzadas. Tecnologías de Información y Estrategias de Negocios, Enero de 1995, pp. 5-11. [Sanz 90] Sanz, R. Arquitectura de Control Inteligente de Procesos. Tesis Doctoral. Depto. De Automática, Ing. Electrónica e Informática Industrial, 1990. Ameri, A. (2008). Design and Development of an Expert System in Differential Diagnosis of Maxillofacial Radio-lucent Lesions. Mälardalen University. Britos, P. (2001). Sistema de Ayuda sobre Legislación Argentina en Riesgos de Trabajo. Universidad Politécnica de Madrid. C. Darwin (1859). On the Origin of Species by Means of Natural Selection, Murray, London. Cardona, C., Restrepo, D., Ovalle, D. (2007) Sistema Experto Difuso para Determinar Perfiles Criminológicos basado en el Test de Lüscher y Variables Socio-Criminológicas. Revista de Avances en Sistemas e Informática. UAEM. México. Guerra, R. H., Haber, R. H., López, J. A., & Salinas, P. V. (2008). DISEÑO E IMPLEMENTACIÓN RÁPIDA DE CONTROLADORES INTELIGENTES. DYNA - Ingeniería E Industria, 83(8), 459-466. 01-04-2016. De EBSCO Discovery Service. Hurtado, S., Manco, O. (2007). Diseño de un Sistema Experto Difuso: Evaluación de Riesgo Crediticio en Firmas Comisionistas de Bolsa para el Otorgamiento de Recursos Financieros. ICESI. Colombia.
24
Ierache, J. (2002). Sistema Experto para el entrenamiento y asistencia en la toma de decisiones en un Centro de Información y Control Aéreo. Instituto Tecnológico Buenos Aires. Matich, Damián Jorge. Universidad Tecnológica Nacional – Facultad Regional Rosario: Redes Neuronales: Conceptos Básicos y Aplicaciones. 2011 (En línea) (Consultado: 14-04-2016) Disponible en internet: http://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/ monograias/matich-redesneuronales.pdf Petri, C.A., “Kommunikation mit Automaten”. Bonn: Institut für Instrumentelle Math-ematik, Schriften des IIM Nr. 2, 1962. También, Traducción al Inglés, “Communication with Automata.” New York: Griffiss Air Force Base. Tech. Rep. RADC-TR-65-377, vol.1, Suppl. 1, 1966. Rosso Mateus, A. E., & Soriano, J. J. (2008). SISTEMA DE CONTROL INTELIGENTE PARA UN GRUPO DE ELEVADORES. Ciencia E Ingeniería Neogranadina, 18(2), 117-130. 24-30. 01-04-2016. De EBSCO Discovery Service. Turban, E. (1995). Decision Support and Expert Systems (4ta edición). EE.UU. Prentice-Hall.
25
