Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Un Enfoque Aplicado Del Control Inteligente PDF
Un Enfoque Aplicado Del Control Inteligente PDF
Tutorial
Departamento de Arquitectura de Computadores y Automática, Facultad de Informática, Universidad Complutense de Madrid, C/ Profesor García Santesmases s/n,
28040, Madrid, España.
Resumen
El objetivo de este artículo es presentar una panorámica de soluciones a problemas de control reales utilizando enfoques de
control inteligente. No se trata de presentar técnicas y procedimientos de la inteligencia artificial, sino más bien, una recopilación de
aplicaciones de control, de una cierta complejidad, en los que estas técnicas se manifiestan como adecuadas y que, en muchos casos,
son complementarias de técnicas clásicas de diseño de sistemas de control. Las aplicaciones que se exponen han sido desarrolladas
por miembros del Grupo de Investigación ISCAR (Ingeniería de Sistemas, Control, Automatización y Robótica) de la Universidad
Complutense de Madrid. Todas ellas responden a problemáticas reales donde el control ha jugado un papel importante para la
eficiencia y el buen funcionamiento de los procesos. Copyright © 2011 CEA. Publicado por Elsevier España, S.L. Todos los
derechos reservados.
Palabras Clave:
Control inteligente, inteligencia artificial, aplicaciones, sistemas reales.
* Autor en correspondencia.
Correos electrónicos: msantos@dacya.ucm.es (Matilde Santos)
© 2011 CEA. Publicado por Elsevier España, S.L. Todos los derechos reservados
doi:10.1016/j.riai.2011.09.016
284 M. Santos / Revista Iberoamericana de Automática e Informática industrial 8 (2011) 283–296
más sofisticadas soluciones en el área del control como El desarrollo de los controladores inteligentes requiere
respuesta a la siempre creciente demanda de la sociedad, significativos esfuerzos de investigación interdisciplinarios
de la industria y de la humanidad en general. para integrar conceptos y métodos de áreas tales como control,
x El control de procesos requiere, en muchos casos, la identificación, estimación, teoría de la comunicación, ciencias
intervención de personal humano para conseguir unos de la computación, inteligencia artificial, investigación
determinados objetivos de alto nivel (seguridad, calidad, operativa, neurociencia,… entre otras.
producción). La automatización exige que el sistema de Se han desarrollado también en los últimos años diversas
control pueda reemplazar al operador en esas tareas -o disciplinas que permiten tratar la información, también con
auxiliarle-, para lo que se precisa gran potencia en el incertidumbre, lo que ha facilitado el diseño de sistemas
manejo del conocimiento que se tiene del proceso y unas basados en conocimiento. Estas técnicas heurísticas son
habilidades específicas (Sanz, 1991). En este tipo de además muy flexibles y versátiles, por lo que facilitan la
situaciones, el Control Inteligente ofrece perspectivas integración y sinergia de unas con otras.
interesantes ya que es capaz de suministrar metodologías Además, la incorporación de este tipo de estrategias
que permiten realizar de forma automática algunas de las inteligentes al control ha venido de la mano de los avances
tareas realizadas típicamente por los humanos. tecnológicos a nivel electrónico, de hardware, de
x Por otro lado, es comúnmente aceptado el hecho de que procesadores, etc., hace unas pocas décadas las limitaciones
en el control de sistemas complejos (plantas no lineales de computaciones no lo habían permitido.
orden elevado, con parámetros internos que varían en el El control inteligente no deja de ser sólo una acepción de
tiempo, dependientes del entorno, etc.), hay gran uso en la actualidad. De la misma forma que el “control
requerimientos que hoy en día no pueden alcanzarse moderno” de los años 60 ha pasado a ser actualmente “control
exclusivamente con la teoría del control convencional. convencional”, el control inteligente se podrá llamar
Esto es debido, fundamentalmente, a la presencia de la simplemente “control” en un futuro no muy lejano. De hecho,
incertidumbre que envuelve a los modelos, mal definidos en palabras de Werbos (2009), el verdadero control inteligente
por falta de información, o a que la descripción analítica -control que duplica las más cruciales capacidades de la
de esos sistemas es inabordable o conlleva excesiva inteligencia humana- no existe en ningún sistema artificial
complejidad computacional. En muchos procesos reales la actualmente.
planta es, efectivamente, tan compleja que es casi El campo del control inteligente está ayudando a expandir
imposible o inapropiado describirla con modelos el horizonte de la teoría del control (RayChauduri, Hamey, and
matemáticos convencionales de ecuaciones diferenciales Bell, 1996; Galán et al., 2000). Parte de esta expansión se debe
o en diferencias. Incluso si fuera posible formularla con a la extensión de las fronteras de la tecnología: desde el
precisión, esta descripción puede hacer el subsiguiente microprocesador al impacto del procesamiento en paralelo, o
análisis muy difícil o demasiado complejo para ser útil. la computación “cloud”. Contribuciones recientes apuntan a la
No hay que olvidar que la complejidad del modelo de la hibridación del control convencional y el llamado inteligente,
planta depende tanto de la complejidad del sistema físico como el mejor camino para implementar potentes sistemas de
que representa como de las especificaciones de diseño control.
requeridas (Antsaklis, 1994). El objetivo de este artículo es presentar una panorámica de
x Por último, puede existir incertidumbre o cierta falta de soluciones a problemas de control reales utilizando enfoques
concreción en los objetivos y/o las restricciones, por lo de control inteligente. No se trata de presentar técnicas y
que el diseño del controlador requeriría un tratamiento procedimientos de la inteligencia artificial, sino más bien, una
más heurístico que analítico. recopilación de aplicaciones de control, de una cierta
El tratamiento de estos sistemas complejos o con un complejidad, en los que estas técnicas se manifiestan como
entorno de incertidumbre, en general no formulables en un adecuadas y que, en muchos casos, son complementarias de
riguroso marco matemático, ha conducido al desarrollo de los técnicas clásicas de diseño de sistemas de control. Las
Controladores Inteligentes. aplicaciones que se exponen han sido desarrolladas por
El diseño de esos controladores, basados en el miembros del Grupo de Investigación ISCAR (Ingeniería de
conocimiento, se ha planteado intentando emular las Sistemas, Control, Automatización y Robótica) de la
funcionalidades “inteligentes” de los seres vivos y, en Universidad Complutense de Madrid (ISCAR 2011). Todas
concreto, el proceso del razonamiento humano. Deberían ellas responden a problemáticas reales donde el control ha
incluir adaptación y aprendizaje, planificación bajo jugado un papel importante para la eficiencia o el buen
incertidumbre, tratamiento de gran cantidad de datos e funcionamiento de los procesos.
información, etc. De la mano de potentes computadores, las
técnicas proporcionadas por la Inteligencia Artificial se han 2. Historia y caracterización del control inteligente
utilizado para conseguir algunos de estos objetivos. El
resultado son controladores autónomos y en cierto grado Sin hacer un recorrido exhaustivo por la historia del control
inteligentes. Futuros avances se dirigen al desarrollo de inteligente ni remontarse a los filósofos mecanicistas del
controladores que puedan auto-aprender a mejorar su periodo griego, no se pueden dejar de remarcar algunos hitos
funcionamiento y a planificar sus acciones. importantes en el desarrollo del control inteligente (Dorato,
1996).
M. Santos / Revista Iberoamericana de Automática e Informática industrial 8 (2011) 283–296 285
La idea de desarrollar máquinas autónomas no es nueva. En sobrevivir y reproducirse en un entorno complejo y a menudo
el siglo XVII, el filósofo John Locke ya se preguntaba si “las hostil. La inteligencia además crece y evoluciona.
máquinas podían saber”. Aunque no dejó de ser una En resumen, un sistema inteligente tiene la habilidad de
especulación filosófica, recogía una idea que estaba entonces actuar apropiadamente en un entorno con incertidumbre,
en la sociedad. donde una acción apropiada es la que aumenta la probabilidad
En la literatura científica encontramos tres desarrollos que del éxito, y el éxito es la consecución de los sub-objetivos de
han servido de base para el Control Inteligente: comportamiento que respaldan el último objetivo del sistema.
En el siglo XVII, el también filósofo Gottfried Leibniz Desde el punto de vista de la Teoría del Control, la
propuso construir una máquina capaz de llevar a cabo inteligencia puede definirse como la integración del
cualquier proceso de razonamiento por el que se le preguntara. conocimiento y la realimentación en un sistema de control que
Es decir, planteaba lo que podría ser el precursor del sistema puede planificar y generar acciones dirigidas a conseguir un
experto tal y como queda descrito en nuestros días. objetivo.
Saltando al siglo XIX, uno de los más importantes nombres De ahí que una descripción de sistema de control
es Charles Babbage, cuyo “ingenio analítico” era capaz de inteligente sea la siguiente:
realizar operaciones algebraicas. Además, fue Babbage quien Un sistema de control inteligente es el diseñado de forma
propuso implementar un sistema formal en el cual toda la que puede autónomamente conseguir un objetivo de alto nivel
pluralidad de los fenómenos físicos pudieran ser cuando sus componentes, objetivos de control, modelos de la
adecuadamente descritos. planta y leyes de control no están completamente definidos,
Pasando por el auge de la cibernética, y en el mismo siglo tanto porque no son conocidos en el momento del diseño como
XX, Alan Turing definía en 1936 el concepto de máquina porque cambian de forma inesperada.
inteligente como aquella que realizara tareas en un dominio El término de control inteligente está estrechamente unido
específico de forma equiparable a los hombres. Desde al de autónomo, puesto que típicamente un controlador
entonces el test de Turing se viene aplicando a los más inteligente debe tener un alto grado de autonomía a la hora de
potentes computadores para medir en cierto modo su grado de tender hacia sus objetivos de control (Antsaklis, 1995).
inteligencia. El control inteligente es un procedimiento
Aunque entonces nadie supusiera viable el objetivo común computacionalmente eficiente de dirigir un sistema complejo a
de estos tres proyectos, su relación es hoy día evidente, y se un objetivo, con una representación incompleta o inadecuada
han visto hechos realidad en los sistemas expertos y las y/o bajo unas especificaciones imprecisas de cómo hacerlo; es
calculadoras automáticas. decir, que actúa apropiadamente en un entorno con
El término “control inteligente” fue introducido a incertidumbre.
principios de la década de 1950 por el Dr. K. S. Fu, quien En definitiva, el controlador inteligente es un controlador
inició los estudios en ese área. heurístico, en cierto modo autónomo, no lineal, y adaptativo
En Mayo de 1993, atendiendo a una invitación del (con aprendizaje)
“Technical Committee on Intelligent Control” del IEEE
Control Systems Society, se creó un grupo de trabajo para 3. Metodologías del control inteligente
definir y caracterizar el “control inteligente”. Como resultado
han sido numerosas las aproximaciones dadas a este concepto, Los avances en el campo del Control Automático, la
dependiendo del punto de vista del enfoque y de los problemas Inteligencia Artificial, la Electrónica, sensores, procesamiento
tratados (Antsaklis, 1994). de señales, actuadores, etc., proporcionan nuevas herramientas
Desde entonces, el control inteligente sigue vivo, y por lo para el control de sistemas complejos.
tanto evolucionando y expandiendo su caracterización con La metodología de control es el conjunto de técnicas y
nuevos desarrollos. procedimientos usados para construir y/o implementar un
controlador para un sistema dinámico. La metodología puede
2.1 Definiciones de sistema inteligente incluir tanto el diseño del procedimiento de control como el
La dificultad para definir un sistema inteligente radica en tipo de algoritmos/hardware utilizados para su implementación
los diversos conceptos de inteligencia. final (Passino, 1993).
Es de común consenso que para que un sistema actúe como Para muchos sistemas inteligentes de control, la
un sistema inteligente debe emular las funciones de las metodología de diseño del controlador es esencialmente
criaturas vivas en cuanto a algunas de sus facultades mentales. heurística y basada en ciertos principios de la Inteligencia
Al menos, la inteligencia requiere la habilidad de percibir Artificial o la investigación operativa. Las metodologías de
(agente) y adaptarse al entorno (aprendizaje), tomar decisiones control inteligente son muy variadas, e incluyen, por ejemplo,
y realizar acciones de control. Altos niveles de inteligencia la lógica borrosa, sistemas expertos (control basado en reglas),
pueden incluir el reconocimiento de objetos y sucesos, la aprendizaje, sistemas de planificación para control, algoritmos
representación del conocimiento en modelos lingüísticos y el de búsqueda, sistemas híbridos, diagnóstico de fallos y
razonamiento y la planificación. En grados más avanzados, la reconfiguración, autómatas, redes de Petri, redes neuronales,
inteligencia proporciona la capacidad de percibir y entender, programación evolutiva, algoritmos genéticos, optimización
de elegir razonadamente y de actuar satisfactoriamente bajo heurística, etc.
una gran variedad de circunstancias, así como de prosperar,
286 M. Santos / Revista Iberoamericana de Automática e Informática industrial 8 (2011) 283–296
Algunas de las metodologías de control inteligente incluyen estructura causal de un proceso e incluye relaciones de
o comparten características de las desarrolladas para el control concurrencia.
convencional. Esta hibridación ha resultado esencial para el Tanto los procesos secuenciales como los no secuenciales
control inteligente. La complementariedad entre las estrategias pueden ser modelados mediante redes de Petri. Estos últimos a
clásicas y heurísticas ha permitido en muchos casos menudo utilizan la varianza como medida de la dependencia
implementar de forma eficaz técnicas inteligentes, o ampliar el entre sucesos. Estos modelos pueden contener elementos
rango de aplicación de la teoría clásica de control. Aprovechar estacionarios y transitorios.
esta sinergia se ha relevado muy eficiente en numerosas Un modelo de red de Petri formula las propiedades de un
aplicaciones reales. sistema en el lenguaje de la lógica; de todas formas, también
Hoy en día, en un problema de control las técnicas de la utiliza la representación algebraica. La aproximación es tan
inteligencia artificial pueden participar en muchas facetas: abstracta que ha resultado poco atractiva para propósitos de
modelado de la planta, modelado del controlador, de ambos control, pero sin embargo muy útil en el campo del modelado.
como un solo proceso, modelado de sólo parte o de todo
Sistemas Expertos
(normalmente no todos los aspectos son desconocidos o
sometidos a incertidumbre), etc., y de la parte de control Un campo pionero de la IA, que ha sido muy utilizado, es
propiamente dicha. Además el enfoque puede ser puramente el de los sistemas expertos (ES). Un sistema experto es
heurístico, formal o mixto. Esto permite una gran versatilidad básicamente un conjunto de programas de ordenador que
en su aplicación. aplica el proceso del razonamiento humano al conocimiento de
La Inteligencia Artificial, IA, se puede definir como el un experto en la solución de tipos específicos de problemas.
estudio de las facultades mentales a través del uso de modelos Típicamente un sistema experto tiene tres componentes
computacionales. Este término data de los años 1950, y se principales: la base de conocimientos, que contiene el
debe a un grupo de científicos que estudiaron el cerebro conocimiento necesario para entender, formular y resolver los
humano como modelo natural, integrando la cibernética y los problemas y depende de la adquisición y representación de
computadores (McCarthy, Minsky, Newell, Simon). Desde éste; el motor de inferencia, cerebro del ES que obtiene las
entonces, los investigadores en el campo de la IA han conclusiones, y un interface con el usuario para facilitar su
generado ideas y técnicas muy útiles para el control de utilización, generalmente gráfico y con menús.
sistemas, y a su vez, el desarrollo de la IA se ha visto Los sistemas expertos o sistemas basados en reglas
estimulado en su interacción con el control de procesos. conllevan un paradigma de solución basado en reglas del tipo
En particular, el control automático puede hacer efectivo el if-then. Algunas características tanto de la base de
uso de: conocimientos como del motor de inferencia son: la heurística,
x nuevas técnicas y entornos avanzados de programación el tratamiento simbólico, la toma de decisiones, la memoria, la
x técnicas para tratar la heurística predicción y la inferencia.
x nuevos sistemas hardware Esta aproximación, que resulta muy útil en la toma de
x avances en la electrónica y las comunicaciones decisión y es una herramienta eficiente en el modelado de
Los procedimientos de modelado, análisis, diseño, sistemas de control, es normalmente muy lenta en sistemas
simulación, etc., de los sistemas de control son un área natural complejos de alta velocidad, presentando además una
para la aplicación de los métodos de la IA. capacidad de aprendizaje muy limitada ya que carecen de una
Actualmente la mayoría de los métodos de la inteligencia importante característica de la inteligencia humana: la
artificial están bien delimitados, y muchos de ellos han sido habilidad para aprender de la experiencia. No obstante, han
aplicados con éxito al diseño y control de sistemas a nivel sido incorporados en gran número en controladores y
industrial, comercial y académico o de investigación. En aplicaciones de control, sobre todo a nivel supervisor y para
ocasiones, se ha propuesto una combinación de dos o más de sintonía de controladores convencionales, o en esquemas de
ellos como solución. Cabe destacar por su versatilidad tres de control como el de ganancia programada.
estas técnicas: la lógica borrosa, las redes neuronales y los Lógica Borrosa (Fuzzy)
algoritmos genéticos, que se agrupan bajo la denominación de
Computación Suave (“Soft Computing”). La lógica “fuzzy” o borrosa, una forma matemática de
Se van a exponer algunas estrategias inteligentes sin representar la imprecisión inherente al lenguaje natural, fue
profundizar en detalles, centrándonos más bien en el origen y introducida por Lofti A. Zadeh (1965).
aplicabilidad de cada una de ellas. La teoría de conjuntos borrosos resulta muy útil en aquellas
situaciones en que los datos y sus relaciones no pueden
Redes de Petri escribirse en términos matemáticos precisos. Los conjuntos
En 1962 Carl Adam Petri publicó su tesis doctoral titulada borrosos son una generalización de la lógica clásica y
“Kommunikation mit Automaten”, en la que por primera vez contienen objetos que pertenecen de forma imprecisa o
se formulaba una teoría general para sistemas discretos gradual al conjunto. El grado de pertenencia viene definido
paralelos. Las redes de Petri son una generalización de la por una función de pertenencia, que usualmente toma valores
teoría de autómatas, y utilizan métodos gráficos para entre 0 y 1.
representar sistemas como condiciones y eventos. La La primera aplicación de la lógica borrosa al control fue
representación no es puramente secuencial pero sí refleja la realizada por Mamdani, en 1974. Su aspecto novedoso está en
M. Santos / Revista Iberoamericana de Automática e Informática industrial 8 (2011) 283–296 287
que pretende emular la estrategia de control que seguiría un Computación Evolutiva en Control
experto humano en el control manual de un proceso más que el
Es otro área relativamente reciente de investigación y
controlador en sí, y en que utiliza información descrita en
consiste en el desarrollo de algoritmos computacionales
términos lingüísticos.
basados en el funcionamiento evolutivo de los sistemas
Es una de las aproximaciones más populares hoy en día en
biológicos y su aplicación al control.
la industria, especialmente en Japón y se ha ido consolidando
Una combinación de redes neuronales y estrategias
aunque más lentamente en USA y Europa.
evolutivas puede ser muy robusta y eficiente para el diseño de
Tanto la teoría como las aplicaciones de la lógica borrosa
controladores adaptativos y auto-organizados.
siguen actualmente en desarrollo, y ha sido implementada con
Hay diversas implementaciones de estas estrategias
éxito en numerosas aplicaciones prácticas, si bien sigue siendo
evolutivas. El paradigma de los Algoritmos Genéticos (GA) es
también en algunos casos un tema de controversia en la
la forma más popular, pero también están los sistemas de
comunidad científica (Sala and Ariño).
enjambres, colonias de hormigas, y en general lo que se
Redes Neuronales denomina sistema computacional inmunizado, basado en la
operación de un sistema biológico inmune.
En la década de los 80 los investigadores comenzaron a
Un algoritmo genético es esencialmente un procedimiento
considerar las redes de neuronas artificiales, paradigma
de búsqueda y optimización modelado según los mecanismos
computacional cuya estructura emula el proceso biológico del
genéticos de selección natural de los seres vivos. Los GAs
aprendizaje humano. Se ha definido una red neuronal como un
surgieron del estudio de los autómatas celulares llevado a cabo
sistema compuesto por muchos elementos de procesamiento
por Holland y colaboradores en la Universidad de Michigan en
(neuronas) que operan en paralelo, cuya función es
1975.
determinada por la estructura de la red, las conexiones y el
La base de los algoritmos genéticos está en la
procesamiento realizado por los elementos computacionales o
representación abstracta de las soluciones candidatas dentro de
nodos. Las redes neuronales pueden aprender de datos de
un dominio de conocimiento. Esta representación es
entrenamiento, y en realidad son aproximaciones de funciones
denominada un individuo. Un conjunto de individuos forman
matemáticas.
una población, y sucesivas poblaciones constituyen una
Se ha demostrado que las redes neuronales pueden ser
generación. Cierta función de ajuste se asigna a cada uno de
usadas con efectividad y precisión para la identificación y el
los individuos de una generación para evaluarles. A la
control de sistemas con dinámicas complejas, especialmente
evaluación de una generación se sigue la creación de la
para plantas no lineales que varían en el tiempo y que resultan
siguiente, y el proceso se repite hasta que se halla una
más difíciles de regular con métodos convencionales
solución. La idea fundamental es que el individuo “mejor”
(Valverde and Gachet 2007). En la vida real la mayoría de los
(fenotipo) es el que más contribuye a la siguiente generación.
procesos industriales pertenecen a esta categoría, de ahí la
El éxito de los GAs está en su capacidad de optimizar tanto
necesidad de métodos inteligentes para controlar esos
explorando nuevos puntos en el espacio de búsqueda como
sistemas.
explotando la información ya descubierta. Es más, poseen un
El interés creciente en las redes neuronales se debe a su
paralelismo implícito y tienen la habilidad de mantener
gran versatilidad y al continuo avance en los algoritmos de
múltiples soluciones concurrentemente, por lo que son menos
entrenamiento de redes y en el hardware, lo que ha sido
susceptibles a mínimos locales y problemas de ruido.
posible gracias a que cada vez es más fácil disponer de
Su aplicación al control se fundamenta en que un proceso
computadores extremadamente rápidos, a un precio
complejo se puede a menudo reducir a una aproximación
competitivo, para implementar estos algoritmos. La mayoría
funcional numérica del problema, que se pueden optimizar
de las aplicaciones desarrolladas hasta ahora lo han sido en
mediante los algoritmos genéticos.
áreas de cálculo intensivo. Dentro del control hay también
áreas con esos requerimientos como la identificación en Sistemas híbridos
tiempo real y el control de grandes estructuras flexibles, o en
Como ya se ha comentado, la flexibilidad de las técnicas
robótica, donde la aportación de las redes neuronales puede
que provienen de la inteligencia artificial permite asociarlas a
dar un mejor resultado. El desarrollo hardware de redes
otras estrategias que las complementan y potencian a la hora
neuronales puede llevar a una nueva revolución en las
de solucionar problemas complejos de control.
aplicaciones del control, similar a la producida con la
Así la hibridación de dos o más técnicas inteligentes, o la
aparición de los microprocesadores.
de alguna o algunas de ellas con el control convencional, han
Las redes neuronales o métodos conexionistas se han
permitido abordar aplicaciones reales con éxito (Albertos and
demostrados potentes herramientas para el diseño de sistemas
Sala, 2004).
inteligentes de control. El término neurocontrol ha empezado a
En algunas aplicaciones complejas se ha aprovechado la
consolidarse en la literatura científica y está creciendo en
complementariedad existente entre los controladores
popularidad.
convencionales y los sistemas inteligentes para desarrollar
Los métodos que combinan la aproximación borrosa con
estrategias más eficientes. Así, por ejemplo, cuando se habla
las redes neuronales están también en auge (Marichal et al.
de reguladores PID inteligentes nos referimos a PID expertos,
2007). El control neuro-borroso es actualmente objeto de
quizás con un sistema de reglas para su sintonía, u optimizados
numerosas investigaciones y desarrollos.
288 M. Santos / Revista Iberoamericana de Automática e Informática industrial 8 (2011) 283–296
con redes neuronales, o con algoritmos evolutivos…. (Villagrá clásicos. En algunos casos, se trata de sistemas mal definidos
et al. 2010). (incertidumbre, falta de información), en los cuales se presenta
Otro caso resulta de abordar los dos aspectos del diseño de una necesidad de mejorar el funcionamiento (conseguir unas
un sistema de control con diversas técnicas: la identificación y especificaciones más restrictivas).
modelado de la planta por un lado, y el diseño del controlador Por lo tanto se caracterizan en general por la alta
por otro. Para cubrir ambas áreas se han utilizado las redes complejidad computacional del modelo analítico que los
neuronales y el Control Adaptativo con Referencia a Modelo representa, o bien éste no existe. Además se encuentran en
(MRAC). entornos cambiantes. Junto con esto, suele haber disponible un
Las redes neuronales proporcionan en la identificación de cierto conocimiento sobre su comportamiento, dado por la
algunos sistemas modelos más precisos que con métodos experiencia o por un operador experto, que se podría
convencionales, especialmente para sistemas no lineales con incorporar para controlar mejor al sistema.
parámetros variables. Aplicarlas a un método adaptativo, como Las aplicaciones que se exponen a continuación han sido
el MRAC, se traduce en que los pesos de las redes se pueden llevadas a cabo por del grupo ISCAR (Ingeniería de Sistemas,
considerar como los elementos del vector de parámetros del Control, Automatización y Robótica) de la Universidad
controlador, y el proceso de aprendizaje determina un vector Complutense de Madrid (ISCAR 2011). De todas ellas, en esta
de parámetros que optimiza un índice de funcionamiento sección se comentan con un cierto nivel de detalle sólo dos
basado en el error. que resultan más significativas por su aportación en el ámbito
En lugar de usar una arquitectura de red neuronal del control inteligente y por haber sido implementadas para
feedforward estándar, que es entrenada mediante la estrategia sistemas reales, con prototipos físicos o las plantas físicas.
de “backpropagation” estática, se suelen preferir las redes Otras aplicaciones de control inteligente realizadas por el
recurrentes (dinámicas) para la identificación y el control grupo de automática de la UCM que también han dado
adaptativo de sistemas no lineales. resultados muy satisfactorios se van a comentar muy
La aplicación de redes neuronales al control adaptativo con brevemente en la siguiente sección.
referencia a modelo es todavía un campo de experimentación
relativamente nuevo. Muchas de las investigaciones en curso 2.1 An adaptive fuzzy control scheme for embedded
se centran en la selección y funcionamiento del apropiado applications
algoritmo de aprendizaje para el ajuste adaptativo del Esta aplicación se realizó en la University of Oxford, UK,
controlador, utilizando en algunos casos algoritmos genéticos en el marco del proyecto: “An adaptive fuzzy control scheme
(Martín-H, de Lope, and Santos 2009).
for embedded applications”. Se trata de controlar la
En este sentido, el campo del control inteligente está
temperatura de un criostato, un dispositivo que trabaja con
ayudando a expandir el horizonte de la teoría de control, pero
helio líquido y permite observar propiedades ópticas de
también el control clásico ha enriquecido al control inteligente
diversos materiales.
proporcionando metodologías de diseño, estrategias de
El control se realiza variando el voltaje aplicado a un
sintonía, etc.
calentador eléctrico en el interior del criostato. El rango de
temperaturas de funcionamiento es de 4.2 K a 200 K. El flujo
4. Aplicaciones de control inteligente
se controla variando la posición de una válvula del tubo que
conecta el criostato con la bomba de helio (Figura 1).
Todo esfuerzo conducente a tratar problemas hasta ahora
insolubles se puede considerar beneficioso en sí, y por lo tanto
positivo, independientemente del resultado que se obtenga.
Abordar nuevas aplicaciones redunda en un mejor
conocimiento tanto del proceso o sistema en sí como de las
técnicas que se prueban, así como de sus capacidades y
limitaciones.
En este sentido, el control inteligente ha permitido abordar
una serie de problemas reales de los que no se contaba con las
técnicas adecuadas para resolverlos, en gran medida debido la
naturaleza de información que les caracteriza. En algunos
casos sí había conocimiento sobre los mismos, pero ese
conocimiento era difícil de manejar o de tratar de forma
analítica y por lo tanto no se podían utilizar métodos clásicos
de control.
Se van a presentar a continuación una serie de aplicaciones
de ámbitos muy diversos: ¿qué tienen todas ellas en común?
Por un lado, se trata de procesos complejos, es decir,
plantas no lineales, de orden elevado, con parámetros internos
variantes en el tiempo y/o dependientes del entorno. Además,
suelen presentar un pobre comportamiento con reguladores Figura 1: Esquema del sistema del criostato.
M. Santos / Revista Iberoamericana de Automática e Informática industrial 8 (2011) 283–296 289
Este sistema real es altamente no lineal, con dinámica más Se ha trabajado con un modelo de trayectoria de referencia
rápida a bajas temperaturas. También la ganancia estimada del que sea posible de acuerdo con las restricciones físicas y la
sistema aumenta con la temperatura, así como el retardo. Esta dinámica de la planta.
ganancia es mayor para flujos de gas bajos. En definitiva, Los resultados (Figura 3) fueron especialmente buenos a
presenta una asimetría relevante para temperaturas por encima altas temperaturas, donde el sistema es más difícil de controlar
de 120 K y no tan acusada a bajas temperaturas. Por lo tanto, (Santos and Dexter, 2002).
tiene una fuerte dependencia del punto de operación
(temperatura).
Como primera aproximación de control se implementó un
controlador borroso de ganancia programada (Figura 2). Esta
estructura de control muestra la eficiencia de la hibridación de
técnicas convencionales e inteligentes.
Para las distintas regiones de operación, según la
temperatura, se diseñó un controlador PID para cada zona de
altas temperaturas, basándonos en la estimación de un modelo
de sistema de 2º orden con retardo, y un controlador PI para
regiones de baja temperatura a partir del modelo de 1º orden
con retardo del mismo.
Con el fin de evitar cambios bruscos en los parámetros del
PID al pasar de una región a otra, se desarrolló un sistema de
reglas borrosas que cambia de forma suave los parámetros de
sintonía del PID (Santos, Brandizzi, and Dexter, 2000).
Estas entradas están descritas por 5 conjuntos borrosos velocidad de 40 nudos, estado de la mar 5 y olas de proa. El
gaussianos, uniformemente distribuidos. La salida es una modelo sigue bien la dinámica del sistema.
función lineal de las variables de entrada (sistema borroso tipo Una vez obtenidos diversos modelos del sistema, se abordó
Takagi-Sugeno). el problema del control del mismo, bajo el paradigma del
El sistema borroso aplica agrupamiento substractivo para control inteligente.
obtener, a partir de los datos, las amplitudes y fases de las El objetivo principal era disminuir el valor absoluto de las
señales verticales, en concreto, de las aceleraciones y aceleraciones verticales, para aumentar la seguridad y el
momentos de arfada y cabeceo (López et al. 2002a). confort en la navegación.
En la figura 7 se muestran resultados del modelo obtenido Para ello se añadieron unos actuadores que compensaran,
para la aceleración vertical, a una velocidad de 40 nudos con con las fuerzas de sustentación que generan, la fuerza de
mar de proa (Santos, López, and de la Cruz, 2006). arfada y el momento de cabeceo del barco. Estos actuadores
añadidos a la maqueta son un alerón en popa y dos aletas en
proa (Figura 9). El alerón tenía un ángulo máximo de
movimiento de 15º, y las aletas se movían entre -15º/+15º. El
control debe diseñarse para mover esos actuadores de forma
que ofrezcan la máxima superficie al frente de olas,
atendiendo al ángulo de encuentro.
Donde para la identificación de la función f se utiliza un Figura 9: Alerones añadidos al prototipo del barco.
FIS con 10 entradas, las últimas 10 medidas anteriores de la Se implementaron varias estrategias de control, tanto
elongación de la ola (ola), obtenidas a intervalos de 1.5 s (el convencional como inteligente, para luego poder compararlas.
cálculo de n y de ∆t determinó estos valores como óptimos). En primer lugar se diseñó e implementó un controlador PID
Se entrenó el sistema de inferencia borroso con los datos borroso tipo Sugeno. Las tres entradas son, por lo tanto, el
experimentales disponibles. error, cambio en el error y error acumulado. Puesto que el
En la Figura 8 se muestra la respuesta del modelo frente a control va a perseguir que el error sea nulo, se ha definido el
los datos experimentales para el momento de arfada, con error como la aceleración WVA (“Worst Vertical
Acceleration”), es decir, la que experimenta el pasajero peor
292 M. Santos / Revista Iberoamericana de Automática e Informática industrial 8 (2011) 283–296
situado, por lo tanto la más elevada, con el objetivo de que el Tabla 1: Resultados experimentales de la aplicación del control borroso en
regulador la disminuya lo más posible. La salida es el ángulo la aceleración vertical y el índice de mareo.
de ataque de cada actuador. Además se ha adaptado el control SSN4 SSN5 SSN5
con ganancias no constantes. El efecto de aplicar una ganancia 40 nudos 30 nudos 40 nudos
a una variable lingüística es equivalente a desplazar o sin control 0.6069 0.9031 0.9900
modificar las funciones de pertenencia de esa variable. Estas WVA simulación 0.2962 0.7705
ganancias se han ajustado mediante algoritmos genéticos (º/s2) experimento 0.2079 0.6673 0.5832
(López y Santos. 2002c). mejora (%) 65.7 26.1 41.1
Algunos de los resultados obtenidos con el sistema real en sin control 4.0844 27.5710 27.5444
el Canal de Experiencia Hidrodinámicas del Pardo se muestran MSI simulación 0.5924 19.2531
en la figura 10 y en la Tabla 1, donde se generaron olas a lo experimento 0.1843 17.7692 12.0813
largo del canal para probar distintos controladores. mejora (%) 95.5 35.6 56.1
En la figura 10 se puede observar como la aceleración
vertical de cabeceo (pitch) se reduce incluso para altas Sobre este mismo sistema, y basándonos en el modelo no
velocidades y estados de la mar fuertes cuando se aplica el lineal del mismo, se diseñaron dos Sistemas de Inferencia
control borroso (Santos, López, and de la Cruz. 2005a; Santos, Borrosa de tipo Mamdani para controlar la amplitud y la fase
López, and de la Cruz, 2003; López et al., 2002b). del movimiento de los alerones (Figura 11). Esta aproximación
Además este tipo de control se comparó con otras borrosa se basa en reglas y mejora la interpretabilidad del
implementaciones de reguladores convencionales y avanzados, regulador.
siendo la aproximación basada en lógica borrosa la que redujo Se estableció una estrategia de control para la apertura del
en mayor grado las aceleraciones y por lo tanto el índice de actuador, en cascada con otro regulador de la frecuencia de
mareo. oscilación de esos alerones.
El control en amplitud tiene como variables de entrada:
- Estado de la mar Z0 = {1.19 a 0.41}(rad/s). Se han
asignado 5 conjuntos borrosos etiquetados con el nivel de
la mar, SNi, i = SSN
- Velocidad y ángulo de encuentro en una variable que es
UcosP = {-40 a 40}(nudos). Se han definido 8 etiquetas
para esta variable que van desde MA (muy alta), A (alta),
MD (media), B (baja), en mares de proa, y las mismas
MAP, AP, MDP y BP, con mares de popa
Como variable de salida se ha tomado el máximo ángulo de
apertura de los actuadores, al que se han asignado cuatro
conjuntos borrosos: Ninguna (sin corrección), Pequeña,
Mediana, y Grande, no uniformemente distribuidas.
Las reglas están basadas en el estudio cualitativo del
sistema y resultan del análisis de la corrección que pueden
proporcionar los actuadores al moverse.
De igual forma se ha diseñado un regulador de fase para
cambiar la frecuencia del actuador:
Figura 10: Reducción de la aceleración de cabeceo mediante el control x Incrementando el ángulo máximo de apertura, reduce la
borroso. frecuencia de oscilación.
La Tabla 1 muestra la reducción de la máxima aceleración x Reduciendo el ángulo de apertura aumenta la frecuencia
vertical (WVA), tanto por el hecho de introducir unos alerones de oscilación.
que incluso sin control, por el rozamiento, disminuyen la Por lo tanto, las entradas de este controlador son:
inestabilidad, como por la aplicación del control borroso para - error en la fase, Go = {-360, 360}(º). Se han asignado 5
variar el ángulo de ataque de estos alerones según el modelo etiquetas a los conjuntos borrosos: Muy avanzado,
de las olas. También se puede ver cómo el índice de mareo Avanzado, Correcto, Retrasado, y Muy retrasado.
MSI baja en un % elevado para altas velocidades. - máxima apertura, Mi (que como se observa en la Figura 11
La conclusión más interesante es que permite ampliar el es la salida control de amplitud).
rango de navegación a estados de la mar que de otra forma no Como variable de salida se obtiene el máximo ángulo de
serían navegables. Esto reporta un beneficio económico apertura de los actuadores, de igual forma que para la
directo, así como mayor seguridad y confort para los amplitud.
pasajeros.
M. Santos / Revista Iberoamericana de Automática e Informática industrial 8 (2011) 283–296 293
aproximaciones se obtiene directamente la señal de control 6. Aplicaciones del Control Inteligente de diversos
(Fernández Villaverde y Santos, 2006). grupos de investigación
2.1 Otras aplicaciones Sería una tarea totalmente imposible el recopilar, incluso de
Son numerosas las aplicaciones que se podrían referenciar, forma muy somera, los trabajos realizados en el área de las
donde se muestra la eficiencia de las técnicas del control aplicaciones del Control Inteligente por grupos nacionales o
inteligente para abordar problemas complejos. Algunas de las internacionales. Esto se puede interpretar como un índice de la
realizadas por miembros del grupo ISCAR de la UCM se alta productividad de los investigadores en este campo y de la
enuncian a continuación. salud de este paradigma de control.
x Aplicaciones de la inteligencia artificial a los sensores y Dentro del panorama nacional, cabe remarcar, como prueba
biosensores de ésto, la publicación de una Sección Especial en la Revista
x Evaluación de técnicas de inteligencia artificial para toma Iberoamericana de Automática e Informática Industrial (vol. 4,
de decisiones y optimización de estrategias no. 2, 2007) titulada: Control Inteligente y sus Aplicaciones.
x Sistema inteligente reconfigurable para el control En este número de la revista se recogen diez trabajos de
eficiente del alumbrado en carreteras, basado en lógica aplicaciones muy variadas, en los que las técnicas de la
borrosa y redes sensoriales de bajo consumo Inteligencia Artificial y el Control han contribuido a la
solución de problemas en ámbitos muy diversos:
x Cálculo de la demora en carreteras convencionales
medioambientales, agrícolas, industriales, de navegación aérea
mediante lógica borrosa
y terrestre, etc.
x Sistema de ayuda a la toma de decisiones basado en
En general, la mayoría de los grupos nacionales que
Árboles Borrosos de Decisión
pertenecen al grupo Control Inteligente del Comité Español de
x Aplicación de técnicas inteligentes para reconocimiento Automática (CEA) han llevado a cabo con éxito aplicaciones
de patrones y clasificación en señales de fusión (Santos de las diversas técnicas de la inteligencia artificial en el
and Cantos 2010) y diagnóstico médico (Farias, Santos control de sistemas. En Madrid, además del grupo ISCAR de
and López 2010) la UCM (http://www.dacya.ucm.es/area-isa/), en la
x Razonamiento borroso en una red de nodos sensorizados Universidad Politécnica el grupo de investigación Control
para vigilancia y control medioambiental: aplicación a Inteligente (www.intelligentcontrol.es) centra su investigación
polígonos industrializados en robótica móvil y control de procesos aplicando estas
x Optimización inteligente de trayectorias interplanetarias estrategias. La Universidad de Valencia da cobijo a varios
con asistencias gravitacionales grupos de investigación, como el de Control Predictivo y
x Control de helicópteros basado en autoestructuras y Optimización Heurística (CPOH) (ctlpredictivo.upv.es), y
optimización con algoritmos genéticos especialmente el grupo de Control de Sistemas Complejos
x Sistema borroso para aparcar de forma autónoma (GCSC) (www.isa.upv.es/gcsc), que centra sus estudios en el
vehículos modelado y control de sistemas dinámicos que presentan
x Sistema borroso para calcular el riesgo de la conducción incertidumbre, no linealidades y distintos modos de
en carreteras comportamiento. El grupo de investigación de Inteligencia
x Control borroso del flujo en una columna de destilación Artificial e Ingeniería del Conocimiento (AIKE)
x Ejemplo de control inteligente: confort en el transporte (http://perseo.inf.um.es/~aike) de la Universidad de Murcia,
ferroviario desarrolla actividades relacionadas con la aplicación de
x Sistema borroso para el control de semáforos técnicas de ingeniería y gestión del conocimiento dominios
x …. diversos como la medicina, la agricultura, la evaluación de
Estas y otras aplicaciones de control inteligente se recursos medioambientales o el diagnóstico y mantenimiento
encuentran descritas con detalle en las publicaciones de equipos de plantas industriales, empleando la lógica borrosa
asociadas, que se pueden consultar en la página web del grupo como herramienta en muchas de sus investigaciones. En la
ISCAR (http://www.dacya.ucm.es/area-isa/), o en Universidad Politécnica de Cataluña, el grupo de Robótica
http://www.dacya.ucm.es/msantos/. Inteligente y Sistemas (http://grins.upc.es), trabaja en el
Por último, un campo muy interesante de investigación lo estudio, evaluación y desarrollo de sistemas robóticos con
constituye la sintonía de controladores borrosos, que dada la estas herramientas. No se pueden dejar de mencionar el
falta de una metodología general para el diseño de los mismo, Instituto de Automática e Informática Industrial
sigue siendo un tema abierto y en donde la complementariedad (http://www.ai2.upv.es), de la Universidad de Valencia, ya que
de la teoría de control clásica y las técnicas inteligentes están posee varias líneas de investigación sobre control de procesos
dando buenos resultados (Santos, Dormido, and de la Cruz en las que aportan características inteligentes y predictivas a la
1996). consecución de soluciones tecnológicas. La división de
Automatización y Control de Procesos de la fundación
CARTIF de Valladolid (http://www.cartif.es), y el CARS
(anteriormente Instituto de Automática Industrial del CSIC)
destacan por la utilización de estas herramienta inteligentes
para la consecución de sus objetivos de investigación aplicada,
M. Santos / Revista Iberoamericana de Automática e Informática industrial 8 (2011) 283–296 295
Marichal G. N., González E. J., Acosta L., Toledo J. 2007. Aproximación Santos M., A.L. Dexter. 2002. Control of a cryogenic process using a
Neuro-Fuzzy para Identificación de Señales Viales Mediante Fuzzy PID Scheduler. Control Engineering Practice, 10, 1147-1152.
Tecnología Infrarroja, RIAI, 4, 2, 26-31. Santos, M., R. López, J.M. de la Cruz, 2003. Amplitude, phase and
Martín-H J.A., de Lope J., Santos M. 2009. A Method to Learn the Inverse frequency fuzzy controllers of a fast ferry vertical motion. Proc.
Kinematics of Multi-link Robots by Evolving Neuro-Controllers. ECC’03.
Neurocomputing, 72, 13, 2806-2814. Santos, M., R. López, J.M. de la Cruz. 2005a. Fuzzy Control of the
O’Hanlon, J. F., McCawley, M. E. 1974. Motion sickness incidence as a vertical acceleration of fast ferries. Control Engineering Practice. 13/3.
function of acceleration of vertical sinusoidal motion. Aerospace 305-313.
Medicine, 45, 4, 366–369. Santos, M., R. López, J.M. de la Cruz, 2005b. Modelo Predictivo Neuro-
Passino, K.M. 1993. Bridging a gap between conventional and intelligent Borroso de la Aceleración de Cabeceo de un buque de alta velocidad.
control, IEEE Control Systems, June. RIAI, 2, 3, 39-47.
RayChauduri, T., L.G.C. Hamey, R.D. Bell, 1996. From conventional Santos, M., R. López, J.M. de la Cruz, 2006. A Neuro-Fuzzy Approach to
control to autonomous intelligent methods. IEEE Control Systems, Fast Ferry Vertical Motion Modelling. Engineering Application of
October, 78-84. Artificial Intelligence, 19, 313-321.
Sala A., Ariño C.V. 2009. Reduciendo distancias entre el control borroso y Sanz, R., A. Jiménez, R. Galán y E. A. Puente, 1991. Introducción al
el control no lineal: luces y sombras, RIAI, 6, 2, 26-35. control inteligente de procesos, Informática y Automática, vol. 24-1.
Santos M., Dormido S., de la Cruz J.M. 1996. Derivative action in PID- Valverde R., Gachet D. 2007. Identificación de Sistemas Dinámicos
Fuzzy controllers. Cybernetics and Systems, 27, 5, 413-424. Utilizando Redes Neuronales RBF, RIAI, 4, 2, 32-42.
Santos, M., J. Brandizzi, A.L. Dexter. 2000. Control of a Cryogenic Villagrá J., Milanés V., Pérez J., de Pedro T. 2010. Control Basado en PID
Process using a Fuzzy PID Scheduler. IFAC Workshop on Digital Inteligentes: Aplicación al Control Robusto de Velocidad en Entornos
Control. Past, present and future of PID Control, 401-405. Urbanos, RIAI, 7, 4, 44-52.
Santos M., Cantos A.J. 2010, Classification of plasma signals by genetic Werbos P.J. 2009. Intelligence in the brain: A theory of how it works and
algorithms, Fusion Science and Technology, 58, 706-713. how to build it. Neural Networks, 22, 3, 200-212.
Santos M., A.L. Dexter. 2001. Temperature control in a liquid helium Yi-Bo L., Li Zhen, Zhang Xiao-Dong, 2011. Status and trends of
cryostat using a self-learning neurofuzzy controller, IET Proc.-Control unmanned aerial vehicle flight control techniques. Flight Dynamics
Theory Appl. 148, 3, 233-238. Zadeh, L.A. 1965. Fuzzy sets, Information and Control, 8, 338-352.