Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
3
SISTEMAS INTELIGENTES
4
SISTEMAS INTELIGENTES
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.
6
SISTEMAS EXPERTOS
Definiciones
Fundamentos
Aplicaciones
7
SISTEMAS EXPERTOS
Definiciones
8
SISTEMAS EXPERTOS
Fundamentos
9
SISTEMAS EXPERTOS
Fundamentos
Un Sistema Experto es adecuado para enfrentar un
determinado problema si:
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
16
SISTEMAS EXPERTOS
Estrategias de control en Sistemas Expertos
17
SISTEMAS EXPERTOS
Estrategias de búsqueda
18
SISTEMAS EXPERTOS
Encadenamiento hacia adelante o “forward
chaining”
19
SISTEMAS EXPERTOS
Encadenamiento hacia atrás o “backward chaining”
20
SISTEMAS EXPERTOS
Estrategias de búsqueda
21
SISTEMAS EXPERTOS
Etapas en el desarrollo de Sistemas Expertos
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:
23
SISTEMAS EXPERTOS
25
SISTEMAS EXPERTOS
Ambientes para Sistemas Expertos en tiempo real
G2 (www.gensym.com)
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.
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
32
APLICACIÓN
Knowledgescape: Grinding Expert Control
33
SISTEMAS DIFUSOS
Lógica Difusa
Controladores Difusos
34
SISTEMAS DIFUSOS
Concepto intuitivo de lógica difusa
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
39
SISTEMAS DIFUSOS
Operaciones entre conjuntos difusos
A B x min A x , B x
40
SISTEMAS DIFUSOS
Operaciones entre conjuntos difusos
AUB x max A x , B x
41
SISTEMAS DIFUSOS
Variable lingüística y proposición difusa
IF e is NB and de is NS THEN du is PB
43
SISTEMAS DIFUSOS
Variable lingüística y proposición difusa
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
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
49
SISTEMAS DIFUSOS
Base de Conocimiento
50
SISTEMAS DIFUSOS
Base de Conocimiento en controladores y sistemas
difusos tipo Mamdani
• El error e(t)
• La suma de errores t 1
δet ei
i 1
Reglas:
R k : IF x1 is LX 1k and x2 is LX k2 and...xn is LX nk
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
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
Measured Variables
Measured Variables
54
SISTEMAS DIFUSOS
Proscon ACT (Advanced Control Tools), Outotec
Elementos de control: control basado en reglas y lógica difusa.
55
REDES NEURONALES
Historia
Fundamentos
Aplicaciones
56
REDES NEURONALES
Historia
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.
Perceptrón simple
Perceptrón multicapa
Redes de Hopfield
Mapas autoorganizativos de Kohonen.
60
REDES NEURONALES
Ejemplo de perceptrón
61
REDES NEURONALES
Perceptrón simple
62
REDES NEURONALES
Perceptrón simple para clasificación
63
REDES NEURONALES
Relación entrada-salida de una neurona
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
68
REDES NEURONALES
Entrenamiento de Redes Neuronales
70
REDES NEURONALES
Entrenamiento mediante backpropagation
0 j f net j 1
net j
1 e
71
REDES NEURONALES
Función objetivo
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
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
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:
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
78
REDES NEURONALES
Algoritmo de entrenamiento iterativo
Paso 3: Dadas las entradas, calcular las salidas de la red según las
funciones de activación correspondientes.
79
APLICACIÓN
Modelo neuronal estático
80
REDES NEURONALES
Herramientas
SNNS
www.ra.cs.uni-tuebingen.de/SNNS/welcome.html
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
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
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