Glosario (sp)‎ > ‎

Teoría de control || Control theory

Artículo
 
EditorBasil Mohammed Al-Hadithi e-mail
Contribuciones incorporadas
A. Jiménez Avello, Basil M. Al-Hadithi (20/01/2014)
Ámbito de usotransdisciplinar, teoría de sistemas, cibernética, inteligencia artificial, control de procesos
Tipoteoría
Francésteorie d'control
AlemánKontrolltheorie, Regelungstheorie
 
[Guidelines for the editor
1) This text between brackets must be substituted by the article approved by the editor.
2) The upper box of metadata must be actualized (entries, integrated in the current wording of the article; usage domain(s) of the voice, particularly the ones currently treated in the article; type -conpept, metaphor, theory, theorem, principle, discipline, resource, problem-; equivalent terms in French and German).
3) For the bibliographic references the normalized method author-year will be applied. E.g.
...As stated by Bateson (1973)...
...As proven (Turing 1936)...

..."is requisite to make an image?" (Peirce 1867: p. 5)..

The referred documents must be compiled in the reference section following the exemplified normalized format.
4) If the article is long (>1 p) it should be subdivided in numbered sections (including an initial summary section)]
 
References
  • AUTHOR, N. (year). “article title”. Magazine, Vol. xx, pp. yy–zz.
  • AUTHOR, N. (year). Book title. Edition place: editor.
  • AUTHOR, N. (year). Web page title. [Online]. Edition place: Responsible organism. <page url>. [Consulted: consulting dd/mm/yy].
Entradas
Nueva entrada. Para hacer una entrada es necesario: (1) identificarse como editor autorizado del sistema (que puede hacerse pulsando el enlace "acceder" en la parte inferior izquierda de la página). (2) Una vez identificado, púlsese el botón "editar página" en la parte superior derecha. (3) Estando en modo de edición, sustitúyase "nombre" por el de los autores correspondientes, "fecha" por la de introducción del texto, y la línea siguiente sustitúyase por el texto propuesto. Al final de la entrada deben consignarse las referencias usadas según el modelo normalizado. (4) Para finalizar púlsese "guardar" en la parte superior derecha.
La entrada será revisada por el editor y al menos por otro experto. Una vez seleccionadas se integrarán en el artículo en la columna de la izquierda.

Autor(es) (dd/mm/aaaa)

[sustituir este párrafo por el texto de la entrada]


 
Agustín Jiménez Avello y Basil Mohammed Al-Hadithi (20/01/2014)

[Según se acordó con el editor y los autores a esta entrada, para la configuración de un nuevo artículo sobre "teoría de control" -en la columna de la derecha- debe añadirse un preámbulo y una estructura de secciones más acordes a la presentación del campo teórico en toda su amplitud. Se recomienda introducir en el texto citas a las referencias bibliográficas consignadas al final de la entrada]

CONTROL INTELIGENTE DE PROCESOS 

1. INTRODUCCIÓN

El Control Inteligente de Procesos es una de las muchas vertientes de la Automática, por lo que los conceptos básicos de partida serán la Automática, los procesos, el control y la inteligencia artificial.

En primer lugar, la Real Academia de Ciencias Exactas, Físicas y Naturales define la Automática como:

Ciencia que trata de los métodos y procedimientos cuya finalidad es la sustitución del operador humano por un operador artificial en la ejecución de una tarea, física o mental, previamente programada.

En cuanto al concepto de proceso, se entiende como tal:

Una operación o un desarrollo natural progresivamente continuo, marcado por una serie de cambios que suceden unos a otros y que conducen a un resultado o propósito determinado.

 En el ámbito industrial, el operador humano cuyas funciones vamos a sustituir, al menos parcialmente, será básicamente el operador de planta o de proceso industrial, como pudiera ser una planta química, una refinería, una siderurgia, una fábrica de cemento, y un largo etcétera. Cabe añadir que, derivado de este núcleo principal, el control inteligente tiene otras muchas aplicaciones, desde la conducción automática de vehículos,  como el sistema de frenado del famoso tren bala japonés, hasta aplicaciones en elementos utilizados en la vida cotidiana, como el control de electrodomésticos, por ejemplo el control de una lavadora en función de su carga.

Siguiendo con los conceptos básicos, el concepto de control lo podemos definir como la:


Capacidad de influir en el comportamiento de algo (un objeto o un sujeto) de tal forma que ese algo se comporte de una manera deseada.

De estas definiciones se deduce que partimos de una planta o proceso industrial, es decir un Subsistema Problema, y nuestro objetivo es diseñar un Subsistema de Control de modo que, el sistema conjunto, formado por la interconexión del subsistema problema con el subsistema de control, se comporte de una manera deseada.

Por último, podemos definir Inteligencia artificial como un

Conjunto de técnicas, que se aplican en el diseño de programas de computador que tengan la capacidad de razonar, en el sentido de inferir nueva información, y que por la dificultad del problema a resolver requieren una solución con un grado de inteligencia.

La Real Academia Española define Inteligencia como laCapacidad de entender o comprender”. Este es el objetivo de la Inteligencia Artificial, construir programas de computador que tengan un comportamiento inteligente, lo que supone percibir, razonar, aprender, comunicarse y resolver problemas en entornos complejos.

Desde el punto de vista clásico, la metodología de implantación de sistemas de control se basa en cuatro fases. Una primera fase de Modelado, de abstracción de un modelo matemático del proceso, que normalmente estará basado en ecuaciones diferenciales; una segunda fase de Análisis, en la que, a partir del modelo obtenido, estudiamos el comportamiento estático y dinámico del proceso; una tercera fase de Diseño, en la que, a partir del modelo del proceso y de unas especificaciones de comportamiento deseado, se obtiene el modelo matemático del controlador; y una cuarta y última fase de Implantación, en la que se materializa el subsistema controlador, clásicamente mediante controladores analógicos y hoy en día mediante controladores digitales.

En esta metodología, la complejidad del diseño debe ser acorde, por una parte, con la complejidad del proceso y, por otra, con la complejidad de las especificaciones deseadas y requerimientos de funcionamiento de la planta. En una planta que se pueda modelar razonablemente mediante un modelo diferencial lineal, sin demasiadas restricciones en las especificaciones deseadas, muy posiblemente sea suficiente para resolver el problema utilizar los clásicos controladores PID, los muy conocidos controladores Proporcionales, Integrales y Derivativos. Sin embargo, cuando los posibles modelos son inevitablemente complejos, no lineales, o con comportamientos impredecibles, o cuando las especificaciones de comportamiento son complejas o restrictivas, los clásicos PIDs industriales no son suficientes y el sistema de control debe ser cada vez más sofisticado. Será necesario buscar soluciones en el control óptimo o en el control adaptativo, control predictivo, etc. y aún así, en muchos casos, seremos incapaces de resolver la situación. Como consecuencia, se llega de nuevo a la necesidad de la presencia de un operador humano, encargado de la evaluación del estado del proceso y de tomar decisiones sobre cambios en la estructura, los parámetros o los objetivos del sistema de control.

Un buen ejemplo pudiera ser un horno de cemento. Con el control tradicional seremos capaces de mantener la producción, temperatura, presión, etc. hasta que, de pronto, se produce un mal funcionamiento del sistema, como pudiera ser una pegadura de material en las paredes del horno. Cuando se detecta el problema, la solución clásica del operador es pasar a control manual, maniobrar la planta hasta resolver el problema y, una vez resuelto, volver al control automático. El resultado es que la planta estaría menos del 30% del tiempo en control automático.

La complejidad del modelo y los niveles de incertidumbre son tan altos, que prácticamente sería imposible obtener unos modelos adecuados, lo que imposibilita la solución de este problema por métodos clásicos de control. Sin embargo, el operador humano, con un adecuado entrenamiento, es capaz de hacer frente a este tipo de problemas.

Esta sorprendente capacidad humana es lo que trataremos de emular con el control inteligente. Trataremos de extraer la experiencia de nuestros cerebros para solucionar problemas complejos, o nos inspiraremos en esa inmensa red de neuronas que disponemos en el cerebro y en la forma en la que observamos y analizamos el mundo que nos rodea para tomar decisiones acertadas frente a los problemas que nos enfrentamos en nuestra vida cotidiana.

Como conclusión, el control inteligente comprende una serie de técnicas, tomadas fundamentalmente de la inteligencia artificial, con las que se pretenden resolver problemas de control inabordables por los métodos clásicos.

Cuando observamos en detalle la lista de actividades que debería realizar un sistema de control, vemos claramente dos tipos diferenciados. Por una parte actividades que conducen a la modificación del proceso, y por otra, actividades de procesamiento de información con un cierto grado de abstracción. Estos dos tipos de actividades son en cierta medida calificables como conductivas y cognoscitivas.

El control clásico consta esencialmente de tratamiento de información en un nivel numérico y de actuación sobre el proceso, es decir, actividades conductivas, no apareciendo en él actividades cognoscitivas de alto nivel de abstracción. Por ello, en muchos casos se debe añadir a este tipo de controles la supervisión de un operador humano. El término Control Inteligente se utiliza para hacer referencia a un control en el que las actividades cognoscitivas tienen especial importancia. Dentro de este tipo de problemas son de especial importancia los sistemas complejos, que presentan características de gran dimensión, de no linealidad, con comportamientos impredecibles, incluso en los que puede haber una cierta falta de concreción en los objetivos o en las restricciones. 

En el resto del tema veremos una pequeña reseña histórica, para pasar a estudiar las cuatro técnicas básicas que fundamentalmente componen el Control Inteligente: Control Experto, Control Borroso, Redes Neuronales Artificiales y Algoritmos Genéticos. Haré, además, algún comentario sobre integración de técnicas, para acabar con algunas conclusiones.

2. RESEÑA HISTORICA

Ya en 1914 Torres Quevedo, en su ensayo sobre la Automática, subrayaba en su definición que “[...] la función fundamental del órgano de control es el discernimiento entre las diferentes opciones de actuación [...]”, lo que sin duda se puede considerar como una de las primeras definiciones de la toma de decisión inteligente como la conocemos casi cien años después.

En el origen de los trabajos en control inteligente cabe destacar la figura de King-Sun Fu por sus trabajos con “recognition in the loop” publicados en 1971. También hay que destacar como precursor y gran impulsor del control inteligente a Lotfi Zadeh, que, como luego veremos, en 1965 propuso los conjuntos borrosos, base de una de las técnicas de mayor impacto.

Luego, a mediados de los años 1980, se produce el desarrollo teórico por parte de grupos de trabajo universitarios que plantean el fundamento teórico de este tipo de sistemas, desde la perspectiva de la inteligencia artificial, el control y la interacción de sistemas jerárquicos. Cabe destacar los trabajos de Saridis y de Meystel, en 1985, y el de Tzafestas, en 1989.

En estos años se desarrollan las primeras aplicaciones de sistemas expertos reales:

  • Sistemas de 1ª Generación (Shirley, 1987), (Bernard, 1988), en los que se logra implantar conocimiento de control, tomado de operadores expertos, en forma de reglas.
  • Sistemas de 2ª Generación (Brajnik, 1990), basados en modelos de los procesos que manejan.

En esta época, también, aparecen las primeras herramientas específicas que permiten el desarrollo eficaz de sistemas inteligentes de control, como la de Gensym, en 1989.

Pero ha sido en la década de los 1990 cuando el Control Inteligente ha alcanzado su consolidación. Los centros de investigación, libros, conferencias, congresos y reuniones científicas dedicados al tema son muy numerosos. Mención especial merecen los proyectos internacionales de investigación financiados por entidades europeas y estadounidenses, que han realizado una importante labor de desarrollo de técnicas y de transferencia de tecnología, dando lugar a muchas aplicaciones industriales. Hay que destacar también el gran impacto industrial del control inteligente en Japón, en especial del control borroso, del que luego hablaremos.

En 1993 el mercado global de productos que involucran sistemas inteligentes de control fue de 900 millones de dólares. En el 2002, la Business Communication Companycalculó el mercado mundial en 11.900 millones de dólares, lo que supone un crecimiento anual superior al 33%. La predicción de crecimiento para el siguiente quinquenio se estimó entonces en un 12.2% anual. Estas cifras dan una idea de la importancia industrial del Control Inteligente.

3. TÉCNICAS DE CONTROL INTELIGENTE DE PROCESOS

3.1. Sistemas expertos de control

Una primera técnica básica de Control Inteligente es la de los sistemas expertos de control

Una de las definiciones más completas de sistema experto es la debida a Feigenbaum (1982)

Un sistema experto es un programa de computador, que usa procedimientos de conocimiento e inferencia para solucionar problemas que son suficientemente difíciles como para requerir experiencia humana en su solución. El conocimiento necesario para operar en tal nivel, añadido a los procedimientos de inferencia utilizados, puede ser considerado como un modelo de la experiencia de los mejores operadores en dicho campo.

De la definición se pueden concluir las características de un sistema experto:

  • Es un programa de computador
  • Dispone de conocimiento fruto de la experiencia y
  • Realiza un razonamiento similar al que haría un experto humano

A grandes rasgos un sistema experto está formado internamente por una base de conocimiento, un motor de inferencia y unas interfaces, con el operador, con sensores externos, con el equipo de desarrollo, etc. En la base de conocimiento se almacenan hechos y reglas:

  • Hechos: Por ejemplo en un horno de cemento, en un momento dado, los hechos son que
    • La temperatura es alta, entendiendo como tal que sea, por ejemplo, superior a 1.500º
    • La presión está bajando
    • ...
  • Reglas: Por ejemplo
    • Si la temperatura es alta
    • entonces bajar un 2% combustible o subir un 1% la ventilación

El motor de inferencia es el programa que emula el razonamiento humano. Aplica las reglas a los hechos generando nuevos hechos, que, a su vez, pueden requerir la aplicación de nuevas reglas, llegando finalmente a conclusiones.

El control basado en reglas es la aplicación directa de los sistemas expertos en control. En este caso la base de conocimientos se obtiene de un experto humano: el operador del proceso a controlar. En ella se recogen esencialmente dos tipos de información: reglas referentes a la interpretación del estado del proceso y reglas para la determinación de las actuaciones. Hay que resaltar, por tanto, la necesidad del experto humano y la necesidad de un proceso de extracción y formalización del conocimiento, la llamada Ingeniería del Conocimiento.

El sistema experto sustituye por tanto al experto humano, al menos en alguna de sus actividades. Comparativamente,

  • El experto humano es
    • Más creativo
    • Más adaptable
    • Tiene “sentido común”
  • El sistema experto es
    • Permanente
    • Fácil de transferir
    • Fácil de documentar
    • Consistente
    • Más “barato”

Los sistemas expertos de control tienen características esenciales que los distinguen de los sistemas expertos de uso general, como por ejemplo los dedicados a diagnóstico médico. El aspecto fundamental que caracteriza a los sistemas de control es el de la variabilidad temporal de los sistemas a controlar. Un subsistema de control es un ente encargado de que otro -el subsistema problema- tenga un comportamiento determinado. La necesidad del sistema de control surge precisamente de las variaciones a lo largo del tiempo en el estado del subsistema problema. El funcionamiento entiempo real es pues el aspecto de implementación más importante de un sistema de control.

En este sentido el sistema experto de control debe realizar:

  • Razonamiento en tiempo crítico: se debe tener el resultado a tiempo para resolver el problema.
  • Razonamiento interrumpible: una alarma debe poder interrumpir temporalmente el proceso de inferencia y pasar a resolver la causa de alarma de forma inmediata.

Desde el punto de vista del sistema experto esta variabilidad temporal hace que los hechos que se manejan tengan valores cambiantes en el tiempo, verdades con caducidad. Esto da lugar a otros aspectos de implementación, como las técnicas denominadas de “mantenimiento de verdad”, en las que al variar un dato hay que modificar de forma acorde las conclusiones obtenidas anteriormente a partir del valor anterior del mismo.

Unos posibles indicadores de necesidad del Control Inteligente serían: 

  • Sobrecarga cognoscitiva de los operadores
  • Exceso de información para monitorización
  • Dificultad para resolver conflictos de restricciones
  • Personal caro o escaso
  • Errores costosos
  • Incapacidad de los operadores para obtener una solución con la celeridad necesaria

Como limitaciones cabe destacar su gran tamaño y su incapacidad para dar soluciones fuera de las previamente programadas.

3.2. Control borroso

Como segunda técnica básica es el control borroso

Una de las principales cualidades que tenemos los seres humanos es la de poder tomar decisiones ante situaciones con altos niveles de incertidumbre y en ocasiones pobremente definidas. Por ejemplo, cuando nos enseñaron a conducir, nuestro profesor de autoescuela nos decía que, para arrancar, debíamos soltar suavemente el embrague y simultáneamente pisar un poco el acelerador; no nos decía que debíamos soltar el embrague con una velocidad angular de 2 º/s y pisar el acelerador con 3 º/s. Ni sabemos los datos numéricos, ni nos hacen falta para conducir cualquier coche. Sin embargo, si esta tarea la realizara un computador, necesitaría calcular unos valores numéricos con los que actuar sobre el sistema.

El control borroso trata de implantar en el computador, intrínsecamente numérico, las estrategias de control de los operadores de proceso, expresadas normalmente en términos lingüísticos, y por tanto imprecisos. Por ejemplo, volviendo al horno de cemento, 

si la temperatura es caliente        

y el oxígeno un poco bajo

entonces abrir un poco la ventilación

El nexo de unión entre estos dos mundos, el impreciso y el numérico, se basa en la lógica borrosa. El objetivo de la lógica borrosa es el de la formalización del razonamiento con incertidumbre. Intenta abordar problemas definidos en términos lingüísticos, con datos expresados en términos cualitativos.

En contraposición a la lógica clásica, en la que cualquier enunciado o proposición puede tomar un valor lógico VERDADERO o FALSO, los valores lógicos borrosos se corresponden a términos lingüísticos, como a medias, bastante, casi, poco, mucho, algo, etc. Permite, por tanto, plantear el problema en los mismos términos en los que lo haría un experto humano.

La formalización de estos términos lingüísticos se hace mediante los conjuntos borrosos, propuestos por Lotfi Zadeh (1965). En la teoría clásica de conjuntos, los elementos del dominio pertenecen, o no, a un determinado conjunto. A diferencia de éstos, en los conjuntos borrosos todos los elementos del dominio pertenecen a todos y cada uno de los conjuntos borrosos específicos, pero, para cada uno de ellos, con un cierto grado definido por la función de pertenencia característica del conjunto, que para cada elemento toma valores entre 0 y 1. Esta función de pertenencia no indica una probabilidad, sino un grado de compatibilidad de un cierto predicado, es decir, un grado de posibilidad de que éste sea cierto. Por ejemplo, podríamos definir el conjunto “calles largas de Madrid”; en este caso, todas las calles de Madrid pertenecerían a este conjunto. Sin embargo, la Castellana tendría un grado de pertenencia que sería prácticamente 1, mientras que el grado de pertenencia de la calle José Gutiérrez Abascal, donde está nuestra Escuela, sería prácticamente 0.

El control borroso es un control basado en reglas, sin embargo se considera como una técnica independiente de los sistemas expertos, debido por una parte a que su estructura es de una única capa de reglas y, por otra, a que su implementación (compilación de reglas) es muy específica de este tipo de control.

Las reglas de un controlador borroso son, por ejemplo en un PD borroso, del tipo

Si el error es positivo pequeño y el cambio del error es positivo pequeño entonces la acción de control es positiva grande

Es decir, en el sistema de reglas las variables toman valores borrosos, sin embargo las variables físicas del sistema toman valores reales, por lo que en la implementación será necesaria una primera fase, llamada “borrosificación” (fuzzyfication), en la que a partir de los valores reales se obtengan sus equivalentes borrosos. Una segunda fase será la de inferencia borrosa, es decir la de aplicación de las reglas, donde se utilizará la lógica borrosa. El resultado de la inferencia será un conjunto borroso, por lo que será necesaria una tercera fase de“desborrosificación” (de-fuzzyfication), por la que se obtenga el valor numérico de la acción de control.

El diseño de un controlador borroso implica, por tanto, la construcción del conjunto de las reglas de control. En los primeros controladores borrosos, estas reglas se obtenían únicamente describiendo las acciones de los operadores del sistema de control en el formato SI-ENTONCES. Sin embargo, la determinación de estas reglas no es suficiente, ya que hay que definir también, para cada término lingüístico, los parámetros de la correspondiente función de pertenencia. Este proceso de asignación de valores numéricos a los términos imprecisos no resulta muchas veces sencillo; no siempre los operadores son capaces de ayudar en esta tarea.

Como hemos visto, el controlador borroso, a partir de unos valores numéricos de las variables de proceso, calcula el valor numérico de la acción de control. Es decir, la acción de control será una función, generalmente no lineal, de las variables de proceso.

Generalizando este resultado, se pueden desarrollar sistemas borrosos, con la misma filosofía que los controladores borrosos, para obtener modelos no lineales de funciones no lineales. Esto da lugar a una línea de trabajo actual, que es obtener modelos de los procesos no lineales mediante sistemas borrosos y utilizar estos modelos borrosos no lineales para desarrollar estrategias de control.

En resumen, un controlador borroso es recomendable en procesos complejos, cuando no hay un modelo matemático simple, procesos altamente no lineales, sobre todo si disponemos de conocimiento experto formulado lingüísticamente. Sin embargo los controladores borrosos son complejos, con multitud de parámetros de ajuste, por lo que no son recomendables si el control convencional funciona satisfactoriamente.

3.3. Redes neuronales artificiales de control

La tercera técnica que revisaremos es la de las redes neurolanes artificiales

Las redes neuronales artificiales (RNA) surgen como un intento para emular el funcionamiento de las neuronas de nuestro cerebro. En este sentido las RNA siguen una tendencia diferente a los enfoques clásicos de la inteligencia artificial, los cuales tratan de emular la inteligencia buscando imitar los procesos de razonamiento humano.

Al igual que nuestro cerebro está compuesto por una gran cantidad de neuronas biológicas interconectadas, las RNA están formadas por la interconexión de un gran número de neuronas artificiales, de manera que se pretende imitar, de un modo muy burdo, el funcionamiento del cerebro.

El modelo de la neurona individual es simple y su capacidad de procesamiento limitada. Tiene múltiples entradas y una única salida, que se calcula como una función de la suma de las entradas, ponderadas mediante unos coeficientes denominados pesos sinápticos.

La característica básica de las RNA es su capacidad de aprendizaje. Los pesos sinápticos se pueden ajustar de forma óptima para que, en un conjunto de muestras de entrenamiento de variables de entrada y de salida, se minimice el error entre las salidas de la red, ante las entradas de entrenamiento, y las salidas de entrenamiento. Posteriormente, una vez entrenada la red, en su fase de ejecución, para otros valores de las entradas, las salidas serán interpolación o extrapolación de las salidas de entrenamiento. Por tanto, la red, en su fase de ejecución será una función no lineal con múltiples entradas y salidas.

Desde el punto de vista de control, la principal característica a explotar de las redes neuronales es precisamente su habilidad para representar y por tanto modelar sistemas no lineales. Existen dos tipos fundamentales de control utilizando redes neuronales: control directo y control indirecto.

En las diversas arquitecturas de control neuronal directo que se pueden proponer, la propia red neuronal se encarga de generar la señal de control que actuará sobre el proceso. En esta categoría se puede destacar el Control supervisor. Existen situaciones en las que un operador humano realiza determinadas acciones de control manual de forma satisfactoria, mientras que los intentos de diseñar un sistema de control, mediante las técnicas clásicas, no han dado resultado. En este caso, puede ser una solución diseñar un sistema de control automático que imite las acciones del operador humano, dando lugar a un control supervisor. Es posible entrenar una red neuronal que aprenda las destrezas humanas, utilizando las observaciones del operario y sus acciones sobre la planta como pares de entrenamiento entrada-salida. Sin embargo, en este tipo de control, suele ser más adecuado utilizar sistemas de control basados en sistemas expertos o controladores borrosos.

En el control indirecto podemos agrupar todas las clases de controladores en los que el modelo neuronal sirve como soporte para la obtención del control que se enviará a la planta, pero éste es generado por un método clásico, no neuronal. Es decir, la red neuronal se utiliza para obtener un modelo del sistema no lineal, y dicho modelo se incluye en las técnicas de control basados en modelos, en particular, control adaptativo, control por modelo interno o control predictivo.

Hemos visto que, tanto en los sistemas borrosos como en las redes neuronales, a partir de unas variables, se obtienen funciones no lineales de las mismas. En este sentido los sistemas borrosos y las redes neuronales son equivalentes. Esta característica abre la posibilidad de buscar sistemas híbridos, denominados neuro-borrosos en los que se puedan aprovechar las ventajas de cada una de las técnicas. Las redes neuronales proporcionan habilidades de aprendizaje a los sistemas de lógica borrosa, mientras que la lógica borrosa proporciona a las redes neuronales una armazón estructural con reglas de representación del conocimiento y razonamiento de alto nivel mediante reglas del tipo SI-ENTONCES.

3.4. Algoritmos genéticos de control

Como cuarta y última técnica básica hablaremos de los algorimos genéticos

En los años 1970, John Henry Holland propuso una de las líneas más prometedoras de la inteligencia artificial, la de los algoritmos genéticos. Son llamados así porque se inspiran en la evolución biológica y su base genética. En la evolución de las especies, cuando se produce una variación del entorno, sólo los individuos que se adaptan a esa variación sobreviven, mientras que los que no pueden adaptarse mueren. A lo largo del tiempo van naciendo nuevos individuos que pasan a formar parte de la comunidad, con características genéticas que les hacen parecerse a sus padres, y permiten que la especie se mantenga. Además, en algunas ocasiones se producen mutaciones que dan lugar a individuos mejor o peor adaptados.

Los algoritmos Genéticos forman parte de la llamada Computación Evolutiva. En esta familia se consideran algoritmos que exhiben un comportamiento adaptativo y que permiten abordar problemas de optimización no lineales, incluso de grandes dimensiones, sin la necesidad de aplicar métodos basados en el gradiente o requerir un conocimiento explícito del problema. Como resultado, estos algoritmos son muy robustos al comportamiento variable en el tiempo, aunque pueden mostrar cierta lentitud en la convergencia.

La computación evolutiva cubre varios grupos importantes de algoritmos estocásticos, incluyendo las estrategias evolutivas, la programación evolutiva, los algoritmos genéticos y la programación genética.

Desde el punto de vista de control los algoritmos genéticos son los de mayor aplicación, por ejemplo, para depurar de forma automática las reglas que forman la base de conocimiento.

Los algoritmos genéticos establecen una analogía entre el conjunto de posibles soluciones de un problema y el conjunto de individuos de una población natural, codificando la información de cada solución en una cadena, generalmente binaria, llamada cromosoma. Los símbolos que forman la cadena son llamados genes.

Las fases del algoritmo serán: 

  • Una primera fase de Inicialización en la que se genera aleatoriamente la población inicial, constituida por un conjunto de cromosomas que representan las posibles soluciones del problema.
  • Una fase iterativa compuesta por
    • Una Evaluación en la que, a cada uno de los cromosomas de esta población, se aplica una función de aptitud para obtener una valoración de la bondad de la solución que se está codificando.
    • Una Selección en la que se procede a elegir los cromosomas que serán cruzados en la siguiente generación. Los cromosomas con mejor aptitud tienen mayor probabilidad de ser seleccionados.
    • Y una obtención de la Siguiente generación,fundamentalmente mediante Cruzamiento y Mutación
      • El Cruzamiento es el principal operador genético, que representa la reproducción sexual. Opera sobre dos cromosomas a la vez para generar dos descendientes donde se combinan de forma aleatoria las características de ambos cromosomas padres.
      • La Mutación modifica al azar parte del cromosoma de los individuos, y permite alcanzar zonas del espacio de búsqueda que no estaban cubiertas por los individuos de la población actual.
  • El Algoritmo Iterativo se deberá detener cuando se alcance la solución óptima, pero ésta generalmente se desconoce, por lo que se deben utilizar otros criterios de condición de término. Normalmente se usan dos criterios: ejecutar el algoritmo un número máximo de iteraciones (generaciones) o detenerlo cuando no haya cambios significativos en la población.

Se puede demostrar que el algoritmo, bajo la condición de que mantenga elitismo, es decir, que guarde siempre al mejor elemento de la población sin hacerle ningún cambio, converge en probabilidad al óptimo. En otras palabras, al aumentar el número de iteraciones, la probabilidad de tener el óptimo en la población tiende a uno. Las limitaciones son que el espacio de búsqueda de las soluciones debe ser conocido y limitado, la función de evaluación conocida y los individuos codificables.

 

Los algoritmos genéticos son de probada eficacia en caso de querer calcular óptimos en funciones no derivables (o de derivación muy compleja), como podría ser la base de reglas del sistema experto o del controlador borroso.

 

Sin embargo, queda camino todavía por recorrer en el nexo entre la computación evolutiva, los sistemas de control y las aplicaciones en tiempo real. Algunos problemas no resueltos son:

  • Requieren un análisis matemático riguroso, una tarea compleja y todavía incompleta.
  • Los detalles específicos de cada algoritmo evolutivo cambian considerablemente de una aplicación a otra. No existe una metodología general de aplicación y una mala elección de los parámetros puede producir muy pobres resultados.

3.5. Integración de técnicas de control inteligente

Aparte de hablar de las técnicas básicas del control inteligente, es importante resaltar la necesidad de la INTEGRACIÓN de técnicas

Hemos visto que el control inteligente agrupa varias técnicas de control, varias herramientas para resolver distintos problemas. Sin embargo, no existe la herramienta universal, por lo que lo verdaderamente inteligente es usar la herramienta adecuada para cada problema, lo que redundará en la obtención de mejores prestaciones. En una planta industrial los problemas de control son múltiples. Cuando los clásicos PIDs sean la solución debemos utilizarlos, al mismo tiempo la no linealidad de otra parte del proceso puede hacer recomendable un control borroso o neuro-borroso y muy posiblemente necesitemos un sistema experto para resolver problemas de alto nivel, para gestión de alarmas o para ayuda al operador.

Surge por tanto la necesidad de un mecanismo de integración. Este es un problema de ingeniería del software y por tanto se escapa ya del ámbito del tema de hoy, pero debe tenerse en cuenta cuando se planifica el desarrollo de un sistema de Control Inteligente, ya que puede suponer un incremento de costes de desarrollo y una pérdida de las prestaciones esperadas. Habrá que buscar un equilibrio entre el uso de herramientas especializadas y su dificultad de integración.

CONCLUSIONES

El Control Inteligente es el resultado de la intersección del Control Automático, la Inteligencia Artificial y los sistemas informáticos de tiempo real.

Los grandes progresos en el campo de la Inteligencia Artificial y en el estudio del comportamiento inteligente en los seres humanos, utilizando el marco teórico y experimental de las Ciencias de la Computación, nos han proporcionado una gran variedad de técnicas para incorporar la inteligencia a un programa de ordenador. Por su parte, la Automática, considerada como una red de información que toma decisiones acerca de cómo gobernar y controlar un sistema de un modo autónomo, se ha consolidado como la tecnología invisible sobre la que descansa buena parte de nuestra calidad de vida y bienestar. El desarrollo de fundamentos teóricos y la aplicación de métodos y algoritmos en la intersección de estas dos grandes áreas de conocimiento han ocupado la atención de una parte de la comunidad científica en lo que se ha denominado control inteligente, lo que ha tenido un gran impacto industrial.

Se ha visto que el control inteligente resuelve problemas de control inabordables por los métodos clásicos, por ejemplo:

  • Variabilidad de los materiales de partida
  • Variabilidad del proceso
  • Procesos difícilmente modelables
  • No linealidades
  • Variables ocultas
  • Anomalías de funcionamiento

Por otra parte, los campos de aplicación del Control Inteligente son múltiples, no solo el control directo de los procesos, sino también, por ejemplo:

  • Valoración del estado de un proceso, lo que supone la Interpretación de información de bajo nivel
  • Sistemas de ayuda, como
    • El Filtrado de acciones de operadores o
    • Los Tutores inteligentes
  • Sistemas de diagnóstico
  • Sistemas de gestión de alarmas
  • Sistemas de mantenimiento

Finalmente, lo expuesto es un esbozo de los conceptos y las técnicas básicas del control inteligente. 


Referencias
  • A comparative survey of artificial intelligence applications in finance: artificial neural networks, expert system and hybrid intelligent systems, Neural Computing and Applications, November 2010, Volume 19, Issue 8, pp 1165-1195
  • Structured population genetic algorithms: a literature survey, Artificial Intelligence Review, February 2012
  • Agustín Jiménez, Basil M.Al-Hadithi, Fernando Matía, Extended Kalman Filter for the Estimation and Optimal Control of Takagi-Sugeno Fuzzy Model, Fuzzy Controllers, Theory and Applications, Editorial: In-Techintechweb.org, ISBN: 978-953-307-543-3, abril 2011, Croacia. DOI: 10.5772/572
  • Basil Al Hadithi , José María Díaz Nafría, Glosario de conceptos, metáforas, teorías y problemas en torno a la Información, Fuzzy Logic, Editorial: Universidad de León. Área de publicaciones, España, 201, ISBN:  978-84-9773-554-4, Depósito Legal: LE-1580-2010, Año:  2010, PAGES: 275-284
  • Basil M. Al-Hadithi, Agustín Jiménez, Fernando Matía, A new Approach to Fuzzy Estimation of Takagi-Sugeno Model and its Applications to Optimal Control for nonlinear systems, Volume: 12   Issue: 1   Pages: 280-290   DOI: 10.1016/j.asoc.2011.08.044. ISSN: 1568-4946, 2011. Applied soft computing. Published: JAN-2012.
  • Fernando Matía, Basil M. Al-Hadithi, Agustín Jiménez, Pablo San Segundo, “An affine fuzzy model with local and global interpretations”. ISSN: 1568-4946. Applied Soft Computing, Volume: 11   Issue: 6   Pages: 4226-4235   DOI: 10.1016/j.asoc.2011.03.018   Published: SEP 2011. Texto de Entrada]
Subpages (1): Control theory
Comments