Identificación y Control de

sistemas, Utilizando Técnicas de

Inteligencia Artificial
Prof. Ph.D. José Antonio Tumialán
Borja
Facultad de Ingeniería
Ingeniería En Automatización
Introducción

• La introducción se fundamenta en dar un

recorrido rápido sobre el área de
INTELIGENCIA ARTIFICIAL,
específicamente en aplicaciones en el área
de:
• Control, y
• Identificación de sistemas.
¿Que es Inteligencia Artificial?

“Técnicas y sistemas computacionales que

imitan aspectos humanos, tales como:
percepción, raciocinio, aprendizaje,
evolución y adaptación”.
Inteligencia Artificial
• La aplicación de técnicas de Inteligencia artificial (AI)
conducen a seleccionar un sistemas o método matemático
que emule el razonamiento de la mente humana:

Redes neuronales

Modelos basados en el
funcionamiento del
cerebro, como realiza
reconocimiento,
aprendizaje, y procesos
de planeación
 Inteligencia Artificial
• Lógica difusa
• Refleja la manera en
que razonamos los
humanos con reglas
aproximadas

• Algoritmos genéticos
• Aprovechan los
conocimientos de la
investigación genética,
modelando los principios
de Darwin de selección
natural
Áreas de Aplicación
Petróleo
Energía
Finanzas
Telecomunicaciones
Medicina
Medio-Ambiente
Comercio
Industria
Redes Neuronales Artificiales

• Nadie sabe exactamente de que forma el cerebro nos

permite raciocinar.
• Sabemos, que la neurona es la unidad fundamental del
Sistema Nervioso incluyendo el cerebro. Una neurona
esta constituido:
Dendritas
Axón

Señal
Cuerpo (Información)
Sinapsis
 Neurona Artificial
 Es una estructura lógico-matemática Pesos
que busca simular la forma, el 1
comportamiento y las funciones de
wi0  
una neurona x1 wi1
 Evalúa sus señales de entrada 
realizando una sumatoria ponderada wi 2
de sus entradas (a través de los pesos Yi
x2
“w" asociado a cada entrada)
 Las señales de salidas, son calculadas Entradas Salida
aplicando la función de activación en win
la sumatoria ponderadas. xn

 
Yi    I i   wij  x j 
n

 j 0 
 Funciones de Activación
1 se ii (t )  0
• función rampa ai  Fi (ii (t ))  
0 se ii (t )  0
1 se i i ( t )  1 2
• función linear 
a i  Fi ( i i ( t ))  i i se - 1 2  i i ( t )  + 1 2
0 se i ( t )  - 1
 i 2

• función sigmóide 1
ai  Fi (ii (t ))  ii
1 e
• función hiperbólica 1  e 2ii
ai  Fi (ii ( t )) 
1  e  2ii
 Forma de las funciones de
activación
 i)  i)  i)  i)

i i i i

rampa linear sigmóide polinomial

Rede Neuronal Artificial
• Una rede neuronal completa es organizada en capas. Una rede
pude tener neuronas en la capa de entrada, neuronas en la capa
ocultas, y en la capa de salida. Una rede con mas de una capa pude
ser caracterizada como una rede multi-capas.

feedforward

 La forma por la cual las neuras están conectadas unos a otros

(topología o arquitectura da rede) causa un enorme efecto en la
operación da rede neuronal
Conexión entre capas
A
w 1A w A1'
w 3A
w 2A w A2'
x1 w 1B w B 1'
1 B
w 2B
w 3B w B 2' y1'
1'
w 1C
w C 1'
x2 w 2C
2 C
w 3C w C 2'
w 1D 2' y2'
w 2D w D 1'
x3
3 w 3D D w D 2'
w 2D
w E 1'
w 1D
w 3D
w E 2'

E
CAMADA DE ENTRADA CAMADA OCULTA CAMADA DE SAÍDA
 Topologías de redes neuronales
• Redes con conexiones • Redes MonoCapas
para Adelante (Feed-
forward Networks) • Redes MultiCapas

• Redes Recurrentes • Redes Recurrentes

(Recurrent Networks)
• Redes Competitivas
 Redes con conexiones para Delante
(Feed-forward)
• Estas redes se caracterizan porque no
tienen ciclos de realimentación.
• Tienen un conjunto:
• de unidades de entrada,
• de unidades de salida y
• de unidades escondidas
Configuración General de las Redes
(Feed-forward)

unidade de salida

unidade escondida

unidade de entrada
Configuración de las Redes (Feed-
forward) por Capas

no pueden tener…

A
Redes Monocapa
Redes Multi-Capa
Redes Recurrentes
Redes Competitivas
 Paradigmas de Aprendizaje

Tipos de Aprendizaje

Aprendizaje

Súpervisado No Súpervisado Por Refuerzo Crítico

 Supervisado
 Aprendizajes comúnmente utilizadas en problemas de ingeniería

 Depende de un sistema auxiliar para supervisar el aprendizaje

(conjunto de datos experimentales)
Supervisado
Entrada Saída
Sistema
Actuador

Saída
da rede
Rede
neural
erro
No Súper visionada
 En este aprendizaje la rede no recibe ninguna información de
como clasificar las entradas y ajustar sus pesos.

Rede
Sistema Neuronal
 Algoritmo de backpropagation
 Se Trata de una rede de multi-capas (Feed-forward)
 Requiere, mínimo 3 capas
 Utiliza el método de gradiente descendiente , para minimizar el
error cuadrático entre la entrada y la salida deseada
• Modelo matemático
w1
x1
w2
x2
n
1
x3
w3
I   w
i
x
i
 (i) 
Y
aI
x4
w4 i1 1 
M
M
xn
wn
Función Activación
Error RMS
2
 2  Yr  
 rk 
 Actualización de los pesos-Capas Oculta/Salida
wp1.k
I1.k 1.k Comp Y1
1
wp2.k
xh whp.j Ip.j p.j I2.k 2.k Comp Y2

wpq.k 1
Iq.k q.k Comp Yq
Capa de Capa Capa de 1
entrada Oculta salida
 2   I
w   p.q   p.q    2
 q.k  q.k
pq.k w   I  w
pq.k q.k q.k pq.k
   
w   p.q   2  Yq    1    p.q  
pq.k  q.k  q.k  q.k  p. j pq.k p. j

   
Donde:   2 Yq   1 
pq.k  q.k  q.k  q.k 

Recurrencia: w ( N 1)  w ( N )  p.q  

pq.k pq.k pq.k p. j
 Actualización de los pesos-Capa Entrada/Oculta
wp1.k
I1.k 1.k Comp Y1
1
wp2.k
xh whp.j Ip.j p.j I2.k 2.k Comp Y2

wpq.k 1
Iq.k q.k Comp Yq
Capa de Capa Capa de 1
entrada Oculta Salida
 2   q2  q.k  Iq.k   p. j  I p. j
w        
hp. j h. p  w h. p    I    I  w
hp. j p. j
q.k p. j
q.k hp. j
     
   2  Yq     1   w  1  x
h. p  q.k  q.k  q.k  pq.k p. j  p. j  h
 2  w 
 
1 x
 w pq.k pq.k p. j  p. j  h
hp. j Recurrencia:
 p. j
  w ( N 1)  w ( N )  x 
Donde: hp. j pq.k pq.k  I w
hp. j hp. j hp h hp. j
p. j
Lógica Fuzzy
• Un buena teoría debe ser capaz de incorporar
toda la información posible de manera eficaz
• Dos fuentes importantes:
• a) sensores y modelos matemáticos
• b) conocimiento humano experto (empírico)

Un sistema fuzzy, es un sistema basado en

el conocimiento o en reglas en lenguaje
natural.
Algunos conceptos básicos
• Universo de discurso.- Contiene todos los
elementos relacionados a un caso o
aplicación particular (U).
• Conjunto difuso.- Un conjunto difuso A en
el universo de discurso U, se caracteriza
por una función de membresía A que puede
tomar valores en el intervalo [0,1].
 Conceptos Básicos

Conjunto tradicional Conjunto difuso

Números pares Temperatura
 Conceptos Básicos

Función de membresía.- Es la
representación matemática de un conjunto.

Lógica clásica Lógica difusa

F C
1 1

0 0
0 1 2 3 4 10 35
 Conceptos Básicos

• Tipos de Funciones de Membresía

Función  Función L Función 

Función 
Función Gaussiana
Estructura de un controlador
basado en Lógica Fuzzy

Mecanismo de

Defuzificación
Fuzificación
inferencia
PROCESO
Reglas difusas

Reglas difusas: Una cuantificación en términos de lógica difusa de la

descripción lingüística del experto para obtener un buen control
IF la velocidad del auto es alta THEN aplicar menos fuerza al
acelerador
Reglas difusas
baja media alta
1

Velocidad de un auto
0 50 75 95 vmax

• Funciones de membresía:
media ( x) : U  [0,1]

(v  50) / 25; 50  v  75

 media ( x) : 
(95  v) / 25; 75  v  95
Mecanismo de inferencia
• Emula el proceso de toma de decisión del
experto interpretando y aplicando el
conocimiento sobre como controlar de
mejor manera el proceso.
• IF x1 is A1 and .... X is Am THEN y is B

• Producto
• Mínimo
• Lukasiewics
• Zadeh ................
Fuzificación
Es un mapeo de un valor real x* en U a un
conjunto difuso A en U. Convierte los valores de
la entrada a información que el mecanismo de
inferencia puede usar para activar las reglas.

 1 si x  x
• Singleton.  A ( x)  
0 otro caso
• Gaussiano.
• Triangular.
• Etc.
Defuzzificación
Es un mapeo desde el conjunto difuso de salida B
en V (salida del mecanismo de inferencia difuso) a
un punto “crisp” (no difuso) y* en V (El mejor
valor que representa a B). Convierte la conclusión
del mecanismo de inferencia en entradas reales al
proceso.

• Centro de gravedad
• Promedio de centros (center average): es el más
usado.
• Máximo valor
Controlador Fuzzy
r e u y
Controlador
Planta
fuzzy
+
-
Variables de entrada al controlador difuso
ery
e  cambio del error
δe  integral (suma) del error
Variables de salida del controlador difuso
u  acción de control
Δu  cambio en la acción de control
 Controlador Difuso

 Controlador difuso Proporcional

u  K Pe
regla i : SI e está en APi
ENTONCES u está en BPi
con i  1,..., M .

 Controlador difuso Proporcional-Derivativo

u  K P e  K D e
regla i : SI e está en APi y e está en ADi
i
ENTONCES u está en BPD
con i  1,..., M .
 Controlador Difuso

Controlador difuso Proporcional-Integral

u  K P e  K I  edt
regla i : SI e está en APi y e está en ADi
u  K P e  K I e
ENTONCES u está en BPIi
con i  1,..., M .

Controlador difuso Proporcional-Derivativo

u  K P e  K D e  K I  edt
regla i : SI e está en APi y e está en ADi y δe está en AIi
i
ENTONCES u está en BPID
con i  1,..., M .
Ejemplo Práctico – Tanque

Especificaciones:
Altura.- 1.7m
Area de la base.- 1m2
Area del tubo de salida.- 0.05m2
Flujo máximo de entrada.- 0.5m3
Ejemplo: El péndulo invertido
d
y(t) e(t )   y(t ); e(t )
dt
Valores: grande neg.;pequeño neg.; cero,
pequeño pos. grande pos.
Entrada: fuerza sobre el carro

• Error g+: la barra a la izquierda con ángulo grande

• Error p-: la barra a la derecha con ángulo pequeño
• Error cero: la barra casi vertical
• Error es g+ y d-error es p+: la barra a la izquierda y moviéndose hacia la izquierda
• Error es p- y d-error es p+:la barra ligeramente a la derecha y la barra moviéndose a la
izquierda.
• SI error es g- y d-error es g- ENTONCES fuerza es g+
• SI error es cero y d-error es p+ ENTONCES fuerza es p-
• SI error es g+ y d-error es p- ENTONCES fuerza es p-
• 2 entradas y cinco variables linguísticas: total = 25 reglas!!!

Positivo pequeño

cero

p- p+

g+
p/4 p/2 g-
Modelo difuso: un aproximador
No lineal

f ( x)  modelo difuso
Es posible diseñar los controles en base a
las características del modelo difuso
Tipos de modelos difusos
• Tipo I
SI z1 es F1i y  z p es Fpi ENTONCES yi es H i
• Tipo II
SI z1 es F1i y  z p es Fpi ENTONCES yi es hi

• Tipo III
SI z1 es F1i y  z p es Fpi ENTONCES yi es f i ( z1 ,.., z p )
Modelo de Takagi-Sugeno
 Representación de un
sistema no lineal

x A0 xB0uP0 w
 w  Sw
x  f ( x, u , w, )  eC0 xR0 w
x  A1 x  B1u  P1w
  Sw
w
  Sw
w
e  h( x, w,  ) eC0 xR0 w


x  Ap x  B p u  Pp w
w  Sw
eC0 xR0 w
SISTEMAS NEURO-FUZZY
• Considerada una Herramienta poderosa para el
desarrollo de sistemas fuzzy.
• Útil cuando se trabaja con sistemas no-lineares, de
comportamiento variable en el tiempo, etc;
• Nada mas son representaciones de sistemas difusos
en la forma de redes pasivas de entrenamiento;
• Es posible, la obtención de resultados
interpretables, al contrario de casos típicos de redes
neuronales, de difícil interpretación.
 Redes Neuronales – Lógica Fuzzy
• Fuzzy reasoning
A1 B1 z1 =
w1
p1*x+q1*y+r1
w 1*z1+w2*z2
z= w 1+w 2
A2 B2 z2 =
w2
p2*x+q2*y+r2
x y
• ANFIS (Adaptive Neuro-Fuzzy Inference System)
A1 w1 w1*z1
x 
S S wi*zi
A2

B1
 w2*z2 / z
y S wi
B2 w2 S
4/15/2020 48
O MODELO ANFIS
 Ejemplo: Control inverso de un brazo
articulado (Cinemática directa vs inversa)
• Cinemática Directa
• Conocidos: Ángulos articulares
y geometría de los eslabones
• Determinar: Posición y orientación
del elemento terminal referido a la base

• Cinemática Inversa
• Conocidos: Posición y orientación
del elemento terminal referido a la base
• Determinar: Ángulos articulares y
geometría de los eslabones para alcanzar
la orientación y posición de la herramienta

• Se desea: Posicionar el elemento

terminal en un punto del plano.
Modelamiento directo
Control Inverso del brazo articulado
Control Inverso del brazo articulado