CONTROL AVANZADO DE

PROCESOS
CONTROL INTELIGENTE
Ing. Ernesto Godinez De La Cruz
 DESARROLLO DE LAS TÉCNICAS

Dificultades presentadas
Alta dimensionalidad del proceso
--

-Variación con el tiempo de las características del sistema

-No linealidades en el comportamiento del proceso
-Problemas de medición bajo incertidumbre
-Objetivos de control demasiado complejo
-Condiciones de alarma rigurosas
-Modelación muy pobre de la dinámica del proceso
-restricciones operativas del proceso
-Probabilidad de falla en sensores o actuadores
 EVOLUCIÓN DE LAS TÉCNICAS
DE CONTROL

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

Sensor Actuador Sensor Actuador

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

Capa de entrada Capa de salida

 Aplicaciones de las redes
neuronales
• Control en tiempo real de mecanismos
complejos
• Predicción del movimiento de accionamientos
• Reconocimientos de posiciones espaciales
• Organización automática de movimientos de
manipuladores
• Predicción de cargas y energía en redes
eléctricas
• Procesamiento de señales
• Control de procesos continuos
 aplicaciones
cintura

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

Definidas por el experto

Definición de las Funciones de

Fuzzificación
Membresía de entrada

Definición de las reglas Evaluación de reglas

Definición de las Funciones de

Membresía de salida Defuzzificación

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

ENTRADA FUZZY SALIDA FUZZY

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

FUNCIÓN DE PERTENENCIA O CONJUNTO FUZZY – Conjunto que mapea las

entradas abruptas desde su dominio hasta su grado de pertenencia.

GRADO DE PERTENENCIA – Grado al cual una entrada abrupta es compatible

con una función de pertenencia, el cual puede tomar valores dentro de un valor
predeterminado entre 0 y 1.

ETIQUETA – Nombre descriptivo usado para identificar una función de

pertenencia.

ENTRADAS ABRUPTAS (CRISP INPUTS) – Diferentes valores discretos de la

variable del sistema.

RANGO/DOMINIO – Intervalo sobre la cual una función de pertenencia es

mapeada.

UNIVERSO DE DISCURSO – Rango de todos los valores posibles de la variable

del sistema

ENTRADAS FUZZY - Transformación de entradas abruptas en términos de

conjunto fuzzy
 SISTEMA DE REGADIO

Soil
moisture
 DIAGRAMA DEL SISTEMA

Temperatura del aire

Sistema Fuzzy Tiempo de regadío

Humedad del suelo

VARIABLES DE ENTRADA:

TEMPERATURA: CONGELADO, FRIO, NORMAL, TIBIO, CALIENTE

HUMEDAD DEL SUELO: SECA, HÚMEDA, MOJADA

VARIABLES DE SALIDA:

DURACIÓN DE REGADIO: CORTO, MEDIO, PROLONGADO

EL NÚMERO DE CONJUNTOS FUZZY DE ENTRADA Y SALIDA, ASÍ COMO
SUS DOMINIOS, RANGOS, LOS UNIVERSOS DE DISCURSO, SON
CREADOS DE ACUERDO A LOS DATOS DE LA EXPERIENCIA.
LAS REGLAS DEL SISTEMA SON CREADAS EN FUNCIÓN A LA EXPERIENCIA
 FUZZYFICATION

PARA UNA TEMPERATURA DE 33C Y 11% DE HUMEDAD, LAS ENTRADAS FUZZY

SON:

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

 
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.

LAS REGLAS 2 Y 4 ORDENAN UNA DURACIÓN DE REGADÍO MEDIA, ENTONCES LA

DURACIÓN DE REGADÍO ES MEDIA CON UN GRADO DE VERDAD DE 0.46

LAS REGLAS 1 Y 3 ORDENAN UNA DURACIÓN DE REGADÍO PROLONGADA, ENTONCES LA

DURACIÓN DE REGADÍO ES PROLONGADA CON UN GRADO DE VERDAD DE 0.25.
 DEFUZZIFICATION

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

PROCESO CON CONTROLADOR PID

Controlador PID Perturbación

+ E +
SP PID PROCESO +
-
CONTROLADORES DE PROCESOS CON
LOGICA DIFUSA

Controlador Fuzzy

Lógica Perturbación
Fuzzy

+ + +
SP Integrador + PROCESO +
- E

El integrador permite eliminar el offset sin comprometer

la estabilidad del proceso
 CONTROLADORES DE PROCESOS CON
LOGICA DIFUSA

Controlador Fuzzy

Lógica
Perturbación
Fuzzy

+ + +
SP PID PROCESO +
- E +

• La salida del bloque fuzzy actúa como un seudo set point

• Si la variable del proceso está debajo del set point, se crea artificialmente
un error mayor para obligar una mayor acción del bloque PID
CONTROLADORES DE PROCESOS CON
LOGICA DIFUSA
Controlador fuzzy comercial
• Tiene las características de un controlador PID
• Intensidad Fuzzy (FU1): determina el impacto de
la sección de lógica difusa del algoritmo de
control en el porcentaje de la salida de control
• Escala Fuzzy 1 (FUS1): controla la magnitud de
la función de membresía del error
• Escala Fuzzy 2 (FUS2): controla la magnitud de
la función de membresía de la velocidad del
error
TIPOS DE CONTROLADORES FUZZY

Controlador directo
Las salidas Fuzzy son las variables de comando de la planta

Las Salidas Fuzzy son Valores Absolutos

 TIPOS DE CONTROLADORES FUZZY
Control supervisor
Las salidas Fuzzy colocan valores de referencia (set point) a
los controladores PID

Control tipo operador humano

 TIPOS DE CONTROLADORES FUZZY
PID adaptativo
Las salidas Fuzzy adaptan los parámetros P, I y D del controlador
convencional

El sistema Fuzzy analiza el desempeño del controlador y optimiza los

parámetros PID