Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Arquitectura de Control Inteligente de P PDF
Arquitectura de Control Inteligente de P PDF
Inteligente de Procesos
Ricardo Sanz
1990
aslab.org Autonomous Systems Laboratory
THE AUTONOMOUS SYSTEMS LABORATORY
www.aslab.org
Arquitectura de Control
Inteligente de Procesos
El sistema CONEX
Ricardo Sanz
aslab.org
ASL-T-1990-001
1990
Art is not to be found in a piece of canvas or in a pot of
paint. Pots of the same paint may produce very different results
from the brushes of different painters.
A computer is not intelligent nor is it set of basic instructions.
Like a piece of canvas without a picture of paint, a computer is
inert without a program of instructions. Using the same basic
instructions, different programmers can produce quite different
results in the same computer.
To ask if a programmed computer is intelligent is like asking if
a painted canvas is beautiful. Intelligence, like beauty, seems to
be ”in the eye of the beholder”, since what one calls beautiful or
intelligent another scorns.
John H. Andreae
Thinking with the Teachable Machine
Resumen
3
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
4
Arquitectura de Control
Inteligente de Procesos
ASLab ASL-T-1990-001 v 1.0 Final of 1990
Abstract
Esta tesis doctoral se realizó en el Departamento de Automática de la Escuela Técnica Su-
perior de Ingenieros Industriales de la Universidad Politécnica de Madrid, desde 1987 a
1990. Sus directores fueron D. Agustı́n Jiménez Avello, catedrático de Ingenierı́a de Siste-
mas y Automática y Doctor Ingeniero Industrial y D. Ramón Galán López, Profesor Titular
de Ingenierı́a de Sistemas y Automática y Doctor en Informática.
Keywords
Acknowledgements
Deseo expresar mi agradecimiento a todos los que, de un modo u otro, han contribuido a
que este proyecto de tesis, en ocasiones de perspectiva incierta, se culmine con mayor o me-
nor éxito. Algunos de ellos son: La empresa ASLAND Tecnologı́a S.A. por su apoyo; Juan
Ramón Velasco, por tantas discusiones tan rentables; Eugenio Andrés Puente que tiene un
espı́ritu increı́ble; Adolfo Yela, que ha aguantado estoicamente mis desvarı́os, aportando
una importante visión crı́tica de los mismos; Pedro y Paulo, por la envidia que me dá su
capacidad de trabajo; Marta, Gamaliel y el resto de la gente de IA, por estar ahı́, peleando;
Fernando, Cecilio, Alvaro y Jose Antonio, por embarcarse; Luis, Marı́a, Angel, Enrique, Ma-
galı́, Aida y todos los demás les agradezco su manera de compartir tantas horas; Familia,
amigos y demás conocidos que han soportado mis obsesiones, por eso mismo.
Tabla de Contenido
1. Introducción 1
1.1. Estado del Arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Objetivos de la Tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Estructura de la Memoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
III
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
IV
TABLA DE CONTENIDO
5. Metodologı́a de Diseño 60
5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.2. Objetivos de la descomposición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.3. Sistemas Jerárquicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.3.1. Tipos de jerarquı́as . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.3.2. Jerarquı́as en sistemas de control inteligente . . . . . . . . . . . . . . . . . . . . . . 65
5.3.3. Descomposición por dominios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.3.4. Descomposición funcional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.3.5. Descomposición representacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.3.6. Descomposición temporal y por paradigmas . . . . . . . . . . . . . . . . . . . . . . 69
5.3.7. Estructuración jerárquica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.4. Operación en tiempo real . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.4.1. Requisitos fuertes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.4.2. Requisitos débiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.4.3. Sistemas basados en reglas borrosas . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.4.4. Sistemas basados en reglas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.4.5. Sistemas basados en modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.5. Descomposición de Sistemas basados en el Conocimiento . . . . . . . . . . . . . . . . . . . 75
5.5.1. Descomposición de la base de conocimientos . . . . . . . . . . . . . . . . . . . . . . 75
5.5.2. Planificación de bases de conocimiento . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.5.3. Criterios de selección de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.5.4. Razonamiento progresivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.5.5. Razonamiento conclusivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.6. Valoración de la Metodologı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6. Modelado Multirresolucional 80
6.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
V
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
VI
TABLA DE CONTENIDO
VII
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
9. Conclusiones 139
9.1. Aportaciones de esta tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
9.2. Desarrollos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
B. Glosario 143
B.1. Términos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
B.2. Acrónimos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
C. Bibliografı́a 149
C.1. Referencias Bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
C.2. Bibliografı́a adicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
VIII
Lista de figuras
IX
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
X
LISTA DE FIGURAS
XI
Lista de tablas
3.1. Ejemplos de uso de modelos considerando dos aspectos fundamentales: explicitud y abs-
tracción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
XII
Capı́tulo 1
Introducción
1
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Estas aplicaciones se llevan a cabo utilizan- cesivo grado de dispersión. No existe un cuerpo
do herramientas de construcción de sistemas ex- de conocimiento central que permita situar y va-
pertos clásicas, herramientas especialmente di- lorar todos los desarrollos, debido fundamental-
señadas para control inteligente o bien constituyen mente a que el problema del control inteligente es
desarrollos especı́ficos. Como resultado del uso de un problema de formulación de un modelo com-
herramientas convencionales, dichas herramientas plejo de un sistema fı́sico aún más complejo; esto
resultan potenciadas con una serie de elementos hace que los factores psicológicos sean en gran me-
que llegan a constituir nuevas herramientas (es el dida crı́ticos, ya que las polı́ticas de identificación
caso del sistema PLEXYS [Intellicorp 87a], evolu- del estado del sistema y de razonamiento sobre la
ción de la herramienta KEE). evolución del mismo se derivan de los modos de
pensar del personal —informático y de proceso—
Las herramientas especı́ficas para control in-
que construye el sistema de control inteligente. In-
teligente —centradas en el control basado en
tentos de formulaciones teóricas independientes
reglas— están logrando una progresiva introduc-
han tenido resultados disparejos, aunque dentro
ción en el mercado, al ir mejorando sus presta-
de ellas cabe destacar al grupo de investigadores
ciones de representación de conocimiento, razona-
en torno a Saridis [Saridis 88b]. No obstante este
miento y operación en tiempo real; es el caso de G2
tipo de teorı́as pecan de un excesivo alejamiento
[Gensym 89] —sucesor de PICON—, CHRONOS
de lo que es ingenierı́a, siendo por tanto de aplica-
[Euristic 89], COMDALE y NEMO [S2 O 90].
bilidad directa limitada.
Los desarrollos en control inteligente se dan
Además existen problemas con soluciones pre-
fundamentalmente en el ámbito universitario o en
carias —como son los motores de inferencia en
el marco de grandes proyectos de investigación,
tiempo real o el uso de modelos profundos— que
como pueden ser los patrocinados por el DoD
limitan la aplicabilidad de estos sistemas. Ello es
americano, la NASA o la comunidad europea a
debido por lo general tanto a consideraciones de
través de sus programas de I+D (ESPRIT, EURE-
operación en tiempo real como a seguridad y fia-
KA, etc). Ejemplos de este tipo son los sistemas de-
bilidad.
sarrollados —o en proceso de desarrollo— en los
proyectos ESPRIT: TEX-I [Voss 88], QUIC [Cavan-
na 89], KRITIC, AIMBURN, IPCES, etc. De espe-
cial importancia son estos últimos por sus objeti- 1.2. Objetivos de la Tesis
vos claramente industriales.
Las caracterı́sticas más importantes de estos Los objetivos de esta tesis se centran en varios
sistemas se resumen en que consiguen implantar puntos:
estrategias de control avanzadas, basadas en técni-
cas de inteligencia artificial, pero con limitaciones Determinar la factibilidad de los sistemas in-
en cuanto al tipo de polı́ticas de control utilizables teligentes de control de procesos. Se tratará de
y el tipo de procesos a los que son aplicables, sobre determinar la viabilidad técnica de los siste-
todo debido a la lentitud de estas aplicaciones, que mas inteligentes de control de procesos, esta-
limita su operación en tiempo real. Los sistemas bleciendo los elementos fundamentales de los
inteligentes —por ejemplo los basados en reglas— mismos, ası́ como los posibles beneficios deri-
incurren en cargas de cómputo en tiempo de eje- vables de su utilización.
cución que son impredecibles, lo que hace inviable
su uso en determinado tipo de sistemas (sistemas Desarrollo de un técnica de modelado de
con requerimientos fuertes de operación en tiem- sistemas fı́sicos para razonamiento sobre los
po real). mismos. Esta técnica será el soporte de los
procesos de razonamiento a todos los niveles,
Todo ello nos permite alcanzar una conclusión tanto en planificación como en control directo.
final. El control inteligente de procesos es una área
de I+D muy prometedora, en la que se están lo- Proponer una arquitectura para control inteli-
grando importantes resultados, aunque con un ex- gente de procesos complejos. Esta arquitectu-
2
Capı́tulo 1. Introducción
3
Capı́tulo 2
COMPLEJO:... asunto en que hay que considerar Un bucle interno, en base a un regulador clási-
muchos aspectos, co (PID o PI).
por lo que no es fácil de comprender o resolver
Un bucle externo, llevado a cabo por un hu-
MARIA MOLINER mano, encargado de monitorizar la evolución
Diccionario de Uso del Español del proceso y de realizar las correcciones per-
tinentes, por lo general a través de las consig-
nas de los bucles internos.
2.1. Introducción
Como veremos en este capı́tulo y en los suce-
Existen gran cantidad de procesos industria- sivos, la inteligencia artificial puede servir de sus-
les que sufren una falta grave de automatización, tancial apoyo para la construcción de sistemas de
con las consiguientes repercusiones en la produc- control automático integrales, ya que la flexibili-
tividad y disponibilidad del proceso. Esta caren- dad de las representaciones del conocimiento que
cia de funcionamiento automático es debida a di- utiliza va a permitir hacer frente a la complejidad
versas circunstancias, pero que cabe agrupar ba- del proceso. En este capı́tulo analizaremos los ob-
jo un sólo concepto: COMPLEJIDAD. Los procesos jetivos de la aplicación de técnicas de inteligen-
industriales son complejos en tres sentidos: cia artificial al control de procesos complejos. Pa-
ra ello estudiaremos en primer lugar el concep-
to de proceso complejo, determinando los proble-
Número de elementos que componen el siste- mas principales para su control, estudiando a con-
ma. tinuación la posible utilización de la inteligencia
artificial y los resultados hasta ahora conseguidos.
Interacciones entre dichos elementos.
4
Capı́tulo 2. Control de Procesos Complejos
Interfaz de
operador
Captador
5
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
resultados aceptables en algunos casos. No obs- ción con sistemas dinámicos, la falta de fiabilidad
tante el control de un proceso de complejidad ele- de equipos, etc.
vada se basa en gran medida en la capacidad de
Por otra parte los factores de complejidad tie-
sentido común del operador, difı́cilmente implanta-
nen su origen en los aspectos de complejidad men-
ble en un sistema experto.
cionados en el apartado. Las caracterı́sticas que
deben poseer los sistemas de control para hacer
frente a estos problemas son: ser capaces de im-
2.2.3. Incertidumbre de comportamien- plementar un número elevado de bucles de con-
to o complejidad terciaria trol elevado, poder hacer control multivariable y
manejar los diferentes aspectos de incertidumbre.
Si se carece de un modelo del proceso a contro-
lar, el control posible del mismo queda muy res- Esto nos conduce a plantear como necesidades
tringido. de un sistema de control las siguientes: equipos
potentes, algoritmos avanzados y modelos multi-
La identificación del proceso a controlar es un resolucionales. Toda esta problemática de control
factor fundamental si se desea usar un control para procesos complejos ha conducido a un punto
avanzado, pero sólo se muestra viable cuando la en que el planteamiento del control se hace direc-
dinámica del proceso es muy definida, con altera- tamente en base a la utilización de controles au-
ciones debidas tan sólo a modificación o deriva de tomáticos simples, junto con personal humano en-
algún parámetro del proceso. En caso de sistemas cargado de la supervisión de los mismos.
con mucho ruido y con estructura muy cambiante
la utilidad de un modelo reducido y la identifica-
ción disminuye. 2.3.1. Enfoques de control
El aspecto terciario de complejidad es justifica-
ble en último término como complejidad secunda- El problema de la complejidad volumétrica es
ria exacerbada. Las interacciones son tantas y a tan el de más fácil resolución, pues para ello basta la
bajo nivel, que la predicción del comportamiento fuerza bruta: el tamaño del ordenador —o del sis-
exacto del sistema es imposible. tema de ordenadores— se hace proporcionalmen-
te grande al número de variables a controlar.
Vuelve a surgir el operador y su sentido común
para hacer frente a este problema, ya que con su Este tipo de sistemas es el que se puede en-
capacidad de razonamiento y sobre todo con su contrar más fácilmente en la industria, existiendo
experiencia en el funcionamiento del sistema, es ca- gran cantidad de productos comerciales que son
paz de determinar la acción de control adecuada aplicables en este nivel [Foxboro 86]. Este tipo de
—o al menos una que se le aproxima. productos tienen como principales clientes a in-
dustrias quı́micas; apareciendo la mayor parte de
los paquetes comerciales en el campo de la indus-
tria petroquı́mica. Estos productos ofrecen la po-
2.3. Control de Procesos Com- sibilidad de implantar multitud de bucles de con-
plejos trol, manejando decenas de miles de variables si-
multáneamente. Sin embargo es preciso el uso de
un operador de proceso; una persona encargada
El control de procesos complejos se ve afecta-
de supervisar el funcionamiento del sistema. Este
do por una serie de factores que dificultan su rea-
enfoque —de fuerza bruta dijimos antes— da re-
lización. Estos factores cabe agruparlos en gene-
sultados buenos respecto a la operación en modo
rales —no exclusivos de este tipo de procesos—
manual.
y de complejidad. Los factores generales son los
que están asociados a las tareas de control, deriva- No obstante la economı́a es la que en último
dos esencialmente de la interacción con un siste- término controla el avance técnico, y es la necesi-
ma fı́sico. Entre estos factores se pueden destacar: dad de mejorar rendimientos la que conduce a los
la necesaria operación en tiempo real, la interac- sistemas de control avanzado, en los que se em-
6
Capı́tulo 2. Control de Procesos Complejos
plean técnicas matemáticas para gestionar y opti- situación. Este tipo de sistemas de determinación
mizar la producción de la planta industrial [Nistal en lı́nea de salida de márgenes de operación es de
89b]. Este tipo de sistemas de control es más difı́cil gran importancia para la robustez del sistema de
de encontrar en la práctica como paquete comer- control.
cial. Por lo general los desarrollos en este campo
El número de maneras en que un proceso pue-
son individuales, construidos por empresas de in-
de salirse fuera del margen de operación de un
genierı́a para plantas especı́ficas. El campo de apli-
regulador es muy variado, siendo la causa de la
cación de este tipo de sistemas es, no obstante, el
progresiva complejidad de los sistemas de control
mismo que el de los sistemas anteriores: las plan-
clásicos, en particular los implantados con compu-
tas limpias.
tador que son los que permiten realizar estas ges-
Cuando el proceso a controlar tiene dificulta- tiones de forma eficaz. Los sistemas de control ba-
des de modelado, estas se derivan generalmente sados en hardware son bastante inflexibles en es-
de la complejidad terciaria. Este es, con mucho, el te sentido, disponiendo prácticamente de un único
problema más importante para el control de pro- método de control de fuera de márgenes: el uso de
cesos sucios. En este caso los sistemas del control umbrales de alarma en las variables medidas. Este
automático existentes de forma generalizada redu- tipo de mecanismos permiten acotar una zona del
cen su actuación al control de bucles simples del espacio de valores de las variables que se consi-
proceso, sin realizar un control global del mismo. dera controlable. En control con computador la de-
Es preciso utilizar un operador experto para con- terminación de estas zonas es más flexible, siendo
trolar el proceso. habitual el uso de diversos tipos de umbrales, que
determinan varias zonas de operación diferencia-
Las necesidades de mejora de rendimientos y la
das, en las que se usan diferentes algoritmos de
supresión de dependencias humanas hacen que la
control.
búsqueda de soluciones a estos problemas de con-
trol sea cada vez más intensa. El enfoque que pa- Si analizamos este tipo de situaciones, ası́ como
rece más prometedor es el uso de técnicas de inge- la manera en que los humanos realizan el control
nierı́a del conocimiento, que se justifican en base a de este tipo de sistemas, vemos que el proceso de
que si un humano puede hacerlo, la máquina debe poder control consta de dos etapas fundamentales:
también.
Valoración de la situación , en la que se establece
cual es el estado funcional del proceso, informa-
2.3.2. Control de un proceso complejo ción que se empleará para determinar la es-
trategia de control a emplear. Esta determina-
En el control de un proceso complejo es precisa ción del estado funcional se lleva a cabo por
la existencia de sistemas adicionales a lo constitu- medio de información sobre el estado del pro-
ye un control clásico y que posibiliten la realiza- ceso, por lo general variables medidas, aun-
ción de las tareas de control en un amplio rango que también es habitual el uso de historias de
de circunstancias. Este último punto es de funda- valores u otro tipo de información como es el
mental importancia; la multiplicidad de circuns- caso de análisis espectrales.
tancias que se producen en la operación de proce-
sos complejos es la que determina la inoperancia Determinación de la actuación , en la que se esta-
de los sistemas de control clásicos, debido a que blecen las acciones de control a realizar sobre el
estos son adecuados para situaciones muy deter- proceso. Estas acciones se calculan a partir de
minadas. En una situación particular el comporta- la información sobre el estado del proceso —
miento del proceso se rige por una serie de rela- variables medidas— y empleado el algoritmo
ciones que determinan la idoneidad de un deter- adecuado al estado funcional establecido por
minado regulador clásico. Cuando las circunstan- la etapa anterior.
cias cambian es preciso determinar esta salida de
ámbito de aplicación para evitar los problemas a que Este tipo de mecanismo dual se implanta habi-
conduce el uso de un regulador inadecuado a una tualmente en los sistemas de control con compu-
7
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Valoración de la
situación del proceso
Estado
Referencias funcional Variables
de proceso
Acción de
Determinación de la control
Proceso
acción de control
tador, aunque en muchos casos su diseño e im- —en cierto sentido— una realización de esta es-
plantación no se realizan teniendo en cuenta esta tructura dual, en la que el número de reguladores
función doble, por lo que las dos etapas suelen es- a seleccionar es prácticamente infinito —un rango
tar integradas en una etapa única que puede llegar continuo— y en el que la identificación del estado
a ser bastante compleja. En un caso particular —el funcional no se hace en cada ejecución del algorit-
sistema COMLAND desarrollado por el Departa- mo de control, sino con otro tipo de periodicidad.
mento de Automática— se tiene este tipo de es-
tructura. El sistema implanta un doble regulador
en cascada, al que se añade un bucle de optimi-
zación de producción cuando las condiciones del
proceso son adecuadas. El sistema reconoce cuatro 2.4. Control Supervisor
regiones de operación: optimizable, normal, aten-
ción y alarma. De haberse implantado desde un No obstante la complejidad inherente a mu-
principio con estructura de dos etapas el desarro- chos procesos, la estructura de control supervisor
llo hubiera sido mucho mas simple y el sistema re- basada en un operador humano tiene éxito. Este
sultante más eficaz y robusto. éxito cabe atribuirlo a que el modelo mental que
El problema de la implantación de esta estruc- el operador tiene del proceso y los mecanismos de
tura dual se origina en la primera etapa. Esta es identificación que emplea para el ajuste de dicho
una etapa que puede requerir de procesos de in- modelo, son, cuando menos, mejores que los utili-
formación a muy alto nivel, siendo una etapa cla- zados en sistemas de control automático; lo que le
ramente basada en conocimiento declarativo — permite realizar la etapa de identificación del esta-
situaciones a reconocer— mientras que la segunda do funcional de una manera más efectiva.
es una etapa fundamentalmente procedural. Por A pesar de lo anterior el control basado en hu-
ello en sistemas de control poco avanzados la pri- manos no es la panacea, ya que el operador es hu-
mera etapa se minimiza, desapareciendo incluso mano, y como tal esta sometido a cansancio, erro-
en el caso de los reguladores mas simples: no se res de percepción, errores de decisión, etc. Los
realiza ningún proceso de valoración del estado tres conceptos fundamentales de fiabilidad, dispo-
del proceso y por ello se emplea siempre el mis- nibilidad y mantenibilidad presentan caracterı́sti-
mo algoritmo de determinación de actuaciones: el cas particulares cuando se habla del operador hu-
regulador convencional. El control adaptativo es mano:
8
Capı́tulo 2. Control de Procesos Complejos
Fiabilidad : El hombre es menos fiable que la ridan propone son los que se derivan del siguiente
máquina, sobre todo porque sus modos de fa- protocolo:
llo son menos predecibles y menos identifica-
bles. 1. El computador no ofrece asistencia, o
9
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
una serie de técnicas que permitan potenciar el sis- temas de asistencia al humano. Ejemplos de este
tema de control (quizá avanzando en la jerarquı́a tipo de sistemas son los sistemas inteligentes de
propuesta por Sheridan), pero con un objetivo fi- ayuda a la toma de decisiones. En ellos se realiza
nal hombre-máquina. una gestión eficiente de la información disponible
por el operador. De este modo el operador puede
Por lo general un sistema de control de este tipo
realizar sus actuaciones de una forma mucho mas
tiene una estructura jerárquica, existiendo un nivel
fiable, ya que se disminuye el elemento intuitivo
primario de regulación que suele estar implantado
de la misma. En este tipo de sistemas se produce
mediante autómatas programables y un nivel su-
una delegación dinámica de tareas del operador
perior de monitorización y supervisión por el hu-
al sistema ayudante, permitiendo de este modo al
mano.
operador estar en cada momento con el nivel de
trabajo mas adecuado. Esto es cierto salvo cuando
se necesita gran cantidad de potencia en alto ni-
2.5. Inteligencia Artificial e Inte- vel, esto es, cuando existen varias tareas a realizar
que precisan de la capacidad del humano; en es-
ligencia Natural ta situación el sistema ayudante no puede prestar
ninguna ayuda, ya que su capacidad está limitada
a las tareas más simples y repetitivas.
La misión del operador es —por lo general— la
de establecer estrategias de control mediante espe- Ante esta situación surge la pregunta:
cificación de las consignas de los bucles de control. ¿Es posible reemplazar al operador humano por un
Esta misión se lleva a cabo mediante un proceso de sistema artificial que presente una funcionalidad equi-
toma de decisiones. La utilización del humano en valente?
este tipo de sistemas presenta ventajas y desventa-
jas inherentes al comportamiento caracterı́stico del
mismo. Las desventajas de este tipo de control en
sistemas complejos se resumen en los puntos pre-
sentados en la.
2.6. Inteligencia Artificial en
En los sistemas de control de procesos comple-
Control
jos se realizan dos tipos de actividades: Conduc-
tistas y Cognoscitivas. Las actividades conductistas La inteligencia artificial es un grupo de técni-
son fácilmente implantables en un ordenador; no cas muy fértil, capaz de dar soporte para solucio-
ası́ las cognoscitivas, esencialmente las derivadas nar problemas en los ámbitos más diversos de la
informática. Por ello el control no ha escapado de
de la intuición y previsión. Por este motivo es pre-
ciso mantener al humano en el bucle de control, la influencia de estas técnicas. El enfoque del uso
aunque se pueden desarrollar entornos que le ayu- de inteligencia artificial en control no ha sido nun-
den en su labor. ca homogéneo, realizándose desde múltiples di-
recciones y con propósitos muy diferentes. Estos
Estos dos tipos de actividades están estrecha-
propósitos cabe diferenciarlos en dos grandes gru-
mente relacionadas con las dos etapas fundamen-
pos: a) Ayudas al diseño y construcción de siste-
tales en cualquier sistema de control: Valoración
mas de control convencionales y b) control propia-
de la situación, que es esencialmente cognoscitiva
mente dicho.
y determinación de la actuación que suele ser pro-
cedural. El primer punto no entra dentro de los objeti-
vos considerados en esta tesis, por lo que no se
Dado que parece imposible suprimir al hom-
hará ninguna otra referencia a él, restringiéndonos
bre del bucle de control debido a la necesidad de
al segundo punto.
los elementos que aporta (esencialmente sentido
común), tradicionalmente se ha tratado de solven- De un tiempo a esta parte han venido apare-
tar esta problemática (automatización de las fun- ciendo una serie de comunicaciones sobre la utili-
ciones del operador) mediante el desarrollo de sis- zación de técnicas de inteligencia artificial en con-
10
Capı́tulo 2. Control de Procesos Complejos
Control Supervisor
Ventajas
Capacidad de determinación de acciones correctas
El hombre tiene sentido común
aún con información incompleta
Capacidad de aprendizaje
Desventajas
trol. Este interés parece proceder de tres fuentes campo del control de procesos de producción de
diferentes: cemento. Esta ha sido un área tradicional de I+D
dentro del departamento en que se ha desarrolla-
Ingenierı́a de control, que, ante la necesidad do esta tesis, en colaboración con una importan-
de hacer frente a problemas de control de te empresa del sector. Las posibilidades de con-
difı́cil solución, tratan de encontrar en la in- trol clásico de este tipo de sistemas han venido
teligencia artificial técnicas que les permitan mostrándose muy limitadas, al ser procesos con
afrontar dicho problema. ruidos de todo tipo y comportamientos erráticos,
fundamentalmente debidos a la variabilidad de
Inteligencia artificial, en la que el campo de los materiales de partida. La inteligencia artificial
aplicación se va ensanchando progresivamen- ofrece perspectivas nuevas para enfocar el proble-
te. ma del control de este tipo de procesos, y es por
ello que los desarrollos presentados en esta tesis
Grupos de gente de pensamiento sincrético tienen una orientación decidida hacia la aplicación
que ven en la unión inteligencia artificial- industrial más o menos inmediata.
control el marco adecuado para experimentar
sobre temas esencialmente filosóficos. Como veremos en capı́tulos posteriores, la au-
tomatización total de la planta —no intervención
humana— será un objetivo de importancia progre-
Nuestro caso está dentro del primer grupo. El sivamente reducida. Otros objetivos —seguridad,
propósito que nos anima es controlar procesos estabilidad, etc.— nos conducirán a la idea del sis-
complejos que se han resistido a los enfoques clási- tema hombre-máquina como la solución de con-
cos. La inteligencia artificial, con su enfoque he- trol más adecuada; aunque la inteligencia artifi-
terodoxo, puede permitirnos formalizar y utilizar cial nos permitirá construir mecanismos de control
información sobre el proceso a controlar difı́cil- muy avanzados basados en la manera en que los
mente integrable en un sistema clásico. humanos controlan este tipo de procesos.
El surgir de nuestras ideas y objetivos de con-
trol es debido a una natural evolución dentro del
11
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Mantenimiento
Control borroso Alarmas
Preventivo
Valoración de Valoración de
estado estado
Lenguaje Natural
Filtrado de acciones
12
Capı́tulo 2. Control de Procesos Complejos
13
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Modo de operación:
• En lı́nea.
• Fuera de lı́nea.
Orientación
14
Capı́tulo 3
15
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
sistema concreto” [Aracil 86]. Este es el senti- temas de complejidad limitada. Las técnicas ma-
do sistemista. temáticas avanzan, sin embargo, en el desarrollo
de técnicas de modelado progresivamente eficaces
Para Rothemberg [Rothemberg 89] modelar es en la construcción de modelos matemáticos de sis-
hacer un uso de una cosa en vez de otra temas complejos [MacFarlane 70].
con un propósito cognoscitivo y de manera
económicamente eficiente.
3.2.2. Caracterı́sticas de los modelos
El término modelo aparece dentro de un proce-
so de representación, pero no obstante se utiliza El modelado no es una actividad susceptible
con dos significados fundamentalmente opuestos de estandarización; como ya se ha mencionado los
como aparece reflejado en las dos anteriores defi- modelos son el resultado de una actividad cognos-
niciones [Aracil 86]: citiva de un humano, y por ello son susceptibles de
sufrir grandes variaciones de una persona a otra.
La cosa representada. Aún en el caso de modelar un sistema simple los
modelos pueden diferir.
La cosa representante.
Es preciso analizar cuales son las caracterı́sti-
cas fundamentales de los modelos y que nos van
La segunda acepción es la utilizada habitual- a permitir analizarlos. Estas caracterı́sticas son las
mente en el ámbito técnico, quedando la primera relacionadas fundamentalmente con los aspectos
para otros usos. técnicos referentes a esta tesis, sin que se trate de
Los modelos son construidos por las personas, realizar un estudio exhaustivo de las mismas.
y por ello, un modelo no es mas que una construc- El primer aspecto caracterı́stico de un modelo
ción subjetiva en la cual el humano reune su ex- es su profundidad. La profundidad de un mode-
periencia sobre un entidad real. El término clave lo está relacionada con el proceso de abstracción
es subjetivo. La subjetividad del modelo es debida mediante el cual se obtiene el modelo a partir del
a que se construye mediante un proceso cognosci- sistema real. Un modelo será tanto más profun-
tivo llevado a cabo por un humano. Los intentos do cuantos mas aspectos relacionados con el com-
de construcción de sistemas de percepción del en- portamiento del sistema real estén expresados en
torno para sistemas autónomos se encuentran con el modelo. En este sentido Hinkelmann [Hinkel-
la problemática de la formulación del modelo que mann 89] dice:
servirá de base a dicha percepción.
“Consider two models of expertise M and M’. We
De especial importancia son los modelos ma- will say that M’ is deeper than M if there exists some
temáticos. Esta importancia radica en su comuni- implicit knowledge in M which is explicitly represented
cabilidad. Un modelo subjetivo está asociado estre- or computed in M’”2
chamente al sujeto que lo desarrolla, siendo de ex-
trema dificultad su comunicación. Si el ente a mo- De acuerdo con Hinkelmann podemos formu-
delar admite la formulación matematica del mo- lar un principio de profundización de modelos,
delo, se puede construir un modelo compartible por afirmando que profundizar es explicitar:
1
varios individuos. Los modelos simbólicos que se PROFUNDIZACION ≡ EXPLICITACION
desarrollan en inteligencia artificial tienen esta ca-
racterı́stica. Están construidos en un nivel de abs- Los modelos pueden tratar de representar el
tracción mayor que el numérico pero son compar- sistema tal como es, o pueden intentar exclusiva-
tibles. mente responder a determinados aspectos. En este
sentido diremos que un modelo es directo u orienta-
La posibilidad de formular matemáticamente do. Un modelo orientado es un modelo que no tra-
los modelos es muy relativa, restringiéndose a sis-
2 Consideremos dos modelos de pericia M y M’. Diremos
1 Cuando
se utiliza el término simbólico se debe entender que M’ es mas profundo que M si existe algún conocimiento
como no numérico. implı́cito en M que es representado explı́citamente en M’.
16
Capı́tulo 3. Modelos Simbólicos de Sistemas Fı́sicos
17
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
mas de la realidad mediante el manejo de infor- este punto no tenemos mas que observar la técni-
mación estructurada referente a ese mundo. Esta ca habitual de hacer frente a sistemas complejos:
información estructurada no es mas que un modelo reducción y desacoplamiento.
de la porción del mundo con la que se está traba-
En esta tesis doctoral se trata de aplicar el pun-
jando. Esto aparece claramente ya en [Lehman 80],
to de vista heterodoxo de construcción de modelos
en el que se clasifican los tipos de programas en
—tomado de la inteligencia artificial— a la cons-
función de el tipo de modelo y la posibilidad de su
trucción de modelos de sistemas con complejidad
complección. La inteligencia artificial es en esen-
terciaria, para su utilización en control de los mis-
cia un enfoque heterodoxo para la construcción de
mos.
modelos informáticos del mundo, y es desde esta
perspectiva heterodoxa como las aplicaciones ba-
sadas en inteligencia artificial —léase fundamen-
talmente sistemas expertos— han conseguido su 3.3. Modelos para Control
éxito.
En cualquier tipo de aplicación informática En esta tesis se desarrolla una arquitectura de
existe un modelo de la porción del mundo con la control que está basada en la utilización en lı́nea
que trabaja. Este modelo puede formularse explı́ci- de un modelo del proceso a controlar. Este tipo
tamente o estar incluido de manera implı́cita en los de técnica se enmarca dentro de lo que en inge-
procedimientos o estructuras de datos que compo- nierı́a del conocimiento se ha dado en llamar ra-
nen la aplicación informática. Para realizar cual- zonamiento basado en modelos. En ocasiones se suele
quier tipo de actividad sobre un objeto, persi- utilizar el término control basado en el conocimien-
guiendo unos determinados fines, es preciso cono- to para referirse a una serie de métodos de control
cer como va a reaccionar dicho objeto a nuestras basados en técnicas tomadas de la ingenierı́a del
acciones. Este conocimiento del comportamiento conocimiento. El uso de este tipo de expresión es
del objeto es un modelo de dicho objeto. Este mo- quizá inadecuado, ya que para controlar cualquier
delo aparecerá representado de forma implı́cita en proceso hace falta un cierto conocimiento del mis-
los mecanismos que implantemos para la inter- mo en el que se basa el sistema de control.
vención sobre el mismo.
En la terminologı́a sobre los tipos de control
El control, por otra parte, se basa también en existen una serie de usos de la misma que condu-
modelos del mundo, aunque en este caso los mo- cen a confusiones y errores de interpretación.
delos suelen tener dos caracterı́sticas muy especia-
El control se basa siempre en el conocimien-
les:
to sobre el proceso a controlar, conocimiento que
constituye un modelo del proceso. Por ello todos
Su formulación matemática; suelen ser expre- los controles serı́an agrupables bajo el término de
sados mediante ecuaciones diferenciales. control basado en el conocimiento o control basado en
Su restringido alcance; modelan pequeñas modelos. A pesar de lo mencionado, y para ajus-
porciones del mundo, esto es sistemas poco tarnos a los usos más generalizados, cuando utili-
complejos. cemos el término control basado en modelos nos re-
feriremos al control basado en modelos simbólicos
explı́citos. En esta última frase es preciso aclarar el
Vemos que el ámbito de aplicación del control
término simbólico. En este caso sucede lo mismo
clásico son los sistemas simples y que admiten re-
que con el conocimiento; habitualmente se usa el
presentaciones matemáticas, en los cuales aunque
término simbólico en contraposición a numérico, y
existe una cierta flexibilidad por lo que se refiere
este será el uso que le demos, teniendo en cuanta
a la formulación matemática no sucede lo mismo
no obstante que los números también son sı́mbo-
con la simplicidad. El control de sistemas comple-
los.
jos es una asignatura pendiente, sobre todo cuan-
do el sistema tiene complejidades secundaria y ter- En la Tabla 3.3 se presentan algunos ejemplos
ciaria elevadas (ver Capı́tulo 2). Para comprobar de control, clasificados según el tipo de modelo
18
Capı́tulo 3. Modelos Simbólicos de Sistemas Fı́sicos
empleado: simbólico versus numérico y explı́cito una determinada persona, siendo por lo tan-
versus implı́cito. En dicha tabla se presentan los to una concreción informática de un modelo
siguientes ejemplos: mental. En este caso el modelo es simbólico e
implı́cito en las reglas, del mismo modo que
PID: Control PID. Es quizá el control más clásico. era implı́cito en el PID.
En él el modelo es implı́cito, ya que se utiliza
CBM: Control Basado en Modelos. En este caso
para el diseño del regulador, y por tanto po-
el modelo del proceso a controlar aparece de
demos afirmar que está incluido en él. Además
forma explı́cita en la base de conocimiento del
este modelo es numérico, expresable en forma
sistema de control. Este modelo es simbólico
de ecuaciones diferenciales o de funciones de
en el sentido más general, pudiendo tener to-
transferencia.
da una gama de niveles de resolución: desde
MRAC: Control Adaptativo con Modelo de Refe- el modelo numérico ecuaciones diferenciales
rencia. (Model Reference Adaptive Control3 ). hasta un modelo en un nivel de abstracción
Un tipo de control adaptativo en el que se for- máximo grafo de dependencias causales. Este
mula de manera explı́cita un modelo que es modelo se empleará en mecanismos de razo-
empleado durante la actividad de control. Es- namiento basado en modelos (RBM) para ob-
te modelo es al igual que en el caso del PID tener las acciones de control.
numérico, aunque no es un modelo del proce-
so a controlar sino de como nos gustarı́a que
fuera el proceso. Otro tipo de control adaptati- 3.3.1. Utilización de modelos numéri-
vo, el STR, utiliza también un modelo del pro- cos
ceso, que es objeto de un ajuste periódico.
Los modelos utilizados en el desarrollo de los
CBR: Control Basado en Reglas. En este caso el
reguladores clásicos son modelos basados en ecua-
sistema de control se basa en un conjunto de
ciones diferenciales ordinarias. Por ejemplo, en el
reglas que constituyen la base de conocimien-
sistema de la figura un objeto en caı́da libre se tie-
to de control. Estas reglas se extraen del cono-
ne el siguiente juego de ecuaciones diferenciales:
cimiento sobre control del proceso que tiene
3 Se ha respetado el acrónimo anglosajón por estar muy ex-
dy
tendido su uso. =v
dt
19
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
20
Capı́tulo 3. Modelos Simbólicos de Sistemas Fı́sicos
21
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
M
−
M+ El determinar cual de las dos opciones hay que
seguir se realizará en base a la otra restricción, la
M+ M+ que fuerza el caudal deseado.
Vemos pues que no tenemos en nuestra ba-
se de conocimiento pares (situación, acción) como
tenı́amos en el caso de usar modelos implı́citos,
Temperatura sino que tenemos relaciones más abstractas pero
Caudal
en relación mucho más inmediata con el mundo a
controlar.
22
Capı́tulo 3. Modelos Simbólicos de Sistemas Fı́sicos
ción dentro de los procesos de razonamiento hu- ción5 ” [de Kleer 84a].
mano.
Utilizando la formulación de Kuipers [Kuipers
Fruto de esta propuesta son una serie de de- 86] el ejemplo anterior de un objeto en caı́da li-
sarrollos en los que se proponen técnicas de mo- bre (ver Figura 3.3.1) con velocidad vertical positi-
delado y simulación cualitativa de sistemas. Gran va tendrı́a la siguiente formulación. El comporta-
parte de estos trabajos aparecen referenciados en miento del sistema viene determinado por las va-
[Bobrow 84], destacando por su importancia los riables del mismo, las restricciones (ecuaciones di-
de de Kleer [de Kleer 84a], Forbus [Forbus 84] y ferenciales y constancia de la gravedad) y el estado
Kuipers [Kuipers 86]. inicial:
Dichos sistemas pueden realizar predicciones Tres variables:
de comportamiento de un proceso determinado,
en base a una representación de la estructura del
y : Posición vertical.
proceso en términos de una serie de funciones cua-
litativas y restricciones y un estado inicial. El ele- v : Velocidad vertical.
mento caracterı́stico son dichas funciones cualita-
a : Aceleración vertical.
tivas. Estas son funciones del tiempo que toman
valores sobre conjuntos finitos de valores cualitati-
Cuyos espacios de cantidades son:
vos denominados espacios de cantidades. El espa-
cio de cantidades más simple es el compuesto por
los valores {negativo, cero, positivo} que en oca- Q(y) = {−, 0, +}
siones se representa por {−, 0, +}. Este espacio es
Q(v) = {−, 0, +}
el más utilizado y en ocasiones el único, como es
el caso de de Kleer, ya que es el que aporta infor- Q(a) = {−, 0, +}
mación cualitativa mas importante.
Las restricciones son:
El paradigma fundamental de la simulación
cualitativa es la generación y prueba. El mecanis-
dy
mo de simulación genera un grafo con los posibles =v
estados sucesores de uno dado, grafo que es po- dt
dado en base a las restricciones. De este modo se dv
=a
genera un grafo de comportamientos, en el que los dt
nodos son estados y el comportamiento del siste- a = cte = g < 0
ma es cualquier trayectoria desde el nodo inicial a
un nodo terminal. La simulación cualitativa tiene El estado inicial es:
este rasgo caracterı́stico de multiplicidad, sin que
sea posible determinar efectivamente cual serı́a la
trayectoria real. Enfoques basados en ponderacio- y = [+, inc] Posición >0 y aumentando.
nes tratan de solventar este problema, como es el
caso del de D’Ambrosio [D’Ambrosio 89], que usa v = [+, dec] Velocidad >0 y disminuyendo.
técnicas basadas en conjuntos borrosos. a = [g, std] Aceleración constante.
El objetivo final de todos estos sistemas es la
derivación de comportamientos a partir de infor- La simulación de este sistema nos permitirı́a
mación estructural. Esto es un paso de la formu- determinar los posibles comportamientos, que en
lación de modelos de comportamiento someros este caso serı́a esencialmente único dada la sim-
a la formulación de modelos causales profundos. plicidad del problema. El comportamiento de este
Estos modelos estructurales deben estar libres de sistema es el que se representa en la Figura 3.4.
asunciones a priori, de forma que se logre el obje-
tivo de componibilidad, de acuerdo con el princi-
pio formulado por de Kleer de “estructura sin fun- 5 En el original “no function in structure”.
23
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
y v a
[+,inc] [+,dec] [g,std]
24
Capı́tulo 4
25
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
26
Capı́tulo 4. Control Inteligente de Procesos
contacto con este casi exclusivamente a través de vestigación cientı́fico-técnica con visos de filosofı́a.
una interfase humana, que los aisla en su campa- Este área se sitúa en la intersección de toda una ga-
na de inmaculado razonamiento simbólico. ma de tecnologı́as, que, según Saridis [Saridis 83],
son la inteligencia artificial, el control y la investi-
Por comparar podemos citar a Meystel [Meys-
gación operativa. Lo cierto es que el control inte-
tel 86], que afirma que la primera definición de
ligente no es la intersección de estas tecnologı́as,
control inteligente —debida a Saridis— es:
sino que es mas bien la unión de las mismas y de
“... capability of a system to expose a variety of fea- muchas otras; probablemente los objetivos que se
tures which traditionally has been out of scope of specia- pretenden conseguir son tan ambiciosos que la fu-
lists in conventional control theory: decision making, sión de todas las técnicas informáticas no sea sufi-
games, image recognition, adaptation to uncertain me- ciente para lograrlos.
dia, self-organization, planning and scheduling of ope-
El control inteligente es preciso observarlo
rations, etc.”1
como un paso en el desarrollo progresivo de sis-
El control se lleva a cabo no exclusivamente temas de control. Desde los sistemas más clásicos
por medio de un modelo matemático del proce- —por ejemplo PID— hasta los más avanzados —
so a controlar, sino que el centro del sistema de como el control adaptativo experto [Adaptech 89]
control inteligente es una representación del mundo, o el control robusto [Calle 90] — el objetivo de to-
limitada al proceso y basada en un conocimiento dos los sistemas es el mismo, ampliar el rango de
extenso sobre el proceso y el tipo de operaciones a condiciones de funcionamiento mejorando el com-
realizar. Veremos que el control inteligente admite portamiento del sistema controlado. Es desde este
toda una gradación desde el simple PID hasta el punto de vista como hemos de contemplar el con-
sistema más complejo, robusto, tolerante, etc. La trol inteligente, como un aporte de métodos nue-
adición de capas con funciones avanzadas permi- vos para hacer frente a circunstancias que escapa-
tirán implantar sistemas de control eficaces en una ban al control más convencional.
gran variedad de situaciones.
De hecho, algunos autores propugnan que
lo adecuado es hablar de sistemas de control 4.3.1. Control clásico y supervisor
autónomos [Antsaklis 89], siendo el uso de la in-
teligencia artificial el medio para lograr esta au- En esta tesis nos referiremos con el término con-
tonomı́a. Esta concepción es sumamente acertada, trol clásico a todos los tipos de control que cons-
y nosotros la suscribimos. No obstante el término tituyen la materia de la teorı́a de control. El fun-
control inteligente2 está tan difundido que se uti- damento de este tipo de controles es matemático
lizará prácticamente como sinónimo de control —basándose en modelos matemáticos de los siste-
autónomo. mas a controlar.
No entraremos en profundizar en las carac-
terı́sticas de este tipo de control, que pueden en-
4.3. Perspectiva Histórica contrarse en multitud de referencias de control
automático. Los avances en este tipo de sistemas
El control inteligente tiene sus inicios en el final tratan de hacer frente a problemas inabordables
de los años 70, apareciendo como un área de in- con los sistemas anteriores, pero, en cualquier ca-
so precisan de modelos mas o menos precisos del
1 ... capacidad de un sistema para presentar una serie de ca- sistema a controlar. Ejemplos de este tipo de siste-
racterı́sticas que han estado tradicionalmente fuera del alcan- mas de control clásico son el control PID, el control
ce de los especialistas en teorı́a de control convencional: toma adaptativo o el control robusto.
de decisiones, juegos, reconocimiento de imágenes, adaptación
a entornos inciertos, autoorganización, planificación y progra- En esta tesis no se ha planteado como objetivo
mación de operaciones, etc.
2 Es opinión del autor que la tendencia al uso de control inte- el analizar las caracterı́sticas de este tipo de siste-
ligente frente a control autónomo es debida fundamentalmente a mas, pero baste decir que la problemática en su
un factor histórico y en algunos casos a un criterio comercial. utilización y el motivo para tratar de buscar en
27
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
28
Capı́tulo 4. Control Inteligente de Procesos
Incapacidad del sistema experto de aprender cio alcanzaba una altura o consistencia suficiente
de los propios errores. Salvo casos muy es- a juicio del ingeniero de conocimiento.
pecı́ficos los sistemas expertos no disponen de
Este tipo de desarrollo produce problemas muy
la realimentación —procedente de un experto
graves, que se mencionaron en el punto anterior:
humano— ni de los mecanismos para actuali-
incoherencias y vacı́os. Estos problemas se ven
zar su conocimiento.
agravados por la inverificabilidad de la base de
conocimiento. La calidad de un sistema experto de
Otros problemas relacionados con los anterio- control viene pues determinada por dos factores:
res son especialmente importantes cuando se utili-
zan estos sistemas en control directo:
Los medios hardware/software, que van evo-
lucionando progresivamente y que están de-
Incapacidad para operar en tiempo real, exa- jando de ser cuellos de botella para algunos
cerbada en este tipo de sistemas por la “re- tipos de aplicaciones.
colección de basura”, dando problemas muy
graves cuando esta es no incremental. El desarrollo; la calidad del equipo de desa-
rrollo será la que determine la calidad final
Incapacidad de representar fenómenos distri- del sistema experto de control.
buidos espacial y/o temporalmente.
Dificultad para los ingenieros de conocimien- Esta construcción sobre la marcha del sistema
to en asegurar la consistencia de la base de experto es inaceptable en la mayor parte de los ca-
conocimiento. sos, esencialmente por su inverificabilidad, ya que
es imposible la aceptación de un sistema que posi-
Incapacidad de detectar vacı́os en la base blemente pueda tener un error grave. Este tipo de
de conocimiento. Este punto está relacionado problemas también aparecen en aplicaciones con-
con el efecto acantilado, en el sentido de la ca- vencionales, aunque en menor medida y con solu-
rencia de reglas para hacer frente a determi- ciones parciales que, aunque costosas, son eficaces.
nadas situaciones.
Los sistemas expertos de segunda generación tra-
tan de paliar estos problemas de consistencia y
La inviabilidad de la construcción de siste-
completitud de la base de conocimientos utilizan-
mas expertos de primera generación para control
do un plano de construcción. Dado que el sistema ex-
de procesos de complejidad media-alta es funda-
perto va a trabajar sobre una porción del mundo —
mentalmente debida a factores de operatividad en
el dominio—, el conocimiento sobre dicha porción
tiempo real y de seguridad. La incapacidad de ve-
del mundo está en directa relación con el mismo.
rificar la consistencia y la posibilidad de vacı́os en
El enfoque utilizado es la construcción de un modelo
la base de conocimiento —y en menor medida el
explı́cito de dicha porción del mundo que consti-
efecto acantilado— hacen que la operación en mo-
tuirá parte de la base de conocimiento del sistema
do automático de procesos con bases de conoci-
experto. Este enfoque se diferencia del de los siste-
miento de control complejas sea, cuando menos,
mas expertos de primera generación en que el mo-
arriesgado. Este tipo de circunstancia es inadmisi-
delo es explı́cito, por lo que es verificable, ya que
ble a priori en algunos sistemas, y en la mayorı́a
se debe corresponder con el dominio.
las pérdidas derivables de la mala operación obli-
gan a su no utilización. La construcción de la base de conocimiento
se guı́a por la estructura del dominio para cons-
truir un modelo del mundo, que será tan completo
4.3.4. Sistemas de segunda generación como queramos y que será coherente. En este tipo
de sistemas es fundamental el uso de mecanismos
En los sistemas de primera generación la cons- de representación de conocimiento adecuados. La
trucción de la base de conocimiento se hacı́a ladri- utilización de objetos parece ser la opción más ade-
llo a ladrillo —regla a regla—, hasta que el edifi- cuada.
29
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
30
Capı́tulo 4. Control Inteligente de Procesos
un análisis bastante acertado en el que se afirma De acuerdo con la definición de control inteli-
que las actividades de control llevadas a cabo en gente dada con anterioridad, es preciso que estos
un sistema de control son las siguientes: sistemas realicen actividades cognoscitivas en un
nivel de información abstracta. Este es el tipo de
Determinación de la necesidad de la actuación, proceso de información que se le requiere al ope-
en función del estado real y el estado deseado rador humano del proceso. Por ello un sistema
para el proceso. Para realizar esta determina- de control que le sustituya merecerá el calificati-
ción es preciso realizar una identificación del vo de inteligente, independientemente de cual sea
estado funcional del proceso. la técnica empleada en su construcción.
Dentro del área de control inteligente la utili-
Identificación de los posibles cursos de acción
zación de los términos sistema experto de control y
que nos permitan alcanzar el estado deseado
sistema de control basado en el conocimiento trata de
a partir del estado actual. El curso de acción
hacer distinción en el modo en que se obtiene y
se establecerá en forma de secuencia de ope-
expresa el conocimiento del proceso; ası́ por siste-
raciones a realizar.
ma experto de control entenderemos un sistema ex-
Determinación del impacto sobre el sistema de perto en sentido clásico, esto es, una aplicación
cada uno de los cursos, estableciendo la evo- informática que implanta el paradigma motor de
lución previsible del sistema frente a cada una inferencia-base de conocimiento, utilizando para
de las secuencias de acciones. ello un formalismo de reglas obtenidas del cono-
cimiento extraı́do del experto humano. Un sistema
Interpretación de los impactos en términos de basado en el conocimiento es una aplicación que ha-
objetivos globales. Lo que nos permitirá de- ce uso de las técnicas de representación de conoci-
terminar la bondad de cada uno de los cursos miento, sin especificar cual sea la procedencia de
de acción en lo que respecta a seguridad, cali- dicho conocimiento. Estas técnicas han sido de-
dad y producción. sarrolladas esencialmente en el área de los siste-
mas expertos, por lo que los sistemas basados en
Selección y ejecución de una alternativa de con-
el conocimiento pueden considerarse una gene-
trol en función de la interpretación global rea-
ralización de éstos. En particular un sistema de
lizada en el apartado anterior. La ejecución de
control basado en el conocimiento puede integrar
una acción de control se lleva a cabo mediante
conocimiento procedente de múltiples fuentes: los
un determinado protocolo.
operadores, los ingenieros de proceso y los inge-
Monitorización de los resultados, para determi- nieros de control.
nar si la respuesta del sistema a la acción rea-
lizada se corresponde con la prevista.
4.4.4. Tendencias en control inteligente
El sistema de control inteligente deberá reem-
plazar al operador en estas tareas —o auxiliarle, Los primeros desarrollos en control inteligen-
por lo que precisa de gran potencia en el manejo te han sido sistemas expertos de control basados
del conocimiento que se tiene del proceso. en conocimiento de operadores, pero en los últi-
mos tiempos se están desarrollando una serie de
sistemas que se caracterizan por el uso de técni-
4.4.3. Aclaración de denominaciones cas más orientadas al problema. Este tipo de sis-
temas se agrupan dentro de lo que denominamos
En la bibliografı́a se usa de forma indiscrimina- sistemas expertos de segunda generación. La diferen-
da términos como sistema experto de control, sistema cia fundamental con los sistemas de primera gene-
de control inteligente y sistema de control basado en el ración (basados en el paradigma MI-BC) es la uti-
conocimiento. Es preciso realizar una matización de lización de representaciones avanzadas del cono-
estos términos para aclarar el significado que se les cimiento en las que se consigue la implantación de
da en esta tesis. un modelo del sistema con el que se está tratando.
31
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
32
Capı́tulo 4. Control Inteligente de Procesos
PROCESO
Ocurrencia asíncrona de eventos Interrumpibilidad
33
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
34
Capı́tulo 4. Control Inteligente de Procesos
35
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
los independientes funcionalmente. De acuerdo nado tempo y considerar los subsistemas mas len-
con esto la distribución puede ser: tos como constantes y los más rápidos como ins-
tantáneos. Esto es un mecanismo de focalización
De las fuentes de conocimiento: El conoci- temporal que se propone en [Kuipers 88] en el
miento que utiliza el sistema de control pro- ámbito de la simulación cualitativa.
cede de tres fuentes principales: En un sistema distribuido —fı́sica o
funcionalmente— existen diferentes elemen-
• Los sensores de proceso. tos, que en el caso de un sistema de control
• La información suministrada por el ope- actúan sobre un mismo objeto. Esto hace que sea
rador. precisa la coordinación eficiente entre ellos. Esta
coordinación exige mecanismos de comunicación
• Sus bases de conocimiento, en forma de
eficientes y alta capacidad, ya que los volúmenes
reglas y hechos o en forma de modelo
de información a manejar van a ser muy elevados.
del proceso; estas bases de conocimiento
Las comunicaciones interprocesos dependen del
pueden estar a su vez distribuidas [Bai-
tipo de arquitectura hardware, pudiendo ser
ley 88].
internas a una máquina —basadas en los recur-
sos del sistema operativo— o bien entre varias
Esta procedencia múltiple hace que sea preci-
máquinas. El estándar que se está imponiendo es
so realizar una integración del conocimiento,
el uso de redes locales para estas comunicaciones
que a su vez permite validar el mismo.
interprocesos; de esta forma se facilita no sólo la
De los subsistemas: El sistema de control comunicación entre los procesos del sistema de
puede estar descompuesto funcionalmente en control, sino con otros sistemas externos (bases de
subsistemas, cada uno de ellos con tareas de- datos, correo, etc).
finidas. Estas tareas pueden ser diferentes o La necesidad de utilizar módulos escritos
bien iguales para aumentar la seguridad por en otros lenguajes —por lo general lenguajes
redundancia. Ejemplos en este campo son sis- procedurales— puede venir ocasionada por varios
temas expertos cooperantes con arquitectura motivos:
blackboard [Nii 86] o los sistemas jerárquicos
[Berger 89]. Interfase con equipos de captación que puede
requerir el uso de código desarrollado en
De especial importancia en la mejora de pres- otros lenguajes.
taciones por descomposición es el uso de meca-
nismos de focalización. Son aquellos que permi-
Potencia de cómputo numérico, como la que
ten restringir el área de interés a un determinado
es necesaria para realizar una simulación
subsistema lanzando sólo las reglas pertinentes al
clásica.
mismo —focalización espacial— y a un determi-
nado perı́odo temporal asociado al tempo carac-
terı́stico de la situación bajo análisis —focalización Necesidad de ejecutar procedimientos se-
temporal. Estos mecanismos posibilitan el que la cuenciales, difı́cilmente especificables y sobre
ejecución del sistema experto sea lo suficientemen- todo verificables mediante reglas.
te eficiente como para que pueda usarse en tiem-
po real. Las arquitecturas con metaniveles implan- Los procesos a controlar son sistemas dinámi-
tan una aproximación a los mecanismos de focali- cos, en los que el control debe basarse tanto en
zación. El razonamiento temporal en sistemas de el estado actual del proceso como en su evolu-
control involucra además el concepto de escala ción temporal. En el caso del control clásico es-
temporal. Si nuestro sistema debe hacer frente al to se consigue utilizando un formalismo de ecua-
control de elementos con perı́odos caracterı́sticos ciones diferenciales —o sus transformadas— pe-
se pueden llevar a cabo cambios de escala tem- ro en el control inteligente el problema es un po-
poral, en el sentido de centrarse en un determi- co mas especial. El razonamiento temporal [Shaw
36
Capı́tulo 4. Control Inteligente de Procesos
37
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
la conclusión derivada de ellos será por lo ge- real del sistema a controlar. Se podrı́a hacer lo mis-
neral no aplicable. Cuando se tengan hechos mo que en el sistema experto clásico —volver a
de este tipo lo más simple es la cancelación lanzar la consulta— pero esto no es compatible
del proceso, pero se puede intentar un enfo- con la criticidad temporal —necesidad de opera-
que que trate de utilizar al máximo el trabajo ción en tiempo real.
ya realizado. En este sentido se pueden inten-
El otro aspecto que considerábamos importan-
tar dos tipos de acciones:
te es el de la incertidumbre o imprecisión. La in-
formación que se obtiene del proceso no es exac-
• Propagar las alteraciones a través del ta, sino que se ve afectada por una serie de cir-
grafo de encadenamientos, de forma que cunstancias que rodean el hecho de su determina-
se modifiquen las conclusiones a las que ción: malfunciones en sensores, ruidos en lı́neas
afecte los hechos alterados. Esto es viable de comunicación, etc. Además, aparte de la im-
si se utilizan enfoques del estilo de RETE precisión en las medidas, existe imprecisión en
[Forgy 82], en que la unificación es más las acciones a realizar, ya que por lo general la
eficiente. relación situación-acción no es 1-1, sino que pa-
• Utilizar los hechos derivados con ante- ra cada situación existe todo un cúmulo de posi-
rioridad si las condiciones son cualita- bles acciones de efectos más o menos conocidos.
tivamente iguales. Esto es mucho más Ası́ pues hemos de disponer de medios para ope-
complejo ya que exige realizar razona- rar —razonar— con conocimiento impreciso. El ra-
mientos cualitativos sobre las analogı́as zonamiento sobre sistemas reales se ve plenamen-
entre ambas situaciones. te afectado por la incertidumbre, que se presen-
ta de diferentes formas y con diferentes orı́genes.
Suspendible: En función de las prioridades de Para referirse a ello existen multitud de términos
las tareas de razonamiento del sistema de con- en la literatura: Inexactitud, incertidumbre, impre-
trol puede ser necesaria la ejecución de una ta- cisión, indeterminación, vaguedad, probabilidad,
rea mientras se está llevado a cabo otra. En es- posibilidad, ambigüedad, generalidad, no especi-
te caso es preciso suspender la primera, guar- ficidad, disonancia, confusión etc.
dar el entorno de la misma —toda la infor- El sistema de control inteligente debe ser ca-
mación precisa para su continuación desde paz de razonar con hechos afectados de incerti-
el punto de suspensión, ejecutar la de mayor dumbre, y alcanzar conclusiones que estarán —
prioridad, recuperar el entorno y continuar la posiblemente— afectadas también de incertidum-
tarea anterior. El mecanismo de interrupción bre. Este mecanismo puede ser una herramienta
puede ser costoso en tiempo y/o en memo- adecuada para la selección de la alternativa de
ria, por lo que el enfoque más adecuado es el control adecuada en el caso de que existan varias.
utilizar un entorno que permita la ejecución
múltiple con asignación de prioridades a las En control la información procede de diferen-
distintas ejecuciones. tes fuentes, como son el operador, los sensores, las
bases de conocimiento, etc. La necesidad de ope-
ración segura obliga a que las acciones de control
La necesidad del razonamiento cancelable es
se correspondan con el estado real del sistema a
propia del control inteligente. En un sistema ex-
controlar, lo que conduce a la necesidad de validar
perto clásico, si han llegado nuevos hechos —o se
el conocimiento que se va a emplear en deducir la
han modificado los de partida— durante el pro-
acción de control. La validación de esta informa-
ceso de razonamiento, basta con realizar una nue-
ción se llevará a cabo por medio de contraste entre
va ejecución del sistema con estos nuevos hechos
las diferentes informaciones, en un enfoque simi-
para obtener la solución más adecuada. En un sis-
lar al de la fusión sensorial [Pau 89]. Para realizar
tema de control esto no es aceptable, fundamen-
esta validación es preciso disponer de un modelo
talmente porque las conclusiones derivadas de los
del sistema a controlar que nos permita establecer
hechos viejos pueden conducir a acciones de con-
las correlaciones correctas entre las diferentes in-
trol erróneas, al no corresponderse con el estado
38
Capı́tulo 4. Control Inteligente de Procesos
39
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
40
Capı́tulo 4. Control Inteligente de Procesos
Interfaz
Conocimiento
Procedural Ingeniero de Control
Interfaz
Conocimiento
Operacional
Interfaz
Motor de
Inferencia Operador de Proceso
Conocimiento
Interfaz
Usuario Estructural
Ingeniero de Proceso
Interfaz
BCG
Ingeniero de Conocimiento
Figura 4.6: Orı́genes diversos de las diferentes partes de la base de conocimiento. El ingeniero de
conocimiento cataliza el proceso de formalización y representación.
41
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
modo, sino que debe realizarse en múltiples nive- representación del conocimiento. Los avances en
les de abstracción; debe ser un modelado multire- control inteligente parecen conducir hacia la uti-
solucional. Antsaklis [Antsaklis 89] dice que para lización de modelos explı́citos —asimilables a los
que un sistema logre la suficiente autonomı́a —la denominados modelos profundos— basados en la
suficiente inteligencia— se deben utilizar en el sis- metodologı́a de programación orientada a objeto.
tema de control: La creciente explicitación de los modelos ha pasa-
do desde la lógica proposicional hasta las actuales
Métodos algorı́tmico-numéricos, basados en representaciones orientadas a objeto, pasando por
el estado del arte en control convencional, las ternas objeto-atributo-valor y los marcos.
identificación, estimación y teorı́a de la comu- En el comentario que sigue nos centraremos
nicación. en tres paradigmas: el control basado en reglas, el
control borroso y el control basado en modelos.
Métodos simbólicos de toma de decisiones,
tomados de la inteligencia artificial.
4.5.1. Control basado en reglas
Esta integración de métodos es precisa para los
sistemas inteligentes, dado que se necesita tanto Los sistemas de control basados en reglas (SC-
las prestaciones de los sistemas numéricos, sobre BRs) responden a los que se denominaron sistemas
todo velocidad, como la flexibilidad de los siste- expertos de primera generación. Las caracterı́sti-
mas simbólicos. La autonomı́a procede en esencia cas de este tipo de sistemas son de sobra conoci-
de dicha flexibilidad, y por lo tanto de los mecanis- das y se pueden encontrar multitud de referencias
mos simbólicos, sin embargo, en aplicaciones rea- sobre el tema [Galán 89][Frost 86].
les, los criterios que dictaminan el éxito son fun-
damentalmente dos: si algo se ha hecho correcta-
mente y si se ha hecho a tiempo. Estructura de los SCBRs
42
Capı́tulo 4. Control Inteligente de Procesos
Interfaz
Justificación
del Base de
Razonamiento Conocimiento
Experto
Interfaz
Interfaz
Motor de
Inferencia
Base de
Hechos
Figura 4.7: Estructura clásica de un sistema basado en el conocimiento expresado mediante reglas.
plea en sistemas de diagnóstico, en los que las re- miento, constituyendo lo que se denomina sistemas monocapa.
43
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
dinámico5 complejo de las variables del proceso sistemas. Si una regla como la anterior se aplicara
a controlar y que conoce el operador. El formular repetidamente, el volver a incluir <Conclusión>
completamente una estrategia de control en estos en la base de hechos no plantea ningún proble-
términos puede llegar a ser muy tedioso y propen- ma especial, pero en cambio volver a ejecutar
so a errores. <Acción> puede ocasionar problemas graves. El
control de la ejecución de reglas se hace por el lan-
Por otra parte, surge un problema adicional con
zamiento controlado de las inferencias, de modo
los lados derechos de las reglas: las acciones de
que los términos <Acción> están especificados te-
control. En general las acciones a realizar no son
niendo en cuenta este hecho, o bien mediante el
acciones simples ni discretas, y sus valores posi-
uso de variables de status. Este último enfoque ha
bles no son un número finito, sino que son asi-
sido el habitual en sistemas de control inteligente
milables a números reales. No es posible utilizar
desarrollados con herramientas de sistemas exper-
bases de conocimiento que contengan reglas que
tos convencionales, por la incapacidad de realizar
concluyan acciones con todos los valores posibles,
un control mas fuerte del proceso de inferencia.
ni siquiera parece viable utilizar un gran conjun-
to de reglas con diferentes acciones, sobre todo te- Algunos autores proponen otros formato de re-
niendo en cuenta la complejidad que deben tener glas, tal es el caso de Tzafestas [Tzafestas 89]. El
las premisas. El control borroso resolverá en par- formato propuesto es el siguiente:
te este problema, utilizando valores reales para los
grados de satisfacción de las premisas, valores que
SI <Condición>
son trasladados a las acciones a realizar.
Y NO <Condición Excluyente>
Una forma más general de estructura de reglas ENTONCES Aserta <Hechos a añadir>
en un SCBR es la siguiente: Retracta <Hechos a eliminar>
Haz <Acción>
SI <Situación> Siguiente <Regla>
ENTONCES <Conclusión>
<Acción Donde se hace manejo explı́cito de los hechos
a añadir y a eliminar de la base de hechos, en un
Donde <Situación> es una expresión clási- enfoque similar al de STRIPS [Nilsson 87] [Nilsson
ca de premisas de una regla, en la que apare- 87], y en el que se especifica la siguiente regla o
cerán por lo general comparaciones de las varia- reglas a aplicar, en un enfoque casi procedural.
bles de estado del proceso con valores caracterı́sti- Dos reglas se dirán con solape de premisas si es
cos. <Conclusión> es una expresión indicando posible satisfacer ambas simultáneamente. En un
los hechos a incluir en la base de hechos del SCBR. sistema de control basado en reglas la existencia
Y <Acción> es una expresión indicando las accio- de solape de premisas puede generar inconsisten-
nes de control a llevar a cabo. cia en las acciones de control. Esto se observa muy
Uno de los problemas fundamentales del con- claramente en un sistema monocapa. Supongamos
trol basado en reglas es el aspecto representado que en nuestra base de conocimiento se tienen las
por <Conclusión>. Este término representa una dos reglas siguientes:
serie de hechos que deben introducirse en la base SI La temperatura es mayor de 1500◦
de hechos del SCBR. Pero estos hechos tienen una ENTONCES Bajar el fuel un 10 %
caracterı́stica fundamental: su caducidad. Es pre-
SI El oxı́geno es mayor de 4 %
cisa la existencia de sistemas de mantenimiento de
ENTONCES Subir el fuel un 5 %
verdad para hacer posible la operación de los SC-
BRs. Si en un determinado instante se verifica si-
multáneamente que la temperatura es mayor de
Observese que la cláusula <Acción> de una
1500◦ y que el oxı́geno es mayor de 4 % la acción a
regla plantea un problema especial en este tipo de
realizar no está claramente definida, ya que una
5 En el que intervienen derivadas temporales. regla concluye que se debe bajar el fuel un 10 %
44
Capı́tulo 4. Control Inteligente de Procesos
45
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Hechos
Reglas
Acciones
aplicaciones responden a una arquitectura mono- que considerar la existencia de un dato en la base
capa o bicapa, aunque en algún caso existan arqui- de hechos interpretado por un proceso indepen-
tecturas multicapa. diente —un demonio— encargado de realizar la
acción. Este enfoque es especialmente interesante
desde el punto de vista de la independencia de los
SCBR monocapa procesos de inferencia y control. Sea por ejemplo
la regla:
Este tipo de sistema es muy habitual por su
simplicidad, ya que no requiere profundizar en
las etapas de análisis del dominio y conceptuali- SI La temperatura del horno es mayor
zación. de 1500o
ENTONCES El horno esta caliente
En este tipo de arquitectura el sistema de con-
Disminuir fuel un 10%
trol basado en reglas presenta una estructura como
la de la Figura ??8. La base de conocimiento de es-
te sistema es homogénea, compuesta ı́ntegramente El hecho El horno está caliente se introducirá en
por reglas de la forma: la base de hechos y la acción disminuir el fuel un
10 % se llevará a cabo como consecuencia de la
SI <Situación> ejecución de la regla. No obstante el saber que el
ENTONCES <Conclusión> horno está caliente —hecho incluido en la base de
<Accion hechos— puede ser utilizado de forma indepen-
diente por otro proceso para realizar la disminu-
La existencia de conclusiones a incluir en la ba- ción del fuel de forma ası́ncrona respecto al pro-
se de hechos tiene sentido en el uso de estas con- ceso de inferencia. Este enfoque es efectivo para
clusiones en etapas posteriores de control. operación en tiempo real, sin embargo se aparta
del enfoque SCBR puro.
SCBR bicapa La acción del proceso de control —ası́ncrona-
mente con el de inferencia— puede llevarse a ca-
El término <Acción> es suprimible como bo por otro sistema basado en reglas. Este tipo de
término diferenciado de <Conclusión>, sin mas estructura es lo que denominaremos SCBR bicapa
46
Capı́tulo 4. Control Inteligente de Procesos
Hechos
Reglas
Valoración de
la Situación
Conclusiones
Generación
de Actuación
Reglas
Acciones
47
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
con etapa de identificación y etapa de control7 . La de conocimiento activa de forma que se reduce so-
base de conocimiento se descompone en dos que bremanera el costo computacional-temporal de la
recogen dos tipos de información: reglas referen- inferencia.
tes a la interpretación del estado del proceso y re-
Este tipo de sistemas conduce a implantacio-
glas para la determinación de las actuaciones. En
nes multicapa —más de un encadenamiento— pe-
esta caso la regla anterior quedarı́a descompuesta
ro que conservan esta estructura de clara descom-
en dos reglas, cada una de las cuales entrarı́a a for-
posición en dos etapas: valoración de la situación
mar parte de la base de conocimiento de la etapa
y generación de la actuación.
correspondiente:
48
Capı́tulo 4. Control Inteligente de Procesos
modelos utilizados en los SCBRs se los suele de- manejo del conocimiento aparecen dos puntos es-
nominar modelos someros, ya que representan un pecialmente importantes:
conjunto reducido de aspectos del sistema a con-
trolar, esencialmente comportamientos, sin expre-
La adquisición del conocimiento, que debe
sar en ningún momento relaciones causales entre
hacerse en este caso de los operadores de pro-
hechos que suceden en el proceso a controlar.
ceso y eventualmente de los ingenieros de
proceso o control. La intervención del inge-
Ventajas del control basado en reglas niero del conocimiento es necesaria, al me-
nos en una primera etapa, para clarificar es-
Las ventajas del control basado en reglas se te conocimiento, dado que el personal encar-
aprecian desde la perspectiva del control conven- gado de estas misiones suele ser personal de
cional. En determinadas situaciones las prestacio- baja capacitación técnica. En etapas sucesivas
nes de los sistemas de control convencional no son la idea que se persigue es la de aumentar la
lo suficientemente buenas. Esto se da especialmen- formación de los operadores y de los ingenie-
te en las circunstancias mencionadas por Ilari [Ila- ros de planta en este tipo de técnicas, de forma
ri 87] y comentadas en el apartado 4.2.1. que sean ellos mismos capaces de realizar esta
clarificación e incluso la implantación.
La ventaja de este tipo de controladores basa-
dos en reglas es que permiten expresar la estra- La formalización, implantación y utilización
tegia de control de forma verbal, pudiendo utili- del conocimiento en el sistema de control ba-
zar el conocimiento de operadores humanos. Por sado en reglas puede llegar a ser un proble-
ello el control experto no precisa de un mode- ma muy complejo. Estas actividades son mi-
lo matemático del proceso a controlar. Otra ven- sión del ingeniero del conocimiento, pero la
taja es que el control experto tiene como base tendencia, como se mencionó en el punto an-
un conocimiento expreso —explı́cito—, que puede terior, es formar al personal de planta en es-
ser comprobado mas o menos exhaustivamente — tas técnicas; de esta forma se permite a dicho
aunque las técnicas de validación de sistemas ex- personal el mantenimiento y actualización del
pertos sean aún muy limitadas. El control experto SCBR; se requiere, no obstante, el desarrollo
es además un control más estable que el humano, de un entorno de proceso mediante el cual se
en el sentido de que la estrategia de control no tie- puedan realizar estas actividades de manteni-
ne variabilidad, lo que redunda en una estabilidad miento y actualización.
de operación, que es uno de los grandes problemas
de la industria de proceso, en la que los turnos de
operadores hacen que el proceso esté sometido a Por lo que a problemas de implantación se re-
oscilaciones originadas por el cambio de las estra- fiere, los sistemas basados en reglas se caracterizan
tegias de control de los operadores. Este aumento por su extremada lentitud y por la duración impre-
de estabilidad redunda en una mejora de calidad decible de sus cadenas de inferencia —salvo en sis-
del producto, un aumento de producción al per- temas simples como los monocapa. El tiempo que
mitir la conducción en condiciones mas cercanas a se requiere para determinar una acción de control
los lı́mites y una disminución de las necesidades es dependiente de las circunstancias particulares,
de mantenimiento al reducir las fatigas introduci- tanto del problema, como de la máquina que so-
das por la operación fluctuante. porta el proceso de inferencia, sin que exista una
manera clara de realizar una estimación del mis-
mo8 . La dependencia del problema tiene su origen
Desventajas del control basado en reglas en la anisotropı́a del sistema basado en reglas con
respecto a los vectores de estado introducidos en
Las desventajas del control basado en reglas se 8 Por lo general la inteligencia artificial trabaja con gestión
centran en dos puntos, uno relativo a la dificul-
dinámica de memoria, por lo que la situación particular de la
tad de manejo del conocimiento y otro relativo a misma en un momento dado determina sobremanera las pres-
los problemas de implantación. En el problema de taciones del sistema.
49
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
el. En algunos casos, como son los sistemas de con- problemas: oscilaciones, sacudidas, etc. Esta
trol basados en reglas borrosas clásicos —sistemas no linealidad puede compensarse en parte
monocapa— el tiempo de inferencia sı́ es determi- utilizando técnicas de ponderación de reglas,
nable, siendo además el mismo para cualquier es- como son todas las utilizadas en manejo de
tado inicial de partida —vector de estado. La len- incertidumbre [González 89]. El control bo-
titud, junto con las duraciones impredecibles difi- rroso, que se explicará en el punto siguiente
cultan sobremanera la utilización de SCBRs inte- por su especial importancia, usa una de estas
grados en aplicaciones de tiempo real. técnicas.
50
Capı́tulo 4. Control Inteligente de Procesos
tante desde dos puntos de vista: la representativi- supervisados son similares a los logrados por re-
dad y el volumen de los datos. guladores PID convencionales, con ventajas claras
en caso de plantas con funciones de transferencia
Las etapas del control son:
desconocidas o variantes.
Conversión de los valores medidos de las va- En las pruebas realizadas se utiliza para la
riables del proceso a su representación borro- planta un modelo SISO con funciones de transfe-
sa. rencia de segundo orden. El regulador borroso se
comporta —por lo que a sobreoscilación y tiem-
Aplicación de las reglas para obtener los valo- po de establecimiento se refiere— sensiblemente
res de las actuaciones. igual que un PID ajustado por Ziegler-Nicholls.
Obtención de valores nı́tidos para las actuacio- En caso de plantas variantes, el mecanismo de
nes a partir de sus valores borrosos. supervisión actúa en modo aperiódico, logran-
do la adaptación a la planta —recuperación de
prestaciones— en un tiempo aceptable. Dicho re-
Técnicas de aplicación del control borroso gulador borroso obtiene resultados adecuados in-
cluso con plantas con funciones de transferencia
Para aplicar este tipo de control se usan dos de fase no mı́nima.
técnicas fundamentales:
51
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Obtención de Obtención de
Regulador
Valores Valores Actuador Proceso
Borroso
Borrosos Nítidos
Captador
52
Capı́tulo 4. Control Inteligente de Procesos
BCD
Interfaz
Modelo Experto
Interfaz
Motor de
Inferencia
H E
Interfaz
Usuario
Ingeniero de Conocimiento
BCG
53
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
54
Capı́tulo 4. Control Inteligente de Procesos
55
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
El sistema QUIC [Cavanna 89]: Design and neral, pero están alcanzando una rápida difusión,
Experimentation of a Knowledge Based Sys- sobre todo en los últimos dos años.
tem Development Toolkit for Real Time Pro-
G2 es un entorno para desarrollo de sistemas
cess Control Applications.
de control inteligente para grandes procesos in-
Otros como: IPCES, AIMBURN, TOPMUSS, dustriales [Gensym 89]. Es un sistema potente y
KRITIC, FIABEX [Cuena 89]. versátil, pudiendo utilizarse en gran número de
máquinas y permitiendo arquitecturas distribui-
das sobre una red. El sistema dispone además
Es de destacar que este tipo de proyectos no
de mecanismos de simulación para predicción de
son de desarrollo de un sistema de control especı́fi-
comportamientos del sistema bajo control. Es la
co, sino que sus objetivos son de investigación
única herramienta diseñada especificamente pa-
y desarrollo fundamentalmente de herramientas
ra control y que ha alcanzado un grado de difu-
y sistemas no especı́ficos de una aplicación, aun-
sión elevado. Es el sucesor de otra herramienta de-
que en casi todos ellos se construyan aplicacio-
nominada PICON ligada a las máquinas Lisp de
nes demostrativas. Estos proyectos tienen propósi-
LMI con procesador adicional 68010 para cómpu-
tos muy ambiciosos. Es de esperar que del esfuer-
to numérico e interacción con el exterior. G2 no
zo conjunto, una vez que los resultados de dichos
está ligado a ninguna arquitectura especı́fica ni re-
proyectos alcancen al público, surja un grupo de
quiere de ningún tipo de lenguaje soporte9 (Com-
técnicas de clara aplicación en control de procesos.
mon Lisp en el caso de PICON).
Por ahora estas técnicas no existen —al menos
NEXPERT OBJECT Se presenta como un jue-
claramente— por lo que cada diseñador debe ha-
go de herramientas para desarrollo de bases de
cer frente a una serie de problemas similares, pero
conocimiento, junto con una librerı́a de funciones
nunca iguales; esto hace que las soluciones sean
de inteligencia artificial integrable en aplicaciones
ad hoc en la mayor parte de los casos, limitando
de usuario. Su estructura dirigida por eventos lo
de este modo la posible reutilización del software
hace adecuado para su utilización en aplicaciones
desarrollado.
de control. Su orientación no es exclusiva hacia el
control.
4.6.3. Desarrollos con herramientas de IDSEC es una herramienta de sistemas exper-
control inteligente tos en tiempo real para aplicaciones industriales
ligada a las máquinas Lisp de Symbolics con pro-
La necesidad de herramientas ha conducido cesador Ivory. Combina la potencia de cómputo
a una serie de sistemas que tratan de implantar simbólico del procesador lisp con un procesador
las caracterı́sticas deseables en un sistema de con- convencional. Es muy similar a la herramienta G2.
trol inteligente. Estas implantaciones tiene mayor Otros productos de menor tamaño son CHRO-
o menor éxito, pero en cualquier caso han dado NOS [Euristic 89], COMDALE y NEMO [S2 O 90]
lugar a sistemas más adecuados para el desarrollo ofreciendo posibilidades de razonamiento tempo-
de aplicaciones con requerimientos de operación ral sin necesidad de utilizar grandes equipos.
en tiempo real. Las perspectivas de este tipo de
herramientas son cada vez más halagüeñas tanto
por la mejora continua en hardware como por el 4.6.4. Evoluciones
desarrollo de nuevas técnicas y metodologı́as sof-
tware que posibilitan la implantación de sistemas Las evoluciones desde otras áreas han condu-
de control inteligente. cido a sistemas que presentan utilidad en control
Los entornos especı́ficos para sistemas de con- inteligente, pero que no alcanzan la versatilidad o
trol inteligente utilizan mecanismos de reglas para la potencia necesaria para su utilización en gran
la expresión de los conocimientos de control. Estos 9 Aunque G2 corre sobre una versión especial de Common
sistemas son pocos en la actualidad, frente al in- Lisp preparada para su usu en tiempo real, este Common Lisp
contable número de herramientas de propósito ge- forma parte del propio G2, no siendo accesible para el usuario.
56
Capı́tulo 4. Control Inteligente de Procesos
57
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
El sistema corre sobre una red de computado- gencia artificial sino que se habı́a introducido con
res, consistiendo en un conjunto cooperativo de anterioridad [Fu 70].
subsistemas.
El aprendizaje con modelos numéricos implı́ci-
C2G se está desarrollando para un proceso par- tos es el caso de los sistemas de supervisión de
ticular, pero con un diseño orientado a la transpor- reguladores convencionales. En ellos se consigue
tabilidad y adaptabilidad a nuevas plantas y nue- una mejora de las prestaciones del sistema de con-
vos procesos. Para ello ha sido necesaria la des- trol en base a modificaciones del algoritmo de re-
composición de las bases de conocimiento en ba- gulación. Estas modificaciones son por lo general
ses dependientes de planta y bases independientes paramétricas, limitándose a la modificación de de-
de planta, de forma que la adaptación a otro pro- terminados parámetros de los reguladores. Este ti-
ceso consista simplemente en la reconstrucción de po de mecanismo de mejora de control se basa
las bases de conocimiento dependientes de planta. en criterios sobre el comportamiento del sistema
controlado, como pueden ser la sobreoscilación o
el tiempo de establecimiento. Se han aplicado con
4.7. Control Inteligente Avanza- éxito en reguladores clásicos [Nikolic 86] [Ollero
89b] e incluso en reguladores borrosos [Oliveira
do 90].
En el caso de los controles adaptativos clásicos
El control inteligente es de por sı́ un control el modelo es numérico y explı́cito. En este tipo de
avanzado, ya que se sitúa por delante de los para- sistemas se realiza una identificación en lı́nea del
digmas establecidos de control. No obstante el uso proceso a controlar; de este modo se actualiza un
de algunas técnicas especiales conduce a sistemas modelo explı́cito de la planta que se emplea para el
de control inteligente que presentan caracterı́sticas cálculo de los reguladores. Este tipo de aprendiza-
especiales. je por mejora del modelo se usa en los reguladores
Entre estas técnicas se pueden destacar: autoajustables (STR) y en los reguladores adapta-
tivos con modelo de referencia (MRAC) [Åstrom
88].
Aprendizaje
En los sistemas expertos construidos con es-
Arquitecturas distribuidas tructura de primera generación es posible el
uso de aprendizaje con los modelos simbólicos
Reconfiguración
implı́citos de este tipo de técnicas. Ejemplo de es-
te tipo de sistemas son los propuestos por Fogarty
4.7.1. Aprendizaje en control inteligen- [Fogarty 89] y Velasco10 . En ellos el sistema de con-
trol basado en reglas utiliza enfoques basados en
te algoritmos genéticos para la generación de reglas
y técnicas de premio-castigo para corregir factores
En control los modelos tienen formatos muy
de validez de dichas reglas. Este tipo de sistemas
dispares, que nosotros hemos clasificado en va-
logran ajustarse al sistema con velocidad adecua-
rias lı́neas diferentes, distinguiendo entre modelos
da, aunque su comportamiento se ve muy afecta-
implı́citos y explı́citos, entre modelos numéricos
do por circunstancias diversas, llegando a ser en
y simbólicos y entre modelos internos y externos.
cierta medida impredecible11 . En el punto sobre
Cada uno de estos modelos es susceptible de me-
aprendizaje con modelos numéricos implı́citos se
jora, y, en cada uno de ellos es planteable la utiliza-
comentó la existencia de mecanismos de ajuste de
ción de técnicas de aprendizaje para ello. En algu-
reguladores basados en reglas borrosas, que son
nos casos estas técnicas han existido durante largo
asimilables al uso de modelos simbólicos más que
tiempo, pero en otros —quizá por sus especiales
numéricos.
caracterı́sticas— están en etapas muy tempranas
de desarrollo. El aprendizaje en sistemas de con- 10 J.R. Velasco, comunicación personal.
trol no es un elemento introducido por la inteli- 11 J.R. Velasco, ibid.
58
Capı́tulo 4. Control Inteligente de Procesos
Para los sistemas expertos de segunda genera- Cada uno de los subsistemas sólo es capaz de re-
ción el modelo es simbólico y explı́cito. En ellos solver una parte del problema, pero todos ellos de
se dispone de un modelo explı́cito del sistema a forma conjunta pueden resolver el problema total.
controlar, en el que de manera general existirán
Este tipo de arquitecturas son especialmente
parámetros susceptibles de mejora. El ajuste pa-
interesantes desde el punto de vista del desarro-
ramétrico de los modelos es importante tanto por
llo, ya que la limitación de tamaño de los subsiste-
los errores de modelado iniciales, como por las de-
mas —que son en sı́ sistemas completos— facilita
rivas y alteraciones que sufre el proceso. Este en-
sobremanera su construcción y verificación.
foque de ajuste de parámetros es similar al utili-
zado en el caso de modelos numéricos explı́citos. Entre las tecnologı́as de sistemas distribuı́dos
No debemos olvidar que los modelos utilizados y de cooperantes se produce un efecto sinergético
en este tipo de sistemas expertos suelen ser multi- que esta dando lugar a importantes desarrollos en
resolucionales, con parte de los mismos realizada el área de control inteligente.
usando técnicas clásicas de modelado de sistemas,
léase ecuaciones diferenciales. Los modelos basa-
dos en ecuaciones diferenciales son sin duda los
más adecuados —cuando es posible formularlos
[Fishwick 90].
59
Capı́tulo 5
Metodologı́a de Diseño
When the decision time comes, the making and tinentes no se utilizan, con lo que se evita el cos-
implementation of toso casamiento con las mismas. Este tipo de siste-
a decision cannot be postponed ma —sistema experto con metanivel— es un claro
Mesarovic, Macko and Takahara
ejemplo de un sistema descompuesto en dos nive-
Theory of Hierarchical, Multilevel, Systems les análogos a los empleados en sistemas bicapa.
Otro tipo de arquitectura, aunque menos habi-
tual, es la representada por los sistemas cooperan-
5.1. Introducción tes. En ellos una serie de sistemas expertos coope-
ran para resolver un determinado problema. Ca-
Hasta ahora los sistemas de control inteligen- da uno de los sistemas expertos tiene una base de
te han sido fundamentalmente sistemas basados conocimiento que le permite resolver un determi-
en reglas. El uso de estos sistemas para control nado tipo de situaciones. El enfoque de división
de procesos complejos conduce inexorablemente a de la base de conocimiento no es separar proble-
la generación de bases de conocimiento masivas mas diferentes en diferentes bases, sino separar los
y poco eficientes. Esta masividad tiene su origen distintos aspectos de un determinado problema.
en la complejidad del proceso a todos los niveles Ejemplos tı́picos de sistemas con arquitectura de
y en que uno de los objetivos principales del con- este tipo son los sistemas HEARSAY II y III [Ge-
trol inteligente es la robustez en un amplio rango varter 84][Bundy 86]. Este tipo de descomposición
de condiciones de funcionamiento, por lo que es funcional conduce a sistemas especialistas en de-
preciso especificar las acciones para cada una de terminadas actividades.
las circunstancias que se pueden dar en el sistema En los sistemas autónomos es preciso el uso
mediante el conjunto de reglas pertinente. de información procedente de fuentes muy diver-
Un enfoque habitual en los últimos tiempos es sas y con niveles de abstracción muy diferentes,
el uso de sistemas basados en reglas estructura- por ello es preciso utilizar mecanismos de razo-
dos en metaniveles. Un metanivel es un conjunto namiento para todos estos niveles de abstracción.
de reglas cuyo dominio son también reglas. Por lo Esto nos conduce a la descomposición del sistema
general este tipo de arquitecturas de sistemas ex- basado en el conocimiento en varios, tratando ca-
pertos constan de una base de metaconocimiento da uno información a un determinado nivel, que
y una serie de bases de conocimiento sobre el do- varı́a desde el puramente numérico hasta los nive-
minio. La base de metaconocimiento sirve para, a les simbólicos más abstractos.
partir de los hechos iniciales, seleccionar la base En resumen podemos decir que cuando el do-
o bases de conocimiento sobre el dominio a utili- minio es muy amplio la descomposición del sis-
zar para resolver el problema en cuestión. De este tema inteligente en subsistemas es un enfoque no
modo se logra una focalización más adecuada so- solo adecuado, sino que tanto desde el punto de
bre el problema, aumentando las prestaciones del vista de la operación normal, como del desarrollo
sistema ya que la mayor parte de las reglas no per-
60
Capı́tulo 5. Metodologı́a de Diseño
parece inevitable su utilización. Este enfoque pue- una mejora de prestaciones para sistemas de con-
de ser jerárquico o heterárquico, con descomposi- trol inteligente. Estas arquitecturas permitirán el
ción guiada por dominios, por funcionalidad o por uso de estos sistemas en tiempo real. Esta metodo-
nivel de abstracción. logı́a se basa en la descomposición del sistema por
niveles de abstracción, dominios y funciones. Este
Ya [Saridis 83] menciona la necesidad de des-
enfoque de descomposición múltiple es novedo-
composición jerárquica de los sistemas de con-
so, aunque se aproxima a métodos particulares de
trol inteligente. Su estructura en tres niveles —
descomposición propuestos por otros autores.
ejecución, coordinación, organización— permite
realizar una descomposición funcional del sis- ¿Por qué hablar de una metodologı́a de desa-
tema. Este es un objetivo muy deseable des- rrollo de arquitecturas y no de una arquitectura
de el punto de vista de la claridad de opera- especı́fica?. Los problemas en los que el control
ción, facilidad de desarrollo, seguridad y eficien- inteligente es útil son problemas muy complejos,
cia del sistema. No obstante, las descomposiciones que requieren la integración de una serie de técni-
jerárquicas pueden llevarse mas lejos que la sim- cas y el funcionamiento conjunto de gran cantidad
ple descomposición funcional para claridad inte- de mecanismos —procedentes de todas las áreas
lectual. La descomposición —fundamentalmente de proceso de información— para obtener resulta-
jerárquica— de los sistemas de control nos permi- dos aceptables. Por ello las arquitecturas de con-
tirá alcanzar un objetivo esencial en control, y de trol inteligente deben ser arquitecturas orientadas al
dominio. En realidad esto no es nada nuevo, ya que
difı́cil consecución en el caso de sistemas inteligen-
tes: la operación en tiempo real. como se comentó en el capı́tulo anterior, casi todos
los desarrollos independientes de sistemas de con-
Esta lentitud que caracteriza a los sistemas ba-
trol, empiezan ciñéndose a arquitecturas genéri-
sados en reglas es debida a la explosión combina-
cas proporcionadas por herramientas de desarro-
toria asociada a algunas caracterı́sticas del funcio-
llo, pero cuando los requisitos de operación em-
namiento de dichos sistemas, en particular a los
piezan a ser fuertes —en particular, cuando hay
procesos de casamiento. Los enfoques utilizados
requisitos fuertes de operación en tiempo real—
para resolver este problema pasan por lo general a
es precisa la reconstrucción independiente del sis-
través del desarrollo de arquitecturas hardware es-
a tema. Estas reconstrucciones independientes im-
pecı́ficas —máquinas LISP, ordenadores de 5 ge-
plantan arquitecturas especı́ficas para el problema
neración, procesamiento en paralelo— que resuel-
de control a resolver.
ven parcialmente el problema. En la mayorı́a de
los casos este problema de velocidad no es crı́tico, Aparte de un aumento de prestaciones, la des-
ya que por lo general es un ser humano el que in- composición del sistema reporta otros tres grandes
teractúa con dichos sistemas, siendo habitualmen- beneficios: facilita el desarrollo por equipos de tra-
te mas lento que él. Sin embargo este hecho no bajo diferentes, aumenta la verificabilidad y por lo
es generalizable a los sistemas de control basados tanto la fiabilidad y además favorece la reutilizabi-
en reglas (SCBRs), dado que estos sistemas tienen lidad. Como dice Parnas [Parnas 90] refiriéndose
vı́nculos con el mundo. La necesidad de velocidad al software con seguridad crı́tica, éste debe mante-
de operación se acentúa en la medida en que es- nerse tan pequeño y simple como sea posible, por
tos sistemas son requeridos para operar en tiem- medio de trasladar las funciones que no son crı́ti-
po real en sistemas progresivamente más rápidos, cas a otros computadores, o en nuestro caso a otros
como puede ser el caso de utilización de sistemas subsistemas.
inteligentes embebidos en aviónica.
Las descomposiciones de sistemas de toma de
En este capı́tulo analizaremos la problemática decisiones pueden ser fundamentalmente de dos
de la operación en tiempo real para sistemas de tipos: jerárquicas y heterárquicas. En una descom-
control basados en el conocimiento —en particu- posición jerárquica existen relaciones de preceden-
lar reglas—, proponiendo un método novedoso de cia entre los diferentes sistemas, de forma que se
diseño e implantación de los mismos —una meto- tiene una relación de orden parcial. En una des-
dologı́a de diseño de arquitecturas— que permite composición heterárquica, por contra, no se tiene
61
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
esta relación de orden parcial. Las arquitecturas Posibilitar el desarrollo de arquitecturas avan-
heterárquicas son difı́ciles de encontrar, debido a zadas, con más dosis de inteligencia.
los graves problemas para su desarrollo y verifica-
ción, por lo que la metodologı́a más extendida — Aumentar la reutilizabilidad del software de-
en el campo industrial sobre todo— es la jerárqui- sarrollado.
ca.
En este capı́tulo se persigue un objetivo triple:
5.3. Sistemas Jerárquicos
1. Por una parte estudiar las arquitecturas
jerárquicas como un medio de construcción En este apartado seguiremos a Mesarovic [Me-
de grandes sistemas de control en los que se sarovic 70] en la exposición de una serie de ca-
deben integrar diferentes metodologı́as. racterı́sticas generales de los sistemas jerárquicos.
Veremos que estas caracterı́sticas son directamen-
2. Por otra analizar las caracterı́sticas de los te relacionables con el modo de operar humano y que
principales paradigmas de control basado en tienen una clara aplicación en la construcción se
el conocimiento para su utilización en control sistemas de control inteligente.
en tiempo real.
Entenderemos por sistema jerárquico de control
3. Por último proponer una metodologı́a de un sistema en el que existe una disposición ver-
análisis y diseño de arquitecturas de control tical de subsistemas, con prioridad de actuación o
inteligente basada en descomposición. intervención de los niveles superiores y dependen-
cia por parte de los niveles superiores del compor-
tamiento de los inferiores.
5.2. Objetivos de la descomposi-
ción 5.3.1. Tipos de jerarquı́as
Los objetivos de la metodologı́a de descompo- Los sistemas jerárquicos están compuestos por
sición de sistemas de control inteligente son los si- una serie de niveles que reciben diferentes deno-
guientes: minaciones dependiendo del tipo de criterio que
ha guiado la descomposición. Este criterio de des-
Aumentar las prestaciones, sobre todo el as- composición determina los tipos de jerarquı́as que
pecto de velocidad, que permitan el uso de se pueden llevar a cabo. Para Mesarovic los tipos
este tipo de sistemas en control de procesos. básicos de jerarquı́as son tres: basadas en estratos,
capas y escalones. Estos tipos de jerarquı́as tienen
Posibilitar el control de los tiempos de ejecu-
las siguientes caracterı́sticas:
ción, de forma que se puedan establecer ar-
quitecturas de control que permitan la ope-
ración en tiempo real, tanto con restricciones Estratos : Constituidos por diferentes niveles de abs-
débiles como fuertes. tracción. Un ejemplo de este tipo de descom-
posición jerárquica lo constituye un sistema
Facilitar el proceso de desarrollo, ya que el de ayuda al diseño de circuitos electrónicos
descomponer los sistemas permitirá el desa- para computadores.
rrollo de los mismos por equipos diferentes.
En este tipo de sistema la representación del
Aumentar la verificabilidad de los sistemas. conocimiento sobre el circuito se tiene en di-
Las bases utilizadas por los sistemas basa- ferentes niveles de abstracción. En un primer
dos en conocimiento son mas reducidas de nivel se tiene el circuito fı́sico; un substrato de
tamaño, y además descompuestas funcional- silicio con una serie de capas depuestas para
mente, lo que facilita el análisis a fondo de las constituir un circuito. En un segundo nivel te-
mismas. nemos el circuito eléctrico, en el que aparecen
62
Capı́tulo 5. Metodologı́a de Diseño
Organización
Coordinación
Ejecución
Proceso
63
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Organización Organización
Coordinación Coordinación
Coordinación
Brazo Sensores
Control Control
Brazo Mano Ejecución
64
Capı́tulo 5. Metodologı́a de Diseño
5.3.2. Jerarquı́as en sistemas de control cinco facetas que se estructuran en tres criterios
inteligente con direcciones cuasi ortogonales y b) la integra-
ción de los módulos en una estructura jerárquica
Los sistemas de control inteligente tienden a basada en escalones. Estas facetas de descomposi-
ser sistemas jerárquicos, por las ventajas inheren- ción son las que aparecen en la. El criterio de desa-
tes a este tipo de estructuras: rrollo por descomposición es un criterio polifacéti-
co de divide y vencerás.
Facilidad de integración con sistemas ya exis- Las facetas de descomposición se agrupan
tentes. Es habitual que la instalación de un sis- en tres criterios que reciben las denominaciones
tema de control inteligente deba hacerse por de DOMINIO, FUNCION y REPRESENTACION-
encima de un sistema de control preexisten- PARADIGMA-TIEMPO. El agrupar los tres últi-
te y que no se desea eliminar. La estructura mos aspectos en un sólo criterio se debe a que
jerárquica permite que la integración del siste- están estrechamente relacionados por cuestiones
ma nuevo con el antiguo se haga sin excesivo de implantación, como se verá a continuación.
perjuicio para ninguno de ellos.
65
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Facetas de descomposición
Faceta Significado
66
Capı́tulo 5. Metodologı́a de Diseño
do nivel está dividido en tres subsistemas: control cambiador, de control del horno propiamente
de torre, control de tubo y control de enfriador. dicho y el de control del enfriador (Ver Figura
??).
Los sistemas con metaniveles presentan una
descomposición de este tipo en la capa de re-
solución de problemas. La capa de selección — Este criterio nos permitirá separar elementos
metaconocimiento— determina el dominio en que que deben realizar funciones diferentes. Por ejem-
se sitúa el problema y activa la base de conoci- plo un grupo de tales funciones son las funciones
miento correspondiente a dicho dominio. atribuı́bles a una interfase inteligente de proceso:
filtrado, detección de anomalı́as, estimación de va-
La descomposición por dominios es el criterio lores ocultos, etc. Estas funciones constituyen un
mas claro y eficaz, ya que estas descomposiciones, dominio funcional abstracto.
cuando se realizan de forma adecuada, generan
elementos con acoplamientos débiles, lo que faci- En muchos casos la descomposición de funcio-
lita la coordinación para operación conjunta. nes es una descomposición basada en niveles de
decisión, en la que se integran diferentes elemen-
tos de procesado de información que realizan to-
5.3.4. Descomposición funcional ma de decisiones. Esta es una situación clásica en
sistemas jerárquicos de control, como es el caso de
En un sistema de control inteligente las tareas dos bucles de control anidados.
a realizar son muy diversas —proceso de señales, En el apartado anterior se mencionaron los sis-
diagnóstico en lı́nea, razonamiento, interfase con temas con metanivel como ejemplo de descompo-
humanos, etc.—, por lo que parece adecuado se- sición por dominios. En este tipo de sistemas se
guir un criterio funcional para descomponer nues- tiene también por lo general una descomposición
tro sistema según especialidades. Dentro de la des- funcional, seleccionándose de este modo la base
composición aparecerán dos tipos de funciones: mas adecuada al dominio-problema. Las descom-
posiciones funcionales son en cierto sentido des-
Funciones orientadas a proceso : Son aquellas composiciones por dominios abstractos.
que tienen que ver con las tareas que tienen
relación directa con el proceso a controlar.
Estas tareas son propiamente las tareas de un 5.3.5. Descomposición representacio-
sistema de control, y se suelen estructurar nal
linealmente, esto es, responden a las etapas
progresivas de resolución de un problema. El tercer criterio de descomposición se basa en
Por ejemplo en el caso de un sistema de con- el nivel de abstracción de la información a utilizar.
trol basado en reglas borrosas se distinguen La información que es de utilidad en control de un
tres etapas —funciones— caracterı́sticas: sistema complejo no es exclusivamente informa-
difuminación de valores medidos, obtención ción numérica —valores medidos de las señales—
del valor borroso de la actuación y conversión sino que abarca todo un espectro de niveles de abs-
de este valor a un valor nı́tido. tracción. La capacidad de manejar coherentemente
representaciones en distintos niveles de abstrac-
Funciones orientadas a sistema : Son las funcio-
ción y razonar con ellas, es —a juicio del autor—
nes de soporte del sistema de control. Estas
una de las caracterı́sticas fundamentales de la in-
funciones tienen como objetivo conseguir el
teligencia.
funcionamiento adecuado de los sistemas que
implantan las funciones orientadas a proceso. Los primeros sistemas inteligentes manejaban
El ejemplo más claro de este tipo de funciones representaciones del mundo a un nivel simbóli-
son las de coordinación de diferentes módu- co, que se alejaba —por abstracto— de lo conven-
los, por ejemplo en el caso de un sistema para cional en computación. El comportamiento de es-
el control de un horno de cemento, la coordi- tos sistemas era a primera vista inteligente, decı́an
nación entre los módulos de control del inter- y hacı́an cosas que sólo los humanos inteligentes
67
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Control de
Horno
Ventilador Ventilador de
Alimentación Velocidad Parrillas
Exhaustor Equilibrio
eran capaces de decir o hacer. Con el tiempo, y tema experto no es mas que un programa in-
con una valoración adecuada de estos sistemas, formático, y por ello peca de falta de flexibi-
sus limitaciones han aflorado. La mayor parte de lidad en la introducción de las informaciones
ellos aparecen ahora como sistemas de cómputo de partida. Los tan socorridos menús son uno
sin ninguna caracterı́stica especial. de los mejores mecanismos para inflexibilizar
la entrada de datos, lo que evita cometer de-
Cuando observamos con detenimiento un sis-
masiados errores en el planteamiento del pro-
tema experto vemos que sus principales limitacio-
blema al sistema experto.
nes se dan en su campo de aplicación. Esta limi-
tación es el origen del conocido efecto acantilado:
la degradación de prestaciones del sistema exper- A los sistemas inteligentes les falta inteligen-
to cuando un problema cae fuera de su campo de cia para razonar en distintos niveles de abstracción. Es
aplicación. Este efecto acantilado se produce en importante pues dotar a los sistemas de mecanis-
dos dimensiones: mos que permitan este razonamiento multiresolu-
cional. La creación de sistemas jerárquicos de ra-
Dominio : Es la mas conocida, refiriéndose a que zonamiento, que trabajen en distintos niveles de
un sistema experto sólo puede resolver pro- abstracción y que pueden intercambiar informa-
blemas de su dominio de aplicación. Si se le ción entre ellos parece un camino adecuado para
plantea un problema que cae ligeramente fue- dotar a los sistemas inteligentes de mayor inteli-
ra de este dominio las prestaciones del sis- gencia.
tema experto disminuyen enormemente. Un Este problema de degradación de prestaciones
sistema experto en diagnóstico de infecciones es muy grave en el caso de sistemas de control en
de la sangre es incapaz de diagnosticar infec- tiempo real. La resolución del mismo admite dos
ciones de linfa. enfoques:
Abstracción : Para que un sistema experto pue-
da resolver un problema hay que planteárselo Limitativo : restringiendo la zona de aplicación al
en sus propios términos, en un determinado dominio, mediante mecanismos de detección
nivel de abstracción. Al fin y al cabo un sis- de problemas planteados fuera del dominio.
68
Capı́tulo 5. Metodologı́a de Diseño
69
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
70
Capı́tulo 5. Metodologı́a de Diseño
REPRESENTACION Multiresolucional.
TIEMPO Multitemporal.
PARADIGMA Multiparadigma.
dominios y funciones. Por ello se tratará de acla- Derivado de los dos anteriores, los módulos
rar el uso del término distribuido en esta tesis. de los niveles superiores están involucrados
Cuando nos refiramos a un sistema como distri- con los aspectos más lentos del comporta-
buido queremos decir que el sistema está consti- miento global del sistema.
tuido por una serie de elementos autónomos pero
que interaccionan entre sı́. Para abreviar el uso de Las representaciones en los niveles superiores
los términos distribuido por funciones y distribuido suelen ser menos estructuradas, con más in-
por dominios se emplearán como sinónimos de es- certidumbre y en un mayor nivel de abstrac-
tos separado y disperso. Ası́ diremos que un sistema ción.
distribuido convencional es jerárquico, separado y
disperso y que un sistema de control inteligente es, La descomposición por dominios es la de más
además, multiresolucional. fácil comprensión y realización. La integración de
diferentes módulos de esta descomposición se rea-
La estructuración jerárquica de los sistemas lizará mediante un nivel funcional superior de
responde a unos criterios de operatividad guiados coordinación entre ellos. La descomposición fun-
por las circunstancias mencionadas para los crite- cional es en esencia similar a un análisis funcional
rios de descomposición. Esto hace que los sistemas clásico. La descomposición representacional, que-
jerárquicos de control presenten las siguientes ca- da un poco difuminada entre los diferentes módu-
racterı́sticas generales (salvo excepciones): los, ya que estas descomposiciones son ortogona-
les y el situar un módulo en un determinado ni-
Un módulo situado en un nivel superior vel jerárquico no supone necesariamente que deba
está involucrado en las actividades relaciona- utilizar un determinado tipo de representación.
das con un dominio más amplio que uno si-
tuado a nivel inferior. Las arquitecturas cooperativas que existen en
la realidad son en cierta medida arquitecturas
El tempo caracterı́stico de una unidad en un jerárquicas, con descomposición funcional y con
nivel superior es mayor que en un nivel infe- poca profundidad en su estructura de niveles. No
rior. obstante puede ser interesante considerarlas como
71
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
arquitecturas heterárquicas, en las que la coordi- operación en tiempo real de un sistema informáti-
nación no se da gracias a un módulo con esta fun- co se define siempre en base a un sistema fı́sico con
ción expresa, sino que se alcanza por una funcio- el que interactúa.
nalidad distribuida entre todos los módulos.
Los sistemas de control son sistemas en tiempo
Denominaremos control jerárquico a todo siste- real per se. No es concebible un sistema de control
ma de control descompuesto, con funcionalidad que no funcione en tiempo real. Nadie desea un
distribuida a lo largo de una serie de niveles con sistema de control que le diga:
relaciones jerárquicas entre ellos. Cada uno de es-
Hace una hora habı́a que haber subido el combustible
tos niveles es, por sus caracterı́sticas, un sistema
un diez por ciento.
de control. Diremos que un sistema de control es
jerárquico inteligente cuando alguno de los nive- No obstante, en los sistemas de control existe
les de control esté implantado utilizando técnicas toda una gama de requisitos de operación. Un sis-
de inteligencia artificial. Los sistemas de control tema de control de una máquina herramienta tie-
jerárquico inteligente que deban operar en tiem- ne que trabajar evidentemente a mayor velocidad
po real deben ser —casi por necesidad— hete- que un sistema de control de un proceso de puri-
rogéneos. Ello es debido a que los sistemas basa- ficación de agua. Las posibilidades de control no
dos en reglas no tienen la suficiente rapidez de vienen dadas por el método de control, sino fun-
operación y, lo que es más importante, sufren de damentalmente por el sistema de soporte de di-
impredecibilidad de tiempo de ejecución. cho método. Un PLC permite implantar algorit-
mos de control que pueden operar a gran veloci-
En sistemas heterogéneos es de fundamental
dad. Un computador de proceso tiene una veloci-
importancia los aspectos de interfase entre los di-
dad menor, y si pensamos en un sistema basado
ferentes niveles representacionales. Los módulos
en el conocimiento, la velocidad es aún menor.
inteligentes de la arquitectura se basarán por lo ge-
neral en representaciones más abstractas que los Analizaremos a continuación las prestaciones
basados en teorı́a clásica de control, pero en últi- de algunos paradigmas de control inteligente des-
mo término todos operan sobre el mismo proceso, de el punto de vista de su operación en tiempo
por lo que deben manejar datos coherentes. real. Esta análisis permitirá establecer su aplicabi-
lidad en sistemas de control inteligente.
72
Capı́tulo 5. Metodologı́a de Diseño
como con sistemas de gestión de emergencias en lar sistemas expertos muestra la precariedad de los
plantas nucleares. sistemas de este tipo.
Como vimos anteriormente, estos sistemas
ofrecen alternativas interesantes al control clási-
5.4.2. Requisitos débiles co, pero la necesaria operación en tiempo real ha-
ce preciso matizar las posibilidades de uso de los
Los requisitos débiles de operación en tiempo mismos. Es preciso pues analizar sus caracterı́sti-
real se refieren a que el correcto funcionamiento cas desde algunos puntos de vista:
del sistema en tiempo real no requiere que la ope-
ración del sistema sea siempre entre lı́mites. Es
admisible por lo tanto que se produzcan retardos ¿Existen sistemas de desarrollo de aplicacio-
esporádicos. En estos sistemas —por ejemplo sis- nes de control basadas en reglas?
temas de control de plantas industriales— el no
¿Es posible su utilización en tiempo real?
satisfacer los requisitos temporales se traduce en
una disminución de la calidad de operación, con ¿Hasta que punto estos sistemas satisfacen re-
la consiguiente pérdida de rendimiento. quisitos débiles?
En algunos de estos sistemas, no obstante, pue-
den aparecer circunstancias que presenten requi- ¿Hasta que punto estos sistemas satisfacen re-
sitos de operación fuertes, como puede ser el caso quisitos fuertes?
de manejo de emergencias.
¿Existe algún desarrollo real?
73
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Caracterı́sticas de operación en tiempo real de que los requisitos sean débiles, que el SCBR rea-
liza por lo general la determinación de la acción de
Los desarrollos basados en herramientas clási- control en un tiempo menor que el especificado.
cas carecen por completo de caracterı́sticas de ope- El garantizar estos tiempos es muy difı́cil en
ración en tiempo real, por lo que son absolutamen- SCBRs. Salvo que los tiempos lı́mite especificados
te inadecuados como SCBRs. Este tipo de sistemas sean muy altos no existe en la actualidad ningún
suelen utilizarse como ayuda a operadores o como entorno que permita el desarrollo de sistemas ca-
elementos de diagnóstico. paces de satisfacer requisitos fuertes. El problema
Los sistemas construidos con herramientas es- fundamental no es la satisfacción de los requisi-
pecı́ficas presentan mejores caracterı́sticas; como tos, sino el garantizar dicha satisfacción, ya que los
por ejemplo, una mayor velocidad de ejecución, mecanismos de verificación de sistemas basados
sacrificando aspectos como la flexibilidad del len- en reglas son muy limitados y no permiten ana-
guaje de representación del conocimiento; una me- lizar la duración temporal de las inferencias.
jor capacidad de razonamiento temporal; y la ca- La satisfacción de requisitos débiles es más via-
pacidad de interrumpibilidad. ble, ya que la verificación por simulación permite
Los desarrollos en éste área han conducido a garantizar la satisfacción de dichos requisitos.
productos avanzados, que están alcanzando gran
difusión debido al auge de los sistemas expertos y
de la informatización en general, y a las carencias Desarrollos reales
manifestadas por los sistemas convencionales.
Los desarrollos reales de sistemas de control
Cuando los requisitos de operación en tiempo
inteligente han sido hasta hace poco mas bien
real son importantes, bien requisitos fuertes, bien
escasos, reduciéndose prácticamente a aplicacio-
requisitos débiles pero con tiempos pequeños, ni
nes desarrolladas en el ámbito universitario y con
siquiera las herramientas especı́ficas dan las sufi-
propósitos de investigación y/o demostración.
cientes prestaciones. En estos casos es preciso re-
currir a desarrollos especı́ficos. Este tipo de desa- En el ámbito industrial las aplicaciones de sis-
rrollos se dan fundamentalmente en el campo de temas de control basados en reglas han sido prácti-
la defensa y, de un tiempo a esta parte, en las gran- camente inexistentes por encima de un cierto nivel
des industrias. de complejidad. Prácticamente los únicos desarro-
llos comprobados —no experimentales— eran:
74
Capı́tulo 5. Metodologı́a de Diseño
G2— la aplicación de estos sistemas en el mun- inferencia la base de conocimientos activa sea
do industrial es cada vez más patente. Esta falta tan sólo una parte de la base de conocimientos
de introducción hasta hace poco cabe achacarla a total.
la dificultad de garantizar un funcionamiento tem-
poralmente correcto de los SCBRs. Un mecanismo de planificación de las bases
de conocimiento, de forma que se alcancen las
conclusiones finales en tiempo mı́nimo.
5.4.5. Sistemas basados en modelos
Ambos aspectos son fundamentales para la re-
La operatividad de estos sistemas en tiempo ducción de la base de conocimiento activa y la me-
real es limitada, en el mismo sentido que lo es la jora temporal, de forma que el motor de inferencia
de los sistemas basados en reglas. Sin embargo el pueda establecer a priori una estimación de la du-
uso de mecanismos de orientación a objeto para ración de la inferencia.
la construcción de los modelos hace que el núme-
ro de reglas necesario sea muy reducido, de forma
que las ejecuciones del motor de inferencia sean
más rápidas.
5.5.1. Descomposición de la base de
conocimientos
75
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
IFThe current step of the process of changing the La descomposición de la base de conocimien-
characteristics involves reseting after a change was to puede realizarse de formas múltiples, condu-
made ciendo a todo un rango de posibilidades. Desde las
andThe characteristic to be changed is still marked descomposiciones gruesas —pocas bases con muchas
as such reglas— a las descomposiciones finas —muchas ba-
THENreset the characteristic so that it is no lon- ses con pocas reglas— existen múltiples descom-
ger identified for change. posiciones viables. Las descomposiciones finas ga-
rantizan la mejor adecuación de la base al proble-
En ella vemos que se esta manejando cono-
ma, minimizando el número total de reglas. Las
cimiento de grado 1. Es por ello importan-
descomposiciones gruesas, por contra, minimizan
te separarla de las restantes reglas referen-
el número de bases y con ello los retardos deriva-
tes al problema de configuración presentado
dos de la planificación.
a XCON.
76
Capı́tulo 5. Metodologı́a de Diseño
cimiento de alto nivel, que es la encargada de se- La expresión del metaconocimiento de plani-
leccionar bases de conocimiento del nivel inferior. ficación se puede realizar mediante reglas, enfo-
Estas bases de conocimiento de nivel inferior tie- que seguido en sistemas con metaniveles actuales,
nen su aplicabilidad en dominios restringidos del o bien mediante procedimientos algorı́tmicos con-
problema. La descomposición se realiza para mi- vencionales. Los métodos de planificación pueden
nimizar el número de reglas a utilizar en cada in- ser por lo tanto de dos tipos:
ferencia. La selección de las bases de conocimiento
de bajo nivel se realiza en base a un análisis de los
Algorı́tmicos : basados en criterios deterministas
hechos en un alto nivel de abstracción. La base de
y con técnicas clásicas de planificación.
conocimiento de alto nivel se solapa pues en domi-
nio con las bases de bajo nivel, ya que el dominio
Mediante reglas : será una serie de bases de cono-
al que se aplica la base de conocimiento de bajo
cimiento de grados superiores al 0, las que
nivel es un subdominio del dominio total.
realizarán la planificación de las restantes ba-
ses. Este es el enfoque empleado en arquitec-
Descomposición heterogénea turas con metanivel. El nivel superior —de
grado 1— se encarga de realizar la planifica-
Diremos que la descomposición de la base de ción, que por ser de una sola etapa es simple-
conocimientos es heterogénea cuando las bases de mente una selección de la base de conocimien-
conocimiento son de tipos diferentes. Los paradig- to adecuada al problema.
mas principales que se pueden emplear en la cons-
trucción de estas bases son a) reglas, b) reglas bo- El planificador genera un plan de razonamien-
rrosas y c) modelos. to que indica, por etapas, las bases de conocimien-
to a aplicar en cada una de ellas. La especificación
del plan de utilización de las bases de conocimien-
5.5.2. Planificación de bases de conoci- to puede realizarse de dos formas: con y sin fusión
miento de bases. Cuanso se hace sin fusión de bases, en
cada etapa se activan una serie de bases de cono-
La planificación de las bases se debe realizan en cimiento determinadas. Si se realiza con fusión de
base a conocimiento de metacontrol. Este metaco- bases, en cada etapa se indican las bases de conoci-
nocimiento es de dos tipos: miento a activar y las bases de conocimiento a des-
activar. Cuando las que se desactivan son todas se
De relación entre bases : Metaconocimiento de tiene el enfoque sin fusión de bases.
planificación.
77
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Abstracción Base de
conocimiento Selección
solapes Dominio
Minimización temporal : Los factores tempora- lizando una serie de bases de conocimiento que
les son también criterios unitarios e indican conduzcan a la conclusión. Este planificador pue-
el retardo estimado debido al uso de la base de ser de dos tipos:
de conocimiento. Este factor se modificará en
función de las ejecuciones del sistema y los
tiempos conseguidos.
Generador de plan completo . Una vez plan-
Adaptación : La adaptación de dos bases de cono- teado el problema al planificador, éste gene-
cimiento A y B en niveles de abstracción dife- rará un plan completo de aplicación de ba-
rentes se medirán mediante factores de adap- ses de conocimiento. Este plan consta de una
tación Af (A,B). Estos factores de adaptación serie de etapas, en las que en cada momen-
de las bases se corregirán en función del tiem- to está disponible la solución obtenida por
po de inferencia cuando se han aplicado am- la última etapa aplicada. En cada etapa se
bas bases. aplicarán unas determinadas bases de cono-
cimiento.
Dependencia : Diremos que una base es depen-
diente de otra menos abstracta cuando se re-
quiera haber aplicado esta para poder utili-
zarla. La dependencia es un criterio fuerte de Generador por etapas . El planificador, dada la si-
la planificación de bases. tuación actual selecciona el conjunto de bases
de conocimiento a aplicar para obtener la si-
guiente conclusión.
5.5.4. Razonamiento progresivo
78
Capı́tulo 5. Metodologı́a de Diseño
79
Capı́tulo 6
Modelado Multirresolucional
. . . the best way to overcome these limitations, dos tipos de controles presentan por el contra-
particularly the issues of temporal and spatial rio rangos de aplicabilidad muy limitados. El con-
reasoning, truth maintenance, and the “cliff” trol clásico se restringe casi por completo a proce-
performance degradation effect, is to build sos simples, mientras que el control experto pre-
symbolic models of the expert domain inside the senta problemas de desarrollo —adquisición del
expert system conocimiento— de funcionamiento —operación
Lawrence E Widman and Kenneth A. Loparo
en tiempo real— y de mantenimiento —falta de
Artificial Intelligence, Simulation and Modeling fiabilidad. La alternativa por la que se opta prio-
ritariamente en la actualidad es utilizar arquitec-
turas basadas en control clásico con un bucle de
. . . according to Zadeh, one of the most important supervisión manual.
facets of human thinking is the ability to ¿Por qué este tipo de arquitectura logra resulta-
summarize information ’into labels of fuzzy sets dos que no logran las otras? El responder este in-
which bear an approximate relation to the terrogante es un factor importante en la resolución
primary data’ del problema. Esta arquitectura logra resultados
Didier Dubois and Henri Prade aceptables porque el control clásico le da operatividad
Fuzzy Sets and Systems, Theory and Applications en tiempo real, mientras que el bucle humano le pro-
porciona mecanismos de resolución de problemas para
hacer frente a las situaciones anormales del control. En
6.1. Introduction base a ello se intentan utilizar arquitecturas en que
el bucle supervisor se implanta por medio de un
sistema experto o en algunos casos un sistema ba-
En el capı́tulo 3 se han comentado algunas ca- sado en conocimiento de otro tipo; pero estas solu-
racterı́sticas de los modelos empleados en los sis- ciones no logran los resultados del control super-
temas de razonamiento simbólico. La arquitectura visor humano, porque los mecanismos de razona-
que se propone en esta tesis está orientada al con- miento sobre el proceso no son lo suficientemen-
trol de procesos complejos descansando en gran te profundos y completos; profundos en el sentido
medida sobre un modelo profundo del proceso a de poder determinar causas y efectos a lo largo de
controlar. toda una jerarquı́a de sistemas que componen el
Hasta ahora el control de este tipo de procesos proceso y completos en el sentido de lo suficiente-
se afronta exclusivamente desde tres perspectivas: mente extensos como para abarcar y poder razo-
control manual, control con reguladores clásicos nar sobre todas las circunstancias que le acontecen
supervisados y control experto. El control manual al proceso y son relevantes para su control.
garantiza casi con seguridad un funcionamiento Los problemas fundamentales del uso de técni-
aceptable si la complejidad primaria no es excesi- cas de inteligencia artificial en control son dos: la
va; pero, por sus especiales caracterı́sticas, su eli- operación en tiempo real, que se solventa con el
minación es un objetivo fundamental. Los otros
80
Capı́tulo 6. Modelado Multirresolucional
81
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
aspecto de los sistemas complejos es preciso carac- incapaces de determinar los valores que toman. En
terizar cuales son los elementos de modelado que el proceso de modelado de todo sistema fı́sico apa-
van a tener este tipo de caracterı́sticas. recen este tipo de problemas de incertidumbre, y
la manera de hacerles frente es el establecimien-
to de umbrales de significancia. En todo sistema
6.2.1. Conceptos de modelado de siste- fı́sico las variables que intervienen son infinitas2 ,
por lo que para modelar es preciso seleccionar el
mas continuos
conjunto de variables relevante para el tipo de re-
sultados que esperamos obtener de nuestro mode-
Los elementos fundamentales para el modela-
lo. Del mismo modo es preciso establecer el con-
do de sistemas continuos son dos: las variables y
junto de valores que pueden tomar las variables,
las relaciones entre variables. Una variable es una
a estos conjuntos los denominaremos espacios de
función del tiempo. En el caso de sistemas fı́sicos
cantidades, por motivos que se verán a posteriori.
las variables son funciones reales que pueden to-
Las matemáticas son bastante buenas para mane-
mar un conjunto continuo de valores salvo efectos
jar espacios de cantidades densos por ejemplo los
cuánticos. Sin embargo los dispositivos de medida
números reales: R sin embargo no son tan buenas
son de precisión limitada, por lo que las variables
en manejar infinitas variables o relaciones. Por ello
podrı́an considerarse —desde el punto de vista de
la técnica habitual de modelado de sistemas con-
proceso de información— como funciones sobre
tinuos es seleccionar un número finito —y preferi-
un conjunto discreto.
blemente pequeño— de variables, establecer como
La evolución de un sistema fı́sico queda plena- espacio de cantidades R y expresar las relaciones
mente caracterizada por la evolución de un con- por medio de ecuaciones diferenciales.
junto de variables de dicho sistema denominadas
Sin embargo existen casos en que esto no es po-
variables de estado. Estas evoluciones están regi-
sible, porque no existe el conocimiento suficiente
das por las relaciones entre dichas variables, que
como para formalizar las relaciones. Además en
especifican la manera en que las variables resultan
muchos casos la continuidad de valores no es ne-
modificadas a lo largo del tiempo. Dicho en térmi-
cesaria y puede ser un engorro. Los modelos men-
nos matemáticos las relaciones determinan los va-
tales —utilizados por las personas— no se cons-
lores de las variables y de sus derivadas tempora-
truyen en base a relaciones matemáticas, sino que
les. El esquema mas conocido de representación de
se expresan mediante algo que podrı́amos deno-
relaciones de un sistema son las ecuaciones dife-
minar influencias. Este tipo de relación es similar a
renciales. Un conjunto de ecuaciones diferenciales
la que se emplea en la fı́sica cualitativa [Hayes 85a]
suponen una serie de restricciones para los valores
y que ha derivado en una serie de desarrollos im-
de las variables y de sus derivadas, que se deben
portantes en el campo de la simulación cualitativa
satisfacer simultáneamente a lo largo de la vida del
de sistemas.
sistema fı́sico.
Una forma de modelar un sistema fı́sico es es-
tablecer un conjunto de variables del sistema y 6.3. Modelado Multirresolucio-
un conjunto de ecuaciones diferenciales que rijan
el comportamiento temporal de éste. Este tipo de nal
modelo es lo que en el capı́tulo 3 denominábamos
un modelo matemático. Sin embargo no todos los La potencialidad del ser humano su inteligen-
sistemas fı́sicos admiten el establecimiento en es- cia se debe en gran medida en su capacidad de ha-
tos términos de un modelo aceptable. Por lo gene- cer frente a los problemas de formas diferentes. El
ral esto es debido a la existencia de incertidumbre, utilizar otro enfoque es a menudo la clave para resol-
bien en las variables, bien en las relaciones. ver un problema. Por contra las máquinas progra-
La incertidumbre en las variables puede deber- madas para resolver un problema lo hacen siem-
se a que seamos incapaces de determinar cuales 2 Suponiendo que el universo sea infinito en algún sentido,
son las variables del sistema o bien en que seamos ya que los sistemas cerrados no existen en la realidad.
82
Capı́tulo 6. Modelado Multirresolucional
pre de la misma forma. Si el problema no respon- Debemos aclarar cuáles son los motivos que
de con exactitud al tipo de problema para el que se nos llevan a plantear la necesidad de este tipo de
diseñó la máquina, ésta produce malos resultados. modelo. El modelo es necesario para realizar pre-
Este es el caso habitual con los sistemas software. dicciones de comportamiento del sistema, predic-
Cada programa está preparado para resolver de- ciones que nos permitan determinar si la respues-
terminados tipos de problemas y no otros. ta del mismo será adecuada frente a una acción
de control. El tipo de procesos que tratamos de
La inteligencia que en ocasiones se aprecia en
manejar presentan grandes dificultades de mode-
algunas aplicaciones de la inteligencia artificial es
lado, por lo que el modelado basado en ecuacio-
achacable a la flexibilidad en el planteamiento de
nes diferenciales ordinarias modelo N puede pre-
los problemas que dichas aplicaciones resuelven.
sentar desviaciones importantes respecto al com-
Evidentemente el planteamiento de un problema
portamiento real del sistema. Estas desviaciones
de diagnóstico a un sistema experto es —en cier-
se deben por lo general a la dificultad de estimar
ta medida— más flexible que un problema plan-
parámetros del proceso por los excesivos ruidos o
teado a un programa de nóminas. Esta diferencia
variabilidad del mismo. El modelo cualitativo tra-
se aprecia directamente en la diferente considera-
ta de solventar en parte éste problema, realizando
ción de ambos procesos: el sistema experto resuelve
simultáneamente una función triple:
un problema, mientras que el programa de nóminas
realiza un proceso mecánico.
Puede predecir todos los comportamientos
Esta impresión de inteligencia, tanto en el hu- posibles, lo que nos permite determinar si al-
mano como en la máquina, procede de la flexibi- guno de ellos es problemático. En este sentido
lidad con que admite el planteamiento del pro- se puede aplicar antes o después del modelo
blema; pero esta capacidad de admitir diferentes numérico, para validar a posteriori la predic-
planteamientos está fundamentada en la capaci- ción de éste o para hacerla innecesaria si las
dad interna de manejar modelos flexibles del mun- predicciones cualitativas son todas aceptables
do, modelos capaces de plantearse un problema a priori.
desde diferentes puntos de vista y no exclusiva-
mente desde uno como era el caso del programa Sirve como base de información para la comu-
de nóminas. nicación con el usuario, ya que los valores ma-
nejados en el mismo tienen un fundamento
Esta flexibilidad se ve radicalmente incremen- lingüı́stico.
tada cuando el sistema inteligente es capaz de ma-
nejar modelos multiresolucionales. Diremos que Sirve como base de hechos para realizar ra-
un sistema inteligente dispone de un modelo mul- zonamientos basados en reglas de forma mas
tiresolucional cuando puede tener representacio- clara que los valores numéricos.
nes de un problema en diferentes niveles de abs-
tracción. En el caso de razonamiento sobre sis- La necesidad del modelo basado en técnicas de
temas fı́sicos, la multiresolucionalidad es funda- representación del conocimiento surge de los dos
mental. últimos puntos comentados para el modelo cuali-
tativo. Aunque este modelo puede llegar a tener
capacidad predictiva su utilización en este senti-
do parece innecesaria. Sin embargo su función de
6.3.1. Necesidad de la multiresolucio- base de hechos es fundamental, ya que permite eli-
nalidad minar del proceso de inferencia etapas de abstrac-
ción para llegar a una serie de conceptos de alto
Ante los anteriores comentarios sobre el mode- nivel empleados en el control del proceso.
lado multiresolucional surge claramente una pre-
La utilización de modelos multiresolucionales
gunta:
en control debe contemplarse desde la perspectiva
de las dos etapas fundamentales del control inte-
¿Por qué? ligente (ver Figura ??): valoración de la situación
83
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
QK KQ
6.3.2. Objetivos del modelo
Concrección
Abstracción
Los objetivos del modelo responden en gran
medida a los puntos mencionados en el apartado Modelo Q
sobre su necesidad. Resumiendo estos puntos po-
demos hablar de las tres funciones principales del
modelo:
NQ QN
Función informativa, proveyendo a todos los
sistemas que lo precisen de la información
que deseen sobre el estado del proceso en el Modelo N
nivel de abstracción adecuado.
Función predictiva, suministrando informa-
ción sobre el comportamiento o comporta-
mientos posibles del proceso frente a acciones Figura 6.1: Estructura y transformaciones en el modelo
de control. multiresolucional NQK.
Función lingüı́stica, sirviendo de base de vo-
cabulario para la comunicación con el usua-
Estos tres niveles de modelado no son inde-
rio.
pendientes, sino que están estrechamente acopla-
dos. El enlace entre estos tres modelos se establece
El satisfacer estos tres objetivos es una tarea ar-
en base a funciones de abstracción y funciones de
dua, sobre todo en lo referente a la función predic-
concreción (ver Figura 6.3.3). Estas funciones nos
tiva.
permiten establecer valores de variables en un de-
terminado nivel a partir de valores de variables
6.3.3. Estructura del modelo en otros niveles. Las funciones de abstracción per-
mitirán pasar de un modelo al inmediatamente
superior; las de concreción permitirán realizar la
Como ya se ha comentado anteriormente, en la
operación inversa.
arquitectura de control que se desarrolla en esta
tesis, se propone el uso de un modelo con tres ni- Los modelos N y K responden a paradigmas
veles de resolución. Este modelo multiresolucional informáticos plenamente establecidos simulación
comprende tres capas de modelado de diferentes e ingenierı́a del conocimiento por lo que en la
caracterı́sticas. Estas capas de modelado son las si- presentación que se haga de los mismos no se
guientes: hará un estudio en profundidad. Sin embargo, el
84
Capı́tulo 6. Modelado Multirresolucional
uso de modelos cualitativos en aplicaciones indus- evolución del mismo. Como veremos en el
triales es bastante nuevo, existiendo un número li- capı́tulo 7 esta información es utilizada para
mitado de desarrollos [Zhang 90a] [Charbonnaud realizar el control del proceso en varios de los
90] [Guerrin 90] orientados fundamentalmente al niveles de control.
diagnóstico. El uso de modelos multiresoluciona-
les está ganado una aceptación progresiva, exis-
tiendo también algún desarrollo de carácter indus- Por otra predictiva, ya que debe generar pre-
trial [Juuso 90]. dicciones de comportamiento del proceso. Es-
tas predicciones serán predicciones numéri-
Los modelos N y Q están estrechamente rela-
cas, en forma de evolución temporal de las va-
cionados, ya que la composición del modelo Q es
riables del proceso. Cada predicción de com-
parte de la del modelo N. Existe un isomorfismo
portamiento se dá pues como función tempo-
entre parte del modelo N y el modelo Q. El mode-
ral del espacio de variables del proceso en Rn .
lo K sin embargo es en gran parte independiente
de la estructura de los otros dos, ya que en él se
representa conocimiento humano, siendo pues un
modelo subjetivo, mientras que los modelos N y Q La función predictiva del modelo N es mucho
pueden calificarse en cierta medida de objetivos. mas importante que la función informativa, dado
que la información sobre el estado N es suminis-
trable por otros elementos de la arquitectura, como
se verá en el capı́tulo 7.
6.4. Modelo N
A primera vista el modelo N entra en franca
contradicción con los planteamientos iniciales de
El modelo N es un modelo cuantitativo del pro-
esta tesis: control de procesos complejos, con dificul-
ceso a controlar. Este modelo se realiza utilizando
tades de modelado. Obviamente cuando un proceso
técnicas clásicas de simulación de sistemas conti-
tiene complejidad terciaria el desarrollo de un mo-
nuos.
delo veraz del mismo es prácticamente imposible,
pero si el proceso tiene sólo complejidades prima-
ria y secundaria el desarrollo del modelo es posi-
6.4.1. Técnicas básicas
ble. En este tipo de procesos el desarrollo de sis-
temas de control convencionales es problemático,
Las técnicas a emplear en la construcción de un
por lo que la arquitectura propuesta en esta tesis
modelo basado en ecuaciones diferenciales están
puede dar resultados adecuados.
perfectamente establecidas, siendo perfectamente
factible el conseguir paquetes software comercia-
les para ello, como pueden ser CSMP, ACSL, SIM-
NON, etc.
6.4.3. Implantación
El desarrollo de un esquema o lenguaje de re-
presentación de sistemas continuos no es un obje-
tivo de esta tesis, ya que tanto la bibliografı́a como La implantación de este modelo se reali-
las implantaciones de sistemas de este tipo son zará por medio de técnicas convencionales de
más que abundantes [Fernández 77]. simulación de sistemas continuos. Para su inte-
gración en la arquitectura de control inteligente
será preciso sin embargo unas ciertas capacidades
6.4.2. Funciones del modelo software del sistema empleado en el desarrollo de
este modelo.
La función de este modelo es dual: En el capı́tulo 9, dentro del apartado de desa-
rrollos futuros se comentará la necesidad de desa-
Por una parte informativa, ya que es la ba- rrollar herramientas de simulación convencional
se de datos sobre el estado del proceso y la integradas en entornos de control inteligente.
85
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
86
Capı́tulo 6. Modelado Multirresolucional
formulada por Forbus [Forbus 84]. QT emp = {−, 0, (0, 3100), 3100, (3100, −)}
87
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Los valores que componen el espacio de canti- La correspondencia entre el modelo N y el mo-
dades pueden recibir nombres especı́ficos, con lo delo Q debe realizarse en base a representacio-
que podemos decir que las variables toman valores nes mas adecuadas que los espacios de cantidades
lingüı́sticos. Ası́ un espacio de cantidades como el propuestos por Kuipers. La representación desa-
anterior puede traducirse en: rrollada en esta tesis se basa en el uso de conjun-
tos borrosos para representar los diferentes térmi-
QT emp = {N EGAT IV A, CERO, N ORM AL,
nos lingüı́sticos o elementos del espacio de canti-
CRIT ICA, EXCESIV A}
dades. En la Figura 6.5.5 se presenta un esquema
con lo que la expresión T emp = 3100 es tradu- que aclara este concepto.
cible en La TEMPERATURA es CRITICA.
En ella los términos a emplear en la represen-
tación cualitativa aparecen asociados a los hitos
6.5.4. Extensiones a la representación e intervalos en el sentido de Kuipers. Sin embar-
go cada uno de estos elementos tiene asociada un
función de pertenencia que se empleará en el enla-
Los espacios de cantidades como el anterior
ce con la representación puramente numérica. De
presentan algunas limitaciones para ser integra-
esta forma las separaciones entre términos cualita-
dos en el modelo multiresolucional. El paso de
tivos no son nı́tidas sino que se definen en base
valores de variables de un modelo a valores en
a funciones en [0, 1] que presentan un cierto so-
los términos utilizados por un modelo superior —
lape. Las funciones de pertenencia son funciones
tarea llevada a cabo por las funciones de abstrac-
µ : R → [0, 1], mientras que para Kuipers es-
ción— es, en cierta medida, un proceso de inter-
tas funciones se definen sobre {0, 1}. Esto permi-
pretación de mediciones. Por ello es preciso que
te cierta flexibilidad con las aserciones de valores
esta interpretación se haga de forma adecuada, te-
de las variables, ya que no establecen correspon-
niendo en cuenta las incertidumbre inherentes al
dencias rı́gidas con los valores numéricos de las
proceso de medición ası́ como en lo referente al
mismas.
conocimiento teórico sobre el sistema medido.
El valor cualitativo de una variable —valor Q—
Este problema es de especial importancia para
se hace determinando el término cualitativo cuya
las funciones NQ. En particular la posibilidad de
función de pertenencia dá un valor máximo. En es-
utilizar hitos puntuales en dichas funciones es re-
te sentido esta representación cualitativa es idénti-
mota, ya que en muchos casos el conocimiento que
ca a la basada en intervalos nı́tidos. Sin embargo
se tiene del proceso no es suficiente como para es-
en este modelo las variables admiten otro tipo de
tablecer estos valores teóricos con tal precisión, ni
valor que denominaremos valor cualitativo borroso
para afirmar la exactitud de las medidas y la igual-
o valor FQ. Este valor es un conjunto borroso so-
dad de las mismas con dichos valores teóricos.
bre el retı́culo de valores cualitativos nı́tidos5 . Los
Cuando asignamos a una variable de proceso factores de este conjunto borroso sobre el retı́culo
un valor cualitativo estamos haciendo una abstrac- vienen dados por las funciones asociadas a cada
ción de su valor. Esto es inmediato en casos en que uno de los términos borrosos. Ası́ por ejemplo en
el valor de la variable no es cercano a ninguno de una determinada situación diremos que la varia-
los hitos. Sin embargo cuando sucede ésto, el afir- ble TEMPERATURA tiene los siguientes valores:
mar que el valor de una variable es CRITICA con-
lleva sus riesgos, ya que en muchos casos los va-
lores exactos de los hitos son desconocidos4 y los N: 3000
valores de las variables no se miden con absoluta
precisión. El afirmar que una variable de un proceso Q: NORMAL
real tiene un determinado valor es una afirmación
que inevitablemente es incierta. FQ: NORMAL/0.8, CRITICA/0.2
4 Salvo casos especiales como por ejemplo la temperatura de 5 En la literatura anglosajona este tipo de conjunto es deno-
ebullición del agua pura a una atmósfera de presión que tiene un minado L-Fuzzy set, esto es, conjunto borroso sobre un retı́culo
valor exacto de 100.0 ◦ C. —lattice.
88
Capı́tulo 6. Modelado Multirresolucional
RESTRICIONES CUALITATIVAS
Restricción Equivalencia Debilidad Tipo
SUMA(f,g,h) f+g=h Igual Aritmética
MULT(f,g,h) f⋅g=h Igual Aritmética
MENOS(f,g) f = -g Igual Aritmética
M+(f,g) g = H(f), H m.c. Mayor Funcional
-
M (f,g) g = H(f), H m.d. Mayor Funcional
DERIV(f,g) df/dt = g Igual Derivativa
m.c.: monótona creciente, m.d.: monótona decreciente
Estado
inicial E.0 T0
Estados
Intermedios
E.1.1 E.1.2 E.1.3 T1
Estados
Finales E.3.1 E.3.2 E.3.3 E.3.4 E.3.5 T3
89
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Este tipo de valores FQ se emplearán en la ex- Utilización para establecer valores N de va-
tensión al algoritmo de simulación propuesta en riables —p.e. variables de actuación— a par-
esta tesis y denominada simulación cualitativa bo- tir de valores Q especificados por el usuario o
rrosa. por sistemas de razonamiento.
Las funciones que nos permiten pasar de los La simulación cualitativa se ha mostrado como
valores numéricos a los valores cualitativos son una técnica potente y versátil aunque tiene graves
funciones de abstracción, ya que pasan de un de- problemas que limitan su aplicabilidad a la simu-
terminado espacio de cantidades a un espacio de lación de sistemas complejos:
cantidades en un nivel de abstracción superior.
Estas funciones de abstracción —funciones NQ—
Por una parte la explosión combinatoria aso-
son las funciones asociadas a los términos cualita-
ciada a este tipo de simulación. Este es, con
tivos de la representación cualitativa.
mucho, el problema mas grave, y en el que se
El valor cualitativo de una variable es aquel cu- ha puesto un mayor esfuerzo en su solución.
ya función de pertenencia asociada da un valor
máximo, esto es, es el conjunto borroso de los que Por otra parte los problemas de indecidibili-
componen el espacio de cantidades cualitativo que dad derivados de las influencias múltiples.
presenta un grado de pertenencia mayor:
La construcción de los modelos, que llega a
VQ (Y ) = T ∗ , T ∗ ∈ QY : ser muy complicada. Además un modelo mal
µT ∗ (y) = max µT (y) ∀T ∈ QY construı́do puede dar lugar a predicciones de
El paso de valores en sentido contrario — comportamiento espurias.
funciones de concreción— no presenta demasiado
interés en este tipo de sistema salvo para dos apli- La solución de este tipo de problemas pasa a
caciones: través del desarrollo de técnicas avanzadas de si-
mulación cualitativa. Algunas de estas técnicas ya
Utilización en el módulo de control borroso. fueron introducidas en los desarrollos originales
El método habitual en este caso es utilizar de Kuipers, como es el reconocimiento de estados
el método del centroide para calcular valores iguales y la detección de bucles de comportamien-
nı́tidos a partir de los valores borrosos. En es- to. En la Figura 6.5.7 se presenta el resultado de
te caso el paso de valores Q a N es inmediato: detectar que los estados E.2.2 y E.2.4 de la Figura
el centro de la función de pertenencia. En caso 6.2 son iguales.
de valores FQ aparecen dos tipos de situacio- Del mismo modo, en la Figura 6.5.7 se presenta
nes: el resultado de detectar un estado idéntico a otro
estado anterior. En este caso se produce un com-
Situaciones con multiplicidad igual a uno, en
portamiento periódico, en virtud de la situación de
las que todos los factores son nulos salvo uno.
ambos estados en un mismo comportamiento. En
En este caso, dependiendo de la función aso-
ambas figuras se ha realizado una reubicación de
ciada al término con factor no nulo será posi-
los estados para simplificar las mismas.
ble determinar un valor N único, doble o con
un intervalo. En caso de que sea doble o inter- Este tipo de mejoras permiten eliminar gran
valo se seleccionará el punto medio. cantidad de estados repetidos en los árboles de
predicción de comportamiento, que pasan a ser
Situaciones con multiplicidad mayor de uno. realmente grafos de comportamiento. No obstante
En este caso es posible determinar un valor N estas mejoras no son suficientes para hacer viable
único. la simulación cualitativa de procesos complejos. Es
90
Capı́tulo 6. Modelado Multirresolucional
preciso recurrir a técnicas adicionales como las de- sobre un proceso real ası́ como en la especificación
sarrolladas por otros autores. Estas técnicas permi- de los valores que requieren especial considera-
ten reducir e incluso eliminar en parte los proble- ción —hitos— asociados a las variables del proce-
mas planteados, posibilitando el uso de este tipo so. Este problema de interpretación hace que las
de simulación en sistemas más complejos. Algu- predicciones cualitativas de comportamiento lle-
nas de las técnicas empleables son las siguientes: ven asociada una cierta incertidumbre, tanto en el
punto de partida como en las posibles transicio-
Utilización de derivadas de orden superior nes.
[Dalle Molle 89]. Para resolver en parte este problema se ha de-
sarrollado en esta tesis un método de pondera-
Utilización de vectores cualitativos de estado
ción de comportamientos aplicable al algoritmo de
[Morgan 90].
Kuipers. Este método recibe el nombre de simula-
Utilización de información cuantitativa [Kui- ción cualitativa borrosa y se basa en la utilización
pers 90]. de los estados cualitativos borrosos mencionados
en la sección 6.5.4. Este método es una extensión
Utilización de técnicas de ponderación de in- al algoritmo QSIM que es también de utilidad para
fluencias [D’Ambrosio 89a]. hacer frente a la explosión combinatoria por medio
de podas selectivas del arbol de comportamientos,
Utilización de modelos componibles [Fran- y al problema de la indecidibilidad del compor-
ke 90]. tamiento por medio de factores de posibilidad de
transición.
6.5.7. Simulación cualitativa borrosa Por ello la simulación cualitativa borrosa trata
de realizar ponderaciones de comportamientos, de
Sin embargo las anteriores extensiones no re- forma que se pueda:
suelven un prblema adicional que surge cuando se
tratan de relacionar representaciones cualitativas
Estimar cual es el comportamiento más posi-
—o cualquier otro tipo de representación— con
ble6 .
entidades reales. Este problema es el problema de
la interpretación. 6 Se emplea el término posible en un sentido genérico, sin tra-
91
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
92
Capı́tulo 6. Modelado Multirresolucional
Estado
inicial E.0 T0
Estados
Intermedios
E.1.1 E.1.2 E.1.3 T1
** *
E.2.1 E.2.2 E.2.3 E.2.4
T2
Estados
Finales E.3.1 E.3.2 E.3.3 E.3.4 E.3.5 T3
Figura 6.4: Detección de estados iguales. Dado que E2.2 ≡ E2.4 los subárboles que cuelgan de dichos
estados son idénticos —de hecho son los mismos estados.
93
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Estado
inicial E.0 T0
Estados
Intermedios
E.1.1 E.1.2 E.1.3 T1
**
*
Estados
Finales E.3.1 E.3.2 E.3.3 T3
94
Capı́tulo 6. Modelado Multirresolucional
Reducir la explosión combinatoria. ello son las que van a permitir conducir la inferen-
cia. En nuestro caso todos los conceptos asociados
Reducir la indecibilidad de comportamientos. al sistema y que no tienen representación fı́sica di-
recta se encuadrarán en este modelo.
Posibilitar el modelado de sistemas distri-
buı́dos.
6.6.1. Estructura del modelo K
Aunque en algunos casos las restricciones cua-
litativas se pueden obtener de las ecuaciones di- La estructura del modelo K dependerá de cada
ferenciales ordinarias, para el control de procesos aplicación del mismo modo que la estructura del
serı́a preciso que se emplearan ecuaciones diferen- conocimiento de un sistema experto depende de
ciales en derivadas parciales. Este es un tema pen- la aplicación particular, ya que en la mayor parte
diente de investigación, por lo que se desconoce de los casos esta estructura refleja el conocimiento
hasta que punto es esto posible. Quizá el sentido de una determinada persona.
de influencias propugnado por Forbus [Forbus 84]
sea aplicable: la variable tal crece cuando crece la
variable cual si todo lo demás sigue igual. Este es 6.6.2. Funciones QK y KQ
un desarrollo futuro derivado de las necesidades
planteadas por la arquitectura propuesta en esta Este tipo de funciones son muy diferentes a
tesis. las funciones NQ y QN, dado que asocian dos es-
pacios absolutamente diferentes. Mientras que los
modelos N y Q representan sistemas fı́sicos, el mo-
delo K ha sido definido como aquel en el que se
6.6. Modelo K incluyen todas las variables que no representan
magnitudes fı́sicas.
Existen hechos de alto grado de abstracción
que no admiten representación en los dos nive-
les anteriores. Ello es debido a que dichos nive- 6.6.3. Funciones del modelo
les de modelado tienen una orientación fı́sica: tra-
tan de modelar sistemas fı́sicos mediante varia- Las funciones del modelo K son la informativa
bles, valores de las mismas y relaciones entre ellas. y la lingüı́stica. La información de este modelo es
Supongamos un sistema como el que se comen- utilizada por los sistemas de razonamiento para la
ta en el capı́tulo 8: un horno de clinker. En es- determinación de las acciones de control.
te sistema existen variables fı́sicas claramente de-
Por lo general este modelo estará eximido, en
finidas como es el caso de la velocidad de rota-
una primera aproximación, de la función predicti-
ción. Ası́ mismo existen variables más abstractas
va, aunque en algunos casos la dificultad de mode-
que éstas, pero que admiten valores más o menos
lado del proceso requiera del uso de técnicas de si-
cuantizables. Es el caso de la temperatura de zo-
mulación basada en el conocimiento, técnicas que
na según vimos en el apartado 6.5. Pero también
se deben aplicar en este nivel.
existen otro tipo de información, asociable a va-
lores de variables solo mediante consideración de
un sistema en un nivel de abstracción superior. Las 6.6.4. Implantación
variables más tı́picas de este tipo son las variables
de status7 del proceso. El modelo de representación de conocimiento a
Es habitual en los sistemas basados en el cono- utilizar puede basarse en una serie de paradigmas
cimiento la existencia de este tipo de variables, ya perfectamente definidos:
que son utilizadas habitualmente por los humanos
para formular sus lı́neas de razonamiento y por Cálculo de predicados.
7 No confundir con las variables de estado. Cálculo proposicional.
95
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
96
Capı́tulo 6. Modelado Multirresolucional
Conocimiento
sobre el Proceso
Determinación de la Validación de la
Proceso
acción de control acción de control
(a) Simulación
Conocimiento
sobre el Proceso
Determinación de la Validación de la
Proceso
acción de control acción de control
Es por ello interesante disponer de medios pa- La predicción de comportamiento para valida-
ra validar dichas acciones de control. Esta valida- ción de acciones de control requiere que el modelo
ción se puede hacer a priori, en base a conocimien- utilizado permita especificar las acciones de con-
to incluido en el algoritmo de determinación de la trol a realizar sobre el proceso, por lo que el mode-
acción de control o puede realizarse a posteriori, lo debe incluir también los reguladores que van a
viendo los resultados que produce sobre el proce- realizar el control de dicho proceso.
so. Sin embargo, en muchos casos no es posible
En el caso de utilizar sistemas convencionales
utilizar la primera por la escasez de conocimien-
de control (p.e. PID) este modelado de regulado-
to disponible para realizarla, ni la segunda por las
res es inmediato; pero en el caso de usar sistemas
consecuencias que pudiera tener sobre el proceso.
basados en el conocimiento el problema alcanza
El disponer de un modelo adecuado del proce- unos niveles de complejidad enorme. En las ac-
so nos permite utilizarlo para validarlas acciones tuales circunstancias sólo es factible el realizar la
de control por simulación. Sin embargo, este me- simulación de sistemas del primer tipo — i.e. con
canismo basado en el conocimiento —el modelo— reguladores clásicos.
presenta dos problemas fundamentales:
El costo temporal: un sistema de control debe El conocimiento sobre el proceso que se em-
operar en tiempo real, por lo que determina- pleaba de forma indirecta simulación para deter-
do tipo de procesamiento queda excluido por minar acciones de control, puede ser empleado pa-
superar los horizontes temporales admisibles. ra la determinación directa de las mismas.
97
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
98
Capı́tulo 7
99
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
su correcto funcionamiento. Para lograr este obje- Actividades a corto plazo: Por ejemplo las activi-
tivo la arquitectura debe permitir implantar una dades de control orientado al mantenimiento
serie de técnicas para la realización de sistemas de la temperatura en un determinado punto.
inteligentes de control que suministren los servi-
Actividades a medio plazo: Actividad de arran-
cios necesarios para suplantar al operador de una
que o de cambio de punto de funcionamiento.
planta en sus tareas o bien servirle de ayuda en
las mismas; el campo de aplicación de este tipo Actividades a largo plazo: Optimización de pro-
de control serán procesos complejos y/o de ope- ducción y calidad.
ración compleja, bien por el gran volumen de in-
formación bien por la baja calidad de la misma.
Además, como condición añadida y fundamental Referencia
100
Capı́tulo 7. Arquitectura de Control Inteligente
Velocidad
3. Determinación del impacto sobre el sistema
Control Basado en Reglas
4. Interpretación del impacto
101
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
del sistema en esta situación será estable den- pecı́fico y una base de conocimientos de con-
tro de rangos de valores aceptables. En este trol general.
nivel se emplearán tanto reguladores clásicos
como reguladores borrosos basados en reglas. Operador. Si después de todo estas etapas el sis-
En este nivel no existe etapa de valoración de tema no alcanza una decisión de acción se re-
situación, por lo que el sistema no puede cali- querirá la intervención del operador. En este
ficarse de control inteligente. caso el operador realiza las diferentes etapas
asociadas al control inteligente, aunque cuen-
Control por patrones situación-acción. Los sub- ta con el apoyo del sistema para realizarlas.
sistemas superiores al control directo se en- El interfase de usuario realiza interpretacio-
cuentran en estado de latencia salvo un nes previas de los datos, y realiza valoracio-
módulo, denominado monitor, encargado de nes de acciones de control.
detectar y reconocer patrones anormales. La
detección de un patrón anormal en el proceso
supone la consulta a la base de datos de pa- 7.3.4. Descomposición heterogénea
trones ası́ como a una base de conocimiento
para detección de patrones anormales. El mo-
El enfoque utilizado en esta arquitectura es el
nitor determinará si existe una secuencia de
de descomposición funcional y por dominios, em-
acciones de control asociada a dicho patrón;
pleando una serie de paradigmas especı́ficos. Es-
se dirá en este caso que el patrón ha sido reco-
ta descomposición dará lugar a una jerarquı́a de
nocido. Si el patrón no es reconocido se invo-
niveles de control, cada una con sus capacidades
cará al nivel superior: control inteligente. En
especı́ficas tanto en situaciones controlables como
este nivel la valoración de la situación se hace
en velocidad de operación. En CONEX se emplean
en base a patrones establecidos. Las etapas de
una serie de módulos basados en inteligencia ar-
determinación de alternativas de control, va-
tificial, construidos con diferentes paradigmas y
loración y selección, se hacen a priori por un
que utilizan bases de conocimiento diferenciadas.
humano que establece los protocolos de con-
Estas bases de conocimiento son:
trol para cada situación reconocida.
102
Capı́tulo 7. Arquitectura de Control Inteligente
103
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Humanos Sistemas
Sistema
Operador
HW/SW
Ingeniero de
Planta CONEX Planta
Ingeniero de
Exterior
Control
104
Capı́tulo 7. Arquitectura de Control Inteligente
105
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
La comunicación entre los mismos se realiza a pos son entes estructurales, asociados al funciona-
través de paso de mensajes, teniendo cada uno de miento de CONEX. Por contra las listas de cliente-
los OANs una interfase bien definida, accesible a la están asociadas al comportamiento dinámico de
los demás OANs. El acceso a los recursos de un los OANs de CONEX y de los elementos externos
OAN por parte de los demás debe hacerse siempre a CONEX. Los mecanismos de grupo se manejan
a través de uno de los mensajes de la interfase. To- por los clientes el servidor sólo envı́a un mensaje
dos los datos de CONEX son internos a alguno de mientras que los mecanismos de clientela son ma-
los OANs. nejados por los servidores.
Todos los OANs son independientes en vir- En los apartados que siguen se analizan cada
tud del mecanismo de paso de mensajes, por uno de los OANs de CONEX. Para cada uno de
lo que admiten implantaciones independientes, ellos se comentan los siguientes puntos:
con el único requerimiento del acceso al medio
de comunicación común. La dependencia entre Misión: Corresponde a la función de alto nivel
OANs está determinada por las necesidades de in- que debe implantar el subsistema.
formación o servicios de cada uno de ellos, especi-
ficados mediante los grupos OAN/mensajes aso- Descripción: Comentario sobre las caracterı́sticas
ciados a cada OAN. generales de dicho subsistema, referentes a
Los tipos de mensajes en CONEX son dos: los aspectos particulares de la implantación
para satisfacer los requerimientos impuestos
por la misión de dicho subsistema. Estos apar-
Mensajes simples. Son mensajes enviados por un
tados se corresponden casi literalmente con
OAN a otro OAN.
los correspondientes en [Sanz 89].
Mensajes de grupo. Son mensajes enviados por
un OAN a un grupo de OANs. En este caso el Técnicas: Se comentan las principales técnicas en
destinatario del mensaje es un OAN virtual. que se basa el OAN. La diversidad de estas
Los módulos de gestión de mensajes de los técnicas es la que hace precisa la existencia
OANs son los encargados de reconocer si un de un equipo multidisciplinar para el desa-
determinado mensaje va destinado a ellos o rrollo de aplicaciones de control inteligente.
no. Existe un grupo especialmente importan- El conocimiento de estas técnicas es una de las
te, denominado G-CONEX, y que comprende condiciones principales para el buen fin de un
a todos los OANs. Cuando un mensaje tiene proyecto en este campo.
como destino G-CONEX, diremos que es un
mensaje global. En un documento de análisis más profundo
que no se a incluido en la presente tesis se recogen
Existe otro mecanismo de envı́o de un mensa- los siguientes elementos de los OANs:
je a un grupo de OANs. Este mecanismo se cono-
ce como lista de clientela. Una lista de clientela es Objetos internos: Conjunto de objetos que cons-
una lista de OANs que requieren de otro un de- tituyen el OAN y que realizan las funciones
terminado servicio que quede ser servido de for- que éste sirve al exterior. Estos objetos inter-
ma ası́ncrona, sin necesidad de un mensaje de so- nos no responden a la estructura estándar de
licitud por parte del OAN cliente. El OAN que un OAN, sino que se realizarán de acuerdo
implanta la lista de clientela determina cuándo con la implementación particular que se selec-
se debe servir a los clientes de la lista. Las en- cione para cada uno de ellos.
tradas de las listas de clientela se componen de
tres partes cliente, condición y objeto (a quien, cuan- Interfase: En este punto se analizan dos aspec-
do y qué). Mientras que los grupos son estáti- tos. Por una parte la entrada, referente al con-
cos las listas de clientela son dinámicas. Esto no junto de mensajes que reconoce el objeto. Por
es debido a problemas de implantación sino a fi- otra parte la salida, que recoge los conjuntos
losofı́a de funcionamiento de CONEX. Los gru- de datos generados y los destinatarios de los
106
Capı́tulo 7. Arquitectura de Control Inteligente
Figura 7.4: Estructura global de CONEX con las principales interacciones entre los nueve objetos activos de
alto nivel: CD: Control directo, IP: Interfase de proceso, MP: Monitor de proceso, MS: Modelo y simulador, CI:
Control inteligente, IU: Interfase de usuario, EA: Evaluador de actuaciones, MC: Monitor de CONEX e IE:
Interfase externa.
107
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
108
Capı́tulo 7. Arquitectura de Control Inteligente
Mensajes de salida
7.4.2. Estructura estándar de un OAN
Status: Este mensaje se envı́a en respuesta a una
Todos los OANs comparten parte de su estruc- solicitud del mismo (Petición de status).
tura interna, de modo que todos respondan a cier-
tos modos de funcionamieto común especificados Mensaje al usuario: es un mensaje destinado al
en la interfase estándar del OAN. operador, por lo que va dirigido a CONEX-
IU.
Por ello todos los OANs disponen de dos obje-
tos internos que responden a los nombres de ges- Alarmas: Pueden ser de tipos diferentes, pero van
tor de mensajes y gestor de status. dirigidas en cualquier caso a G-CONEX.
Misión
Todos los OANs disponen de un objeto interno
denominado GM que es el encargado de realizar
las tareas de interfase del objeto con el resto de CONEX-CD es el módulo de control directo de
los OANs de CONEX. Este módulo de interfase CONEX. Tiene como objetivo principal la genera-
recibe mensajes de los objetos internos al OAN y ción de referencias para los actuadores o para los
los traduce en mensajes externos según el formato bucles de control de bajo nivel (PLCs).
estándar para CONEX.
Todos los GM implantan una serie estándar de Descripción general
mensajes, tanto de entrada como de salida. Este
grupo de mensajes constituyen lo que se denomi- El corazón de CONEX-CD está constituido
na interfase estándar de un OAN. por una serie de reguladores basados en diversas
109
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Host 1 Host 2
GM GM GM GM
Red
Hardware de Red
110
Capı́tulo 7. Arquitectura de Control Inteligente
111
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
técnicas y encargados del control de bucles sim- Los patrones de actuación se ejecutarán en ba-
ples dentro del proceso global. Estos reguladores se a un reloj interno del OAN. La ejecución de un
de bajo nivel están encargados de las tareas de patrón originará en algunos casos una colisión de
mantenimiento de consignas de los diferentes bu- actividades. Estas colisiones se detectan y gestio-
cles de control. Este OAN debe ser capaz de man- nan por un módulo especı́fico de CONEX-CD de-
tener el funcionamiento adecuado del sistema con- nominado analizador de colisiones. Una colisión
trolado en un entorno próximo al punto de funcio- por lo general conducirá a la cancelación de las
namiento. Es necesariamente un sistema en tiem- anteriores actividades, en función de criterios de
po real. Para realizar el control directo el sistema prioridad. Ello conduce a que el sistema que gene-
implanta una serie de reguladores encargados del re el patrón de actuación deba tener en cuenta este
control de subprocesos. Estos reguladores son sim- hecho. La ejecución de actividades tiene como re-
ples, en el sentido de realizar un control de pocas sultado la modificación del fichero de reguladores,
variables. Los aspectos de interacción entre sub- aunque es posible el uso de especificaciones direc-
procesos se gestionan en un nivel superior. Los al- tas de actuación.
goritmos de control se pueden desarrollar e im-
En este sistema se propone en principio la uti-
plantar de forma independiente del resto del sis-
lización de dos tipos de reguladores sin que ello
tema. La filosofı́a de control a utilizar puede ser
signifique la exclusión de otro tipo de posibilida-
cualquiera, variando en un amplio rango de posi-
des:
bilidades: PID, adaptativo, borroso, etc.
Las intervenciones de los OANs de nivel su- Reguladores PID en aquellos bucles simples
perior se hacen en forma de especificación de pa- de control que no ofrezcan problemas de se-
trones de actuación de CONEX-CD. Un patrón de guridad y tengan grados aceptables de fiabili-
actuación es una lista temporal de actividades con dad de las medidas.
bifurcaciones. En este patrón de actuación se espe-
cifican las evoluciones temporales de: Reguladores borrosos basados en reglas cuan-
do el subproceso sea complejo y/o exista al-
Estructuras de control: tipos de reguladores a guno de los problemas mencionados en el
utilizar. apartado anterior. Los reguladores borrosos
Parametrización de los reguladores. presentan en estos casos un comportamiento
mas robusto y fiable, con unas prestaciones
Consignas de los bucles de control. (tiempo de subida, sobreoscilación, etc) sólo
ligeramente peores; aunque en casos de sis-
Las actividades especificables en un patrón de temas complejos este comportamiento puede
actuación son de dos tipos: instantáneas y tempo- incluso llegar a ser mejor que el de el PID.
rales. Una actividad instantánea puede ser incon-
dicional o condicionada a determinados valores de
variables del proceso (estado N)2 . Una actividad Estos reguladores estarán diseñados para un
temporal debe tener una condición de inicio y una acoplamiento adecuado con el resto del sistema
condición de terminación. Un ejemplo tı́pico de ac- de control, pero siempre teniendo en cuenta que,
tividad instantánea es un cambio de tipo de regu- en funcionamiento autónomo, se deben compor-
lador (paso de un PID a un regulador borroso por tar de forma adecuada en cualquier circunstancia,
ejemplo). Un ejemplo tı́pico de actividad tempo- por lo que evitarán en cualquier caso realizar ac-
ral es el cambio de referencia de forma incremen- ciones que puedan resultar peligrosas o costosas.
tal, desde el valor inicial al final en un perı́odo de En funcionamiento estacionario el sistema de con-
tiempo determinado. trol se comporta como si sólo constara de estos
reguladores, ya que no se dispararán actuaciones
2 No se considera la utilización de condiciones sobre los
de los niveles superiores de control (CONEX-MP
otros dos estados para evitar dependencias directas de los ni-
veles superiores. El utilizar este tipo de criterios conduce a la
y CONEX-CI). En la especificiación de actividades
necesidad de realizar un diseño de patrones dual, con y sin sis- de modificación de reguladores se establecen lñas
tema de alto nivel. condiciones de aplicación de las acciones de con-
112
Capı́tulo 7. Arquitectura de Control Inteligente
Actuación
113
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
114
Capı́tulo 7. Arquitectura de Control Inteligente
cesidad de gestionar una lista de clientes. Valores estimados para variables ocultas del
proceso, esto es, variables que no tienen sen-
La interfase de proceso se estructura pues en
sores para su medida directa. Aquı́ nos refe-
dos partes: la interfase de entrada y la interfase de
rimos a variables del proceso que tienen exis-
salida. La interfase de entrada utiliza como datos
tencia real, por ejemplo la temperatura de zo-
de partida los siguientes:
na de un horno.
Medidas procedentes del sensor, que pue- Las sucesivas transformaciones que sufren los
den venir afectadas por diversos tipos de rui- valores se presentan en la Figura ??. Los valores
dos, procedentes de cualquiera de los elemen- esperados se obtienen de una petición de simula-
tos del sistema (transductor, lı́nea, conversor ción al simulador. Esta simulación devuelve tam-
A/D, etc). bién los valores de variables ocultas. Si el valor es-
timado y el esperado coinciden se aceptan los esti-
Estado esperado del sistema, calculado por el
mados y las ocultas esperadas.
módulo de simulación de CONEXMS. Este es-
tado esperado se recibe en forma de compor- La interfase de salida genera acciones de con-
tamiento predicho en respuesta a una petición trol elementales a partir de las actuaciones que le
de simulación. son remitidas por CONEXCD. Antes de generar
las acciones se filtran en función de las condicio-
nes de aplicación expresadas para la actuación. En
En caso de ser necesario se considerará la utili-
caso de rechazo se informará a CONEXCD de este
zación de los siguientes datos:
hecho.
115
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
N Parcial N Parcial
Esperado
116
Capı́tulo 7. Arquitectura de Control Inteligente
Este reparto de funciones está orientado a con- 7.4.7. CONEX-MS: Modelo y Simula-
seguir un razonamiento progresivo distribuido, dor
orientándolo hacia un aumento de eficiencia y se-
guridad de operación. Misión
Aspecto fundamental del sistema es el alma-
cenamiento de conocimientos (patrones situación- CONEX-MS es el gestor del modelo y el simu-
actuación). Para ello es preciso desarrollar un me- lador de CONEX. Tiene como misión el mantener
canismo eficiente de almacenamiento, basado en toda la información sobre el proceso, tanto la es-
abstracción y razonamiento por analogı́a. El reco- tructural/funcional utilizada en las simulaciones
nocimiento de patrones se hará en tres los nive- como la factual valores de las variables de proce-
les utilizados por CONEX: N, Q y K. Estos patro- so.
nes se especificarán en la mayor parte de los casos
como patrones Q, ya que el conocmiento provie- Descripción general
ne de expertos humanos. Los patrones de actua-
ción son listas temporales, expresando protocolos CONEX-MS es el OAN encargado de manejar
de actuación a lo largo del tiempo; estas protocolos la información sobre la planta y suministrarla a los
especifican: restantes OANs. Consta esencialmente de tres par-
tes: el gestor del modelo, la base de datos y el si-
Consignas de los bucles de control mulador.
117
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
118
Capı́tulo 7. Arquitectura de Control Inteligente
CONEX-MS es el gestor de la base de datos del La base de datos: Constituı́da por varios fiche-
proceso, por ello es el encargado de gestionar la in- ros que almacenan tres tipos de información:
formación especı́fica del proceso a controlar. Esta
información está compuesta por los tres niveles de • El modelo del proceso en tres niveles de
modelado ası́ como de los valores de las variables abstracción.
de dichos modelos. Este sistema es el encargado de
recabar y suministrar toda la información sobre la • Los datos sobre el estado actual del pro-
planta. El acceso a los ficheros de modelo y datos ceso, separados en grupos de datos dife-
debe hacerse mediante peticiones a CONEX-MS. rentes según las capas de modelado.
Este sistema se construirá sobre un gestor de • La historia del proceso. Este es el grupo
bases de datos relacionales. Mantendrá informa- de datos mas importante, y que se usa
ción histórica sobre evoluciones de las variables. con un gestor de bases de datos relacio-
La estructuración de la información histórica se nales.
hará en base a episodios. Este sistema implanta las
funciones de abstracción para el paso de valores El gestor de datos: Encargado de mantener y
del nivel inferior N a los niveles superiores Q y K. suministrar la información del estado actual e
histórica. Este subsistema implanta los meca-
Su misión fundamental es la de servir de sopor- nismos de abstracción.
te de información sobre el proceso a los diferentes
elementos del sistema de control inteligente. El explorador del modelo: Gestiona la infor-
Ası́ proporciona información a: mación contenida en cada uno de los grupos
de datos que constituyen el modelo, propor-
cionado información sobre las influencias en-
CONEX-IP: Predicciones de evolución de las tre variables de proceso..
variables del proceso, de forma que la inter-
fase pueda detectar incongruencias o estimar El simulador: Realiza predicciones sobre la
valores de variables ocultas. evolución del proceso, utilizando para ello los
tres niveles de modelado.
CONEX-IU: Sobre el estado del sistema.
Corrector de modelos: Si la estructura del sis-
CONEX-MP: Estados Q y K del proceso. tema lo permite y se vé su viabilidad, se im-
plantará un módulo de corrección del modelo
CONEX-CI: Sobre el estado del proceso actual
numérico ajuste de parámetros en base a las
e histórico.
mediciones sobre el estado del proceso.
CONEX-EA: Sobre la evolución del sistema
frente a acciones de control. Toda la información sobre el proceso se estruc-
tura en base al modelo del mismo y a los tres nive-
les de abstracción de modelado:
Misión del modelo
Modelo cuantitativo: Corresponde con un mode-
El modelo y los elementos asociados se implan-
lo para simulación en sentido clásico.
tan como un proceso independiente (OAN). Debe
considerarse no sólo como una base de datos sino
Modelo cualitativo: Supone una primera etapa
como un sistema activo, en el sentido de permitir
de abstracción a partir del modelo cuantita-
evaluar la evolución del proceso desde diferentes
tivo. En esta capa los parámetros del modelo
puntos de vista (simulación en varios niveles de
se manejarán utilizando procedimientos de la
abstracción).
teorı́a de conjuntos borrosos y dependencias
CONEX-MS consta de varios elementos funda- entre variables basadas en ecuaciones diferen-
mentales: ciales cualitativas.
119
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
120
Capı́tulo 7. Arquitectura de Control Inteligente
• Hipótesis de faltas.
El primero es control basado en reglas, para el • Simulación de acciones de control.
que se emplea una base de conocimiento de
control obtenida del operador de la planta El controlador inteligente dispone de varias
y una base de conocimiento de metacontrol, fuentes de conocimiento para la determina-
que es independiente de la planta. ción de acciones de control:
121
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
122
Capı́tulo 7. Arquitectura de Control Inteligente
123
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
124
Capı́tulo 7. Arquitectura de Control Inteligente
125
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
126
Capı́tulo 7. Arquitectura de Control Inteligente
127
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
128
Capı́tulo 7. Arquitectura de Control Inteligente
Toda la información sobre el estado de CONEX El sistema está compuesto por una serie de
se almacena en un fichero del status. OANs que intercambian mensajes. Aunque esta
arquitectura es independiente de la máquina, el
Los status de los OANs se reciben por CONEX- elemento crı́tico de la misma es como se reali-
MC en base a listas de clientelas de status implan- zará este intercambio de mensajes. El medio mas
tadas por cada uno de los OANs. CONEX-MC es claro de realizar el soporte de este mecanismo es
cliente de todas ellas por lo que cualquier modifi- mediante un sistema de red.
cación de los status de los OANs resulta en una re-
misión de un mensaje de status del OAN en cues- La red proporciona un medio de intercambio
tión a CONEX-MC. común entre todos los OANs, lo que tiene una se-
rie de ventajas:
129
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
OANs y el software de red de la máquina de for- El enfoque modular —funcional y fı́sico— pro-
ma que se acelere la interacción entre OANs de la puesto se ha diseñado de forma que posibilite una
misma máquina. serie de puntos:
130
Capı́tulo 7. Arquitectura de Control Inteligente
131
Capı́tulo 8
132
Capı́tulo 8. Control de Hornos de Clinker
De todos los procesos mencionados anterior- El proceso que sufre el material es el siguien-
mente, el horno es el que presenta más proble- te. El material crudo pulverizado entra en el in-
mas para su control. De hecho los restantes pro- tercambiador, donde se calienta utilizando los ga-
cesos están bastante automatizados. En particular ses de salida del horno hasta una temperatura ele-
el autor ha desarrollado un sistema de control con- vada, produciéndose una descarbonatación par-
vencional de aplicación a molinos, tanto de crudo cial. El material entra en el horno donde sufre
como de cemento. Este sistema ha sido objeto de dos transformaciones. La primera supone la con-
ulterior desarrollo por parte de una empresa del clusión de la reacción de descarbonatación. La se-
sector y se comercializa en la actualidad como un gunda reacción es una reacción de sinterización,
paquete cerrado. en la que se generan los minerales que componen
el clinker. La reacción de descarbonatación es en-
dotérmica, por lo que precisa de aporte de energı́a;
8.2.2. Hornos de Cemento sin embargo la de sinterización es exotérmica, aun-
que precisa de una alta temperatura para que ten-
En una planta de producción de cemento el ga lugar. La temperatura adecuada se logra por
horno es, sin duda, el punto más crı́tico y en mu- medio de un combustible —habitualmente carbón
chas de ellas el cuello de botella que limita la pro- pulverizado— que se quema en una corriente de
ducción. aire —aire primario— que se inyecta en el horno.
El material sale del horno a una temperatura cer-
Los hornos de clinker son de varios tipos, uti- cana a los 1000◦ , siendo preciso un enfriamiento
lizando varios tecnologı́as de cocción diferentes, rápido del mismo en la tercera etapa, el enfriador.
pero la que presenta mayor importancia es la de- En esta etapa se emplea aire frio —a temperatura
nominada de vı́a seca, ya que es la más adecuada ambiente— para enfriar los gránulos de clinker. El
desde el punto de vista energético-económico. enfriamiento debe ser rápido para que el clinker
En este tipo de proceso la cocción del crudo pa- tenga las propiedades quı́micas adecuadas para el
ra producir el clinker se realiza en tres etapas: cemento y fı́sicas que faciliten la molienda. A es-
te enfriamiento rápido se le denomina templado.
El aire empleado en el enfriador pasa en parte al
1. Un intercambiador, en el que se realiza horno, recibiendo la denominación de aire secun-
un precalentamiento y una descarbonatación dario. También es posible utilizar parte de este ai-
parcial del material utilizando gases de etapas re caliente en el intercambiador, lo que se conoce
posteriores. como aire terciario.
2. El horno propiamente dicho, en el que se fina-
liza la descarbonatación y se realiza la cocción 8.2.3. Problemas de control
del material.
El control de este proceso es complejo por los
3. Un enfriador, en el que se realiza una reduc- siguientes aspectos:
ción rápida de temperatura del material coci-
do. No es un sistema simple sino que son tres
sistemas fuertemente acoplados: intercambia-
Estas tres etapas están fuertemente acopladas, dor, horno, enfriador.
ya que en ellas se tienen dos flujos opuestos: uno
No existen buenos modelos del proceso, ya
de material sólido y otro de gases en contraco-
que es un proceso con mucha variabilidad —
rriente, lo que dificulta enormemente su control.
sólidos en suspensión a altas velocidades por
Además en este tipo de procesos suele emplear-
conductos rugosos.
se precalcinación, que es una inyección y quema
de combustible en el intercambiador, de forma que La medición de variables es difı́cil debido a
parte del proceso quı́mico se produzca en esta eta- las condiciones de temperatura, polvo, ero-
pa. sión, etc.
133
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
134
Capı́tulo 8. Control de Hornos de Clinker
135
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
vos, por lo que los elementos sensoriales su- al operador alternativas de control en una situa-
fren unos desgastes importantes. ción dada. Este módulo de razonamiento se desa-
rrolla en un lenguaje independiente, orientado a
Variables ocultas. Las condiciones del proceso objetos, para facilitar su reutilización y adaptación
hacen muy difı́ciles las medidas, cuando no a otros sistemas.
imposibles. La medida de temperatura en la
zona de sinterización es quizá la más impor- El modelo se estructura en los tres niveles de
tante de todas, pero sin embargo es práctica- CONEX, realizándose el modelo N en términos de
mente imposible realizara con un mı́nimo de ecuaciones diferenciales según el formalismo em-
garantı́as. La temperatura en dicha zona ron- pleado por un sistema de simulación convencional
da los 1400◦ centı́grados, por lo que es prácti- (ACSL).
camente imposible situar ningún elemento de El simulador para esta aplicación está dividido
medida. Los pirómetros ópticos se ven muy en los niveles Q y N. No se hace uso de simulación
afectados por el polvo, sobre todo en proce- basada en el conocimiento. El simulador N es en
sos en vı́a seca, siendo su medida de muy baja este caso el que lleva la mayor parte de la carga de
calidad. Es preciso realizar una obtención in- evaluación dado que este simulador se desarrolla
directa de dicha temperatura a partir de otras a partir de versiones anteriores desarrolladas por
como son el peso por litro del clinker, las con- el mismo equipo con lo que se espera lograr muy
centraciones de NOx en las salidas de gases o buenos resultados. El simulador Q tiene como mi-
el par del accionamiento del horno. sión principal su uso en la interacción con el ope-
rador.
Los sistemas de control de bajo nivel se encar- Los servicios de cara al operador que suminis-
gan del control de varios bucles simples en el siste- tra esta aplicación no se reducen a una mera pre-
ma. Estos controles directos se implantan median- sentación de datos, sino que el sistema efectiva-
te PIDs en los más simples, control adaptativo en mente validará las órdenes del operador en base
otros con más problemas como es el caso del con- a una valoración de los efectos de las mismas. El
trol de velocidad de las parrillas del enfriador, y módulo de lenguaje natural es muy reducido, li-
control basado en reglas borrosas que se emplea mitándose a una gramática sencilla y a un léxico
en los casos mas complejos, como es el del propio reducido al tipo de aplicación. No se pretende de-
horno. sarrollar el interfase hasta sus últimas consecuen-
El monitor se basa en patrones establecidos por cias porque la necesidad de intercambio de infor-
el experto de proceso y particularizados para la mación entre el operador y el sistema de control es
planta por los ingenieros y operadores de la mis- limitada.
ma. Estos patrones son esencialmente pocos, ya
que las situaciones anormales en que se debe se-
guir en operación o que se pueden recuperar son 8.3.3. Arquitectura Hardware
bastante pocas.
Las reglas de alto nivel se extraen de un exper- El sistema corre sobre dos máquinas conecta-
to de proceso, ası́ como de expertos de la planta das en red. Una de ellas es la encargada de so-
particular para la que se desarrolla la aplicación. portar las tareas de alto nivel —interfase de ope-
El sistema experto de control basado en reglas se rador, razonamiento basado en modelos, razona-
implanta por medio de una herramienta comercial miento basado en reglas— mientras que la otra so-
de desarrollo de sistemas expertos de control. Es- porta la comunicación con el proceso y las tareas
ta herramienta, G2, proporciona unos mecanismos de bajo nivel —interfase de proceso, monitor, con-
de construcción adecuados a plantas de paráme- trol directo. De este modo el sistema puede operar
tros concentrados, por lo que es preciso realizar como un sistema de control mas o menos clásico
un desarrollo compartamental del modelo. El ra- cuando aparezcan circunstancias que impidan la
zonamiento basado en modelos se aplica funda- operación de la máquina de alto nivel. Estas cir-
mentalmente en modo no automático, sugiriendo cunstancias estarán asociadas al software en dos
136
Capı́tulo 8. Control de Hornos de Clinker
Control de
Horno
Ventilador Ventilador de
Alimentación Velocidad Parrillas
Exhaustor Equilibrio
137
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
138
Capı́tulo 9
Conclusiones
Los sistemas inteligentes de control se reducen técnicas avanzadas a aplicaciones reales, ya que se
en la actualidad a dos tipos: sistemas que están presenta en ella una arquitectura de control orien-
controlando algún proceso industrial y sistemas tada a la aplicación real de la misma —de hecho
que no lo están haciendo. En ambos casos hay una mientras se escribe esta tesis se está desarrollando
serie de caracterı́sticas generales que merece la pe- una aplicación basada en dicha arquitectura.
na destacar:
Esta arquitectura supone un acercamiento a la
solución de los siguientes problemas:
Sistemas de control operativos: Son aplicaciones
mas o menos directas de la tecnologı́a de siste-
Realización efectiva de sistemas inteligentes de
mas expertos, con modificaciones orientadas
control en tiempo real, en base a una descompo-
a su funcionamiento en tiempo real. Este enfo-
sición y jerarquización funcional de sistemas
que está esencialmente basado en reglas, pu-
de proceso de información de acuerdo con el
diendo incluir especı́ficamente técnicas más
principio de inteligencia creciente con veloci-
avanzadas como pueden ser el uso de técni-
dad decreciente. Ello hace posible utilizar tec-
cas borrosas o razonamiento no monotónico.
nologı́as como la de sistemas expertos en apli-
Sistemas de control experimentales: En desarro- caciones de control de procesos que requieran
llo en laboratorios de investigación, por lo de una elevada velocidad de operación.
general universitarios, en los que se mane-
La integración de paradigmas de control diferen-
jan mundos de juguete, tratando de desarrollar
tes, basados en diferentes metodologı́as de
técnicas utilizables en control real. Este tipo
control, en base a la jerarquización funcional
de sistemas implantan técnicas mucho mas
de los sistemas construidos con dichos para-
avanzadas que los anteriores.
digmas. La utilización de paradigmas diferen-
tes es necesaria desde dos puntos de vista: a)
Cabe destacar el esfuerzo que se está realizan- la necesidad de operación en tiempo real, que
do dentro de programas de investigación, en pro- obliga a utilizar métodos rápidos y b) la nece-
yectos que tratan de desarrollar las metodologı́as sidad de manejar información abstracta, que
avanzadas que se han venido comentando en esta obliga a emplear técnicas de inteligencia arti-
tesis y de utilizarlas en aplicaciones reales. ficial.
139
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
mı́nimo mientras que las estrategias de con- La apertura del sistema de control, de forma que
trol de situaciones anormales se plantean en sea factible la comunicación desde y hacia él.
términos de estados del proceso establecidos Esta comunicación se basa en el mecanismo
en términos muy abstractos. de comunicación entre objetos de alto nivel.
140
Capı́tulo 9. Conclusiones
141
Apéndice A
142
Apéndice B
Glosario
En este glosario se recogen las acepciones con Actuación: Establecimiento de acciones de con-
que se usan una serie de términos importantes en trol para el sistema de bajo nivel.
esta tesis. En algunos de ellos se incluye el término
inglés del que procede en la forma I(xxx)1 . Análisis de sensibilidad: Proceso de determinar
la variabilidad del comportamiento de un sis-
tema debido a pequeñas perturbaciones en
sus parámetros y/ entradas. I(sensivity analy-
B.1. Términos sis)
Acantilado, efecto: Se denomina ası́ a la disminu- Antecedente: Lado izquierdo de una regla.
ción brusca de prestaciones de un sistema ex-
Atributo: Cada uno de los campos de datos
perto ante un problema que cae ligeramente
asociados a un objeto. Se utiliza habitual-
fuera de su ámbito de aplicación. I(cliff effect)
mente dentro de las representaciones objeto-
Acción de control: Una acción de control es una atributo-valor. En programación orientada a
valoración de una variable de actuación. objeto se habla de variable de ejemplar (ins-
tance variable). Cuando se emplean marcos se
Activación periódica: Un mecanismo de activa-
habla de ranuras (slots).
ción de reglas mediante el cual una determi-
nada regla se activa de forma periódica. Este Automatización total: Un nivel de automatización
tipo de mecanismo es muy importante en sis- en el que el humano no tiene ninguna función.
temas de control directo basado en reglas.
Base de conocimiento: Conjunto de información
Activar: Activar una base de conocimiento es ha- que recoge conocimiento sobre un determina-
cer que el conocimiento contenido en esa base do dominio. Habitualmente ha estado asocia-
de conocimiento se utilice en las siguientes in- do a representaciones mediante reglas, aun-
ferencias. Es una de las posibles acciones que que puede estar costruı́da en base a cualquier
puede aparecer en el lado derecho de una re- otro paradigma de representación.
gla.
Biblioteca de conocimiento: Cuando se em-
Actividad de control: Dı́cese de una tarea de con- plea un esquema de representación de
trol directo: cambio de consignas, especifica- conocimiento constructivista —por ejemplo
ción de reguladores, ajuste de parámetros, etc. modelos— es posible reutilizar las bases de
Las actividades pueden ser instantáneas o es- conocimiento, por lo que estas se pueden
tar asociadas a intervalos temporales. Activi- almacenar en bibliotecas de conocmiento.
dades especiales son la bifurcación de patro-
nes y la actividad vacı́a. Blackboard: Tipo de estructura de un sistema de
1 El autor pide disculpas por las posibles discrepancias sobre la manejo de información, en el que varios pro-
correcta correspondencia de términos, respecto a lo establecido por cesadores de información toman y deja infor-
otros autores. mación en un depósito común que se denomi-
143
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Bucle interno: Bucle de control por debajo de un Concurrente: Se dice que dos pprocesos son con-
bucle supervisor y que es objeto de la activi- currentes cuando se ejecutan al mismo tiem-
dad de éste. po y realizan intercambio de información en-
tre ellos.
Casamiento: Proceso de búsqueda de valores
que encajan en una determinada expresión. Conocimiento declarativo: Conocimiento relati-
I(matching) vo a la estructura de algún objeto; es conoci-
meinto de lo que es.
Categorı́a focal: Grupo de reglas que se activan
de forma separada. La descomposición en ca- Conocimiento heurı́stico: Un tipo de conocmien-
tegorias focales permite dividir la base de to basado en la experiencia y fundamentado
conocimiento en bases que se seleccionan en el sentido común.
de acuerdo con el proceso de inferencia. El
término focal tiene sentido sólo en relación con Conocimiento procedural: Conocimiento relati-
su uso para referirse a focalizacion espacial vo a la manera de realizaa algo; es conoci-
(ver clase focal). meinto de cómo.
Causalidad: Es un tipo de relación entre varia- Conocimiento profundo: Conocimiento que fun-
bles y cambios de las mismas que va a per- damenta en mecanismos causales el compor-
mitir realizar razonamientos sobre el funcio- tamiento de un sistema; en ocasiones se le de-
namiento de del sistema al más alto nivel. nomina conocimiento causal.
Clase: Una clase es una estructura abstracta de Conocimiento somero: Conocimiento que expre-
datos, en la que incluyen tanto los datos pro- sa comportamientos sin dar razón de su cau-
piamente dichos, como una serie de métodos sa.
asociados a los mismos; es uno de los concep-
tos básicos de la programación orientada a ob- Control: Sistema que permite modificar el com-
jeto. portamiento de otro sistema respecto a su li-
bre funcionamiento. Por lo general se enten-
Clase focal: Grupo de reglas que constituyen una derá que el CONTROL trata de que las varia-
base de conocimiento en un sistema descom- bles ’interesantes’ del sistema sigan una deter-
puesto por dominios. Son reglas referidas a minada evolución.
una determinada clase de objetos —objetos
focales. Control clásico: Control llevado a cabo utilizando
exclusivamente técnicas tomadas de la teorı́a
Complejidad de interacción: Uno de los tres as- de sistemas.
pectos de complejidad del proceso menciona-
dos en esta tesis. Se refiere a los volúmenes Control inteligente: Control que utiliza técnicas
elevados de interacciones entre los diferentes tomadas de la inteligencia artificial.
elementos del proceso.
Control inteligente de procesos: Control inteli-
Complejidad volumétrica: Uno de los tres aspec- gente aplicado a los sistemas industriales de
tos de complejidad del proceso mencionados producción continua.
144
Apéndice B. Glosario
Control supervisor: Control cuyo objetivo es que Espacio de cantidades: Conjunto de todos los po-
otro control —control supervisado— se com- sibles valores de una variable.
porte de manera adecuada.
Espacio de estados: Conjunto de todos los posi-
Demonio: Proceso latente que realiza su función bles estados del sistema.
cuando se dán determinadas circunstancias
sin ser requerido para ello por ningún otro Estado FQ: Representa el conjunto de valores cua-
proceso. litativos borrosos de todas las variables del
proceso susceptibles de tomar este tipo de va-
Desactivar: Ver activar.
lores.
Diagnosis: Proceso de identificación de una
malfunción a partir de los sı́ntomas y de la Estado K: Representa el conjunto de valores
historia de un elemento. numéricos de todas las variables del proceso
susceptibles de tomar este tipo de valores.
Dirigido por eventos: Dı́cese del sistema de ra-
zonamiento que actúa como consecuencia de Estado N: Representa el conjunto de valores
la aparición de determinados sucesos. I(event numéricos de todas las variables del proceso
driven) susceptibles de tomar este tipo de valores.
Disponibilidad: Cualidad o estado de estar dis- Estado Q: Representa el conjunto de valores cua-
ponible. Por lo general en el ámbito técni- litativos de todas las variables del proceso
co se refiere a la cualidad de un sistema que susceptibles de tomar este tipo de valores.
permite su reparación y puesta en funciona-
miento en caso de averı́a de forma rápida. Estado: Estado del proceso. Se compone de los es-
I(availability) tados K, Q y N. I(state)
Ejemplar: Cada uno de los objetos de una deter-
Estado: Para un sistema dado utilizaremos el
minada clase. I(instance)
término ESTADO al referirnos al conjunto
Encadenamiento hacia atrás: Una forma de infe- de caracterı́sticas del mismo que van a de-
rencia en que se parte de los hechos a demos- terminar su comportamiento futuro. Se utili-
trar, buscando las reglas y premisas que los zará como determinación completa del siste-
satisfagan. ma. Conjunto de valores para todas las varia-
bles del sistema.
Encadenamiento hacia delante: Una forma de in-
ferencia en que se parte de los hechos para al- Estrategias de control: Polı́tica de generación de
canzar las conclusiones. acciones de control a lo largo del tiempo.
Encapsulación de datos: Inaccesibilidad de los
Experto: Persona con conocimiento amplio sobre
datos internos de un objeto salvo a través del
un tema que le permite resolver problemas
interfase de éste.
sobre dicho tema. El conocimiento en cues-
Enlace dinámico: Resolución de una referencia a tión es tanto datos como procedimientos. Este
un método —procedimiento— en tiempo de conocimiento se suele conseguir a través de la
compilación o de ejecución, en función de experiencia.
la clase del objeto que la recibe. Concep-
tos asociados son los de enlace temprano — Exploración de reglas: Mecanismo por el cual se
resolución en compilación— y enlace tardı́o determinan las reglas a lanzar en una inferen-
—resolución en ejecución. I(dynamic binding, cia. Es de especial importancia en caso de dis-
early binding, late binding) poner de reglas con activación periódica.
145
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
146
Apéndice B. Glosario
Modos de fallo: Cada una de las maneras en que Prioridad: Criterio por el que se decide que acti-
se puede producir un fallo en un sistema. vidad debe ejecutarse primero.
(Falta-Error-Fallo en software). Su estructura-
ción permite generar un árbol de modos de fallo Prioridad de actuaciones: Criterio por el que se
o árbol de fallo. controla cual de dos actuaciones de control es
más importante, lo que permite decidir cual
Motor de inferencia: Proceso encargado de la ac- se ejecutará. Es de especial importancia en ca-
tivación, selección y ejecución de los procesos so de existencia de colisiones en las especici-
elementales de uns sistema basado en conoci- faciones de actuación originadas por dos pro-
miento. Por lo general estos procesos elemen- cesos de inferencia diferentes.
tales serán disparos de reglas.
Prioridad de mensajes: La respuesta de los ob-
Niveles de automatización: Cada uno de los po-
jetos a los mensajes pude ser con múltiples
sibles modos en que se puede realizar el con-
lı́neas de ejecución o mediante una programa-
trol de un proceso, desde el puramente ma-
ción de las mismas. Los criterios de prioridad
nual al completamente automático, pasando
de mensajes permiten gestionarlos de forma
a través de una serie de alternativas.
que se responda antes a los más importantes.
Objeto: Un ejemplar de la estructura de datos de-
finida en una clase. Prioridad de reglas: Mecanismo de control del
orden de activación de reglas. Por lo general
Objeto focal: Dı́cese de aquel objeto con una clase conduce a malos usos ya que se emplea para
focal de reglas. hacer programación procedural.
OOP: Object Oriented Programming. Programa- Prioridad de tareas: En caso de sistemas basados
ción orientada a objetos. en conocimiento que no permitan ejecuciones
Operador: Es la persona encargada de supervisar múltiles es preciso organizar las tareas de in-
la operación de un sistema. Si el sistema es ferencia demandadas al mismo. Para ello se
controlado el operador establece los paráme- emplean criterios de prioridad de tareas basa-
tros de funcionamiento del control (consig- dos en el tipo de demanda y en el demandan-
nas, parámetros del regulador, etc). te.
147
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
Regla genérica: Regla aplicable a cualquier objeto Superclase: Dı́cese de aquella clase de la que otra
de una clase determinada. es subclase.
Regulador: Mecanismo de cálculo de las señales Supervisión: Actividad del operador que contro-
de actuación sobre el sistema a controlar que la el funcionamiento del sistema CONTROL-
permite al control conducir al sistema por una PROCESO. I(oversight)
evolución determinada.
Tiempo de expiración: Instante en que concluye
Restricción: Dı́cese de aquello que establece una el intervalo de validez del valor de una varia-
restricción entre los posibles valores de un ble.
grupo de variables. Valor: Cada uno de los valores que puede tomar
una variable. Estos valores serán habitualmen-
Reutilizabilidad: Término por lo general asocia-
te números reales, aunque en la representa-
do al software, significando la propiedad de
ción simbólica se sustituirán por sı́mbolos re-
un determinado software para se utilizado de
ferentes a un valor real o a un conjunto de
nuevo en otro sistema sin requerir modifica-
ellos.
ciones. I(reusability)
Variable: Cada una de las variables del sistema a
Seguridad: Se dirá que un sistema es seguro simular. Por lo general se refiere a funciones
cuando no se producen fallos o estos no pro- reales de variable real, siendo esta variable el
ducen daños. tiempo.
Sentido común: Cualidad de los seres humanos Variable K: Es una variable que admite valores
por la que son capaces de realizar razona- simbólicos, su espacio de cantidades es un
mientos sobre los hechos cotidianos sin ape- conjunto finito.
nas darse cuenta.
Variable mixta: Variable que admite valoraciones
Servidor de datos: Ver fuente de datos. de dos o mas tipos.
Sistema: Conjunto de elementos interrelaciona- Variable N: Es una variable que admite valores
dos. numéricos, su espacio de cantidades son los
reales (punto flotante).
Sistema hombre-máquina: Sistema resultante de
la inteacción de un hormbre y una máquina. Variable Q: Es una variable que admite valores
En el estado actual la misión del hombre es cualitativos, su espacio de cantidades es un
proporcionar sentido común. conjunto finito con una relación de orden.
148
Apéndice C
Bibliografı́a
149
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
[Cavanna 89 ] QUIC Toolkit Demonstrator Appli- [Ehrich 83 ] DMS - A System for Defining and Ma-
cations. A. Cavanna, J.C. Chautard, C. Hono- naging Human-Computer Dialogues. R.W.
rat, M. Levin y B. Klausen. CIM Europe. 1989. Ehrich. Automática, Vol. 19, No. 6, pp. 605-612,
1983.
[Cerezo 88 ] Aplicaciones del Razonamiento Aproxi-
mado en el Control y Supervisión de Procesos. A. [Ellis 89 ] Active Objects: Realities and Possibili-
Cerezo. Ph.D. Thesis. U. Santiago de Compos- ties. Clarence A. Ellis y Simon J. Gibss. En
tela, España 1987. Object Oriented Concepts, Databases and Appli-
cations, Won Kim y Frederick H. Lochowsky
[Charbonnaud 90 ] A Quasi-Qualitative Calculus (Eds). ACM Press, pp. 561-572, 1989.
for Technical Diagnosis Modelling and Reaso-
[Euristic 89 ] CHRONOS User Manual. Euristic
ning. Philippe Charbonnaud y Roger Bertin.
Systems, 1989.
IMACS MIMS2 , 1990.
[Fernández 77 ] Modelos Matemáticos y de Si-
[Clancey 89 ] Viewing Knowledge Bases as Quali- mulacion para Sistemas Contı́nuos. Gregorio
tative Models. William J. Clancey. IEEE Expert, Fernández Fernandez. Dpto. Publicaciones.
pp. 9-23, Summer 1989. ETSIT Madrid, 1977.
[Cross 86 ] Knowledge-Based Pilot Aids: A case [Filman 88 ] Reasoning with Worlds and Truth
study in Mission Planning. Stephen E. Cross, Maintenance in a Knowledge-Based Program-
Robert B. Bahnij, y Douglas O. Norman. Ar- ming Environment. Robert E. Filman. Commu-
tificial Intelligence and Man-Machine Systems. nications of the ACM. Vol.31 No.4, April 1988.
Springer-Verlag, 1986, pp. 141-174.
[Fishwick 90 ] Qualitative Physics: Towards the
[Cuena 89 ] A Knowledge Based Environment for Automation of System Problem Solving. Paul
Artificial Intelligence Modelling of industrial A. Fishwick and Bernard P. Zeigler. IEEE Sym-
Problems: Preliminary Concepts. J. Cuena y posium on AI, Simulation and Planning in High
A. Salmerón. IFAC Symposium on Information Autonomy Systems, pp. 118-134, 1990.
150
Apéndice C. Bibliografı́a
[Fogarty 89 ] The Machine Learning of Rules for [Gensym 89 ] An Introduction to G2. Gensym Cor-
Combustion Control in Multiple Burner Ins- poration. January 1989.
tallations. Teremce C. Fogarty. CAIA 89, pp.
215-221. IEEE Computer Society Press, 1989. [Gevarter 84 ] Artificial Intelligence, Expert Systems,
Computer Vision and Natural Language Proces-
[Forbus 84 ] Qualitative Process Theory. Kenneth sing. William B. Gevarter. Noyes Publications,
D. Forbus. Artificial Intelligence, Vol. 24, pp. 85- 1984.
168, 1984.
[González 89 ] Arquitectura para Sistemas Exper-
[Forbus 87 ] Interpreting Observations of Physi- tos con Razonamiento Aproximado. José Carlos
cal Systems. Kenneth D. Forbus. IEEE Transac- González Cristóbal. Tesis Doctoral. Escuela
tion on Systems, Man and Cybernetics, Vol. 17 Técnica Superior de Ingenieros de Telecomu-
No. 3, May/June 1987, pp. 350-359. nicación. Universidad Politécnica de Madrid.
1989.
[Forgy 82 ] Rete: A Fast Algorith for the Many
Pattern/Many Object Pattern Match Problem. [Grant 89 ] A Qualitative Modeling Toolbox for
Charles L. Forgy. Artificial Intelligence, Vol. 19, Control Architectures. E. Grant y D. Pear-
pp. 17-37, 1982. ce. IEEE International Symposium on Intelligent
Control 1989, pp. 526-530.
[Foxboro 86 ] Process Automation: A 14-Part Se-
ries. Reprints from Chemical Engineering. Fox- [Guerrin 90 ] Biological Process Interpretation
boro, 1986. Using a Qualitative Reasoning Approach.
François Guerrin. IMACS MIMS2 , 1990.
[Franke 90 ] CC: Component Connection Models for
Qualitative Simulation - A User’s Guide. David [Hayes 85a ] The Second Naive Physics Mani-
Franke y Dan Dvorak. Univ. Texas AI Lab. festo. Patrick J. Hayes. Formal Theories of
AI90-126, 1990. the Comonsense World, pp. 1-36. ABLEX Pu-
blishing Corporation, Norwood, New Jersey,
[Frost 86 ] Introduction to Knowledge Based Systems.
1985.
Robert A. Frost. Collins, 1986.
[Fu 70 ] Learning Control Systems - Review and [Henkind 87 ] A Clinical Alarm System Using
Outlook. King-Sun Fu. IEEE Trans. on Automa- Techiniques from Artificial Intelligence and
tic Control, Vol. 15, No. 2, April 1970. Fuzzy Set Theory. S.J. Henkind, R.R. Yager,
A.M. Benis y M.C. Harrison. Aproximate Rea-
[Fu 87 ] Robotics: Control, Sensing, Vision and In- soning in Intelligent Systems, Decision and Con-
telligence. K.S. Fu, R.C. González y C.S.G. trol. Elie Sanchez and Lofti A. Zadeh (Eds).
Lee. McGraw-Hill 1987. (Trad. Esp. Robotica: Pergamon Press, pp. 91-104, 1987.
Control, Detección, Visión e Inteligencia. Mc-
Graw-Hill, 1988). [Hinkelmann 89 ] Deep Knowledge for Configu-
ration and Diagnosis in a Technical Environ-
[Galán 89 ] Introducción a los Sistemas Expertos. ment. H. Hinkelmann y D. Karagiannis. IN-
Ramón Galán López. Publicaciones ETSII. COM 89, pp. 579-584. 1989.
Universidad Politécnica de Madrid. 1989.
[Holmblad 87 ] Automatic Control of Cement
[Genesereth 84 ] The Use of Design Descriptions Kilns by Fuzzy Logic Techniques. Lauritz Pe-
in Automated Diagnosis.Michael R. Genese- ter Holmblad. Seminar on Expert Systems and
reth. Artificial Intelligence, Vol. 24, pp. 411-436, their Applications. UIMP, Santander, España.
1984. 1987.
[Gensym 88 ] G2 User Manual. Gensym Corpora- [Ilari 87 ] Control Experto. Juan Ilari Valenti. Te-
tion. 1988. ma de oposición, 1987.
151
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
[Kandel 86 ] Fuzzy Mathematical Techniques with [Lehman 80 ] Programs, Life Cycles and Laws of
Applications. Abraham Kandel. Addison- Software Evolution. Meir M. Lehman. Procee-
Wesley. 1986. dings of the IEEE, Vol. 68, pp. 1060-1076, 1980.
[Karel 89 ] KLUE: A Diagnostic Expert Sys- [Leyval 90 ] Event Oriented Versus Interval
tem Tool for Manufacturing. Gerald Karel y Oriented Qualitative Simulation. L. Leyval, S.
Martin Kenner. Intellinews, Vol.5 No.1, Win- Feray Beaumont y S. Gentil. IMACS MIMS2 ,
ter/Spring 1989. 1990.
[Kitowski 87 ] Diagnostics of Fault States in Com- [MacFarlane 70 ] Dynamical System Models. A.G.J.
plex Physical Systems Using Fuzzy Relational MacFarlane. Harrap, 1970.
Equations. J. Kitowski y M. Bargiel. Aproxima-
te Reasoning in Intelligent Systems, Decision and [Mamdani 81 ] Fuzzy Reasoning and its Applica-
Control. Elie Sanchez y Lofti A. Zadeh (Eds). tions. E.H. Mamdani y E.R. Gaines (Eds). Aca-
Pergamon Press, pp. 175-194, 1987. demic Press, 1981.
[Klir 69 ] An Approach to General Systems Theory. [Martı́nez 90 ] Realización de un Sistema Experto pa-
George J. Klir. Van Nostrand Reinhold, New ra el Control de la Fermentación de un Antibióti-
York, 1969. co. Gamaliel Martı́nez Muñoz. Proyecto Fin de
Carrera. ETSI Industriales, 1990.
[Kuhn 71 ] La Estructura de las Revoluciones
Cientı́ficas. T.S. Kuhn. Fondo de Cultura [Mesarovic 70 ] Theory of Hierarchical, Multilevel,
Económica, 1977. Systems. M. Mesarovic, D. Macko, e Y. Takaha-
ra. Academic Press, 1970.
[Kuipers 84 ] Comonsense Reasoning about Cau-
sality: Deriving Behavior from Structure. Ben- [Meyer 88 ] Object Oriented Software Construction.
jamin Kuipers. Artificial Intelligence Vol.24, pp. Bertrand Meyer. Prentice Hall. 1988.
169-204, 1984.
[Meystel 86 ] Knowledge-Based Controller for In-
[Kuipers 86 ] Qualitative Simulation. Benjamin J. telligent Mobile Robots. A. Meystel Arti-
Kuipers. Artificial Intelligence, Vol. 29, pp. 289- ficial Intelligence and Man-Machine Systems.
338. Springer-Verlag, 1986, pp. 113-140.
152
Apéndice C. Bibliografı́a
[Milne 87 ] Strategies for Diagnosis. Robert Mil- [Rothemberg 89 ] The Nature of Modelling. Jeff
ne. IEEE Transactions on Systems Man and Cy- Rothemberg. En Artificial Intelligence, Simula-
bernetics, Vol. 17 No. 3, May/June 1987, pp. tion and Modelling. Lawrence E. Widman, Ken-
333-339. neth A. Loparo y Norman R. Nielsen (eds).
Wiley-Interscience, pp. 75-92, 1989.
[Mladenov 89 ] Distributed Intelligence Systems:
Methods and Applications. D. Mladenov (Ed.). [S2 O 90 ] NEMO. S2 O Informational Brochure.
Pergamon Press, 1989. 1989.
[Moliner 89 ] Diccionario de Uso del Español. Marı́a [Sanz 89a ] Métricas de Complejidad Software. R.
Moliner. Gredos, 1989. Sanz, L.F. Solórzano y J.R. Velasco. Documen-
to Interno DIT, 1989.
[Morgan 90 ] State Descriptions Trough Qualita-
tive Vectors. Tony Morgan. IMACS MIMS2 , [Sanz 89b ] Control Inteligente de Procesos en la
1990. Industria del Cemento. R. Sanz, A. Jiménez,
R. Galán, C.Peral y V. Rubio. Informe
[Nicolosi 88 ] Qualitative Simulation of Compart-
ASTECNO/DISAM-12.89/01, 1989.
mental Systems. Emma Nicolosi y Mark S. Le-
naning. 1st IFAC Symposiun on Modelling and [Saridis 83 ] Intelligent Robotic Control. George
Simmulation in Biomedical Systems, 1988, pp. N. Saridis. IEEE Trans. on Automatic Control,
193-198. Vol. 28, No. 5, pp. 547-557, 1983.
[Nii 86 ] Blackboard Systems. H. Penny Nii. The [Saridis 85 ] Intelligent Control: A New Enginne-
AI Magazine. Summer 1986. ring and Scientific Reality. George N. Saridis.
IEEE Workshop on Intelligent Control 1985, pp.
[Nikolic 86 ] An Algorithm for Learning Without
220-221, 1985.
External Supervision and Its Application to
Learning Control Systems. Z.J. Nikolic y K.S. [Saridis 88a ] Analytical Design of Intelligent Ma-
Fu. IEEE Trans. on PAMI, Vol. 8, No. 3, pp. 304- chines. George N. Saridis y Kimon P. Vala-
312, 1986. vanis. Automatica, Vol. 24, No. 2, pp. 123-133,
1988.
[Nilsson 87 ] Principios de Inteligencia Artificial.
Nils J. Nilsson. Dı́az de Santos, Madrid 1987. [Saridis 88b ] Knowledge Implementation: Struc-
tures of Intelligent Control. George N. Sari-
[Nistal 89b ] Control Optimo. José Manuel Nistal
dis. Journal of Robotic Systems, Vol. 5, No. 4, pp.
Bartolomé. Ingenierı́a Quı́mica, Octubre 1989.
255-268, 1988.
[Oliveira 90 ] An Architecture for the Supervision
of Fuzzy Controllers. P.J. Oliveira, P.U. Lima, [Saridis 89 ] Analytic Formulation of the Princi-
J.J. Sentieiro, R. Sanz, R. Galán y A. Jiménez. ple of Increasing Precision with Decreasing
IEEE International Workshop on Intelligent Ro- Intelligence for Intelligent Machines. George
bots and Systems, IROS ’90, 1990. N. Saridis. Automatica, Vol. 25, No. 3, pp. 461-
467, 1989.
[Ollero 89b ] Los Sistemas Expertos en Control de
Procesos. Anı́bal Ollero Baturone. Automática [Scarl 87 ] Diagnosis and Sensor Validation Th-
e Instrumentación, Julio 1989. rough Knowledge of Structure and Function.
E.A. Scarl, J.R. Jamieson y C.I. Delaune. IEEE
[Pau 89 ] Knowledge Representation Aproaches Systems, Man and Cybernetics, Vol. 17, No. 3,
in Sensor Fusion. L. Pau. Automática Vol. 25, pp. 360-368. 1987.
No. 2, pp. 207-214. 1989.
[Shaw 89 ] Reasoning About Time in High-Level
[Pedrycz 89 ] Fuzzy Control and Fuzzy Systems. Language Software. Alan C. Shaw. IEEE Tran-
Witold Pedrycz. Research Studies Press Ltd. sactions on Software Engineering. Vol.15 No. 7,
John Wiley and Sons Inc. 1989. July 1989.
153
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
[Sheridan 83a ] Adapting Automation to Man, [Yazdani 86a ] Intelligent Tutoring Systems Sur-
Culture and Society. Thomas B. Sheridan, T. vey. M. Yazdani. AI Review, No. 1, pp. 43-52,
Vámos y Shuhei Aida. Automática, Vol. 19, No. 1986.
6, pp. 605-612, 1983.
[Zadeh 73 ] Outline of a New Approach to the
[Shirley 87 ] Some Lessons Learned Using Expert Analysis of Complex Systems and Decision
Systems for Process Control. Richard T. Shir- processes. Lofti A. Zadeh. IEEE Transactions
ley. IEEE Control Systems Magazine. December on Systems, Man and Cybernetics, Vol. 3, No. 1,
1987. pp. 28-44. January 1973.
[Shrager 87 ] Issues in the Pragmatics of Qualita-
[Zadeh 77 ] PRUF - A Meaning Representation
tive Modelling: Lessons Learned from a Xe-
Language for Natural Languages. Lofti A. Za-
rographics Project. Jeff Shrager, Daniel S. Jor-
deh. Fuzzy Reasoning and its Applications. Aca-
dan, Thomas P. Moran, Gregor Kiczales y Da-
demic Press. pp. 1-66, 1981.
niel M. Russell. Communications of the ACM,
Vol. 30 No. 12, December 1987, pp. 1036-1047.
[Zadeh 88 ] Fuzzy Logic. Lofti A. Zadeh. IEEE
[Simmonds 88 ] Representation of Real Knowled- Computer. Abril 1988.
ge for Real-Time Use. W.H. Simmonds. IFAC
Workshop on AI in Real Time Control. 1988. [Zeigler 90 ] Object Oriented Simulation with Hie-
rarchical, Modular, Models. Bernard P. Zeigler.
[Sleeman 82 ] Intelligent Tutoring Systems. D. Slee- Academic Press 1990.
man y J.S. Brown (Eds). Academic Press. 1982.
[Zhang 90a ] Fault Diagnosis of Mixing Process
[Togai 89 ] Fuzzy Control Package Informational Using Deep Qualitative Knowledge Repre-
Brochure. Togai Infralogic, 1989. sentation of Physical Behaviour. J. Zhang, P.D.
[Tong 77 ] A Control Engineering Review of Roberts y J.E. Ellis. Journal of Intelligent and Ro-
Fuzzy Systems. R.M. Tong. Automatica, Vol. botic Systems, Vol. 3, No. 2, pp. 103-116, 1990.
13, pp. 559-569. Pergamon Press 1977.
[Tzafestas 89 ] A Framework for Knowledge Ba-
sed Control. S. Tzafestas y S. Ligeza. Journal C.2. Bibliografı́a adicional
of Intelligent and Robotic Systems, Vol. 1, No. 4,
pp. 407-426, 1989. [Abbott 87 ] Knowledge Abstraction. Russel J.
Abbott. Communications of the ACM, Vol. 30
[Voss 88 ] Architectural Issues for Expert Systems
No. 8, pp. 664-670. 1987.
in Real Time Control. H. Voss. IFAC Workshop
on AI in Real Time Control. 1988.
[Aiello 86 ] Representation and Use of Metak-
[Widman 89a ] Artificial Intelligence, Simulation nowledge. L. Aiello, C. Cecchi y D. Sartini.
and Modelling: A Critical Survey. Lawrence E. Proceedings of the IEEE, Vol. 74, No. 10, pp.
Widman y Kenneth A. Loparo. En Artificial In- 1304-1321, 1986.
telligence, Simulation and Modelling. Lawrence
E. Widman, Kenneth A. Loparo y Norman R. [Allen 83 ] Maintaining Knowledge about Tem-
Nielsen (eds). Wiley-Interscience, 1989. poral Intervals. James F. Allen. Communica-
tions of the ACM, Vol. 26, No. 11, pp. 832-843,
[Widman 89b ] Semi-Quantitative “Close- 1983.
Enough” Systems Dynamics Models: An
Alternative to Qualitative Simulation. Law- [Allen 85 ] A Model of Naive Temporal Reaso-
rence E. Widman. En Artificial Intelligence, ning. James F. Allen y Henry A. Kautz. Formal
Simulation and Modelling. Lawrence E. Wid- Theories of the Comonsense World, pp. 251-268.
man, Kenneth A. Loparo y Norman R. ABLEX Publishing Corporation, Norwood,
Nielsen (eds). Wiley-Interscience, 1989. New Jersey, 1985.
154
Apéndice C. Bibliografı́a
[Alty 89 ] Knowledge-based Dialogue for Dyna- [Bartos 87 ] Expert System Tools Emerge from the
mic Systems. J. L. Alty y G. Johansen. Auto- Technology of AI. Frank J. Bartos. Control En-
matica, Vol. 25, No. 6, pp. 829-840, 1989. gineering, December 1987.
[Aracil 83 ] Introducción a la Dinámica de Siste- [Basagoiti 87 ] Sistema Experto para Verificar la Ca-
mas. Javier Aracil. Alianza Universidad Tex- lidad de Estrategias para un Robot Manipulador
tos, 1983. en una Célula de Mecanizado. Pedro Basagoi-
[Asse 87 ] Diagnosis Based on Subjetive Informa- ti y Ramón Galán. Informe Interno DISAM
tion in a Solar Energy Plant. A. Asse, A. Mai- 01/25-3-87.
zener, A. Moreau y D. Willaeys. Aproximate
Reasoning in Intelligent Systems, Decision and [Bassiuny 90 ] Modeling and Simulation of the
Control. Elie Sanchez y Lofti A. Zadeh (Eds). Homogeneization Process in the Dry Pro-
Pergamon Press, pp. 159-174, 1987. cess Cement Production. A.M. Bassiuny, H.A.
Nour Eldin y A.A. Hegazy. IMACS MIMS2 ,
[Atwood 86 ] Modelos Causales: la Nueva Gene- 1990.
ración de Sistemas Expertos. M.E. Atwood, R.
Brooks, E.R. Radlinski. Comunicaciones Eléctri- [Bellot 90 ] X Window System: Sistema Estándar
cas, Vol. 60, No. 2, pp. 180-184, 1986. de Ventanas. Marisa Bellot, Oriol Sánchez y
Nacho Navarro. Mundo Electrónico, Julio 1990,
[Azmani 90 ] Artificial Intelligence Approach for pp. 77-87.
the Causal Analisys of Bond-Graph Models.
A. Azmani, R. Bouayad y G. Dauphin-Tanguy. [Bennett 86 ] Tools for Building Advanced User
IMACS MIMS2 , 1990. Interfaces. J.L. Bennett. IBM Systems Journal,
Vol. 25, No. 3/4, pp. 354-368, 1986.
[Årzén 89 ] An Architecture for Expert System Ba-
sed Feedbak Control. Karl-Erik Årzen. Au-
[Bergadano 87 ] Learning form Examples in Pres-
tomática, Vol. 25, No. 6, pp. 813-827. Pergamon
sence of Uncertainty. F. Bergadano, A. Gior-
Journals Ltd. 1989.
dana y L. Saitta. Aproximate Reasoning in Inte-
[Åstrom 85 ] Process Control-Past, Present and lligent Systems, Decision and Control. Elie San-
Future. Karl Johan Åstrom IEEE Control Sys- chez y Lofti A. Zadeh (Eds). Pergamon Press,
tems Magazine, pp. 3-10. August 1985. pp. 105-124, 1987.
[Babb 90a ] “Object Oriented” Control Configura- [Boden 77 ] Artificial Intelligence and Natural Man.
tion. Michael Babb. Control Engineering, April Margaret A. Boden. The Harverter Press Ltd.
1990, pp. 69. 1977 (Trad. Esp. Inteligencia Artificial y Hombre
Natural. Tecnos, 1984).
[Babb 90b ] New Expert System Guides Control
Operators. Michael Babb. Control Engineering, [Bocca 87 ] A logic Programming System for
June 1990, pp. 80-81. KBMSs - Educe. J. Bocca. Knowledge Based Ex-
[Baldwin 87 ] An Uncertainty Calculus for Expert pert Systems in Industry. Ellis Horwood, En-
Systems. J.F. Baldwin. Aproximate Reasoning in gland 1987, pp. 23-35.
Intelligent Systems, Decision and Control. Elie
Sanchez y Lofti A. Zadeh (Eds). Pergamon [Boettcher 83 ] Modelling and Analysis of Teams
Press. pp. 33-54. 1987. of Interacting Decisionmakers with Bounded
Rationality. K.L. Boettcher y A.H. Lewis. Au-
[Bare 90 ] Design of a Self-Tunning Rule Based tomática, Vol. 19, No. 6, pp. 703-710, 1983.
Controller for a Gasoline Catalytic Reformer.
Walter H. Bare, Robert J. Mulholland y Sam [Booch 86 ] Object-Oriented Development. Grady
S. Sofer. IEEE Trans. on Automatic Control, Vol. Booch. IEEE Trans. on Software Engineering,
35, No. 2, pp. 156-164, 1990. Vol. 12, No. 2, 1986.
155
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
[Buckley 87 ] Portfolio Analysis Using Possibility [Coad 89 ] Object Oriented Analysis. Peter Coad y
Distributions. Aproximate Reasoning in Intelli- Edward Yourdon. YOURDON Press. 1989.
gent Systems, Decision and Control. Elie San-
chez y Lofti A. Zadeh (Eds). Pergamon Press. [Cois 89 ] Qualitative Analysis in Simulating
pp. 69-76. 1987. Analog Circuits. A. Cois, A. Fanni, S. Pes y A.
Giua. IEEE International Symposium on Intelli-
[Buchanan 84 ] Rule Based Expert Systems. The gent Control 1989, pp. 531-536.
MYCIN Experiments of the Stanford Heuristic
Programming Project. Bruce G. Buchanan y [Crowley 89 ] Knowledge, Symbolic Reasoning
Edward H. Shortliffe. Addison-Wesley, 1984. and Perception. James L. Crowley. 1989.
[Bunt 85 ] Formal Representation of (Quasi-) Con- [Cuena 85 ] Lógica Informática. José Cuena. Alian-
tinuous Concepts. Harry Bunt. Formal Theories za Editorial AI-1, 1985.
of the Comonsense World, pp 37-70. ABLEX Pu-
blishing Corporation, Norwood, New Jersey, [Cuena 86 ] Inteligencia Artificial: Sistemas Exper-
1985. tos. José Cuena, Gregorio Fernández, Ramón
López de Mántars y Ma Felisa Verdejo. Alian-
[Burns 89 ] Real-Time Systems and their Program- za Editorial AI-2, Madrid 1986.
ming Languages. Alan Burns y Andy Wellings.
Addison Wesley. 1989. [Cullingford 83 ] A Heuristically ’Optimal’
Knowledge Base Organization Technique.
[Bürle 87 ] The Role of Qualitative Reasoning in R.E. Cullingford y L.J. Joseph. Automática,
Modelling. Gabriele Bürle. AI, ES and Langua- Vol. 19, No. 6, pp. 647-654, 1983.
ges in Modelling and Simmulation, Barcelona,
1987. [D’Ambrosio 87 ] Real-Time Process Management
for Materials Composition in Chemical Manufac-
[Camacho 90 ] Centros de Control: la Experiencia
turing. Bruce D’Ambrosio, Michael R. Fehling,
Empieza con la Simulación. Eduardo F. Ca-
Peter Raulefs y B. Michael Wilber. IEEE Ex-
macho. Automática en Instrumentación, Mayo
pert, Summer 1987.
1990.
[Carbonell 85 ] Metaphor and Comonsense Rea- [D’Ambrosio 89b ] Extending the Mathematics in
soning. Jaime G. Carbonell y Steven Min- Qualitative Process Theory. Bruce D’Ambrosio.
ton. Formal Theories of the Comonsense World, En Artificial Intelligence, Simulation and Mo-
pp. 405-426. ABLEX Publishing Corporation, delling. Lawrence E. Widman, Kenneth A.
Norwood, New Jersey, 1985. Loparo y Norman R. Nielsen (eds). Wiley-
Interscience, 1989.
[Cardelli 85 ] On Understanding Types, Data
Abstraction and Polymorphism. Luca Carde- [Dague 87 ] DEDALE: an Expert System in
lli y Peter Wegner. ACM Computing Surveys, VM/Prolog. Ph. Dague, Ph. Devès, Z. Zein
Vol.17 No.4. pp. 471-523. 1985. y J.P. Adam. Knowledge Based Expert Systems
in Industry. Ellis Horwood, England 1987. pp.
[Chu 90 ] Modeling Diagnostic Problem-Solving 57-68.
at Multiple Levels of Abstraction. Bei-Tseng
Bill Chu. 6th Conference on Artificial Intelligence [Davis 83 ] Representing Structure and Behavior
Applications, pp. 55-61, 1990. of Digital Hardware. Randall Davis y Howard
Srhobe. IEEE Computer, Vol. 16, No. 10, pp. 75-
[Citrin 87 ] Extracting Paralelism from Sequential 82, 1983.
Prolog: Experiences with the Berkeley PLM.
W. Citrin. Knowledge Based Expert Systems in [Davis 84 ] Diagnostic Reasoning Based on Struc-
Industry. Ellis Horwood, England 1987, pp. ture and Behavior. Randall Davis. Artificial In-
36-56. telligence Vol.24, pp. 347-410, 1984.
156
Apéndice C. Bibliografı́a
157
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
[Good 84 ] Building a User-Deriver Interface. M. cas. Peter Hanbaba. Revista ABB, No. 5, pp.
D. Good, J.A. Whiteside, D.R. Wixon y S.J, Jo- 11-18, 1989.
nes. Communications of the ACM, Vol. 27, No.
10, pp. 1032-1043, 1984. [Handelman 88 ] Perspectives on the Use of Ru-
le Based Control. D.A. Handelman and R.F.
[Graham 82 ] Linguistic Decision Structures for Stengel. En Artificial Intelligence in Real-Time
Hierarchical Systems. James H. Graham y Control. M.G. Rodd y G.J. Suski (eds). Perga-
George N. Saridis. IEEE Transactions on Sys- mon Press, 1988.
tems, Man and Cybernetics, Vol. SMC-12, N◦ 3,
Mayo-Junio 1982. [Hayes 85b ] Naive Physics I: Ontology for Li-
quids. Patrick J. Hayes. Formal Theories of the
[Green 87a ] Qualitative Reasoning During Des-
Comonsense World, pp. 71-108. ABLEX Pu-
ign About Shape and Fit: a Preliminary Re-
blishing Corporation, Norwood, New Jersey,
port. Douglas S. Green y David C. Brown. En
1985.
Expert Systems in Computer Aided Design. John
S. Gero (Ed.), pp. 93-118. North Holland, 1987. [Hayes-Roth 84 ] The Knowledge-Based Expert
[Green 87b ] A Fuzzy Decision Support System System: A Tutorial. Frederick Hayes-Roth.
for Strategic Planning. N. Green Hall. Apro- IEEE Computer, September 1984, pp. 11-28.
ximate Reasoning in Intelligent Systems, Deci-
sion and Control. Elie Sanchez y Lofti A. Zadeh [Henkind 88 ] An Analisys of Four Uncertainty
(Eds). Pergamon Press. pp. 77-90. 1987. Calculi. S.J. Henkind y M.C. Harrison. IEEE
Transactions on Systems, Man and Cybernetics,
[Green 87c ] Verification and Validation of Expert Vol. 18, No. 5, pp. 700-714, 1988.
Systems. C.J.R. Green y M.M. Keyes. Procee-
dings WESTEX-87, pp. 38-43, 1987. [Henneman 84 ] Measures of Human Problem
Solving Performance in Fault Diagnosis
[Haest 90 ] ESPION: an Expert System for System Tasks. Richard L. Henneman y William B.
Identification. M. Haest, G. Bastin, M. Gevers Rouse. IEEE Trans. on Systems, Man and Cyber-
y V. Wertz. Automatica, Vol. 26, No. 1, pp. 85- netics, Vol. 14, No. 1, pp. 99-112, 1984.
95, 1990.
[Hunt 84 ] A Fuzzy Rle-Based Model of Human
[Hammond 87 ] Logic-Based Tools for Building Problem Solving. Ruston M. Hunt y William
Expert and Knowledge-Based systems: Suc- B. Rouse. IEEE Trans. on Systems, Man and Cy-
cesses and Failures of Transferring the Tech- bernetics, Vol. 14, No. 1, pp. 112-120, 1984.
nology. P. Hammond. Knowledge Based Expert
Systems in Industry. Ellis Horwood, England [Hunt 90 ] Performing Augmented Model-Based
1987. pp. 69-90. Diagnosis. John Hunt y Chris Price. IMACS
[Hamscher 90a ] Modeling Digital Circuits for MIMS2 , 1990.
Troubleshooting: An Overview. Walter Hams-
[Husson 86 ] Sistema Experto para control de Pro-
cher. 6th Conference on Artificial Intelligence Ap-
cesos Continuos en Tiempo Real. Jean-Michel
plications, pp. 2-8, 1990.
Husson y Joaquı́n Tejedor. Automática e Instru-
[Hamscher 90b ] XDE: Diagnosing Devices with mentación, Junio 1986.
Hierarchic Structure and Known Component
Failure Modes. Walter Hamscher. 6th Confe- [Intellicorp 87b ] Two-Weeks: Rapid Prototyping
rence on Artificial Intelligence Applications, pp. at Babcock & Wilcox. Intellicorp Application
48-54, 1990. Note, 1987.
[Hanbaba 89 ] Comunicación Hombre-Máquina [Intellicorp 87c ] Vitro Builds Circuit Fault Diag-
con el Sistema de Control-Mando de Centra- nosis Expert System. Intellicorp Application
les PROCONTROL P para Centrales Térmi- Note, 1987.
158
Apéndice C. Bibliografı́a
[Intellicorp 87d ] NASA Scentists Use KEE in Ex- [Konolige 85 ] Belief and Incompleteness. Kurt
pert System Design Study. Intellicorp Applica- Konolige. Formal Theories of the Comonsense
tion Note, 1987. World, pp. 359-404. ABLEX Publishing Corpo-
ration, Norwood, New Jersey, 1985.
[Intellicorp 87e ] SIAC System Monitors Trading
Network. Intellicorp Application Note, 1987. [Kook 90 ] Representation of Models for Solving
[Intellicorp 87f ] Taking Control of Complexity. Real-World Problems. Hyung Joon Kook y
Intellicorp Application Note, 1987. Gordon S. Novak Jr. 6th Conference on Artificial
Intelligence Applications, pp. 274-280, 1990.
[Intellicorp 88 ] How to Get Started in AI. Intelli-
corp, 1988. [Kopetz 79 ] Software Reliability. H. Kopetz. Mac-
Millan, 1979.
[Israel 85 ] A Short Companion to the Naive Phy-
sics Manifesto. David Israel. Formal Theories of [Kreutzer 86 ] System Simmulation. Programming
the Comonsense World, pp. 427-448. ABLEX Pu- Styles and Languages. Wolfgang Kreutzer
blishing Corporation, Norwood, New Jersey, Addison-Wesley, 1986.
1985.
[Krijgsman 88 ] Knowledge Based Real Time
[Jiang 89 ] Design of a Real-Time, Knowledge- Control. A.J. Krijgsman, H.B. Verbruggen y
Based Controller with Applications in Hy- P.M. Brujin. En Artificial Intelligence in Real-
draulic Turbine Generator Systems. J. Jiang y Time Control. M.G. Rodd y G.J. Suski (eds).
R. Doraiswami. Journal of Intelligent and Robo- Pergamon Press, 1988.
tic Systems Vol.2 No.2&3, 1989. pp. 229-244.
[Kriz 87 ] Knowledge Based Expert Systems in In-
[Kickert 76 ] Application of a Fuzzy Controller in
dustry. Jiri Kriz (Ed). Ellis Horwood, England,
a Warm Water Plant. W.J.M. Kickert y H.R.
1987.
Van Nauta Lemke. Automática, Vol. 12, pp.
301-308. 1976. [Kuipers 87 ] Qualitative Simulation as causal Ex-
[Kim 89 ] Object Oriented Concepts, Databases and planation. Benjamin J. Kuipers. IEEE Transac-
Applications, Won Kim y Frederick H. Lo- tions on Systems, Man and Cybernetics, Vol. 17
chowsky (Eds). ACM Press, pp. 561-572, 1989. No. 3, May/June, 1987. pp. 432-444.
[King 77 ] The Application of Fuzzy Control Sys- [Kuipers 89a ] Qualitative Reasoning: Modeling
tems to Industrial Processes. P.J. King y E.H. and Simmulation with incomplete Knowled-
Mamdani. Automatica, Vol. 13, pp. 235-242. ge. Benjamin J. Kuipers. Automatica Vol. 25
Pergamon Press 1977. No. 4, pp. 171-185, 1989.
[King 88 ] Intelligent Control in the Cement In- [Kuipers 89b ] Qualitative Reasoning with Cau-
dustry. Robert King. IFAC Conference on Distri- sal Models in Diagnosis of Complex Systems.
buted Intelligence, Varna, Bulgaria, June 1988. Benjamin Kuipers. En Artificial Intelligence, Si-
mulation and Modelling. Lawrence E. Widman,
[King 89 ] Distributed Intelligent Industrial Con-
Kenneth A. Loparo y Norman R. Nielsen
trol - Aprocess Industry Paradigm. Robert
(eds). Wiley-Interscience, 1989.
King. 1989.
[Klir 89 ] Fuzzy Sets, Uncertainty and Information. [Kurtz 89 ] An Object-Oriented Methodology for
George J. Klir y Tina A. Folger. Prentice-Hall. Systems Analysis and Specification. B.D.
1988. Kurtz, D. Ho y Teresa A. Wall. Hewlett-Packard
Journal, April 1989.
[Kokar 89 ] Accumulating Qualitative Knowled-
ge. Mieczyslaw M. Kokar. IEEE International [Laduzinsky 90 ] Looking for Mr. Good LAN.
Symposiun on Intelligent Control 1989, pp. 514- Alan J. Laduzinsky. Control Engineering, April
519. 1990, pp. 74-78.
159
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
[Maki 89 ] Application of Fuzzy Theory for Auto- [Moore 90 ] Using DECwindows as a Control Sys-
matic Control of Hot Stove Combustion Gas tem Interface. Katrina Moore y Ralph Rio.
Flow Rate. Y. Maki et al. 6th MMM-89. Control Engineering, April 1990, pp. 90-92.
160
Apéndice C. Bibliografı́a
[Morant 89 ] Hierarchical Expert System as Su- ti A. Zadeh (Eds). Pergamon Press. pp. 55-68.
pervisory Level in Adaptive Control. F. Mo- 1987.
rant, P. Albertos, M. Martı́nez y J.J. Serrano.
IEEE International Symposium on Intelligent [gård 88 ] Intelligent Alarm Handling. O. gård y
Control, 1989. E. Woods. En Artificial Intelligence in Real-Time
Control. M.G. Rodd y G.J. Suski (eds). Perga-
[Muller 87 ] Modula- -Prolog: A Programming mon Press, 1988.
Environment for Building Knowledge-Based
Systems. C. Muller. Knowledge Based Expert [Ollero 89a ] Inteligencia Artificial: Aplicaciones
Systems in Industry. Ellis Horwood, England recientes en Control y Supervisión de Proce-
1987, pp. 98-110. sos. Anı́bal Ollero Baturone y A. Garcı́a Cere-
zo. Automática e Instrumentación, Febrero 1989.
[Mylopoulos 86 ] Knowledge Representation in
the Software Development Process: A Case [Ollero 89c ] Expert Tunning of Automatic Con-
Study. J. Mylopoulos, A. Borgida, S. Greens- trollers. A. Ollero, J. González, A. Garcı́a y C.
pan, C. Meghini y B. Nixon. Artificial Inte- Fernández. IEEE International Symposium on
lligence and Man-Machine Systems. Springer- Intelligent Control, 1989.
Verlag, 1986, pp. 23-44.
161
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
162
Apéndice C. Bibliografı́a
[Shlaer 89b ] Real-Time Recursive Design. Sally [Taunton 88 ] Empleo de Sistemas Expertos en
Shlaer y Stephen J. Mellor. Project Technology Lı́nea en Control de Procesos. J.C. Taunton.
Inc., 1989. Automática e Instrumentación, Marzo 1988.
[Tenteris 90 ] Structural Modeling and Fuzzy Si-
[Shoham 88 ] Reasoning About Change. Yoav mulation of Metallurgical Processes. Jänis K.
Shoham. MIT Press. 1988. Tenteris, Esko K. Juuso y Kaulo Leiviskä.
[Siler 87 ] Functional Requierements for a Fuzzy IMACS MIMS2 , 1990.
Expert System Shell. W. Siler, J.J. Buckley y D. [Terano 83 ] Human Reliability and Safety evalua-
Tucker. Aproximate Reasoning in Intelligent Sys- tion of Man-Machine Systems. T. Terano, Y.
tems, Decision and Control. Elie Sanchez y Lof- Murayama y N. Akiyama. Automática, Vol. 19,
ti A. Zadeh (Eds). Pergamon Press. pp. 21-32. No. 6, pp. 719-722, 1983.
1987.
[Theuretzbacher 86 ] Tecnologı́a de sistemas ex-
[Simmons 83 ] Representing and Reasoning pertos para sistemas de seguridad crı́tica en
about Change in Geological Interpretation. tiempo real. N. Theuretzbacher. Comunicacio-
Reid G. Simmons. MIT AI Lab. TR 749. 1983. nes Eléctricas, Vol. 60, No. 2, pp. 147-153, 1986.
163
Arquitectura de Control Inteligente de Procesos Ricardo Sanz
[Tichy 87 ] What can Software Engineers Learn [Watanabe 89 ] Intelligent Control in the Hierar-
from Artificial Intelligence?. Walter F. Tichy. chy of Automatic Manufacturing Systems.
IEEE Computer, November 1987, pp. 43-54. Tohru Watanabe. Journal of Intelligent and Ro-
botic Systems Vol.2 No.2&3, 1989. pp. 171-186.
[Trillas 80 ] Conjuntos Borrosos. Enrique Trillas.
Vicens-Vives, 1980. [Weiss 84 ] A practical Guide to Designing Expert
Systems. Sholom Weiss y Casimir Kulikovski.
[Tse 89 ] An Intelligent Control System. Edison
Rowman & Allanheld, 1984.
Tse and Michael Fehling. IEEE International
Symposium on Intelligent Control, 1989. [Weld 84 ] Switching Between Discrete and Conti-
nuous Process Models to Predict Genetic Acti-
[Valavanis 89 ] Hardware and Software for Inte-
vity. Daniel S. Weld. MIT AI Lab. TR 793. 1984.
lligent Robotic Systems. Kimon P. Valavanis y
Peter H. Yuan. Journal of Intelligent and Robotic [Weld 86 ] The Use of Aggregation in Causal Si-
Systems, Vol. 1, pp. 343-373, 1989. mulation. Daniel S. Weld. Artificial Intelligence,
[Van der Rhee 90 ] Knowledge Based Fuzzy Con- Vol. 30, pp. 1-34, 1986.
trol of Systems. Floor Van der Rhee, Hans R.
[Weld 88 ] Theories of Comparative Analysis. Da-
Van Nauta Lemke y Jaap G. Dijkman. IEEE
niel S. Weld. MIT AI Lab. TR 1035. 1988.
Trans. on Automatic Control, Vol. 35, No. 2, pp.
148-155, 1990. [Wewerinke 83 ] Model of Human Observer and
[Vangheluwe 90 ] Application of a Multifacetted Decision Maker - Theory and Applications.
Modelling Methodology: An Example in Phi- P.H. Wewerinke. Automática, Vol. 19, No. 6,
siology. Hans Vangheluwe, Jorge Barreto y pp. 693-696, 1983.
G.C. Vansteenkiste. IMACS MIMS2 , 1990. [Williams 84 ] Qualitative Analysis of MOS
[Vescovi 90 ] A new Model for Qualitative Reaso- Circuits. B.C Williams. Artificial Intelligence
ning Representing Time Explicitly. Marcos R. Vol.24, pp. 281-346, 1984.
Vescovi. IMACS MIMS2 , 1990.
[Winston 84 ] Artificial Intelligence. 2nd Edition. Pa-
[Vitins 87 ] A Prototype Expert System for Confi- trick Henry Winston. Addison Wesley 1984.
guring Technical Systems. M. Vitins. Knowled- 524 p.
ge Based Expert Systems in Industry. Ellis Ho-
rwood, England 1987, pp. 145-158. [Winter 86 ] Artificial Intelligence in Man-
Machine Systems and Automation. Heinz
[Völckers 86 ] Dynamic Plannig and Time- Winter. Artificial Intelligence and Man-Machine
Conflict Resolution in Air Traffic Control. Systems. Springer-Verlag, 1986, pp. 1-22.
Uwe Völckers Artificial Intelligence and Man-
Machine Systems. Springer-Verlag, 1986, pp. [Wittig 87 ] Expert Systems for Real-Time Appli-
175-197. cations. Thies Wittig. Seminar on Expert Sys-
tems and Applications. UIMP. June-July 1987.
[Wahlster 86 ] The Role of Natural Language in
Advanced Knowledge-Based Systems. Wolf- [Wuwongse 83 ] An Interactive System for Sup-
gang Wahlster Artificial Intelligence and Man- porting Multiobjective Decision Making. V.
Machine Systems. Springer-Verlag, 1986, pp. 62- Wuwongse, S. Kobayashi y A. Ichikawa. Au-
83. tomática, Vol. 19, No. 6, pp. 697-702, 1983.
164
Apéndice C. Bibliografı́a
165
Apéndice D
166
Reference: ASL-T-1990-001 v 1.0 Final
Title: Arquitectura de Control
Inteligente de Procesos
Subtitle: El sistema CONEX
URL: http://www.aslab.org/public/documents/ASL-T-1990-001.pdf
Date: 1990
c 1990 ASLab
aslab.org
www.aslab.org