Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROCESOS
CONTROL INTELIGENTE
Ing. Ernesto Godinez De La Cruz
DESARROLLO DE LAS TÉCNICAS
Dificultades presentadas
Alta dimensionalidad del proceso
--
Control clásico,
Control adaptivo Control Predictivo Control inteligente
algoritmo PID
Compensación Función inversa Aprende
Realimentación
dinámica Del modelo la operación
estática
CONTROL INTELIGENTE
• Sistema capaz de comprender, razonar y
aprender acerca del proceso, perturbaciones
y condiciones de operación
• Tiene un módulo característico encargado de
realizar la tarea de evaluación de la
eficiencia del control y aprendizaje de
operaciones nuevas de operación
• Esta labor la realiza una computadora
CONTROL INTELIGENTE
CONTROL INTELIGENTE
Comunicaciones
Comunicaciones
PROCESO
CONTROL INTELIGENTE
REDES NEURONALES
• Se pretende modelar mediante funciones
matemáticas, los procesos de transferencia y
procesamiento de la información que ocurre
entre las neuronas de una red natural
• Una RNA es un conjunto de elementos
computacionales conectados entre sí, actuando
cada uno de ellos en forma autónoma pero en
sincronía con los demás
• Las neuronas pueden ser circuitos electrónicos,
microprocesadores, fragmentos de programa o
elementos biológicos que almacenan sus
estados mediante reacciones químicas
REDES NEURONALES
Las redes neuronales tienen capacidad de aprendizaje,
el cual puede ser:
-Supervisado: Se presentan sucesivamente patrones de
estímulo y las salidas correspondientes hasta que la red
aprenda a organizarlos, quedando así la red entrenada
-No supervisado: Se presentan a la red una serie de
estimulo y las reglas que debe usar para relacionar los
datos
Entrenar una red neuronal implica modificar los pesos
sinápticos para conseguir que cada neurona proporcione
la respuesta correcta
Estructura multicapa de una red
neuronal
Neurona Neurona
Pesos Pesos
Neurona
Pesos
Pesos
Capa oculta
hombro
codo
brazo
cuerpo
antebrazo
muñeca
Aplicaciones
Aplicaciones
SISTEMAS BASADOS EN
CONOCIMIENTOS
• Es una base de datos denominada base
de conocimientos
• Tiene un módulo (motor de inferencias)
encargado de realizar la deducción o
inferencia de la respuesta a un
determinado conjunto de condiciones o
evidencias que sobre el fenómeno se
presentan en cualquier momento
SISTEMAS BASADOS EN
CONOCIMIENTOS
Sistemas expertos
- Sistema basado en conocimientos
- Su origen directo es la experiencia
proveniente de un experto, quien debe
conocer profundamente el sistema
- Usa reglas exactas sobre las cuales no
hay incertidumbre
SISTEMAS BASADOS EN
CONOCIMIENTOS
Lógica difusa
• El control difuso proporciona una metodología
formal para representar, manipular e implementar
conocimiento heurístico humano de como se
debe controlar un sistema.
• El control difuso involucra la incorporación de esa
experiencia a través de un conjunto de reglas.
• Está basada en el uso de expresiones
lingüísticas provenientes del operador experto
para calificar las acciones de control
SISTEMAS BASADOS EN
CONOCIMIENTOS
¿Cuando usar un controlador difuso?
– En procesos difíciles de automatizar y que son fácilmente
controlados por operarios humanos.
– Procesos con incertidumbres o de difícil estimación de los
parámetros que los definen.
– Procesos complejos, no lineales, de orden elevado,
variantes en el tiempo.
– Procesos difíciles de medir las variables a controlar, o con
medidas no fiables.
Ventajas:
– No necesitan un modelo de la planta
– Fáciles de implementar.
– Poco sensible a cambios en el sistema.
– Alto rechazo al ruido...
SISTEMAS BASADOS EN
CONOCIMIENTOS
Entrada crisp
Inferencia Fuzzy
Salida crisp
SISTEMAS BASADOS EN
CONOCIMIENTOS
BASE DE CONOCIMIENTO
FUNCIONES DE PERTENENCIA REGLAS FUNCIONES DE PERTENENCIA
DE ENTRADA DE SALIDA
SALIDA
ENTRADA CRISP
CRISP
FUZZYFICATION DEFUZZYFICATION
REGLAS DE EVALUACIÓN
PROCESO
TÉRMINOS USADOS EN FUZZY LOGIC
Entradas Fuzzy
Etiquetas
Funciones de Pertenencia
u (x )
B a jo M e d ia n o A lto M u y A lto 1.75 es Mediano
1 con un grado de
verdad de 0.3 y
Alto con un
0 .6 grado de verdad
0 .4 de 0.6
0 .2
A ltu r a
Grados de Pertenencia 1 .6 0 1 .7 5 1 .9 0 2 .5
Rango/Dominio
Universo de Discurso
Entradas Abruptas
TÉRMINOS USADOS EN FUZZY LOGIC
Soil
moisture
DIAGRAMA DEL SISTEMA
VARIABLES DE ENTRADA:
VARIABLES DE SALIDA:
C o n g e la d o F r io N o r m a l T ib io C a lie n te S eca Húm eda M o ja d a
1 1
0 .7 5
0 .4 6
0 .2 5
0 .2
T e m p e ra tu ra Hum edad
11%
3 3 °C
REGLAS DE EVALUACIÓN
LA TEMPERATURA ES TIBIA CON UN GRADO DE VERDAD DE 0.2
LA TEMPERATURA ES CALIENTE CON UN GRADO DE VERDAD DE 0.46
LA HUMEDAD DEL SUELO ES SECA CON UN GRADO DE VERDAD DE 0.25
LA HUMEDAD DEL SUELO ES HÚMEDA CON UN GRADO DE VERDAD DE 0.75
DE TODAS LAS REGLAS POSIBLES SOLO TIENEN VALOR NUMERICO LAS CUATRO REGLAS
SIGUIENTES.
REGLA 1
IF temperatura es caliente AND humedad es seca, THEN duración es prolongada
REGLA 2
IF la temperatura es tibia AND la humedad es húmeda, THEN la duración es media.
REGLA 3
IF la temperatura es tibia AND la humedad es seca , THEN la duración es prolongada.
REGLA 4
IF la temperatura es caliente AND la humedad es húmeda, THEN la duración es media.
REGLAS DE EVALUACIÓN
LOS ANTECEDENTES CON GRADO DE PERTENENCIA CALCULADOS EN LA ETAPA
DE FUZZYFICATION SON CONECTADOS POR EL OPERADOR AND ENTONCES EL
RESULTADO ES EL VALOR MÁS PEQUEÑO DE LOS ANTECEDENTES.
REGLA 1
IF temperatura caliente (0.46) AND humedad seca (0.25), THEN duración prolongada.... 0.25
REGLA 2
IF temperatura tibia (0.2) AND humedad húmeda (0.75), THEN duración media. ........0.20
REGLA 3
IF temperatura tibia (0.2) AND humedad seca (0.25), THEN duración prolongada.. ........0.20
REGLA 4
IF temperatura caliente (0.46) AND humedad húmeda (0.75), THEN duración media.......0.46
LAS SALIDAS FUZZY SON LOS MÁXIMOS DE CADA REGLA QUE ORDENAN EL MISMO
CONSECUENTE.
Medio Prolongado
0.46 0.25
C o rto M e d io P r o lo n g a d o
1
0 .4 6
0 .2 5 A1
A2
10 20 30 40 50 T ie m p o ( m in )
38
A1 : área medio Y2
Y1
Y1 : centro medio
A2 : área prolongado
A1.Y 1 A2.Y 2
Y2 : centro prolongado salida crisp
Y1 Y 2
CONTROLADORES DE PROCESOS CON
LOGICA DIFUSA
Fuzzificación
Definir la PS
Error
Membresía de
Entrada PL
Salida
Para el error Evaluar Defuzzificar crisp
Las reglas Z Y producir
Fuzzy la salida
Encontrar Definir la NM crisp
Delta Membresía de
Del error Entrada para NL
el delta del error
SISTEMAS BASADOS EN
CONOCIMIENTOS
Funciones de membresía de la entrada
1
Z
0.75
NL NM NS Z PS PM PL
0.25
PS
0
-1 0 1 error
0.1
1
NS 0.8
NL NM NS Z PS PM PL
0.2
Z
delta error
0
-1 0 1
-0.3
CONTROLADORES DE PROCESOS CON LOGICA
DIFUSA
+ E +
SP PID PROCESO +
-
CONTROLADORES DE PROCESOS CON
LOGICA DIFUSA
Controlador Fuzzy
Lógica Perturbación
Fuzzy
+ + +
SP Integrador + PROCESO +
- E
Controlador Fuzzy
Lógica
Perturbación
Fuzzy
+ + +
SP PID PROCESO +
- E +
Controlador directo
Las salidas Fuzzy son las variables de comando de la planta