Control Inteligente

El control inteligente comprende una serie de tcnicas tomadas fundamentalmente de la

inteligencia artificial con las que se pretenden resolver problemas de control inabordables por los
mtodos clsicos.
El trmino 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 derivados de los comportamientos impredecibles de los sistemas a controlar.

Planta de extrusin de PVC

Tcnicas de inteligencia artificial usadas en el control

inteligente
El Control Inteligente es el resultado
de la interseccin del Control
Automtico, la Inteligencia Artificial y
los sistemas informticos distribuidos
de tiempo real.

Lgica difusa

Control inteligente

Redes neuronales

Algoritmo gentico

Lgica difusa
La lgica difusa tiene su origen en la dcada de los 60s, fue desarrollada por Lofti Zadeth y esta
basada en la teora de conjuntos difusos, la cual es una extensin de la teora clsica de conjuntos.
La lgica difusa esta basada en la teora de conjuntos que trata de imitar el comportamiento de la
lgica humana, se utiliza para representar la informacin imprecisa, ambigua o vaga, para poder
tomar decisiones razonables en un entorno de incertidumbre.
Ejemplos de conjuntos difusos: Caliente, frio, tibio, medio tibio, medio caliente. Este tipo de conjuntos
como se puede apreciar no estn bien definidos concretamente.

Ejemplo de conjuntos difusos para la

variable velocidad

Aplicaciones
Control de balanceo en gras.
Control de llama en plantas de incineracin de residuos.
Control de dosificacin en plantas de tratamiento de aguas negras.
Control de robots en inspeccin de tneles.
Control de posicin en prensas.
Control de temperatura en mquinas de modelado plstico.
Control de clima y automatizacin de edificios.
Control en conversores de generadores elicos.

Ventajas de sistemas de control difuso

Provee una eficiente metodologa para desarrollar un controlador no lineal sin usar matemtica
avanzada.
El controlador no necesita explcitamente del modelo del proceso a controlar.
Se puede trabajar tanto con sistemas SISO como MIMO
Se cuenta con la manipulacin de varias variables del controlador
Junto con simulaciones y mtodo de prueba y error es posible desarrollar un controlador no lineal
con buenas prestaciones.

Desventajas de sistemas de control difuso

Ningn software matemtico genera la estructura del controlador, de ah que el anlisis de
estabilidad o cualquier otra propiedad es muy complejo.
El ajuste de los parmetros del controlador no cuenta con tcnicas tan difundidas como es el caso
de los controladores PID.
La cantidad de parmetros en un controlador difuso es mucho mayor que en un controlador PID.
El procedimiento de diseo y ajuste del controlador puede requerir de mucho trabajo, es por ello
que se utiliza la herramienta de simulacin a prueba y error.

Redes neuronales artificiales (RNA)

Consisten en unidades de procesamiento densamente interconectadas , llamadas neuronas por su
similaridad funcional con las neuronas biolgicas. Las unidades de procesamiento reciben, procesan
y transmiten seales, tal como las neuronas biolgicas.
Conjunto de conexiones, o
pesos

Polarizacin

Una funcin de
activacin

Un sumador o mezclador
lineal.

Cada neurona esta conectada con otra neurona por medio de un peso de ajuste, representado por la
letra w, el primer subndice indica la neurona de destino, el segundo subndice indica la neurona de
origen.
La neurona artificial esta formada por un sumador y una funcin de activacin, dicha funcin de
activacin debe ser un sigmoide (forma de S), continua, real, de rango acotado y tener una derivada
positiva. Las funciones mas populares, son la tangente hiperblica y la funcin logstica.

Ventajas de las redes neuronales

Pueden sintetizar algoritmos a travs de un proceso de aprendizaje
Para utilizar la tecnologa neuronal no es necesario conocer los detalles matemticos
La solucin de problemas no lineales es uno de los fuertes de las redes neuronales
Las redes son robustas, pueden fallar algunos elementos de procesamiento pero la red continua
trabajando.

Desventajas de las redes neuronales

Las redes neuronales se deben entrenar para cada problema
Es necesario realizar mltiples pruebas para determinar la arquitectura adecuada, adems de que el
entrenamiento es largo.
Debido a que las redes se entrenan en lugar de programarlas, estas requieren de muchos parmetros
antes de poder aplicar la metodologa .
Presentan un aspecto complejo para un observador externo que desee realizar cambios.

Aplicaciones de redes neuronales

Se debe considerar el uso de redes neuronales cuando:
1. El numero de variables o la diversidad de los datos sean muy
grandes
2. Las relaciones entre las variables sean vagamente entendibles.
3. La relacin entre estas variables sean difciles de describir
adecuadamente mediante los mtodos convencionales.
4. Las variables o capturas presenten semejanzas dentro de un
conjunto de patrones.
Las caractersticas de este tipo de redes hacen que sus aplicaciones
sean muy amplias:
. Reconocimiento de grficos
. Control de produccin en lneas de proceso
. Robots automatizados y sistemas de control (visin artificial).
. Procesamiento de formas y documentos.

Algoritmo gentico
Un algoritmo gentico es una tcnica de optimizacin basada en el fenmeno de la evolucin, en el
cual las especies se adaptan para sobrevivir en ambientes complejos. El proceso de optimizacin
ocurre en la estructura gentica de los individuos, la cual afecta la supervivencia y reproduccin de
las especies.
En el caso de las redes neuronales cada solucin es un individuo, el cual puede heredar sus mejores
caractersticas a las nuevas generaciones. En cada generacin se escogen solo los mejores
individuos (las soluciones con el menor error).

Esquema de un algoritmo gentico

El funcionamiento genrico de un algoritmo gentico puede apreciarse en el siguiente seudocdigo:

Aplicaciones de algoritmos genticos

La aplicacin mas comn de los algoritmos genticos ha sido la solucin de problemas de optimizacin.
Dentro de los distintos problemas de optimizacin podemos encontrar unas reas de aplicacin:
Diseo por computadora de nuevos materiales que cumplan con mltiples objetivos
Diseo de circuitos integrados
Optimizacin de la infraestructura de telefona celular
Ingeniera aeroespacial
Juegos
Robtica

Ventajas de los algoritmos genticos

Operan de forma simultanea con varias soluciones. Mientras que las soluciones tradicionales solo
pueden explorar el espacio de soluciones hacia una solucin, y si la solucin resulta suboptima, se
rechaza todo el trabajo y se empieza de nuevo. Los algoritmos genticos simplemente desechan
esta solucin suboptima y siguen por otros caminos.
Habilidad para manipular muchos parmetros simultneamente.
No necesitan conocimientos especficos sobre el problema que se desea resolver.
Usan operadores probabilsticos, en vez de los tpicos operadores determinsticos de las otras
tcnicas.

Desventajas de los algoritmos genticos

Definir una representacin del problema. El lenguaje utilizado para especificar soluciones candidatas
debe ser robusto, debe ser capaz de tolerar cambios aleatorios que no produzcan errores fatales o
resultados sin sentido.
Pueden tardar mucho en converger, o no converger en absoluto.
Pueden converger prematuramente debido a una serie de problemas. Si un individuo que es mas apto
que el resto emerge muy pronto en el curso de la ejecucin, se puede reproducir tan ampliamente que
merme la diversidad de la poblacin demasiado pronto.