AUTOMATIZACIÓN Y CONTROL DE

PROCESOS INDUSTRIALES 2021

CAPÍTULO 6: SISTEMAS INTELIGENTES

Prof. Aldo Cipriano

aciprian@ing.puc.cl
Junio 2021
 SISTEMAS INTELIGENTES

 Contenido

 Introducción

 Sistemas expertos

 Sistemas difusos

 Redes neuronales

 Aplicaciones
2
 SISTEMAS INTELIGENTES
 Para la mayoría de las aplicaciones de supervisión de procesos se
emplean “Sistemas Inteligentes”. Bajo este concepto se incluyen sistemas
expertos, sistemas basados en lógica difusa, redes neuronales, y
sistemas que incorporan algoritmos genéticos, algoritmos de computación
evolutiva y multiagentes.

 En sus orígenes las metodologías de los Sistemas Inteligentes se

desarrollaron como alternativa a las técnicas cuantitativas propias de las
Ciencias de la Ingeniería. En estas ciencias el conocimiento se formula
como modelos matemáticos basados en leyes de la Física, Mecánica,
Termodinámica, o la Electricidad, los que generalmente corresponden a
ecuaciones diferenciales ordinarias, ecuaciones diferenciales a derivadas
parciales o ecuaciones de diferencia.

 Los modelos se utilizan para analizar cuantitativamente el comportamiento

del proceso o sistema, realizando estudios analíticos, cuando es posible, o
bien estudios numéricos basados en simulación. En particular, si los
modelos son dinámicos pueden emplearse para analizar, supervisar o
controlar procesos.

3
 SISTEMAS INTELIGENTES

 Si bien las metodologías basadas en modelación presentan

fundamentos muy sólidos en las Ciencias de la Ingeniería, en
muchas oportunidades el ser humano recurre a decisiones
basadas en la experiencia, o en su conocimiento empírico. Este
conocimiento empírico puede formularse como reglas de decisión.

 Ejemplos de la vida diaria: comprar, manejar, invertir.

 La formalización de estos mecanismos para tomar decisiones ha

llevado al desarrollo de denominadas “sistemas expertos”, los que
se emplean desde hace años en tareas de diagnóstico,
planificación, operación, supervisión y control.

4
 SISTEMAS INTELIGENTES

 En la búsqueda de ampliar el potencial de aplicación de estas

técnicas basadas en “modelos cualitativos”, se ha estudiado su
integración con los modelos cuantitativos, dando origen a la lógica
difusa y a los sistemas expertos difusos.

 En la misma línea ha surgido una tendencia que buscar reproducir el

comportamiento de determinados sistemas biológicos, para aplicarlo
a tareas de modelación, estimación, predicción, optimización y
control. En este ámbito ha aparecido el interés por estudiar las redes
neuronales artificiales, los algoritmos genéticos y los sistemas
multiagentes.

 Las técnicas descritas se agruparon bajo el término Inteligencia

Artificial, Inteligencia Computacional o Sistemas Inteligentes, y se han
aplicado a las más diversas áreas del conocimiento.

5
 SISTEMAS INTELIGENTES
 Supervisión Inteligente
 Bajo Supervisión Inteligente se entiende la aplicación de sistemas
expertos, lógicas difusa, redes neuronales, computación evolutiva,
por ejemplo algoritmos genéticos, y sistemas multiagentes a la
solución de problemas de supervisión de procesos.

 El interés por la Supervisión Inteligente se origina en dos realidades:

• Existen procesos para los cuales no ha sido posible desarrollar un

modelo fenomenológico o de primeros principios matemático que
represente en forma aproximada sus características de operación
para rangos suficientemente amplios.

• La aparición de nuevas metodologías, como data Science y Analytics,

que han mostrado su potencial de éxito en numerosas aplicaciones.

6
 SISTEMAS EXPERTOS

 Definiciones

 Fundamentos

 Sistemas expertos en tiempo real

 Sistemas expertos en Supervisión y Control

 Aplicaciones

7
 SISTEMAS EXPERTOS
 Definiciones

 Un Sistema Experto es un programa computacional que se

comporta como un experto humano en un dominio especializado
del conocimiento:

• Resuelve problemas del nivel de complejidad que maneja el

experto.
• Utiliza un “modelo computacional” del proceso de razonamiento
del experto.
• Es capaz de explicar este razonamiento en base al modelo
computacional.

 La definición enfatiza que un sistema experto debe tener un grado

de competencia similar al de los expertos humanos.

8
 SISTEMAS EXPERTOS
 Fundamentos

 Un Sistema Experto está basado en conocimiento, el que se

almacena en la Base de Conocimientos, en forma separada al
mecanismo de razonamiento y utilizando un mecanismo de
representación, por ejemplo reglas IF ... THEN. Emplea
heurísticas y procesamiento simbólico, y es capaz de explicar las
decisiones que toma.

 Por el contrario, un programa convencional está basado en

algoritmos, es decir, en procedimientos definidos por pasos
elementales. Generalmente está orientado al procesamiento
numérico y utiliza bases de datos.

9
 SISTEMAS EXPERTOS
 Fundamentos
 Un Sistema Experto es adecuado para enfrentar un
determinado problema si:

• Los expertos son capaces de explicar los métodos mediante los

cuales resuelven los problemas en su dominio.
• La naturaleza de los problemas requiere de manipulación simbólica.
• La formulación de soluciones requiere de habilidades cognitivas y
soluciones heurísticas.

 Tres son los pasos fundamentales para el desarrollo de un Sistema

Experto:

• Adquisición del conocimiento

• Representación del conocimiento
• Integración del conocimiento en un sistema computacional.
10
 SISTEMAS EXPERTOS
 Adquisición del Conocimiento

 Es el proceso mediante el cual se localiza, recolecta y refina el

conocimiento que dará origen al sistema experto.

 La principal fuente de conocimiento está constituida por los

expertos humanos en el dominio de aplicación; otras fuentes son
textos, manuales y documentos.

 El conocimiento generalmente se adquiera en base a entrevistas

estructuradas en las que participan el desarrollador o “Ingeniero
de Conocimiento” y los expertos. En las entrevistas se formulan
preguntas, problemas o casos de estudio y los expertos dan
soluciones a partir de las cuales el Ingeniero extrae conceptos que
formaliza empleando mecanismos de representación. Para tener
éxito en el proceso es fundamental la colaboración de los
expertos.
11
 SISTEMAS EXPERTOS
 Representación del Conocimiento: Reglas
 Una regla es una sentencia condicional que tiene dos partes. La
primera (la premisa o antecedente) está formada por una o varias
cláusulas SI que establecen las condiciones que han de satisfacerse
para que pueda afirmarse una segunda parte ENTONCES (la
conclusión o consecuente).

 Estructura de las reglas:

SI <premisa> ENTONCES <conclusión>

 Las reglas son llamadas también producciones y los sistemas

basados en reglas, sistemas de producciones.

 El mecanismo de reglas es una representación muy simple y flexible

del pensamiento humano por lo que permite transferir muy fácilmente
el conocimiento de un experto a un programa computacional.

12
 SISTEMAS EXPERTOS
 Representación gráfica de relaciones entre reglas

13
 SISTEMAS EXPERTOS
 Representación gráfica de relaciones entre reglas

14
 SISTEMAS EXPERTOS
 Arquitectura

Usuario

Interfaz de Base de
Usuario Generador de Conocimientos
Explicaciones

Memoria Motor de
de Trabajo Interfaz de Inferencias
Proceso

Proceso
15
 SISTEMAS EXPERTOS
 Fundamentos

 Base de conocimientos. Almacena las reglas del sistema

experto.

 Generador de explicaciones. Es el módulo encargado de

fundamentar las decisiones del sistema experto.

 Motor de inferencias. Realiza dos tareas principales: a) examina

los hechos y las reglas, y si es posible, añade nuevos hechos; b)
decide el orden en que se hacen las inferencias. Para realizar
estas tareas utiliza estrategias de inferencia y estrategias de
control.

16
 SISTEMAS EXPERTOS
 Estrategias de control en Sistemas Expertos

 El Motor de Inferencias resuelve dos problemas:

• Cómo iniciar el proceso de razonamiento, considerando las reglas y

los hechos existentes en la Base de Conocimiento.
• Cómo seleccionar qué regla procesar, cuando existen varias
alternativas.

 Las estrategias de control presentan diversas clasificaciones:

• Encadenamiento hacia adelante y encadenamiento hacia atrás.

• Búsqueda en profundidad y búsqueda en extensión.
• Razonamiento monotónico y razonamiento no monotónico.

17
 SISTEMAS EXPERTOS
 Estrategias de búsqueda

18
 SISTEMAS EXPERTOS
 Encadenamiento hacia adelante o “forward
chaining”

 Se construye el objetivo o se elabora la solución, para lo cual se

consideran primero todas las reglas cuyas premisas son
verdaderas, se establecen nuevos hechos y se determina qué
nuevas reglas pueden procesarse; el proceso termina cuando se
alcanza un objetivo o se agotan las posibilidades.

 Este mecanismo se denomina también “impulsado por datos” y es

el más apropiado en el caso de sistemas expertos que construyen
soluciones a partir de especificaciones, por ejemplo, en sistemas
para diseño de planes.

19
 SISTEMAS EXPERTOS
 Encadenamiento hacia atrás o “backward chaining”

 Se intenta determinar si la regla objetivo es correcta, para lo cual se

consideran sus premisas y se trata de comprobar que a su vez éstas
son correctas, lo cual conduce a determinar otras reglas que podrían
confirmar estas premisas; de esta manera, se retrocede a lo largo de
las reglas hasta encontrar hechos que indiquen que todas las
premisas previas son correctas, o bien hasta que se determine que
esto no es efectivo.

 Este mecanismo se denomina también “impulsado por objetivos” y se

utiliza preferentemente en sistemas en que los resultados posibles
son conocidos, por ejemplo en clasificación de muestras, diagnóstico
médico y diagnóstico de fallas.

20
 SISTEMAS EXPERTOS
 Estrategias de búsqueda

 Búsqueda en profundidad. Siempre que puede, el Motor de

Inferencias genera un subobjetivo, buscando el máximo detalle. Se
asocia a las personas especialistas.
 Búsqueda en extensión. El Motor de Inferencias barre todas las
premisas de la regla antes de profundizar en búsqueda de más
detalles. Se asocia a las personas generalistas.
 Razonamiento monotónico. Todos los valores que se obtienen para
los atributos quedan marcados y permanecen siempre como
verdaderos.
 Razonamiento no monotónico. En este caso los hechos verdaderos
pueden anularse. Por ejemplo, el camino determinado como óptimo
en un proceso de planificación puede dejar de serlo cuando se recibe
nueva información.

21
 SISTEMAS EXPERTOS
 Etapas en el desarrollo de Sistemas Expertos

 Para el desarrollo de un sistema experto, se recomienda utilizar un

esquema “incremental de prototipos”, en el cual el sistema experto
resuelve primeramente un problema simple. La evaluación del sistema
permite refinar la Base de Conocimientos y desarrollar una segunda
versión, capaz de resolver problemas de mayor complejidad o
enfrentarlas en forma más apropiada.

 El desarrollo incremental presenta la siguiente evolución:

• Prototipo inicial
• Prototipos intermedios
• Prototipo de trabajo
• Modelo productivo
• Sistema comercial.

22
 SISTEMAS EXPERTOS
 Sistemas Expertos en tiempo real
Los Sistemas Expertos en tiempo real deben hacer frente a una serie
de características propias de la aplicación, las que plantean
requerimientos particulares, entre ellos:

 Interfaz con ambiente externo, ya que los datos se adquieren de

sensores.
 Falta de monotonicidad. Los datos no permanecen estáticos,
varían en el tiempo y pierden validez.
 Datos inciertos o que faltan, por fallas en sensores o sistemas de
transmisión.
 Eventos asíncronos. El sistema debe hacer frente a eventos no
programados previamente que lo interrumpen asíncronamente y
que pueden variar en importancia relativa.

23
 SISTEMAS EXPERTOS

 Sistemas Expertos en tiempo real

 Operación continua. El sistema debe operar sin detenerse, hasta
que ocurra un evento externo o sea detenido por un usuario; como
consecuencia, puede generarse un requerimiento creciente de
memoria (“garbage collection”).
 Razonamiento temporal. El sistema debe razonar acerca de
eventos ocurridos en el pasado, en el presente y en futuro, así
como acerca de la secuencia en que ellos ocurren.
 Elevada capacidad de procesamiento. Puede requerirse tiempos
de respuesta muy cortos, por ejemplo 100 mseg. en sistemas
aerodinámicos, lo cual constituye una fuerte exigencia si la Base
de Conocimientos incluye muchas reglas que deben ser
procesadas.
 Tiempos de respuesta garantizados. Se requiere producir la mejor
respuesta posible, pero en un tiempo máximo predefinido.
 Integración con componentes procedurales. El sistema experto en
tiempo real debe integrarse con software de tiempo real
convencional.
24
 SISTEMAS EXPERTOS
 Ambientes para Sistemas Expertos en tiempo real

25
 SISTEMAS EXPERTOS
 Ambientes para Sistemas Expertos en tiempo real

 G2 (www.gensym.com)

• Desarrollado por Gensym Corp., se ha constituido en un estándar

mundial.
• Ofrece un ambiente gráfico orientado al objeto para crear
aplicaciones inteligentes relacionados con monitoreo, diagnóstico
y control de eventos dinámicos en línea.
• Ofrece un lenguaje natural y estructurado para crear reglas,
modelos y procedimientos.
• Incluye ejecución recursiva de reglas y procedimientos.

26
 SISTEMAS EXPERTOS
 Aplicaciones de Sistemas Expertos en tiempo real

 En medicina
• Intérprete de electroforesis
• Análisis de EEG
• Monitoreo respiratorio y anestésico
• Monitoreo de recién nacidos
• Monitoreo de pacientes con asistencia ventilatoria mecánica.

 En comunicaciones
• Interpretación de reportes diarios de buques
• Interpretación de comunicaciones de radio.

27
 SISTEMAS EXPERTOS
 Aplicaciones de Sistemas Expertos en tiempo real

 En la industria aeroespacial
• Monitoreo predictivo y reconfiguración de sensores de navegación
• Análisis de errores de telemetría
• Control de órbita satelital
• Apoyo a la navegación en le reingreso a la atmósfera
• Evaluación de situaciones y manejo de emergencias
• Planificación táctica y de rutas.

 En supervisión, robótica y control

• Monitorización de señales
• Supervisión y control inteligente
• Sintonía de controladores
• Detección y diagnóstico de fallas
• Generación de planes en vehículos autónomos guiados.
28
 SISTEMAS EXPERTOS
 Control Experto regulatorio
 En su forma más simple, se formulan reglas de control lingüístico:
• Si e(t) es grande y positivo, ENTONCES disminuya u(t) en Δu
• Si e(t) es grande y negativo, ENTONCES aumente u(t) en Δ
• Si e(t) es cero, ENTONCES mantenga u(t).

 Para ejecutar el conjunto de reglas el sistema de control experto, se

necesita definir los términos “grande”, “positivo”, “negativo”, “cero” y
asignar un valor a Δu.

 Por ejemplo:
• “grande” es mayor que 80%
• “positivo” es mayor que 10%
• “negativo” es menor que –10%
• “cero”es de módulo menor que 10%
• Δu =5%.

29
 SISTEMAS EXPERTOS
 Sistemas Expertos en Supervisión y Control
• Sistema experto para supervisión de la planta de purificación de agua
de Toyoiwa, Akita City
• Sistema experto para el control de un alto horno en Kawasaki Steel.
• Sistema experto de apoyo a la operación de una planta de flotación
de minerales, Outotec
• Control experto de una planta de molienda semiautógena, Dizon.
• Sistema experto para supervisión de plantas de lixiaviación, Canmet
• Stochasm, Sistema para detección y diagnóstico de fallas en tiempo
real del sistema de lubricación de turbina de propulsión de un buque.
• Falcon (Fault Analizer Consultant), Sistema de monitorización y
análisis de fallas para plantas químicas desarrollado por Du Pont.
• Sedaft, Sistema experto para detección y diagnóstico de fallas en la
línea Norte Sur del metro de Sao Paulo.
• Sistema de control del metro de Tokio y Sendai.

30
 SISTEMAS EXPERTOS
 Desarrollos industriales
 G2, Gensym, www.gensym.com

 FuzzyTech, Inform, www.fuzzytech.com

 Expert Control, KnowledgeScape, www.kscape.com

 Proscon ACT (Advanced Control Tools), Outotec,

www.outotec.com

 OCS Expert System, Metso, www.metso.com

 MET, SGS, ex MinnovEX, www.sgs.com

 eCM, SmartSignal, www.smartsignal.com

 Scan, Contac, www.contac.cl

31
 APLICACIÓN
 Knowledgescape

32
 APLICACIÓN
 Knowledgescape: Grinding Expert Control

33
 SISTEMAS DIFUSOS

 Lógica Difusa

 Sistemas Expertos Difusos

 Sistemas Difusos tipo Mamdani y Takagi-Sugeno

 Controladores Difusos

34
 SISTEMAS DIFUSOS
 Concepto intuitivo de lógica difusa

 Los ejemplos siguientes precisan las diferencias entre la teoría de

conjuntos convencional y la teoría de conjuntos difusos.

35
 SISTEMAS DIFUSOS
 Concepto intuitivo de lógica difusa

36
 SISTEMAS DIFUSOS
 Control difuso de temperatura

37
 SISTEMAS DIFUSOS
 Funciones de pertenencia y conjuntos difusos
 Funciones de pertenencia asociada a las nociones de “hot” y
“cold”:

38
 SISTEMAS DIFUSOS
 Funciones de pertenencia y conjuntos difusos

 Función de pertenencia asociada a la noción de “confortable” y

familia de funciones de pertenencia:

39
 SISTEMAS DIFUSOS
 Operaciones entre conjuntos difusos

 La intersección de dos conjuntos difusos tiene por función de

pertenencia:

 A B  x   min  A  x ,  B  x 

40
 SISTEMAS DIFUSOS
 Operaciones entre conjuntos difusos

 La unión de dos conjuntos difusos tiene por función de pertenencia:

 AUB  x   max  A  x ,  B x 

41
 SISTEMAS DIFUSOS
 Variable lingüística y proposición difusa

 Una variable lingüística es una variable cuyos valores son

palabras o frases en un lenguaje natural.

 Por ejemplo: edad, temperatura.

 Valores de edad: joven, muy joven, adulto, mayor, etc.

 Valores de temperatura: helado, frío, caluroso, etc.

 Una proposición difusa corresponde a una expresión e is NV

donde e es una variable lingüística y NV es un conjunto difuso o
valor lingüístico.
42
 SISTEMAS DIFUSOS
 Sistema Experto Difuso

 Corresponde a un conjunto de reglas de producción difusa, por

ejemplo un conjunto de 16 reglas, con la siguiente estructura:

IF e is NB and de is NS THEN du is PB

43
 SISTEMAS DIFUSOS
 Variable lingüística y proposición difusa

 El sistema experto difuso es equivalente a una función no lineal

du=F(e,de), que puede representarse gráficamente como un
cuerpo de tres dimensiones.

44
 SISTEMAS DIFUSOS
 Interpretación de un conjunto de reglas difusas

R1: Si X1 es A1 y x2 es B1 entonces y es C1
R2: Si X1 es A2 o x2 es B2 entonces y es C2

45
 SISTEMAS DIFUSOS
 Interpretación de un conjunto de reglas difusas

Velocidad = Función (Temperatura)

46
 SISTEMAS DIFUSOS
 Elementos de un Sistema Experto Difuso
 Módulos de Fuzzificación y Defuzzificación.
 Base de Conocimiento (Base de Datos y Base de Reglas).
 Motor de Inferencia.

47
 SISTEMAS DIFUSOS
 Módulos de Normalización y Denormalización
En ocasiones se incluyen también Módulos de Normalización y
Denormalización.
El Módulo de Normalización transforma los valores físicos de las
entradas en valores normalizados.
El Módulo de Denormalización realiza una transformación inversa.

 Módulo de Inferencia
El Módulo de Inferencia realiza dos tareas:
• Combinar las entradas con las premisas de las reglas
(“matching”) y determinar qué reglas están activas.
• Extraer conclusiones a partir de las entradas y la base de reglas.

48
 SISTEMAS DIFUSOS
 Módulos de Fuzzificación y Defuzzificación

 El Módulo de Fuzzificación transforma el valor real de las

entradas, o valor “crisp”, en un conjunto difuso.

 El Módulo de Defuzzificación transforma el conjunto de valores de

cada salida en un valor real (crisp) de acuerdo al método de
defuzzificación que se emplee.

 Existen diferentes métodos de defuzzificación:

• Centro de Area o Centro de Gravedad (el más utilizado)
• Centro de Sumas
• Centro de Area Mayor
• Primero de Máximos, Medio de Máximos o Ultimo de Máximos
• Altura.

49
 SISTEMAS DIFUSOS
 Base de Conocimiento

 La Base de Conocimiento o base de reglas requiere definir

diversos parámetros de diseño:
• Las variables que se consideran en los antecedentes
• Las variables incluidas en el consecuente
• El contenido de antecedentes y consecuentes
• Los conjuntos difusos
• El conjunto de reglas.

 Si en las reglas sólo intervienen conjuntos difusos, el sistema

experto difuso se denomina tipo Mamdani.

50
 SISTEMAS DIFUSOS
 Base de Conocimiento en controladores y sistemas
difusos tipo Mamdani

 Variables que se consideran en los antecedentes:

• El error e(t)

• La variación del error

et   et   et  1

• La suma de errores t 1
δet    ei 
i 1
 Reglas:

R k : IF e(t ) is LE k and e(t ) is LE k and  (t ) is LE k THEN u (t ) is LU k

51
 SISTEMAS DIFUSOS
 Base de Conocimiento en controladores y sistemas
difusos tipo Takagi-Sugeno

R k : IF x1 is LX 1k and x2 is LX k2 and...xn is LX nk

THEN u  f k  x1,x2 ,..., xn 

 Si x1 , x2 ,... xn   x1* , x2* ,...xn* ,

la variable manipulada o salida del
sistema difuso se obtiene de:

 
a k  min  k xi* 
 LX i 

u*k  f k x*1 ,x*2 , ..., x*n 
m
*
 ak u k
u*  k 1
m
 ak
k 1
52
 SISTEMAS DIFUSOS
 Controlador difuso

 Para una demostración visual de la operación dinámica de un

controlador difuso:
www.mathworks.com/products/fuzzylogic/demos.html

53
 SISTEMAS DIFUSOS
 FuzzyTech, Inform

Types
Types of
of Fuzzy
Fuzzy Controllers:
Controllers: Types
Types of
of Fuzzy
Fuzzy Controllers:
Controllers:
-- Direct
Direct Controller
Controller -- -- Supervisory
Supervisory Control
Control --
The
The Outputs
Outputs of
of the
the Fuzzy
Fuzzy Logic
Logic System
System Are
Are the
the Command
Command Variables
Variables of
of the
the Plant:
Plant: Fuzzy
Fuzzy Logic
Logic Controller
Controller Outputs
Outputs Set
Set Values
Values for
for Underlying
Underlying PID
PID Controllers:
Controllers:

Command
IF temp=low
Variables IF temp=low
Set Values PID
AND P=high AND P=high
THEN A=med THEN A=med

IF ...
Plant IF ...
PID Plant

Fuzzification Inference Defuzzification Fuzzification Inference Defuzzification PID

Measured Variables
Measured Variables

Fuzzy Rules Output Human Operator

Absolute Values ! Type Control !

© INFORM 1990-1998 Slide 17 © INFORM 1990-1998 Slide 18

54
 SISTEMAS DIFUSOS
 Proscon ACT (Advanced Control Tools), Outotec
Elementos de control: control basado en reglas y lógica difusa.

55
 REDES NEURONALES

 Historia

 Fundamentos

 Entrenamiento de Redes Neuronales

 Aplicaciones

56
 REDES NEURONALES
 Historia

 1943: Warren, Mc Culloch y Pitts publican un artículo en el que

describen algunas redes neuronales elementales, como la unidad
lógica de umbral.

 1949: Hebb publica "La organización del comportamiento" y da origen

al aprendizaje hebbiano.

 1951: Minsky construye el primer neurocomputador.

 1957-1958: Rosenblatt y Whightman introducen el perceptrón y

presentan la primera aplicación exitosa. Rosenblatt publica "Principios
de Neurodinámica".

57
 REDES NEURONALES
 Historia
 1960: Widrow y Hoff desarrollan la Adaline. Este período se caracteriza
por el entusiasmo, el énfasis en la analogía y biológica y el escaso
rigor analítico.

 1965: Minsky y Papert publican "Perceptrons", en el que plantean las

potencialidades y los límites de los perceptrones. Se formula el
problema de separabilidad lineal de los perceptrones.

 1969 - 1982: Período correspondiente a los años silenciosos. La

investigación en EEUU se detiene. Grossberg, Kohonen y otros
investigadores consolidan sus líneas de trabajo.

 1980: Resurgimiento en EEUU financiado por la Defense Advanced

Research Projects Agency (DARPA).

 1982: El físico Hopfield introduce la red de Hopfield e inicia su ciclo de

conferencias.
58
 REDES NEURONALES
 Historia
 1982: Kohonen introduce el mapa autoorganizativo.

 1986: Publicación del libro "Parallel Distributed Processing", de

Rumelhart y Mc Clelland. Aparece el método backpropagation.

 1987: Se realiza en San Diego la primera IEEE International

Conference on Neural Networks con 1700 participantes. Se crea la
International Neural Networks Society (INNS).

 1988: La INNS inicia la publicación de Neural Networks.

 1989: Se inicia la publicación de Neural Computation.

 1990: IEEE inicia la publicación del Transactions on Neural

Networks.
59
 REDES NEURONALES

 Red Neuronal Artificial

Una red neuronal artificial es un conjunto de elementos

procesadores simples, denominados neuronas, interconectados
entre sí en forma de capas. Su estructura y funcionamiento están
basados en la organización y estructura del sistema nervioso
humano, cuyos componentes elementales son las células llamadas
neuronas.

Ejemplos de redes neuronales:

 Perceptrón simple
 Perceptrón multicapa
 Redes de Hopfield
 Mapas autoorganizativos de Kohonen.

60
 REDES NEURONALES
 Ejemplo de perceptrón

61
 REDES NEURONALES
 Perceptrón simple

El perceptrón simple consiste en una sola neurona. En una

aplicación típica, con una entrada bidimensional, esta red clasifica
los vectores de entrada en dos clases A y B. Para que la red
clasifique los vectores de entrada en las clases indicadas, debe ser
previamente entrenada.

62
 REDES NEURONALES
 Perceptrón simple para clasificación

63
 REDES NEURONALES
 Relación entrada-salida de una neurona

La relación entrada-salida de una neurona está dada por la siguiente

expresión:
 n 
y  f   wi xi   
 i 1 

xi son las entradas, n es el número de entradas, wi son los pesos,  es

el sesgo ("bias"), f es la función de activación.
64
 REDES NEURONALES
 Función de activación

Entre las funciones de activación más empleadas se encuentran:

Función lineal, Limitador, Función sigmoidal.

Función lineal:

65
 REDES NEURONALES
Función limitador:

Función sigmoidal:
1
f x  
1  e x

66
 REDES NEURONALES
 Estructura general de una red neuronal

67
 REDES NEURONALES

 Perceptrón multicapa

En un perceptrón multicapa cada neurona recibe como entradas las

salidas de las neuronas de la capa inmediatamente anterior a la que
pertenece. Las neuronas de la capa de entrada, o primera capa de la
red, son elementos distribuidores que no realizan procesamiento.

68
 REDES NEURONALES
 Entrenamiento de Redes Neuronales

Las redes neuronales se entrenan para lograr que al aplicarse un

conjunto dado de entradas se obtenga el conjunto de salidas
deseado, o al menos un conjunto de salidas consistentes.

El entrenamiento se realiza aplicando secuencialmente vectores de

entrada, a la vez que se ajustan los pesos de la red de acuerdo a
un procedimiento predeterminado.

De esta forma los pesos de la red convergen gradualmente a

valores tales que cada vector de entrada produce,
aproximadamente, el vector de salida deseado.

En general, existen dos tipos de entrenamiento de redes

neuronales: supervisado y no supervisado.
69
 REDES NEURONALES
 Entrenamiento supervisado

Se selecciona un número suficientemente grande de vectores de

entrada con sus correspondientes vectores de salida; un par de
vectores de entrada-salida recibe el nombre de vector de
entrenamiento. Cada vector de entrada se aplica a la red y se calcula
la salida obtenida, la que se compara con el respectivo vector de
salida, determinándose el error. El error se realimenta a través de la
red, modificándose los pesos de acuerdo a un algoritmo.

El proceso se repite con otros vectores de entrenamiento, hasta que

el error del conjunto de vectores converge con un error aceptable.

70
 REDES NEURONALES
 Entrenamiento mediante backpropagation

El algoritmo de entrenamiento más conocido es el denominado de

retropropagación de errores ("backpropagation"). Es un método de
entrenamiento supervisado, en el que se minimiza una función
objetivo empleando un algoritmo tipo gradiente. El algoritmo se
aplica a una red de perceptrones multicapa en el que la función de
activación de las neuronas es sigmoidal.

Modelo de una neurona j, situada en la capa de salida o en una

capa oculta:
n
net j   wij 0 i   j
i 1


0 j  f net j   1
net j
1 e
71
 REDES NEURONALES
 Función objetivo

Se considera una red con M neuronas en la capa de salida. Se

dispone de un conjunto de P vectores de entrenamiento s p , t p  en
que sp representa el vector de entrada y tp el vector de salida. El
error cuadrático asociado al entrenamiento p está dado por:

1 M
Ep   t k  0 k  2
2 k 1
En esta expresión tk representa el vector de entrenamiento y Ok la
salida de la neurona k cuando la entrada es sp.

72
 REDES NEURONALES
 Algoritmo de entrenamiento

Los pesos wij se modifican iterativamente según:

wij  p 1  wij  p   wij  p 

El valor wij  p  se calcula como:

 E p 
wij      
 wij 
 
en que  es una constante de proporcionalidad denominada "tasa de
aprendizaje".

73
 REDES NEURONALES
 Desarrollo del algoritmo para la capa de salida

Supongamos que j es una neurona de la capa de salida e i es una

de las neuronas de la capa precedente. Entonces, para determinar
los pesos cuando se entrena con los vectores sp, tp 
se debe 
calcular E p en que:
wij
2
1 M

E p   t j 0 j
2 j 1


Se sigue:
E p E p 0 j net j

wij 0 j net j wij

74
 REDES NEURONALES

E p
Entonces: 
0 j

 tj 0j 
0 j
net j

 0j 1 0 j 
net j
 0i
wij

De aquí: wij    j 0 i

Con:  j  t j  0 j  0 j 1 - 0 j 

75
 REDES NEURONALES
 Desarrollo del algoritmo para una capa intermedia

Supongamos que:

 k es una neurona de la capa de salida

 j es una neurona de la capa intermedia precedente a la capa de
salida
 i es una neurona de la capa que precede a la intermedia.

Entonces:

1 M
E p  tk  0k 2
2 k 1
E p M 0k
   tk  0k 
wij k 1 wij
76
 REDES NEURONALES

1
Como: 0k 
1  e  netk
n
net k   w jk 0 j   k
j 1
Entonces:
0k 0 j
 0k (1  0k ) w jk
wij wij

Además: 0 j
wij
 
 0 j 1  0 j 0i

77
 REDES NEURONALES

Se obtiene así:  E p
  j 0i
wij

 j    k w jk 0 j 1  0 j 
M

k 1
en que
 k  t k 0 k  0 k 1  0 k 
Finalmente:
wij    j 0 i

que es la misma expresión obtenida para una neurona de la capa de

salida, pero con una diferente definición de  j .

78
 REDES NEURONALES
 Algoritmo de entrenamiento iterativo

Pasos del algoritmo:

Paso 1: Inicializar pesos y sesgos

Paso 2: Definir vectores de entrada y salida para el entrenamiento.

Paso 3: Dadas las entradas, calcular las salidas de la red según las
funciones de activación correspondientes.

Paso 4: Ajustar los pesos según el procedimiento descrito.

Paso 5: Volver al Paso 2.

79
 APLICACIÓN
 Modelo neuronal estático

80
 REDES NEURONALES
 Herramientas

 SNNS
www.ra.cs.uni-tuebingen.de/SNNS/welcome.html

 Matlab (Machine learning, Deep learning)

https://la.mathworks.com/products/deep-learning.html
https://la.mathworks.com/products/reinforcement-learning.html

 Tensorflow (Machine learning)

www.tensorflow.org

81
 APLICACIONES
 Desarrollos
 Cancelación adaptiva de ecos
 Cinemática directa e inversa
 Clasificación de frutas
 Compresión de datos e imágenes
 Control de motores de inducción
 Control de tráfico aéreo y terrestre
 Control predictivo no lineal
 Corrección de fórmulas analíticas
 Detección de armónicos
 Detección y diagnóstico de fallas
 Diagnóstico y tratamiento de la hipertensión
 Entrenamiento de pilotos novicios de helicópteros
 Estimador de la calidad del papel
 Estimador de posición de blancos maniobrando

82
 APLICACIONES
 Desarrollos
 Extracción de características
 Identificación de ecos de sonar
 Identificación de sistemas no lineales
 Medición inferencial
 Lectura de códigos postales
 Modelación de procesos no lineales
 Optimización de procesos
 Optimización para la planificación y el transporte
 Percepción táctil
 Predicción de índices financieros
 Predicciones meteorológicas
 Programación de la producción
 Reconocimiento de dígitos manuscritos
 Reconocimiento de objetos en movimiento

83
 APLICACIONES
 Desarrollos

 Reconocimiento de patrones visuales

 Reconocimiento de voz
 Regulación de temperatura
 Regulación de turbogeneradores
 Visión estereoscópica.

 Aplicaciones en la web
www.ip-atlas.com/pub/nap

http://ann2ps.tripod.com

84
 APLICACIONES
 Ejemplos
 Analisis estratisgráfico (Quaternary Resource Investigations,
Louisiana)
 Control adaptivo predictivo de columnas de destilación (Texaco,
Houston)
 Control de procesos (Pavilion Technologies, Fujitsu)
 Control de temperaturas en reactor de varias pasadas (Du Pont,
Delaware)
 Detección de anomalías en electrocardiogramas (Neuron
Research, Suiza)
 Filtro adaptivo para modems de 4.600 baudios (Bell Labs)
 Filtro de excentricidad para steel rolling (Daimler Benz, Alemania)
 Modelación de calderas (Ballylumford Power Station, North Irland)
 Monitoreo en el proceso de laminación (Fujutsi, Nippon Steel)
85
 APLICACIONES
 Ejemplos

 Neutralización de pH en desechos químicos (Siemens)

 Operación de generadores (Toshiba)
 Optimización de la digestión en Celulosa do Caima, Portugal
(Siemens).
 Predicción de la demanda de calor en la ciudad de Chambery
(Cylergie Ufiner Cofreth, Nanterre)
 Predicción de ventas de productos industriales (Bayer AG,
Leverkusen)
 Predicciones financieras (Neuro-Forecasting Centre, London)
 Reconocimiento de caracteres ópticos (OCR; Calera Recognition
Systems)
 Sistema de predicción de clima (Néstor Inc., Analytical Science
Corp.).

86
 APLICACIÓN
 Sistema Neuro-Experto de predicción de demanda

87
 APLICACIÓN
 Demanda eléctrica semanal y su predicción

88
AUTOMATIZACIÓN Y CONTROL DE
PROCESOS INDUSTRIALES 2021

CAPÍTULO 6: SISTEMAS INTELIGENTES

Prof. Aldo Cipriano

aciprian@ing.puc.cl
Junio 2021