Control Inteligente

Arquitectura de Control Inteligente de Procesos
Ricardo Sanz
1990
aslab.org
Autonomous Systems Laboratory
THE AUTONOMOUS SYSTEMS LABORATORY www.aslab.org

El sistema CONEX
Ricardo Sanz
aslab.org
ASL-T-1990-001
1990
Art is not to be found in a piece of canvas or in a pot of paint. Pots of the same paint may produce very different results from the brushes of different painters. A computer is not intelligent nor is it set of basic instructions. Like a piece of canvas without a picture of paint, a computer is inert without a program of instructions. Using the same basic instructions, different programmers can produce quite different results in the same computer. To ask if a programmed computer is intelligent is like asking if a painted canvas is beautiful. Intelligence, like beauty, seems to be in the eye of the beholder, since what one calls beautiful or intelligent another scorns. John H. Andreae Thinking with the Teachable Machine
Resumen
En esta tesis se presenta una arquitectura de control, basada en t ecnicas de inteligencia articial, de aplicacion en control de procesos industriales complejos. Esta arquitectura de control permite integrar pol ticas de control sobre el proceso a todos que hacen uso de informacion los niveles. Desde las medidas de sensores de planta a los valores de an alisis de laboratorio. Desde el conocimiento operacional representado por los procedimientos de control de los operadores hasta el conocimiento estructuralfuncional de los ingenieros de proceso. El enfoque cooperativo y distribuido de esta arquitectura posibilita la de sistemas robustos, ecientes y reutilizaconstruccion de bles, que han sido los principales objetivos del diseno la misma. En resumen, se propone una arquitectura de control inteligente para procesos complejos, desarrollando algunos aspectos t ecnicos que son fundamentales en la misma y no han alcanzado el suciente nivel de madurez de funen la actualidad, en particular la descomposicion de modelos para raciones de control y la construccion zonamiento de control. De este modo se logra formular una metodolog a teorico pr actica de desarrollo de sistemas avanzados de control, orientada a las industrias de de toda una gama proceso, que permita la implantacion de sistemas de control inteligente en dichas industrias.
Ricardo Sanz

ASLab ASL-T-1990-001 v 1.0 Final of 1990
Abstract
en el Departamento de Autom Esta tesis doctoral se realizo atica de la Escuela T ecnica Superior de Ingenieros Industriales de la Universidad Polit ecnica de Madrid, desde 1987 a 1990. Sus directores fueron D. Agust n Jim enez Avello, catedr atico de Ingenier a de Siste Gal mas y Autom atica y Doctor Ingeniero Industrial y D. Ramon an Lopez, Profesor Titular de Ingenier a de Sistemas y Autom atica y Doctor en Inform atica.
Keywords
Control inteligente, control distribuido, arquitecturas de control, sistemas heterog eneos, control de hornos.
Acknowledgements
Deseo expresar mi agradecimiento a todos los que, de un modo u otro, han contribuido a que este proyecto de tesis, en ocasiones de perspectiva incierta, se culmine con mayor o me xito. Algunos de ellos son: La empresa ASLAND Tecnolog nor e a S.A. por su apoyo; Juan Velasco, por tantas discusiones tan rentables; Eugenio Andr Ramon es Puente que tiene un esp ritu incre ble; Adolfo Yela, que ha aguantado estoicamente mis desvar os, aportando cr una importante vision tica de los mismos; Pedro y Paulo, por la envidia que me d a su capacidad de trabajo; Marta, Gamaliel y el resto de la gente de IA, por estar ah , peleando; Fernando, Cecilio, Alvaro y Jose Antonio, por embarcarse; Luis, Mar a, Angel, Enrique, Magal , Aida y todos los dem as les agradezco su manera de compartir tantas horas; Familia, amigos y dem as conocidos que han soportado mis obsesiones, por eso mismo.
Tabla de Contenido
1. Introduccion 1.1. Estado del Arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Objetivos de la Tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3. Estructura de la Memoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. Control de Procesos Complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1. Introduccion 2.2. Caracter sticas de los Procesos Complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1. Complejidad volum etrica o primaria . . . . . . . . . . . . . . . . . . . . . . . . . . . o secundaria . . . . . . . . . . . . . . . . . . . . . . . . 2.2.2. Complejidad de interaccion 2.2.3. Incertidumbre de comportamiento o complejidad terciaria . . . . . . . . . . . . . . 2.3. Control de Procesos Complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1. Enfoques de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.2. Control de un proceso complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4. Control Supervisor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 2 3 4 4 4 5 5 6 6 6 7 8
2.5. Inteligencia Articial e Inteligencia Natural . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.6. Inteligencia Articial en Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.6.1. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.6.2. Aplicabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.6.3. Reutilizabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.7. Campos de Aplicacion 3. Modelos Simbolicos de Sistemas F sicos 15
3.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.2. Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.2.1. Qu e es un Modelo? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
III
Ricardo Sanz
3.2.2. Caracter sticas de los modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3.2.3. Modelos inform aticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.3. Modelos para Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 de modelos num 3.3.1. Utilizacion ericos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 de modelos simbolicos 3.3.2. Utilizacion impl citos . . . . . . . . . . . . . . . . . . . . . . 20 de modelos simbolicos 3.3.3. Utilizacion expl citos . . . . . . . . . . . . . . . . . . . . . . 21 3.4. Modelos Cualitativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 4. Control Inteligente de Procesos 25
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4.1. Introduccion 4.2. Control Inteligente: Objetivos y Deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4.2.1. Objetivos generales del control inteligente . . . . . . . . . . . . . . . . . . . . . . . 26 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 4.2.2. Denicion 4.3. Perspectiva Historica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 4.3.1. Control cl asico y supervisor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.3.2. Inteligencia articial y sistemas expertos . . . . . . . . . . . . . . . . . . . . . . . . 28 4.3.3. Sistemas de primera generacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 4.3.4. Sistemas de segunda generacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 4.3.5. Sistemas de tercera generacion 4.4. Elementos de Control Inteligente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 4.4.1. Objetivos de un sistema de control inteligente . . . . . . . . . . . . . . . . . . . . . 30 4.4.2. Actividades de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 4.4.3. de denominaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 Aclaracion
4.4.4. Tendencias en control inteligente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 4.4.5. Caracter sticas fundamentales del control inteligente . . . . . . . . . . . . . . . . . 32 4.4.6. Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.4.7. Proceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.4.8. Inteligencia articial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.5. Paradigmas de Control Inteligente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.5.1. Control basado en reglas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.5.2. Control borroso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4.5.3. Control basado en modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.5.4. Ventajas del control basado en modelos . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.6. Desarrollos actuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
IV
TABLA DE CONTENIDO
4.6.1. Desarrollos espec cos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 4.6.2. Desarrollos independientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 4.6.3. Desarrollos con herramientas de control inteligente . . . . . . . . . . . . . . . . . . 56 4.6.4. Evoluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.7. Control Inteligente Avanzado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.7.1. Aprendizaje en control inteligente . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.7.2. Arquitecturas distribuidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 5. Metodolog a de Diseno 60
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 5.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 5.2. Objetivos de la descomposicion 5.3. Sistemas Jer arquicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 5.3.1. Tipos de jerarqu as . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 5.3.2. Jerarqu as en sistemas de control inteligente . . . . . . . . . . . . . . . . . . . . . . 65 por dominios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 5.3.3. Descomposicion funcional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 5.3.4. Descomposicion representacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 5.3.5. Descomposicion temporal y por paradigmas . . . . . . . . . . . . . . . . . . . . . . 69 5.3.6. Descomposicion jer 5.3.7. Estructuracion arquica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 en tiempo real . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 5.4. Operacion 5.4.1. Requisitos fuertes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 5.4.2. Requisitos d ebiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 5.4.3. Sistemas basados en reglas borrosas . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 5.4.4. Sistemas basados en reglas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 5.4.5. Sistemas basados en modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 de Sistemas basados en el Conocimiento . . . . . . . . . . . . . . . . . . . 75 5.5. Descomposicion de la base de conocimientos . . . . . . . . . . . . . . . . . . . . . . 75 5.5.1. Descomposicion de bases de conocimiento . . . . . . . . . . . . . . . . . . . . . . . . . 77 5.5.2. Planicacion de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 5.5.3. Criterios de seleccion 5.5.4. Razonamiento progresivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 5.5.5. Razonamiento conclusivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 de la Metodolog 5.6. Valoracion a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 6. Modelado Multirresolucional 80
6.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
V
Ricardo Sanz
6.2. Modelos de Sistemas Continuos y Multirresolucionalidad . . . . . . . . . . . . . . . . . . . 81 6.2.1. Conceptos de modelado de sistemas continuos . . . . . . . . . . . . . . . . . . . . . 82 6.3. Modelado Multirresolucional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 6.3.1. Necesidad de la multiresolucionalidad . . . . . . . . . . . . . . . . . . . . . . . . . 83 6.3.2. Objetivos del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 6.3.3. Estructura del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 6.4. Modelo N . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 6.4.1. T ecnicas b asicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 6.4.2. Funciones del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 6.4.3. Implantacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 6.5. Modelo Q . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 6.5.1. Funciones del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 6.5.2. T ecnicas b asicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 cualitativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 6.5.3. Simulacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 6.5.4. Extensiones a la representacion 6.5.5. Funciones NQ y QN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 6.5.6. Extensiones a la simulacion cualitativa borrosa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 6.5.7. Simulacion 6.5.8. Implantacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 6.6. Modelo K . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 6.6.1. Estructura del modelo K . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 6.6.2. Funciones QK y KQ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 6.6.3. Funciones del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 6.6.4. Implantacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 de Modelos en Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 6.7. Utilizacion sobre el estado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 6.7.1. Informacion del comportamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 6.7.2. Prediccion estructural / funcional . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 6.7.3. Informacion 7. Arquitectura de Control Inteligente 99
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 7.1. Introduccion 7.2. Objetivos de la Arquitectura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 7.2.1. Objetivos del sistema nal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 7.2.2. Objetivos de desarrollo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
VI
TABLA DE CONTENIDO
7.3. Fundamentos de la Arquitectura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 7.3.1. Control de procesos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 7.3.2. Etapas de control inteligente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 7.3.3. Niveles de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 heterog 7.3.4. Descomposicion enea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 7.3.5. Objetos activos y pasivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 7.4. Arquitectura Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 7.4.1. Estructura global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 7.4.2. Estructura est andar de un OAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 7.4.3. Interfase est andar de un OAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 7.4.4. CONEX-CD: Control Directo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 7.4.5. CONEX-IP: Interfase de Proceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 7.4.6. CONEX-MP: Monitor de Proceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 7.4.7. CONEX-MS: Modelo y Simulador . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 7.4.8. CONEX-CI: Control Inteligente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 7.4.9. CONEX-IU: Interfase de Usuario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 7.4.10. CONEX-EA: Evaluador de actuaciones . . . . . . . . . . . . . . . . . . . . . . . . . 125 7.4.11. CONEX-MC: Monitor de CONEX . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 7.4.12. CONEX-IE: Interfase Externa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 7.5. Arquitectura Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 de la Arquitectura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 7.6. Valoracion 7.6.1. Desarrollo independiente de los subsistemas . . . . . . . . . . . . . . . . . . . . . . 130 7.6.2. Escalabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 7.6.3. Fiabilidad, disponibilidad y mantenibilidad . . . . . . . . . . . . . . . . . . . . . . 131 8. Control de Hornos de Clinker 132
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 8.1. Introduccion 8.2. Caracter sticas del proceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 de cemento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 8.2.1. Plantas de produccion 8.2.2. Hornos de Cemento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 8.2.3. Problemas de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 8.2.4. Desarrollos actuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 8.3. Sistema de Control de Hornos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 8.3.1. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
VII
Ricardo Sanz
8.3.2. Arquitectura Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 8.3.3. Arquitectura Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 8.4. Resultados esperados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 9. Conclusiones 139
9.1. Aportaciones de esta tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139 9.2. Desarrollos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 A. Criterios de aplicacion del control inteligente en procesos industriales B. Glosario 142 143
B.1. T erminos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143 B.2. Acronimos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148 C. Bibliograf a 149
C.1. Referencias Bibliogr acas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149 C.2. Bibliograf a adicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 D. Par ametros de los conjuntos borrosos 166
VIII
Lista de guras
2.1. Esquema elemental de un sistema de control supervisor en el que un operador humano de un sistema de control autom supervisa la operacion atico. . . . . . . . . . . . . . . . . . de 2.2. El proceso de control inteligente consta de dos etapas fundamentales: 1) la valoracion y 2) la realizacion de la accion de control. . . . . . . . . . . . . . . . . . . . . . la situacion
5 8
3.1. Objeto en ca da libre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 3.2. Base de conocimiento de control del sistema de dos grifos. . . . . . . . . . . . . . . . . . . 21 3.3. Modelo cualitativo del sistema de dos grifos caliente/frio. . . . . . . . . . . . . . . . . . . 22 del modelo cualitativo del objeto en caida libre a partir de una 3.4. Ejemplo de simulacion cierta altura y velocidad inicial hacia arriba. Las cajas amarillas representan los diferentes estados cualitativos por los que pasa el sistema. . . . . . . . . . . . . . . . . . . . . . . . . 24 4.1. Esquema de control cl asico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.2. Tipos de conocimiento y procedencia del mismo. . . . . . . . . . . . . . . . . . . . . . . . . 32 las toma el operador humano. 34 4.3. Sistema sin v nculos con el mundo. Las decisiones de accion las toma el sistema de con4.4. Sistema con v nculos con el mundo. Las decisiones de accion trol y el operador humano en casos especiales. . . . . . . . . . . . . . . . . . . . . . . . . . 35 entre sistemas expertos cl 4.5. Comparacion asicos y sistemas expertos de control. . . . . . . . 37 4.6. Or genes diversos de las diferentes partes de la base de conocimiento. El ingeniero de y representacion. . . . . . . . . . . . . . 41 conocimiento cataliza el proceso de formalizacion 4.7. Estructura cl asica de un sistema basado en el conocimiento expresado mediante reglas. . 43 4.8. Sistema basado en reglas con estructura monocapa. . . . . . . . . . . . . . . . . . . . . . . 46 4.9. Sistema basado en reglas con estructura bicapa. . . . . . . . . . . . . . . . . . . . . . . . . . 47 4.10. Estructura de un sistema de control basado en reglas borrosas. . . . . . . . . . . . . . . . . 52 4.11. Sistema basado en modelos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 5.1. Nivel f sico, nivel de circuito y nivel logico. . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 5.2. Jerarquia de control de Saridis [Saridis 88]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
IX
Ricardo Sanz
en escalones de un sistema de control de robot usando la jerarquia de 5.3. Descomposicion control de Saridis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 5.4. Triple criterio de descomposicion. 5.5. El sistema de control de una f abrica de cemento se descompone en tres grandes subsistemas en relacion con las unidades mayores del proceso: control de la torre de intercambio, control del horno y control del enfriador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 paradigma-abstraccion-tiempo. 5.6. Correlacion . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 5.7. Ejemplo de sistema de control jer arquico elemental. . . . . . . . . . . . . . . . . . . . . . . 70 . 78 5.8. Ejemplo de sistema de control basado en el conocimiento con un metanivel de seleccion. 6.1. Estructura y transformaciones en el modelo multiresolucional NQK. . . . . . . . . . . . . 84 rbol de comportamientos en simulacion cualitativa. . . . . . . . . . . . . . . . 89 6.2. Ejemplo de a 6.3. Espacios de cantidades borrosos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 de estados iguales. Dado que E2.2 E2.4 los sub 6.4. Deteccion arboles que cuelgan de dichos estados son id enticos de hecho son los mismos estados. . . . . . . . . . . . . . . . . . . . 93 de comportamientos periodicos de transiciones a estados 6.5. Deteccion por identicacion previamente considerados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 del conocimiento sobre el proceso en control. . . . . . . . . . . . . . . . . . . . 97 6.6. Utilizacion 7.1. Estructura de control avanzado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 7.2. Jerarqu a de niveles de control en la arquitectura CONEX. . . . . . . . . . . . . . . . . . . 101 7.3. Diagrama de contexto de CONEX. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 7.4. Estructura global de CONEX con las principales interacciones entre los nueve objetos activos de alto nivel: CD: Control directo, IP: Interfase de proceso, MP: Monitor de proceso, MS: Modelo y simulador, CI: Control inteligente, IU: Interfase de usuario, EA: Evaluador de actuaciones, MC: Monitor de CONEX e IE: Interfase externa. . . . . . . . . . . . . . . . 107 de objetos de alto nivel. . . . . . . . . . . 110 7.5. Estructura de sofware de CONEX. Distribucion 7.6. CONEX-CD: Control Directo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 7.7. Procesado de patrones en CONEX-CD. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 7.8. CONEX-IP: Interfase de Proceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 7.9. Transformaciones de senales en CONEX-IP. . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 7.10. CONEX-MP: Monitor de Proceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 7.11. CONEX-MS: Modelo y simulador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 7.12. CONEX-CI: Control Inteligente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 7.13. CONEX-IP: Interfase de Usuario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 7.14. CONEX-EA: Evaluador de actuaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 7.15. CONEX-MC: Monitor de CONEX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
X
LISTA DE FIGURAS
de cemento. . . . . . . . . . . . 134 8.1. Estructura b asica de un horno de clinker para fabricacion 8.2. Parte de la jerarqu a de controles del horno de cemento. . . . . . . . . . . . . . . . . . . . . 137
XI
Lista de tablas
2.1. Ventajas y desventajas del control supervisor. . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2. Algunas aplicaciones de la inteligencia articial en control. . . . . . . . . . . . . . . . . . . 12 3.1. Ejemplos de uso de modelos considerando dos aspectos fundamentales: explicitud y abs traccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 4.1. Algunos aspectos caracter sticos de los sistemas de control inteligente. . . . . . . . . . . . 33 modular de sistemas inteligentes de 5.1. Facetas primarias a emplear en la descomposicion control. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 5.2. Denominaciones caracter sticas empleadas para los sistemas complejos descompuestos de las facetas que han guiado dicha descomposicion. . . . . . . . . . . . . . . . 71 en funcion 6.1. Restricciones cualitativas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 7.1. Misiones principales de los objetos de alto nivel de CONEX. . . . . . . . . . . . . . . . . . 108 D.1. Par ametros de los conjuntos borrosos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
XII
Cap tulo 1
Introduccion
In a little time, however, no more canoes 1.1. Estado del Arte appearing, the fear of their coming wore off, rea El control inteligente de procesos es un a and I began to take my former thoughts de gran actividad en los ultimos tiempos [Astrom of a voyage to the main into consideration 89a][Bartos 89][Jakob 90]. Este orecimiento ha siDANIEL DEFOE do motivado por tres factores:
The Life and Adventures of Robinson Crusoe, 1719
Mayor disponibilidad y menor precio de Esta tesis doctoral ha sido realizada en el De equipos de computo con la potencia suciente partamento de Autom atica, Ingenier a Electronica para llevar a cabo este tipo de control. e Inform atica Industrial de la ETSI Industriales de la Universidad Polit ecnica de Madrid. El desarroDisponibilidad de herramientas para la consllo de las ideas que en ella se reejan ha tenido lu de este tipo de sistemas. truccion de colaboracion con gar a lo largo de varios anos as de proceApertura de las grandes compan dicho departamento, en particular con la division so a estas nuevas tecnolog as, en vista de los de autom atica del mismo (DISAM). A lo largo de xitos aunque limitados de la tecnolog e a en proyectos de autoeste tiempo la participacion de sistemas expertos. industrial ha permitido al autor obtematizacion actual del conner una perspectiva de la situacion trol de procesos y de la problem atica de la autoEsto ha conducido al desarrollo de gran canti de procesos complejos. matizacion rea. Estas aplicaciones dad de aplicaciones en el a est a n orientadas fundamentalmente en tres v as: En esta tesis se presenta una arquitectura de control, basada en t ecnicas de inteligencia articial, en control de procesos industriales Sistemas de ayuda a los operadores de aplicacion complejos. Esta arquitectura de control permite in[Johansen 83][Bailey 88]. Presentan una serie tegrar pol ticas de control que hacen uso de inforde m etodos de ayuda en l nea, facilidades pa sobre el proceso a todos los niveles. Desmacion de datos de planta, etc. ra interpretacion de las medidas de sensores de planta a los valores de an alisis de laboratorio. Desde el conocimiento Sistemas de diagnostico [Milne 87][Cuena 89]. Permiten localizar y operacional representado por los procedimientos aislar aver as, determinar causas de malfunde control de los operadores hasta el conocimienciones, etc. to estructural-funcional de los ingenieros de proceso. El enfoque cooperativo y distribuido de esSistemas de control de sisteta arquitectura posibilita la construccion [Bernard 88][Efstahtiou 87][Holmblad 87]. mas robustos, ecientes y reutilizables, que son los de un proceso m Realizan la conduccion as o principales objetivos de diseno. menos complejo de forma autom atica. 1
Ricardo Sanz
No existe un cuerpo cesivo grado de dispersion. de conocimiento central que permita situar y valorar todos los desarrollos, debido fundamentalmente a que el problema del control inteligente es de un modelo comun problema de formulacion m plejo de un sistema f sico aun as complejo; esto hace que los factores psicologicos sean en gran me dida cr ticos, ya que las pol ticas de identicacion del estado del sistema y de razonamiento sobre la del mismo se derivan de los modos de evolucion pensar del personal inform atico y de proceso Las herramientas espec cas para control inque construye el sistema de control inteligente. Inteligente centradas en el control basado en tentos de formulaciones teoricas independientes reglas est an logrando una progresiva introduchan tenido resultados disparejos, aunque dentro en el mercado, al ir mejorando sus prestacion de ellas cabe destacar al grupo de investigadores de conocimiento, razonaciones de representacion en torno a Saridis [Saridis 88b]. No obstante este en tiempo real; es el caso de G2 miento y operacion tipo de teor as pecan de un excesivo alejamiento [Gensym 89] sucesor de PICON, CHRONOS de lo que es ingenier a, siendo por tanto de aplica[Euristic 89], COMDALE y NEMO [S2 O 90]. bilidad directa limitada. Los desarrollos en control inteligente se dan Adem as existen problemas con soluciones pre mbito universitario o en fundamentalmente en el a carias como son los motores de inferencia en el marco de grandes proyectos de investigacion, tiempo real o el uso de modelos profundos que como pueden ser los patrocinados por el DoD limitan la aplicabilidad de estos sistemas. Ello es americano, la NASA o la comunidad europea a debido por lo general tanto a consideraciones de trav es de sus programas de I+D (ESPRIT, EURE en tiempo real como a seguridad y aoperacion KA, etc). Ejemplos de este tipo son los sistemas debilidad. sarrollados o en proceso de desarrollo en los proyectos ESPRIT: TEX-I [Voss 88], QUIC [Cavanna 89], KRITIC, AIMBURN, IPCES, etc. De espe cial importancia son estos ultimos por sus objeti- 1.2. Objetivos de la Tesis vos claramente industriales. Estas aplicaciones se llevan a cabo utilizan de sistemas exdo herramientas de construccion pertos cl asicas, herramientas especialmente di senadas para control inteligente o bien constituyen desarrollos espec cos. Como resultado del uso de herramientas convencionales, dichas herramientas resultan potenciadas con una serie de elementos que llegan a constituir nuevas herramientas (es el caso del sistema PLEXYS [Intellicorp 87a], evolu de la herramienta KEE). cion Los objetivos de esta tesis se centran en varios Las caracter sticas m as importantes de estos puntos: sistemas se resumen en que consiguen implantar estrategias de control avanzadas, basadas en t ecnicas de inteligencia articial, pero con limitaciones Determinar la factibilidad de los sistemas inen cuanto al tipo de pol ticas de control utilizables teligentes de control de procesos. Se tratar a de y el tipo de procesos a los que son aplicables, sobre determinar la viabilidad t ecnica de los sistetodo debido a la lentitud de estas aplicaciones, que mas inteligentes de control de procesos, esta en tiempo real. Los sistemas limita su operacion bleciendo los elementos fundamentales de los inteligentes por ejemplo los basados en reglas mismos, as como los posibles benecios deri incurren en cargas de computo en tiempo de eje vables de su utilizacion. que son impredecibles, lo que hace inviable cucion Desarrollo de un t ecnica de modelado de su uso en determinado tipo de sistemas (sistemas sistemas f sicos para razonamiento sobre los en tiemcon requerimientos fuertes de operacion mismos. Esta t ecnica ser a el soporte de los po real). procesos de razonamiento a todos los niveles, Todo ello nos permite alcanzar una conclusion como en control directo. tanto en planicacion rea nal. El control inteligente de procesos es una a de I+D muy prometedora, en la que se est an loProponer una arquitectura para control inteligrando importantes resultados, aunque con un exgente de procesos complejos. Esta arquitectu2
Cap tulo 1. Introducci on
ra deber a garantizar la robustez y adaptabilidad del sistema de control inteligente. Este es el objetivo fundamental.
Cap tulo 4: CONTROL INTELIGENTE Se analizan las caracter sticas t ecnicas de los sistemas de control inteligente, estableciendo las bases para un sistema inteligente de control de procesos.
de control inteliDesarrollo de una aplicacion gente basada en dicha arquitectura. Esta apli tratar cacion a de controlar un proceso de com- Cap tulo 5: METODOLOGIA DE DISENO plejidad media-alta, que presente problemas En este cap tulo se presenta una metodolog a para su control cl asico. desarrollada en esta tesis, de sistede diseno, mas de control inteligente, en la que se basa la arquitectura propuesta en esta tesis. En resumen, el objetivo de la tesis es: Proponer una arquitectura de control inteligente para procesos complejos, analizando algunos aspectos t ecnicos que son fundamentales en la misma y no han alcanzado el suciente nivel de madurez en la actualidad, en particular la construcci on de modelos para razonamiento de control. De este modo se lograr a formular una metodo log a teorico-pr actica orientada a las industrias de de toda una proceso, que permita la implantacion gama de sistemas de control inteligente en estas industrias. Cap tulo 6: MODELADO NAL MULTIRESOLUCIO-
En este cap tulo se presenta la t ecnica de modelado de sistemas desarrollada en esta tesis. Cap tulo 7: ARQUITECTURA DE CONTROL INTELIGENTE l se presenta CONEX, la arquitectura de En e control desarrollada en esta tesis, analizando cada uno de los modulos que la componen. Cap tulo 8: CONTROL DE HORNOS DE CLINKER basada en la arquiSe analiza una aplicacion tectura CONEX que tiene como objetivo el control de hornos de clinker, uno de los sub de cemento. procesos de fabricacion
1.3.
Estructura de la Memoria
Esta memoria de tesis est a dividida en nueve cap tulos y tres ap endices. El contenido de cada Cap tulo 9: CONCLUSIONES uno de ellos se comenta a continuacion. l se comenta el grado de satisfaccion de En e los objetivos propuestos para esta tesis, analiCap tulo 1: INTRODUCCION zando los posibles desarrollos posteriores. El presente cap tulo, en el que se comenta la endice A: CRITERIOS estructura de la tesis, junto con un breve an ali- Ap sis del estado del arte. Estos criterios permiten decidir si un campo es adecuado para el uso de un de aplicacion Cap tulo 2: CONTROL DE PROCESOS COMsistema inteligente de control. PLEJOS Ap endice B: GLOSARIO Se comenta la problem atica del control de T erminos de especial importancia dentro del procesos complejos, analizando la aplicabili a rea de control inteligente. dad de t ecnicas de inteligencia articial y los objetivos que se pretenden lograr con ello. Ap endice C: BIBLIOGRAFIA Cap tulo 3: MODELOS SIMBOLICOS DE SISTEMAS FISICOS Se estudian las t ecnicas de modelado simbolico para razonamiento sobre sistemas f sicos.
Referencias utilizadas en esta tesis y referencias adicionales.
Cap tulo 2
Control de Procesos Complejos

COMPLEJO:... asunto en que hay que considerar muchos aspectos, por lo que no es f acil de comprender o resolver
MARIA MOLINER Diccionario de Uso del Espanol
Un bucle interno, en base a un regulador cl asico (PID o PI). Un bucle externo, llevado a cabo por un hu mano, encargado de monitorizar la evolucion del proceso y de realizar las correcciones pertinentes, por lo general a trav es de las consignas de los bucles internos. Como veremos en este cap tulo y en los sucesivos, la inteligencia articial puede servir de sus de sistemas de tancial apoyo para la construccion control autom atico integrales, ya que la exibilidad de las representaciones del conocimiento que utiliza va a permitir hacer frente a la complejidad del proceso. En este cap tulo analizaremos los ob de t jetivos de la aplicacion ecnicas de inteligencia articial al control de procesos complejos. Para ello estudiaremos en primer lugar el concepto de proceso complejo, determinando los problemas principales para su control, estudiando a con la posible utilizacion de la inteligencia tinuacion articial y los resultados hasta ahora conseguidos.
2.1.
Introduccion
Existen gran cantidad de procesos industria les que sufren una falta grave de automatizacion, con las consiguientes repercusiones en la productividad y disponibilidad del proceso. Esta carencia de funcionamiento autom atico es debida a diversas circunstancias, pero que cabe agrupar ba concepto: COMPLEJIDAD. Los procesos jo un solo industriales son complejos en tres sentidos: Numero de elementos que componen el sistema. Interacciones entre dichos elementos. Desconocimiento del modo exacto de interac cion. Estos aspectos de complejidad complejidad primaria, secundaria y terciaria dicultan la im de sistemas de control, sobre todo los plantacion aspectos secundario y terciario. Esta dicultad es m axima cuando nos limitamos al uso de t ecnicas cl asicas de control, que son pr acticamente las unicas que se emplean habitualmente en la industria. Por ello en muchos de estos sistemas se utiliza una estructura de control con dos bucles:
2.2.
Caracter sticas de los Procesos Complejos
El aspecto caracter stico que diculta el control de determinados procesos industriales es la complejidad de los mismos. Como mencion abamos anteriormente la complejidad de un proceso viene determinada por tres factores: los elementos que lo componen, las interacciones entre ellos y la incertidumbre en el comportamiento interno de los mismos o el derivado de dichas interacciones. 4
Cap tulo 2. Control de Procesos Complejos
Operador Interfaz de operador
Regulador
Actuador
Proceso
Captador
Figura 2.1: Esquema elemental de un sistema de control supervisor en el que un operador humano supervisa la operaci on de un sistema de control autom atico.
Cada uno de estos aspectos de complejidad di de cultan de manera espec ca la introduccion sistemas de control en dichos procesos.
[Adaptech 89].
2.2.2.
Complejidad de interaccion o secundaria
El segundo nivel de complejidad surge del acoplamiento entre los diferentes subsistemas. La ingenier a de proceso trata de conseguir que la comUn proceso es volum etricamente complejo plejidad de interaccion sea m nima, dado que de cuando el numero de elementos que lo constitu- este modo el control manual o autom atico del yen es muy elevado. Es lo mismo que decir que el sistema es mas simple y ecaz, lo que conduce a numero de variables a medir y controlar es muy mejoras de productividad y disminucion de necegrande. sidades de mantenimiento. No obstante este desDesde el punto de vista que nos ocupa, el con- acoplamiento de subsistemas no es siempre alcanasica el trol autom atico, este aspecto no es insalvable; para zable, por lo que desde la perspectiva cl control del proceso s olo es viable de dos formas: controlar un proceso volum etricamente complejo basta con utilizar un sistema de control proporcionalmente grande, en el caso de control digital Utilizando control multivariable, lo que lleva un computador o sistema de computadores lo suasociado problemas de gran dicultad. El uso cientemente grande como para hacer frente a tode sistemas de control multivariable esta resdos los bucles de control que se precisen. tringido a procesos de complejidad limitada, sobre todo debido al coste de desarrollo, insDe hecho en la actualidad los sistemas de con y puesta en marcha de los mismos. talacion trol de procesos complejos est an en esta fase. Centenares de bucles simples de control implantados en grandes m aquinas o en sistemas distribuidos. Estos bucles simples son por lo general PIDs o PIs, ya que el implantar controles m as complejos es ex economicamente cesivamente costoso no solo para los resultados que se obtienen. No obstante en algunos casos se emplean sistemas m as avanzados (adaptativos, predictivos, etc) que est an disponibles comercialmente [ASEA 83] de control manual mediante un Utilizacion operador humano, que es un experto en control del proceso. del operador como experto es La identicacion la que ha tra do de la mano a la inteligencia articial al campo de control de procesos. En una pri se trata de modelar el compormera aproximacion tamiento del operador mediante reglas, logrando 5
2.2.1.
Complejidad volum etrica o primaria
Ricardo Sanz
resultados aceptables en algunos casos. No obstante el control de un proceso de complejidad elevada se basa en gran medida en la capacidad de sentido comun del operador, dif cilmente implantable en un sistema experto.
con sistemas din cion amicos, la falta de abilidad de equipos, etc. Por otra parte los factores de complejidad tienen su origen en los aspectos de complejidad mencionados en el apartado. Las caracter sticas que deben poseer los sistemas de control para hacer frente a estos problemas son: ser capaces de im plementar un numero elevado de bucles de control elevado, poder hacer control multivariable y manejar los diferentes aspectos de incertidumbre.
2.2.3.
Incertidumbre de comportamiento o complejidad terciaria
Esto nos conduce a plantear como necesidades de un sistema de control las siguientes: equipos potentes, algoritmos avanzados y modelos multi del proceso a controlar es un resolucionales. Toda esta problem La identicacion atica de control factor fundamental si se desea usar un control para procesos complejos ha conducido a un punto se muestra viable cuando la en que el planteamiento del control se hace direcavanzado, pero solo din amica del proceso es muy denida, con altera- tamente en base a la utilizacion de controles au a modicacion o deriva de tom ciones debidas tan solo aticos simples, junto con personal humano en par algun ametro del proceso. En caso de sistemas cargado de la supervision de los mismos. con mucho ruido y con estructura muy cambiante la utilidad de un modelo reducido y la identica disminuye. cion 2.3.1. Enfoques de control El aspecto terciario de complejidad es justica t ermino como complejidad secundable en ultimo ria exacerbada. Las interacciones son tantas y a tan del comportamiento bajo nivel, que la prediccion exacto del sistema es imposible. Vuelve a surgir el operador y su sentido comun para hacer frente a este problema, ya que con su capacidad de razonamiento y sobre todo con su experiencia en el funcionamiento del sistema, es ca de control adecuada paz de determinar la accion o al menos una que se le aproxima. etrica es El problema de la complejidad volum pues para ello basta la el de m as f acil resolucion, del ordenador o del sisfuerza bruta: el tamano tema de ordenadores se hace proporcionalmen te grande al numero de variables a controlar. Este tipo de sistemas es el que se puede encontrar m as f acilmente en la industria, existiendo gran cantidad de productos comerciales que son aplicables en este nivel [Foxboro 86]. Este tipo de productos tienen como principales clientes a industrias qu micas; apareciendo la mayor parte de los paquetes comerciales en el campo de la industria petroqu mica. Estos productos ofrecen la posibilidad de implantar multitud de bucles de control, manejando decenas de miles de variables simult aneamente. Sin embargo es preciso el uso de un operador de proceso; una persona encargada de supervisar el funcionamiento del sistema. Este enfoque de fuerza bruta dijimos antes da re en modo sultados buenos respecto a la operacion manual.
Si se carece de un modelo del proceso a controlar, el control posible del mismo queda muy restringido.
2.3.
Control de Procesos Complejos
El control de procesos complejos se ve afectado por una serie de factores que dicultan su rea Estos factores cabe agruparlos en genelizacion. rales no exclusivos de este tipo de procesos y de complejidad. Los factores generales son los No obstante la econom a es la que en ultimo que est an asociados a las tareas de control, deriva con un siste- t dos esencialmente de la interaccion ermino controla el avance t ecnico, y es la necesima f sico. Entre estos factores se pueden destacar: dad de mejorar rendimientos la que conduce a los en tiempo real, la interac- sistemas de control avanzado, en los que se emla necesaria operacion 6
El numero de maneras en que un proceso pue de un de salirse fuera del margen de operacion regulador es muy variado, siendo la causa de la progresiva complejidad de los sistemas de control cl asicos, en particular los implantados con computador que son los que permiten realizar estas gesCuando el proceso a controlar tiene diculta- tiones de forma ecaz. Los sistemas de control bades de modelado, estas se derivan generalmente sados en hardware son bastante inexibles en es de la complejidad terciaria. Este es, con mucho, el te sentido, disponiendo pr acticamente de un unico problema m as importante para el control de pro- m etodo de control de fuera de m argenes: el uso de cesos sucios. En este caso los sistemas del control umbrales de alarma en las variables medidas. Este autom atico existentes de forma generalizada redu- tipo de mecanismos permiten acotar una zona del al control de bucles simples del espacio de valores de las variables que se consicen su actuacion proceso, sin realizar un control global del mismo. dera controlable. En control con computador la de de estas zonas es m Es preciso utilizar un operador experto para conterminacion as exible, siendo trolar el proceso. habitual el uso de diversos tipos de umbrales, que diferenciadeterminan varias zonas de operacion Las necesidades de mejora de rendimientos y la das, en las que se usan diferentes algoritmos de de dependencias humanas hacen que la supresion control. busqueda de soluciones a estos problemas de control sea cada vez m as intensa. El enfoque que paSi analizamos este tipo de situaciones, as como rece m as prometedor es el uso de t ecnicas de inge- la manera en que los humanos realizan el control nier a del conocimiento, que se justican en base a de este tipo de sistemas, vemos que el proceso de que si un humano puede hacerlo, la m aquina debe poder control consta de dos etapas fundamentales: tambi en. Valoracion de la situacion , en la que se establece cual es el estado funcional del proceso, informa2.3.2. Control de un proceso complejo que se emplear cion a para determinar la estrategia de control a emplear. Esta determinaEn el control de un proceso complejo es precisa del estado funcional se lleva a cabo por cion la existencia de sistemas adicionales a lo constitu sobre el estado del promedio de informacion ye un control cl asico y que posibiliten la realizaceso, por lo general variables medidas, aun de las tareas de control en un amplio rango cion que tambi en es habitual el uso de historias de de circunstancias. Este ultimo punto es de funda como es el valores u otro tipo de informacion mental importancia; la multiplicidad de circunscaso de an alisis espectrales. de procetancias que se producen en la operacion de la actuacion , en la que se estasos complejos es la que determina la inoperancia Determinacion blecen las acciones de control a realizar sobre el de los sistemas de control cl asicos, debido a que proceso. Estas acciones se calculan a partir de estos son adecuados para situaciones muy deter sobre el estado del proceso la informacion particular el comportaminadas. En una situacion variables medidas y empleado el algoritmo miento del proceso se rige por una serie de relaadecuado al estado funcional establecido por ciones que determinan la idoneidad de un deterla etapa anterior. minado regulador cl asico. Cuando las circunstancias cambian es preciso determinar esta salida de a mbito de aplicaci on para evitar los problemas a que Este tipo de mecanismo dual se implanta habiconduce el uso de un regulador inadecuado a una tualmente en los sistemas de control con compu7
plean t ecnicas matem aticas para gestionar y opti de la planta industrial [Nistal mizar la produccion 89b]. Este tipo de sistemas de control es m as dif cil de encontrar en la pr actica como paquete comercial. Por lo general los desarrollos en este campo son individuales, construidos por empresas de ingenier a para plantas espec cas. El campo de apli de este tipo de sistemas es, no obstante, el cacion mismo que el de los sistemas anteriores: las plantas limpias.
Este tipo de sistemas de determinacion situacion. es de en l nea de salida de m argenes de operacion gran importancia para la robustez del sistema de control.
Ricardo Sanz
Valoracin de la situacin del proceso Estado funcional Determinacin de la accin de control Accin de control
Referencias
Variables de proceso Proceso
Figura 2.2: El proceso de control inteligente consta de dos etapas fundamentales: 1) la valoraci on de la situaci on y 2) la realizaci on de la accion de control.
e imtador, aunque en muchos casos su diseno no se realizan teniendo en cuenta esta plantacion doble, por lo que las dos etapas suelen esfuncion tar integradas en una etapa unica que puede llegar a ser bastante compleja. En un caso particular el sistema COMLAND desarrollado por el Departamento de Autom atica se tiene este tipo de estructura. El sistema implanta un doble regulador en cascada, al que se anade un bucle de optimi de produccion cuando las condiciones del zacion proceso son adecuadas. El sistema reconoce cuatro optimizable, normal, atenregiones de operacion: y alarma. De haberse implantado desde un cion principio con estructura de dos etapas el desarrollo hubiera sido mucho mas simple y el sistema resultante m as ecaz y robusto. de esta estrucEl problema de la implantacion tura dual se origina en la primera etapa. Esta es una etapa que puede requerir de procesos de in a muy alto nivel, siendo una etapa claformacion ramente basada en conocimiento declarativo situaciones a reconocer mientras que la segunda es una etapa fundamentalmente procedural. Por ello en sistemas de control poco avanzados la primera etapa se minimiza, desapareciendo incluso en el caso de los reguladores mas simples: no se proceso de valoracion del estado realiza ningun del proceso y por ello se emplea siempre el mis de actuaciones: el mo algoritmo de determinacion regulador convencional. El control adaptativo es 8
de esta esen cierto sentido una realizacion tructura dual, en la que el numero de reguladores a seleccionar es pr acticamente innito un rango del estado continuo y en el que la identicacion del algoritfuncional no se hace en cada ejecucion mo de control, sino con otro tipo de periodicidad.
2.4.
Control Supervisor
No obstante la complejidad inherente a muchos procesos, la estructura de control supervisor basada en un operador humano tiene e xito. Este xito cabe atribuirlo a que el modelo mental que e el operador tiene del proceso y los mecanismos de que emplea para el ajuste de dicho identicacion modelo, son, cuando menos, mejores que los utilizados en sistemas de control autom atico; lo que le del estapermite realizar la etapa de identicacion do funcional de una manera m as efectiva. A pesar de lo anterior el control basado en humanos no es la panacea, ya que el operador es humano, y como tal esta sometido a cansancio, erro errores de decision, etc. Los res de percepcion, tres conceptos fundamentales de abilidad, disponibilidad y mantenibilidad presentan caracter sticas particulares cuando se habla del operador humano:
Fiabilidad : El hombre es menos able que la m aquina, sobre todo porque sus modos de fallo son menos predecibles y menos identicables. Disponibilidad : La disponibilidad del humano es menor; ello aparece claramente reejado en uno de los problemas fundamentales para el mantenimiento de la estabilidad en operacion de procesos: los turnos. Debido al cansancio normal de las personas es necesaria la existencia de turnos de operadores, cada uno con sus modelos mentales, sus t ecnicas de identicaci on y ajuste y sus procesos de decisi on. Mantenibilidad : Los operadores se jubilan, se ponen enfermos y precisan de bajas temporales o denitivas, se hacen viejos y encuentran dicultades para adaptarse a las nuevas situaciones del proceso. El transvase de conocimiento de un operador a su sustituto es dif cil cuando no imposible, sobre todo cuando es puede concluir te transvase de informacion en dicultades laborales para el operadorfuente. Este tipo de problemas humanos est an a la orden del d a, pero no por ello son soslayables, ya que la carencia de los sistemas autom aticos que sustituyan a los humanos determina su necesidad. Otro aspecto que no hemos mencionado y que es fundamental es el de la seguridad. Al n y al cabo los sistemas autom aticos est an construidos para operar en un rango de situaciones determinado. La robustez del sistema de control es fundamental. Sin duda, si nuestra seguridad depen de un sistema autom diera de la operacion atico, ste estuviera vigilado por un preferir amos que e humano entendido en la materia. Este tipo de si es caracter tuacion stico de sistemas con seguridad cr tica, como puede ser una planta nuclear o un nave espacial.
ridan propone son los que se derivan del siguiente protocolo: 1. El computador no ofrece asistencia, o 2. el computador ofrece un conjunto completo de alternativas, y a un conjunto, o a) restringe la seleccion b) sugiere una, y 1) ejecuta la sugerencia si el humano la aprueba, o 2) permite al humano vetarla antes de ejecutarla autom aticamente, o 3) informa al humano despu es de la o ejecucion, 4) informa al humano si este lo solicita, o 5) informa al humano si as lo decide. 3. El computador hace todo sin comunicarse con el humano.
hasta la automatiDesde la no automatizacion total hay una serie de niveles de automatizacion basados en la cooperacion hombre-m zacion aqui MANUAL-MIXTOna. Tenemos una gradacion AUTOMATICO. del Como vemos el proceso de sustitucion hombre por la m aquina en sistemas potencialmente peligrosos, jam as eliminar a completamente al hombre, siempre habr a que poner un humano por encima de cualquier mecanismo. Esto no es necesariamente malo, sino todo lo contrario. Como tra taremos de exponer en esta tesis, la colaboracion hombre-m aquina puede conducir a resultados adecuados, pero para ello es preciso construir mecanismos que posibiliten esta sinergia.
De ello surge la necesidad de los sistemas de soporte de decisiones, que permiten al humano del m as alto nivel tener un conocimiento lo m as Sheridan [Shecompleto posible de la situacion. de niveles ridan 83a] presenta una clasicacion (cooperacion hombre-m de automatizacion aquiEn esta tesis no se pretende pues proponer una de automatizacion total, sino presentar na) que resulta interesante. Los niveles que She- solucion
Ricardo Sanz
una serie de t ecnicas que permitan potenciar el sistema de control (quiz a avanzando en la jerarqu a propuesta por Sheridan), pero con un objetivo nal hombre-m aquina.
temas de asistencia al humano. Ejemplos de este tipo de sistemas son los sistemas inteligentes de ayuda a la toma de decisiones. En ellos se realiza eciente de la informacion disponible una gestion por el operador. De este modo el operador puede Por lo general un sistema de control de este tipo realizar sus actuaciones de una forma mucho mas arquica, existiendo un nivel tiene una estructura jer able, ya que se disminuye el elemento intuitivo que suele estar implantado primario de regulacion de la misma. En este tipo de sistemas se produce mediante automatas programables y un nivel su din una delegacion amica de tareas del operador y supervision por el huperior de monitorizacion al sistema ayudante, permitiendo de este modo al mano. operador estar en cada momento con el nivel de trabajo mas adecuado. Esto es cierto salvo cuando se necesita gran cantidad de potencia en alto niesto es, cuando existen varias tareas a realizar 2.5. Inteligencia Articial e Inte- vel, que precisan de la capacidad del humano; en es el sistema ayudante no puede prestar ta situacion ligencia Natural ninguna ayuda, ya que su capacidad est a limitada a las tareas m as simples y repetitivas. del operador es por lo general la La mision surge la pregunta: Ante esta situacion de establecer estrategias de control mediante espe de las consignas de los bucles de control. cicacion Es posible reemplazar al operador humano por un se lleva a cabo mediante un proceso de sistema articial que presente una funcionalidad equiEsta mision del humano en valente? toma de decisiones. La utilizacion este tipo de sistemas presenta ventajas y desventajas inherentes al comportamiento caracter stico del mismo. Las desventajas de este tipo de control en sistemas complejos se resumen en los puntos pre2.6. Inteligencia Articial en sentados en la. En los sistemas de control de procesos complejos se realizan dos tipos de actividades: Conductistas y Cognoscitivas. Las actividades conductistas son f acilmente implantables en un ordenador; no as las cognoscitivas, esencialmente las derivadas y prevision. Por este motivo es prede la intuicion ciso mantener al humano en el bucle de control, aunque se pueden desarrollar entornos que le ayuden en su labor.
Control
La inteligencia articial es un grupo de t ecnicas muy f ertil, capaz de dar soporte para solucio mbitos m nar problemas en los a as diversos de la inform atica. Por ello el control no ha escapado de la inuencia de estas t ecnicas. El enfoque del uso de inteligencia articial en control no ha sido nun ca homog eneo, realiz andose desde multiples di recciones y con propositos muy diferentes. Estos Estos dos tipos de actividades est an estrecha propositos cabe diferenciarlos en dos grandes grumente relacionadas con las dos etapas fundamen y construccion de sistepos: a) Ayudas al diseno tales en cualquier sistema de control: Valoracion mas de control convencionales y b) control propia que es esencialmente cognoscitiva de la situacion, mente dicho. de la actuacion que suele ser proy determinacion El primer punto no entra dentro de los objeticedural. vos considerados en esta tesis, por lo que no se Dado que parece imposible suprimir al hom l, restringi har a ninguna otra referencia a e endonos bre del bucle de control debido a la necesidad de al segundo punto. los elementos que aporta (esencialmente sentido De un tiempo a esta parte han venido aparecomun), tradicionalmente se ha tratado de solven de las fun- ciendo una serie de comunicaciones sobre la utilitar esta problem atica (automatizacion de t ecnicas de inteligencia articial en conciones del operador) mediante el desarrollo de sis- zacion 10
Control Supervisor
Ventajas
de acciones correctas Capacidad de determinacion con informacion incompleta aun Capacidad de aprendizaje El hombre tiene sentido comun
Desventajas
Falta de uniformidad en la actuacion Sobrecarga Informativa del operador Errores humanos: cansancio, inexperiencia, desidia, etc. Tabla 2.1: Ventajas y desventajas del control supervisor. El hombre no es una m aquina
de trol. Este inter es parece proceder de tres fuentes campo del control de procesos de produccion rea tradicional de I+D diferentes: cemento. Esta ha sido un a dentro del departamento en que se ha desarrolla con una importanIngenier a de control, que, ante la necesidad do esta tesis, en colaboracion te empresa del sector. Las posibilidades de conde hacer frente a problemas de control de trol cl a sico de este tipo de sistemas han venido tratan de encontrar en la indif cil solucion, mostr a ndose muy limitadas, al ser procesos con teligencia articial t ecnicas que les permitan ruidos de todo tipo y comportamientos err aticos, afrontar dicho problema. fundamentalmente debidos a la variabilidad de Inteligencia articial, en la que el campo de los materiales de partida. La inteligencia articial se va ensanchando progresivamen- ofrece perspectivas nuevas para enfocar el probleaplicacion ma del control de este tipo de procesos, y es por te. ello que los desarrollos presentados en esta tesis Grupos de gente de pensamiento sincr etico tienen una orientacion decidida hacia la aplicacion inteligencia articial- industrial m que ven en la union as o menos inmediata. control el marco adecuado para experimentar Como veremos en cap tulos posteriores, la au sobre temas esencialmente losocos. total de la planta no intervencion tomatizacion humana ser a un objetivo de importancia progreNuestro caso est a dentro del primer grupo. El sivamente reducida. Otros objetivos seguridad, proposito que nos anima es controlar procesos estabilidad, etc. nos conducir an a la idea del siscomplejos que se han resistido a los enfoques cl asi- tema hombre-m de conaquina como la solucion cos. La inteligencia articial, con su enfoque he- trol m as adecuada; aunque la inteligencia artiterodoxo, puede permitirnos formalizar y utilizar cial nos permitir a construir mecanismos de control sobre el proceso a controlar dif informacion cil- muy avanzados basados en la manera en que los mente integrable en un sistema cl asico. humanos controlan este tipo de procesos. El surgir de nuestras ideas y objetivos de con dentro del trol es debido a una natural evolucion 11
Ricardo Sanz
Inteligencia articial en control

CONTROL ON-LINE Control basado en reglas Control borroso de Valoracion estado OPERADOR Ayudas DISENO An alisis de Comportamientos AUXILIAR Diagnostico Mantenimiento Preventivo
Alarmas de Valoracion estado Lenguaje Natural Filtrado de acciones
OFF-LINE
Planicacion Simulacion
Tutores Entrenadores
CAD de Exploracion espacios de diseno
Diagnostico post-mortem
Tabla 2.2: Algunas aplicaciones de la inteligencia articial en control.
2.6.1.
Objetivos
es progresiva, empezando por sissu introduccion temas de soporte de decisiones para operadores y concluyendo con aut enticos sistemas de control.
Los objetivos que se tratan de conseguir con de inteligencia articial en control la introduccion se resumen en uno: tratar de resolver determinados problemas de control frente a los que otras t ecnicas de control mas convencionales se han mostrado inecaces. El sistema que se decribe en el Cap tulo 7 de esta despu tesis se desarrollo es de explorar multiples alternativas de control de proceso incluyendo sistemas de control adaptativo-predictivo y sistemas de control borroso globales.
2.6.2.
Aplicabilidad
Las aplicaciones de la inteligencia articial en control comenzaron ya en los primeros tiempos de la inteligencia articial. Los primeros planicadores se desarrollaron de hecho como soporte as alto nivel para control de robots [Fu 87]. del m No obstante, en el campo del control de procesos rea de las aplicaciones pioneras se centraron en el a en l cuando la solucion automatizada de un sistemas de diagnostico. La utilizacion nea de Solo estos sistemas ha sido sumamente dicultosa, de- problema es dif cil por los m etodos cl asicos y ofre bido fundamentalmente a sus malas caracter sti- ce importantes promesas economicas es plantecas de funcionamiento en tiempo real; no obstante able el uso de t ecnicas de inteligencia articial pa12
Si preguntamos Es aplicable la inteligencia articial en control de procesos complejos? la respuesta es inmediata: SI. Pero esta respuesta no de be conducirnos a apreciaciones erroneas. La inteligencia articial es aplicable a cualquier cosa, y este ha sido siempre su punto fuerte; cuando no se sabe como resolver un problema por un m etodo cl asico se recurre a las t ecnicas de la inteligencia articial. Por otra parte el punto en contra de las aplicaciones basadas en inteligencia articial es su coste de desarrollo, comprobado fundamentalmente en el rea de los sistemas expertos. a
del mismo. ra la solucion
Seguridad : El software que se utiliza de manera repetida y que se mantiene es mucho Jakob [Jakob 90] arma que las aplicaciones m as seguro que las aplicaciones de usar y tide la inteligencia articial en este tipo de proce del mismo rar, ya que durante la utilizacion sos que vale la pena desarrollar se caracterizan por permite se descubren errores cuya correccion tres factores: mejorar el sistema. La complejidad generalizada debido a la diversidad del sistema; esto es, complejidades primaria y secundaria. La necesidad de tener en cuenta el tiempo. Tiempo : El uso de software ya desarrollado permite tener disponible el sistema de control en un plazo mucho menor, lo que redunda a su vez en el coste.
Las t ecnicas de inteligencia articial son hete La necesidad de manejar incertidumbre aun muy rodoxas, y por ello permiten la adaptacion en circunstancias normales; complejidad ter a ajustada de los mecanismos de representacion ciaria. Esto dilas entidades del dominio de aplicacion. culta sobremanera la reutilizabilidad de los desa Sin embargo todos estos factores son tan solo rrollos previos. No obstante se puede alcanzar una aspectos de la caracter stica fundamental de estos cierta reutilizabilidad si: sistemas: la complejidad estructural y de interac del sistema a controlar que es el origen de un cion Los desarrollos se modularizan, de forma que comportamiento din amico complejo. Esta complelos elementos dependientes de la planta quejidad del comportamiento din amico es la que conden separados del resto del sistema. Esto es duce a la necesidad de incluir los factores temporal en el fondo lo que propugna la tecnolog a de y de incertidumbre mencionados. los sistemas expertos, pero el problema del En resumen podemos concluir que la inteligencia articial es aplicable en control fundamentalmente por un aspecto: su capacidad de utilizar representaciones del conocimiento heterog eneas, lo que va a permitir hacer frente a los problemas derivados de la complejidad de los procesos a controlar. control de un proceso determinado requiere a menudo de enfoques particulares que se apartan del paradigma motor de inferencia - base de conocimiento (MI-BC). Se desarrollan los sistemas orient andolos a tipos de procesos, no tratando de realizar excesivas generalizaciones que conducen a falta de prestaciones ni particularizaciones que limitan la reutilizabilidad.
2.6.3.
Reutilizabilidad
var Los campos de aplicacion an en un amplio fuera de espectro [Bartos 89] , desde la operaci on del software de control inteliLa reutilizacion l nea hasta la aplicaci on en l nea. Desde los sistegente es un objetivo muy deseable por diversas ramas de ayuda a los operadores hasta la implanzones: de reguladores basados en reglas. Una listacion ta indicativa de las aplicaciones posibles es la siCoste : El coste de desarrollo de este tipo de sisguiente: tema es muy elevado, por lo que cualquier de software ya desarrollado sureutilizacion Sistemas de ayuda [Cross 86]. pondr a un ahorro, siempre que la integracion de tal software no sea m as costosa que el proTutores inteligentes [Yazdani 86a][Sleeman pio desarrollo. 82][Brown 82]. 13
El desarrollo de sistemas de control inteligente es muy costoso, y como la mayor parte del software de alto nivel requiere en la mayor a de los casos partir de cero en su desarrollo.
2.7.
Campos de Aplicacion
Ricardo Sanz
Sistemas de diagnostico post-mortem [Cuena 89]. Sistemas de diagnostico en l nea [Karel 89][Scarl 87]. Ayudas al diseno (CAD) [Hinkelmann 89][Lan 90]. Sistemas de alarma inteligentes [Henkind 87]. Reguladores basados en reglas [Bernard 88][Shirley 87] Reguladores borrosos [Efstahtiou 87][Cerezo 88][Tong 77]. Sistemas de di alogo e interfases en lenguaje natural [Ehrich 83]. Sistemas de mantenimiento [Cuena 89]. de aver Sistemas de deteccion as [Kitowsky 87][Scarl 87]. de comportamiento [DAmbrosio Prediccion 89a][Widman 89b]. de estado del sistema [Bailey 88]. Valoracion Filtrado de acciones de operadores [Johansen 83]. de informacion de bajo nivel Interpretacion [Forbus 87][Pau 89]. vaEstas aplicaciones se pueden agrupar segun rios criterios, que permiten caracterizar su funcionamiento: Modo de operacion: En l nea. Fuera de l nea. Orientacion Operador: Orientada a operador. Control: Orientada a proceso. Auxiliar: Soporte de sistema.
14
Cap tulo 3
Modelos Simbolicos de Sistemas F sicos

Experience has shown that 3.2. Modelos designing a good representation is often the key to turning Los modelos son parte fundamental en todos hard problems into simply ones los sistemas que interaccionan, ya que son parte de Patrick Henry Winston los mecanismos que conducen dicha interaccion. Articial Intelligence, 1984 Las personas interaccionan con el mundo, y por ello precisan de modelos del mismo que les permitan interpretar lo que les llega por los sentidos Las m percepcion. aquinas, en particular los siste mas autonomos que realizan funciones cognoscitivas, precisan tambi en de estos modelos para reali zar de forma adecuada su funcion. Introduction
3.1.
En un sistema de control es de fundamental importancia el conocimiento sobre el sistema a controlar. Este conocimiento se emplea de forma impl cita o expl cita en dicho sistema de control. En el caso de sistemas de control avanzados la repre de esta informacion es el factor m sentacion as cr tico y que determina las prestaciones del sistema. En el caso de un sistema de control cl asico esta re es simple y directa: un modelo mapresentacion tem atico realizado mediante ecuaciones diferenciales. Este modelo se utiliza de forma impl cita en el c alculo en la mayor a de los reguladores, y de forma expl cita en alguno de ellos (MRAC). Cuando el proceso es muy complejo la posibilidad de usar este tipo de representaciones ecuaciones diferenciales es remota. Es preciso utilizar otros enfoques como puede ser el de la inteligencia articial. En este caso las necesidades del sis son extremas, al surgir la tema de representacion en niveles de necesidad de manejar informacion muy diferentes. abstraccion
3.2.1.
Qu e es un Modelo?
la Enciclopdia Britannica un modelo es Segun simplicada del mundo real, una representacion y, como tal, incluye solo las variables relevantes para el problema que se maneja. Si se modela un cuerpo en ca da libre no parece necesario incluir el mas, un mocolor del mismo en el modelo. Aun delo puede no incluir todas las variables relevantes si con solo algunas de ellas responde suciente mente bien a los fenomenos a explicar. El modelo pero sigue siendo queda mermado en su precision, util. Otras deniciones de modelo son las siguientes: Cosa en que alguien se ja para hacer otra igual [Moliner 89]. Este es el sentido mundano del t ermino. Un sistema articial con el que se pretende reproducir, o imitar, el comportamiento de un 15
Ricardo Sanz
sistema concreto [Aracil 86]. Este es el senti- temas de complejidad limitada. Las t ecnicas mado sistemista. tem aticas avanzan, sin embargo, en el desarrollo de t ecnicas de modelado progresivamente ecaces Para Rothemberg [Rothemberg 89] modelar es en la construccion de modelos matem aticos de sishacer un uso de una cosa en vez de otra temas complejos [MacFarlane 70]. con un proposito cognoscitivo y de manera economicamente eciente.
3.2.2.
Caracter sticas de los modelos
El t ermino modelo aparece dentro de un proce pero no obstante se utiliza so de representacion, El modelado no es una actividad susceptible con dos signicados fundamentalmente opuestos de estandarizacion; como ya se ha mencionado los como aparece reejado en las dos anteriores de- modelos son el resultado de una actividad cognosniciones [Aracil 86]: citiva de un humano, y por ello son susceptibles de sufrir grandes variaciones de una persona a otra. en el caso de modelar un sistema simple los Aun La cosa representada. modelos pueden diferir. La cosa representante. Es preciso analizar cuales son las caracter sticas fundamentales de los modelos y que nos van es la utilizada habitual- a permitir analizarlos. Estas caracter La segunda acepcion sticas son las mbito t mente en el a ecnico, quedando la primera relacionadas fundamentalmente con los aspectos para otros usos. t ecnicos referentes a esta tesis, sin que se trate de realizar un estudio exhaustivo de las mismas. Los modelos son construidos por las personas, y por ello, un modelo no es mas que una construcEl primer aspecto caracter stico de un modelo subjetiva en la cual el humano reune su ex- es su profundidad. La profundidad de un modecion periencia sobre un entidad real. El t ermino clave lo est a relacionada con el proceso de abstraccion es subjetivo. La subjetividad del modelo es debida mediante el cual se obtiene el modelo a partir del a que se construye mediante un proceso cognosci- sistema real. Un modelo ser a tanto m as profuntivo llevado a cabo por un humano. Los intentos do cuantos mas aspectos relacionados con el com de sistemas de percepcion del en- portamiento del sistema real est de construccion en expresados en torno para sistemas autonomos se encuentran con el modelo. En este sentido Hinkelmann [Hinkel del modelo que mann 89] dice: la problem atica de la formulacion servir a de base a dicha percepcion. Consider two models of expertise M and M. We De especial importancia son los modelos ma- will say that M is deeper than M if there exists some tem aticos. Esta importancia radica en su comuni- implicit knowledge in M which is explicitly represented cabilidad. Un modelo subjetivo est a asociado estre- or computed in M2 chamente al sujeto que lo desarrolla, siendo de exDe acuerdo con Hinkelmann podemos formu Si el ente a motrema dicultad su comunicacion. de modelos, lar un principio de profundizacion matematica del modelar admite la formulacion armando que profundizar es explicitar: delo, se puede construir un modelo compartible por 1 varios individuos. Los modelos simbolicos que se PROFUNDIZACION EXPLICITACION desarrollan en inteligencia articial tienen esta caLos modelos pueden tratar de representar el racter stica. Est an construidos en un nivel de abssistema tal como es, o pueden intentar exclusiva mayor que el num traccion erico pero son comparmente responder a determinados aspectos. En este tibles. sentido diremos que un modelo es directo u orientaLa posibilidad de formular matem aticamente do. Un modelo orientado es un modelo que no tralos modelos es muy relativa, restringi endose a sisse utiliza el t ermino simbolico se debe entender como no num erico.
1 Cuando 2 Consideremos dos modelos de pericia M y M. Diremos conocimiento que M es mas profundo que M si existe algun impl cito en M que es representado expl citamente en M.
16
Cap tulo 3. Modelos Simb olicos de Sistemas F sicos
ta de reproducir el comportamiento fundamental del sistema modelado, sino que trata exclusivamen de determinados te de generar una representacion aspectos del sistema. En cierta medida todos los modelos son modelos orientados, ya que todos se construyen con un objetivo particular en mente, y es con este objetivo en el horizonte como se construye el modelo del sistema. No obstante entre dos modelos es por lo general posible determinar cual determinada. es m as orientado a una aplicacion
Este tipo de representaciones que modelan exclusivamente el comportamiento sin hacer referencia a la manera en que este se produce se denominan modelos de comportamiento o someros. Por contra los modelos que hacen uso de representaciones basadas en dependencias causales se los denomina modelos causales o profundos. Este es el que hace Klir entre modeLos medios para construir los modelos son disentido de la distincion los de comportamiento y modelos UC y ST [Klir versos, pasando desde las ecuaciones diferenciales [MacFarlane 70] a los modelos por lotes basados 69]. en automatas nitos [Zeigler 90] y a los modelos de modeUn ejemplo muy claro de orientacion cualitativos [Bobrow 84]. El uso que se pretende los se d a en los sistemas de diagnostico. En diaghacer de los modelos determina en gran manera nosis se usan dos tipos de modelos [Hinkelmann su construccion. 89]: Los modelos se pueden clasicar en dos granFisiologicos: tratan de representar el sistema de des tipos de acuerdo con el tipo de sistema que forma que se pueda responder del comporta- modelan: los modelos de sistemas continuos y los modelos por lotes. En esta tesis nos centraremos esmiento normal del mismo. camente en modelos de sistemas continuos, pec Patosiologicos: tratan de responder al comporque son los mas aplicables en la industria de protamiento anormal del sistema. En este caso el ceso. En estos modelos se trata de representar el modelo se realiza por lo general en base a una comportamiento del sistema en base a una serie lista de faltas establecidas a pr ori. de variables que evolucionan en el tiempo de forma continua. es clara en modelos someros, Esta distincion Las t ecnicas de modelado aplicables son mupero en modelos profundos no lo es tanto, ya que difeandose en niveles de abstraccion del chas, situ la patolog a es en esencia una modicacion los modelos basados en ecuaciones di comportamiento siologico normal. Con modelos rentes. As profundos la patolog a se representa por medio de ferenciales son los modelos menos abstractos, siandose en el extremo opuesto los modelos para del modelo, una alteraci una alteracion on siol ogica. tu basada en el conocimiento. El modelo debe ser lo sucientemente profundo simulacion como para representar todas estas posibles altera ciones, etiolog as del comportamiento patologico.
El modelo se puede construir de forma que exprese el comportamiento del sistema solo desde el punto de vista de las entradas y salidas del mismo o del comportamiento interno [Fern andez 77]. Estos dos tipos de modelos se denominan respectivamente modelos externos e internos. En el primer caso se considera el sistema como una caja negra, y lo que se pretende con el modelado es construir otro sistema que se comporte de la misma forma por lo que a magnitudes medibles se reere, esto es, debe responder con las mismas salidas a las mismas entradas. Por contra en los modelos internos lo que se pretende es conseguir un conjunto de variables internas que respondan a variables reales del sistema modelado. De este modo se logra tambi en una del comportamiento externo en base reproduccion a un modelo interno del sistema.
aticos Como ya hemos comentado con anterioridad 3.2.3. Modelos inform un modelo ser a tanto m as expl cito cuanto m as de La inform atica se basa en la construccion profundo sea. Explicitar supone declarar los me no es canismos subyacentes que responden del compor- modelos del mundo, ya que la informacion del mismo a re- mas que eso: modelo de la realidad. Los progratamiento, sin dejar la justicacion mas inform aticos tratan de hacer frente a problepresentaciones ad hoc.
17
Ricardo Sanz
mas de la realidad mediante el manejo de infor estructurada referente a ese mundo. Esta macion estructurada no es mas que un modelo informacion del mundo con la que se est de la porcion a trabajando. Esto aparece claramente ya en [Lehman 80], en el que se clasican los tipos de programas en de el tipo de modelo y la posibilidad de su funcion La inteligencia articial es en esencompleccion. de cia un enfoque heterodoxo para la construccion modelos inform aticos del mundo, y es desde esta perspectiva heterodoxa como las aplicaciones basadas en inteligencia articial l ease fundamentalmente sistemas expertos han conseguido su xito. e inform En cualquier tipo de aplicacion atica del mundo con la existe un modelo de la porcion que trabaja. Este modelo puede formularse expl citamente o estar incluido de manera impl cita en los procedimientos o estructuras de datos que compo inform nen la aplicacion atica. Para realizar cualquier tipo de actividad sobre un objeto, persiguiendo unos determinados nes, es preciso conocer como va a reaccionar dicho objeto a nuestras acciones. Este conocimiento del comportamiento del objeto es un modelo de dicho objeto. Este modelo aparecer a representado de forma impl cita en los mecanismos que implantemos para la inter sobre el mismo. vencion
este punto no tenemos mas que observar la t ecnica habitual de hacer frente a sistemas complejos: y desacoplamiento. reduccion En esta tesis doctoral se trata de aplicar el pun de modelos to de vista heterodoxo de construccion tomado de la inteligencia articial a la cons de modelos de sistemas con complejidad truccion en control de los misterciaria, para su utilizacion mos.
3.3.
Modelos para Control
En esta tesis se desarrolla una arquitectura de en l control que est a basada en la utilizacion nea de un modelo del proceso a controlar. Este tipo de t ecnica se enmarca dentro de lo que en ingenier a del conocimiento se ha dado en llamar razonamiento basado en modelos. En ocasiones se suele utilizar el t ermino control basado en el conocimiento para referirse a una serie de m etodos de control basados en t ecnicas tomadas de la ingenier a del es conocimiento. El uso de este tipo de expresion quiz a inadecuado, ya que para controlar cualquier proceso hace falta un cierto conocimiento del mismo en el que se basa el sistema de control.
En la terminolog a sobre los tipos de control El control, por otra parte, se basa tambi en en existen una serie de usos de la misma que condumodelos del mundo, aunque en este caso los mo- cen a confusiones y errores de interpretacion. delos suelen tener dos caracter sticas muy especiaEl control se basa siempre en el conocimienles: to sobre el proceso a controlar, conocimiento que constituye un modelo del proceso. Por ello todos matem Su formulacion atica; suelen ser expre- los controles ser an agrupables bajo el t ermino de sados mediante ecuaciones diferenciales. control basado en el conocimiento o control basado en modelos. A pesar de lo mencionado, y para ajus Su restringido alcance; modelan pequenas as generalizados, cuando utiliporciones del mundo, esto es sistemas poco tarnos a los usos m cemos el t e rmino control basado en modelos nos recomplejos. feriremos al control basado en modelos simb olicos expl citos. En esta ultima frase es preciso aclarar el mbito de aplicacion del control Vemos que el a t ermino simb olico. En este caso sucede lo mismo cl asico son los sistemas simples y que admiten reque con el conocimiento; habitualmente se usa el presentaciones matem aticas, en los cuales aunque a num t ermino simb olico en contraposicion erico, y existe una cierta exibilidad por lo que se reere este ser a el uso que le demos, teniendo en cuanta matem a la formulacion atica no sucede lo mismo no obstante que los numeros tambi en son s mbocon la simplicidad. El control de sistemas complelos. jos es una asignatura pendiente, sobre todo cuanEn la Tabla 3.3 se presentan algunos ejemplos do el sistema tiene complejidades secundaria y ter el tipo de modelo ciaria elevadas (ver Cap tulo 2). Para comprobar de control, clasicados segun 18
Ejemplo de Usos de Modelos en Control

Tipo de Modelo Expl cito Control Basado en Modelos (CBM) Control adaptativo con modelo de referencia (MRAC) Impl cito Control basado en Reglas (CBR) Control Proporcional, Integral, Diferencial (PID)
Simb olico
Num erico
Tabla 3.1: Ejemplos de uso de modelos considerando dos aspectos fundamentales: explicitud y abstracci on.
empleado: simbolico versus num erico y expl cito versus impl cito. En dicha tabla se presentan los siguientes ejemplos: PID: Control PID. Es quiz a el control m as cl asico. l el modelo es impl En e cito, ya que se utiliza del regulador, y por tanto popara el diseno l. Adem demos armar que est a incluido en e as este modelo es num erico, expresable en forma de ecuaciones diferenciales o de funciones de transferencia. MRAC: Control Adaptativo con Modelo de Referencia. (Model Reference Adaptive Control3 ). Un tipo de control adaptativo en el que se formula de manera expl cita un modelo que es empleado durante la actividad de control. Este modelo es al igual que en el caso del PID num erico, aunque no es un modelo del proceso a controlar sino de como nos gustar a que fuera el proceso. Otro tipo de control adaptativo, el STR, utiliza tambi en un modelo del pro ceso, que es objeto de un ajuste periodico. CBR: Control Basado en Reglas. En este caso el sistema de control se basa en un conjunto de reglas que constituyen la base de conocimiento de control. Estas reglas se extraen del conocimiento sobre control del proceso que tiene
3 Se ha respetado el acronimo por estar muy exanglosajon tendido su uso.
una determinada persona, siendo por lo tan inform to una concrecion atica de un modelo mental. En este caso el modelo es simbolico e impl cito en las reglas, del mismo modo que era impl cito en el PID. CBM: Control Basado en Modelos. En este caso el modelo del proceso a controlar aparece de forma expl cita en la base de conocimiento del sistema de control. Este modelo es simbolico en el sentido m as general, pudiendo tener to desde da una gama de niveles de resolucion: el modelo num erico ecuaciones diferenciales hasta un modelo en un nivel de abstraccion m aximo grafo de dependencias causales. Este modelo se emplear a en mecanismos de razonamiento basado en modelos (RBM) para obtener las acciones de control.
3.3.1.
Utilizacion de modelos num ericos
Los modelos utilizados en el desarrollo de los reguladores cl asicos son modelos basados en ecuaciones diferenciales ordinarias. Por ejemplo, en el sistema de la gura un objeto en ca da libre se tiene el siguiente juego de ecuaciones diferenciales: dy =v dt 19
Ricardo Sanz
dv =a dt a = cte = g Este conjunto de ecuaciones constituye un modelo del sistema lo sucientemente completo como para representar el comportamiento del de mismo de inter es para nosotros. La solucion diferencial constituye una descripcion la ecuacion temporal del sistema al nivel de de la evolucion que hemos formulado el modelo representacion ca da libre, en el vac o, etc.
3.3.2.
Utilizacion de modelos simboli cos impl citos
Los sistemas de control basados en reglas se construyen mediante un proceso de adquisici on de conocimiento, mediante el cual se extrae de los expertos en control de un determinado sistema las reglas de control que utilizan. Estas reglas son en t erminos simples de la forma: SI<Situaci on> ENTONCES<Acci on> donde se tratan de expresar protocolos de control similares a los que emplean los humanos. De este modo se realiza un sistema de control cien el que el modelo del proceso no aparece expl tamente, sino que este modelo es una representa inform cion atica del modelo subjetivo que el experto tiene en su mente. En las reglas tenemos una impl representacion cita del mismo; esto se puede comprobar si se observa que de las reglas se puede deducir, en parte, el comportamiento del sistema. El modelo impl cito contenido en las reglas es una del modelo mental del experto. Esta simplicacion se hace por abstraccion del modelo, simplicacion los aspectos de comportamiento reteniendo solo del mismo relevantes al control. Esta abstraccion se realiza en un determinado nivel de representa cion. Consideremos por ejemplo un sistema simple: un par de grifos de agua fr a y caliente de una ducha. El problema del control en este caso es conseguir dos objetivos simult aneamente: una temperatura adecuada y una cantidad suciente de agua. En este caso los expertos somos pr acticamente todos, por lo que ser a mas f acil comprender el me de las reglas de control. canismo de obtencion Las reglas de control en este caso se formulan con dos variables en las premisas y dos acciones en las conclusiones. La base de conocimiento de control de este sistema ser a algo as como el conjunto de reglas representado en la Figura 3.2. En este caso hemos obtenido nueve reglas (32 ) de dos variables en las premisas y tres en funcion posibles valores simb olicos para cada una de ellas (alto, normal, bajo). Esta base de conocimiento est a construida en un determinado nivel de
Figura 3.1: Objeto en ca da libre.
El desarrollo de sistemas de control cl asicos se basa fundamentalmente en el conocimiento de un modelo del proceso [MacFarlane 70]. Este modelo se expresa mediante ecuaciones diferenciales ordinarias o bien mediante ecuaciones en diferencias. de reguladores utiLos m etodos de construccion lizando estos modelos impl cita o expl citamente no es objetivo de esta tesis, pudiendo encontrar se multitud de referencias sobre el tema [Astrom 88][Astrom 89b]. Profundizar aqu . 20
SI la temperatura es baja y el caudal es bajo ENTONCES aumentar agua caliente SI la temperatura es baja y el caudal es normal ENTONCES aumentar agua caliente y disminuir el agua fr a SI la temperatura es baja y el caudal es alto ENTONCES disminuir el agua fr a SI la temperatura es normal y el caudal es bajo a ENTONCES aumentar agua caliente y aumentar agua fr SI la temperatura es normal y el caudal es normal ENTONCES no hacer nada SI la temperatura es normal y el caudal es alto ENTONCES disminuir agua caliente y disminuir agua fr a SI la temperatura es alta y el caudal es bajo a ENTONCES aumentar agua fr SI la temperatura es alta y el caudal es normal ENTONCES disminuir agua caliente y aumentar agua fr a SI la temperatura es alta y el caudal es alto ENTONCES disminuir agua caliente Figura 3.2: Base de conocimiento de control del sistema de dos grifos. correspondiendo a un modelo en el abstraccion, que la temperatura puede ser alta, baja o normal. Es posible construir bases de conocimiento de control en base a utilizar un modelo con otro Los modelos mentales que nivel de resolucion. emplean las personas tiene la propiedad de multiresolucionalidad, lo que permite extraer modelos con diferentes niveles de abstraccion. El juego de reglas se formular a, por ejemplo, en base a los siguientes valores para la temperatura: MUY ALTA, ALTA, POCO ALTA, NORMAL, POCO BAJA, BAJA y MUY BAJA. De este modo, y man teniendo los tres valores simbolicos para el caudal el numero de situaciones distintas reconocibles en ser este nivel de abstraccion a de: 7x3 = 21; con lo que dispondr amos de 21 reglas posibles. Probablemente en este caso nos vi eramos conducidos a utilizar m as valores simbolicos para las variables (las que aparecen en las conclusiones de actuacion de las reglas).
3.3.3.
Utilizacion de modelos simboli cos expl citos
Si nos paramos a pensar un momento veremos que cuando nosotros humanos resolvemos un problema como el planteado en la ducha, no utilizamos un juego de reglas como las presentadas en el punto anterior, sino que utilizamos un modelo del sistema para averiguar como debemos actuar para conseguir unos determinados nes. El modelo mental se estructura en torno a las variables caracter sticas del sistema e incluye dependencias entre ellas. De este modo en el modelo para la ducha tendremos entre otras una variable denominada T emp y una variable denominada QCaliente . La primera hace referencia a la temperatura del agua que sale por la ducha y la segunda al caudal de agua caliente, controlado por el correspondiente grifo. Existe en dicho modelo tambi en una relaci on entre ambas variables, que expresa la de causalidad existente entre la variacion relacion de temde caudal de agua caliente y la variacion podr peratura del agua de la ducha. Esta relacion a expresarse como4 :
4 M+
corresponde a la terminolog a de Kuipers [Kuipers 84].
21
Ricardo Sanz
T emp = M + (QCaliente ) en la que se ha empleado la notaexpresion de Kuipers [Kuipers 84] para representar la cion dependencia monotona creciente. Con ella queremos expresar que, de mantenerse las restantes variables iguales, un incremento en QCaliente conlleva un incremento en T emp. Esto es si aumentamos el agua caliente, dejando el grifo de la fr a igual, la temperatura del agua de la ducha aumentar a. Del mismo modo podr amos expresar las dependencias entre las dem as variables.
del agua caliente, independientemente de lo que valga el caudal de la misma (QCaliente ). de la accion Debemos ver que la determinacion de control no se lleva a cabo en este caso mediante sta en funcion de la sireglas que especiquen e sino que se obtiene a trav tuacion, es de un proceso de razonamiento causal. Este proceso conlleva una exploraci on hacia atr as del grafo de dependencias causales. As en vista de ese grafo vemos que si queremos bajar la tempratura, las posibilidades son dos: 1. Bajar el caudal QCaliente (en virtud de la rela M+ bajar cion a T emp). 2. Subir el caudal QF ria (en virtud de la relacion M bajar a T emp). El determinar cual de las dos opciones hay que la seguir se realizar a en base a la otra restriccion, que fuerza el caudal deseado. Vemos pues que no tenemos en nuestra ba accion) como se de conocimiento pares (situacion, ten amos en el caso de usar modelos impl citos, sino que tenemos relaciones m as abstractas pero mucho m en relacion as inmediata con el mundo a controlar.
Fria
Caliente
M M+
M+ M+
Caudal
Temperatura
3.4.
Figura 3.3: Modelo cualitativo del sistema de dos grifos caliente/frio.
Modelos Cualitativos
Aparte de las dependencias funcionales (M+ y M ) existen otro tipo de restricciones m as r gidas, por ejemplo que los caudales tienen sus l mites. Los modelos tienen rangos de validez limitados, regiones de operaci on en las cuales el modelo es v alido, pero que fuera de ellas el modelo adecuado que reeja mejor las caracter sticas del sistema es diferente. Estas regiones est an limitadas por restricciones a los valores de las variables del sistema. En nuestro caso, cuando el caudal de agua fr a de dependencia es nulo (QF ria = 0) la ecuacion funcional 3-1, deja de tener validez, ya que si no a la T emp es igual a la temperatura hay agua fr
utilizado en el ulti El tipo de representacion mo apartado se enmarca dentro de lo que se denomina modelado cualitativo. Este tipo de t ecnica tiene su origen en los intentos de formular mecanismos de razonamiento sobre sistemas f sicos. La primera propuesta formal en este sentido se debe a Hayes [Hayes 85a], que en su Na ve physics ma teorica nifesto propone una l nea de investigacion en el campo del razonamiento de sentido comun sobre sistemas. Cuando un humano razona sobre un sistema real gran parte de los conocimientos que emplea son conocimientos pref sicos, adquiridos durante la experiencia cotidiana. Este tipo de tanconocimiento es de muy dif cil formalizacion, to por lo forma intr nseca del mismo, como por la e identicadicultad inherente a su localizacion
22
dentro de los procesos de razonamiento hucion mano. Fruto de esta propuesta son una serie de desarrollos en los que se proponen t ecnicas de mo cualitativa de sistemas. Gran delado y simulacion parte de estos trabajos aparecen referenciados en [Bobrow 84], destacando por su importancia los de de Kleer [de Kleer 84a], Forbus [Forbus 84] y Kuipers [Kuipers 86]. Dichos sistemas pueden realizar predicciones de comportamiento de un proceso determinado, de la estructura del en base a una representacion proceso en t erminos de una serie de funciones cualitativas y restricciones y un estado inicial. El elemento caracter stico son dichas funciones cualitativas. Estas son funciones del tiempo que toman valores sobre conjuntos nitos de valores cualitativos denominados espacios de cantidades. El espacio de cantidades m as simple es el compuesto por los valores {negativo, cero, positivo} que en ocasiones se representa por {, 0, +}. Este espacio es el m as utilizado y en ocasiones el unico, como es el caso de de Kleer, ya que es el que aporta infor cualitativa mas importante. macion El paradigma fundamental de la simulacion y prueba. El mecaniscualitativa es la generacion genera un grafo con los posibles mo de simulacion estados sucesores de uno dado, grafo que es podado en base a las restricciones. De este modo se genera un grafo de comportamientos, en el que los nodos son estados y el comportamiento del sistema es cualquier trayectoria desde el nodo inicial a cualitativa tiene un nodo terminal. La simulacion este rasgo caracter stico de multiplicidad, sin que sea posible determinar efectivamente cual ser a la trayectoria real. Enfoques basados en ponderaciones tratan de solventar este problema, como es el caso del de DAmbrosio [DAmbrosio 89], que usa t ecnicas basadas en conjuntos borrosos. El objetivo nal de todos estos sistemas es la de comportamientos a partir de inforderivacion estructural. Esto es un paso de la formumacion de modelos de comportamiento someros lacion de modelos causales profundos. a la formulacion Estos modelos estructurales deben estar libres de asunciones a priori, de forma que se logre el objetivo de componibilidad, de acuerdo con el principio formulado por de Kleer de estructura sin fun-
5 [de Kleer 84a]. cion de Kuipers [Kuipers Utilizando la formulacion 86] el ejemplo anterior de un objeto en ca da libre (ver Figura 3.3.1) con velocidad vertical positi El comportava tendr a la siguiente formulacion. miento del sistema viene determinado por las variables del mismo, las restricciones (ecuaciones diferenciales y constancia de la gravedad) y el estado inicial: Tres variables: vertical. y : Posicion v : Velocidad vertical. vertical. a : Aceleracion Cuyos espacios de cantidades son: Q(y ) = {, 0, +} Q(v ) = {, 0, +} Q(a) = {, 0, +} Las restricciones son: dy =v dt dv =a dt a = cte = g < 0 El estado inicial es:
y = [+, inc] v = [+, dec] a = [g, std]
>0 y aumentando. Posicion Velocidad >0 y disminuyendo. constante. Aceleracion
de este sistema nos permitir La simulacion a determinar los posibles comportamientos, que en este caso ser a esencialmente unico dada la simplicidad del problema. El comportamiento de este sistema es el que se representa en la Figura 3.4.
5 En
el original no function in structure.
23
Ricardo Sanz
y [+,inc]
v [+,dec]
a [g,std]
[y*,std]
[0,dec]
[g,std]
[y*,dec]
[-,dec]
[g,std]
[0,dec]
[-,dec]
[g,std]
[-,dec]
[-,dec]
[g,std]
Figura 3.4: Ejemplo de simulaci on del modelo cualitativo del objeto en caida libre a partir de una cierta altura y velocidad inicial hacia arriba. Las cajas amarillas representan los diferentes estados cualitativos por los que pasa el sistema.
24
Cap tulo 4
Control Inteligente de Procesos

. . . capability of a system to expose a variety of en el cap tulo 5 una metodolog a de desarrollo de features which traditionally has been out of the arquitecturas que permita hacer frente a este proscope of specialists in conventional control theory blema. En el cap tulo 7 se presentar a una arquitectura de control objetivo principal de esta tesis Alexander Meystel basada en esta metodolog a. IEEE Workshop on Intelligent Control 1985
4.1.
Introduccion
4.2.
Control Inteligente: Objetivos y Deniciones
tulo 2 el tipo de proHemos visto en el cap blemas que deseamos resolver: control de procesos complejos. El enfoque tradicional de control es quiz a demasiado restringido para hacer frente a determinados problemas; su potencia esta renida con la exibilidad. La inteligencia articial permite obtener en circunstancias determinadas resultados que se aproximan a los obtenidos por humanos. Dado que los humanos son capaces de controlar este tipo de procesos Por que no tratar de emular esta capacidad?.
de control inteNo es f acil dar una denicion ligente; para comprobarlo basta con las siguientes concepciones de diferentes autores [Saridis 85]: G. Saridis: Propone un modelo probabil stico entrop a del control inteligente, basado en el principio de Inteligencia Creciente con Pre Decreciente. cision Y.H. Pao: Dene el control inteligente a trav es de la inteligencia articial, como una combina de las formulaciones anal cion ticas del pasado con las capacidades num ericas de la era de los computadores.
de proEl enfoque heterodoxo de resolucion blemas proporcionado por la inteligencia articial nos permitir a atacar el problema de control desde una perspectiva multiple, utilizando informacion del control inteligenY.C. Ho: Propone la vision de las mas diversas fuentes y de los niveles de abste desde el punto de vista de la investiga m traccion as dispares. Todo ello nos conducir a al operativa, como el estudio de los sistecion concepto de control inteligente. mas din amicos con eventos discretos. En este cap tulo se realizar a una presentacion anal tica a fondo de las caracter sticas de los sistemas de A. Bejczy: Recomienda una formulacion por extensi on de la teor a de control no lineal. control inteligente, sus fundamentos y los objetivos perseguido en su desarrollo. J. Albus: Sugiere el enfoque de utilizar el modelo en Se analizar a la problem atica de la operacion biologico del cerebelo como modelo de contiempo real de este tipo de sistemas, proponiendo trol jer arquico inteligente. 25
Ricardo Sanz
Pr acticamente, a todo lo que no es PID se le ha cunstancias [Ilari 87]: llamado control inteligente. Para lograr una deni un poco m cion as clara que las anteriores daremos Procesos fuertemente no-lineales. rodeo, que nos conducir un pequeno a a plantear la Procesos con incertidumbre en su comportanecesidad de una cierta t ecnica, tecnolog a o metomiento din amico o con derivas de los par amedolog a de desarrollo de sistemas de control. tros de proceso.
4.2.1.
Objetivos generales del control inteligente
Procesos con variables ocultas, esto es variables no medibles. Procesos con sensibilidad elevada.
de sistemas El progreso en la automatizacion Procesos con perturbaciones aleatorias intense ha dado de manos de los t ecnicos y de los masas. tem aticos a lo largo del tiempo. La fuerza impulProcesos con retardos elevados. sora de este tipo de avance ha sido la motivacion economica. El coste creciente del personal lleva a la busqueda de mejoras de rendimiento en la autoEl utilizar t ecnicas de inteligencia articial se de los procesos productivos, junto con debe no a su inteligencia sino a que la inteligencia matizacion mejoras de seguridad y calidad. articial se ha mostrado tradicionalmente ecaz con problemas reticentes; no por que su enfoque De la mano de la teor a de control autom atico sea inteligente, sino porque es por lo general xitos en los ulti se han venido logrando grandes e un enfoque de fuerza bruta que tarde o temprano mos decenios. Pero, de un tiempo a esta parte, los conduce a algo. problemas de control de determinados sistemas mantienen su imbatibilidad, a pesar del f arrago matem atico desarrollado ultimamente. Estos siste4.2.2. Denicion mas se distinguen por tener comportamientos sumamente anormales, caracterizados fundamental de En este punto podemos dar una denicion mente por la fuerte no linealidad o la variabilidad control inteligente: del sistema. El control de este tipo de sistemas complejos se ha mostrado como una asignatura penEl control inteligente comprende una serie de diente de la teor a del control autom atico. t ecnicas tomadas fundamentalmente de la inteligencia articial con las que se pretenden resolver probleEn este punto surge la inteligencia articial mas de control inabordables por los m etodos cl asicos. a tener en cuenta [Astrom 89a] como una opcion cabe destacar que control inEn esta denicion [Astrom 89a]. Los sistemas basados en inteligencia articial se caracterizan por su elevado coste de teligente no es exclusivamente inteligencia artidesarrollo y por la imposibilidad pr actica de de- cial, sino que es un enfoque heterodoxo para la re de problemas de control. En los sistemas terminar a priori los resultados que se van a deri- solucion Pero aun as ericos var de su operacion. sistemas de este de control inteligente los mecanismos num en el a mbito y los simbolicos tipo se est an desarrollando, no solo van de la mano en busca de so erico es acad emico, m as dado a las exploraciones de futu- luciones. El acoplamiento simbolico-num ro incierto, sino tambi en en el industrial. una de las tarjetas de visita de los sistemas de control inteligente. El control inteligente trata de hacer frente a problemas de control que se han mostrado insoluLa otra caracter stica de estos sistemas es que bles con las t ecnicas anal ticas cl asicas y modernas. son sistemas basados en inteligencia articial y Estos sistemas de control inteligente se aplican conectados al mundo. Las aplicaciones de la intecuando las prestaciones de los sistemas de con- ligencia articial, verbigracia los sistemas expertrol convencional no son lo sucientemente bue- tos, se han caracterizado fundamentalmente por del mundo. Se encuentran en nas. Esto se da especialmente en las siguientes cir- su desvinculacion 26
Cap tulo 4. Control Inteligente de Procesos
cient vestigacion co-t ecnica con visos de losof a. rea se situa en la interseccion de toda una gaEste a Saridis [Saridis 83], ma de tecnolog as, que, segun son la inteligencia articial, el control y la investiPor comparar podemos citar a Meystel [Meys operativa. Lo cierto es que el control integacion de tel 86], que arma que la primera denicion de estas tecnolog ligente no es la interseccion as, control inteligente debida a Saridis es: de las mismas y de sino que es mas bien la union ... capability of a system to expose a variety of fea- muchas otras; probablemente los objetivos que se tures which traditionally has been out of scope of specia- pretenden conseguir son tan ambiciosos que la fulists in conventional control theory: decision making, sion de todas las t ecnicas inform aticas no sea sugames, image recognition, adaptation to uncertain me- ciente para lograrlos. dia, self-organization, planning and scheduling of opeEl control inteligente es preciso observarlo rations, etc.1 como un paso en el desarrollo progresivo de sisEl control se lleva a cabo no exclusivamente temas de control. Desde los sistemas m as cl asicos por medio de un modelo matem atico del procepor ejemplo PID hasta los m as avanzados so a controlar, sino que el centro del sistema de como el control adaptativo experto [Adaptech 89] control inteligente es una representaci on del mundo, o el control robusto [Calle 90] el objetivo de tolimitada al proceso y basada en un conocimiento dos los sistemas es el mismo, ampliar el rango de extenso sobre el proceso y el tipo de operaciones a condiciones de funcionamiento mejorando el comrealizar. Veremos que el control inteligente admite portamiento del sistema controlado. Es desde este desde el simple PID hasta el punto de vista como hemos de contemplar el contoda una gradacion sistema m as complejo, robusto, tolerante, etc. La trol inteligente, como un aporte de m etodos nue de capas con funciones avanzadas permi- vos para hacer frente a circunstancias que escapaadicion tir an implantar sistemas de control ecaces en una ban al control m as convencional. gran variedad de situaciones. contacto con este casi exclusivamente a trav es de una interfase humana, que los aisla en su campa na de inmaculado razonamiento simbolico. De hecho, algunos autores propugnan que lo adecuado es hablar de sistemas de control autonomos [Antsaklis 89], siendo el uso de la inteligencia articial el medio para lograr esta au es sumamente acertada, tonom a. Esta concepcion y nosotros la suscribimos. No obstante el t ermino control inteligente2 est a tan difundido que se uti lizar a pr acticamente como sinonimo de control autonomo.
4.3.1.
Control cl asico y supervisor
En esta tesis nos referiremos con el t ermino control cl asico a todos los tipos de control que constituyen la materia de la teor a de control. El fundamento de este tipo de controles es matem atico bas andose en modelos matem aticos de los sistemas a controlar.
No entraremos en profundizar en las caracter sticas de este tipo de control, que pueden en4.3. Perspectiva Historica contrarse en multitud de referencias de control autom atico. Los avances en este tipo de sistemas tratan de hacer frente a problemas inabordables El control inteligente tiene sus inicios en el nal con los sistemas anteriores, pero, en cualquier ca 70, apareciendo como un a rea de inde los anos so precisan de modelos mas o menos precisos del 1 ... capacidad de un sistema para presentar una serie de casistema a controlar. Ejemplos de este tipo de sisteracter sticas que han estado tradicionalmente fuera del alcan- mas de control cl asico son el control PID, el control ce de los especialistas en teor a de control convencional: toma adaptativo o el control robusto.
de decisiones, juegos, reconocimiento de im agenes, adaptacion planicacion y prograa entornos inciertos, autoorganizacion, de operaciones, etc. macion 2 Es opinion del autor que la tendencia al uso de control inteligente frente a control aut onomo es debida fundamentalmente a un factor historico y en algunos casos a un criterio comercial.
En esta tesis no se ha planteado como objetivo el analizar las caracter sticas de este tipo de sistemas, pero baste decir que la problem atica en su y el motivo para tratar de buscar en utilizacion 27
Ricardo Sanz
Desde el punto de vista de los sistemas expertos se puede hablar de tres generaciones de sisteEn un sistema de control cl asico las tareas b asi- mas expertos progresivamente evolucionadas. cas a realizar son tres: Captura de datos (sensores). C alculo de actuaciones (reguladores). Acciones de control (actuadores).
se centra en toel control inteligente la solucion, da una serie de circunstancias anejas al control y de determinadas por problemas de implantacion los mismos. Este tipo de circunstancias y su solu parcial a trav cion es del control inteligente son ex puestas por primera vez por Astrom [Astrom 86], ermino control donde aparece por vez primera el t de moexperto. Cabe destacar entre ellas: seleccion ltrado de senales, dos de operacion, comproba de alarmas, gestion de situaciones anormales, cion etc. Todo ello conduce a que las implantaciones utilizando t ecnicas convencionales de programa est cion en constituidas en su mayor parte por codigo auxiliar. Este hecho por ejemplo ha sido obser desarrollada vado en particular en una aplicacion por el autor para control de un molino de cemento. El codigo correspondiente al regulador (dos PIDs en cascada) era del orden de 100 l neas, mientras completa rondaba las 10.000 (inque la aplicacion cluyendo interfases de usuario).
4.3.2.
Inteligencia articial y sistemas expertos
Desde otro punto de vista el control inteligente tiene su origen en las tecnolog as de inteligencia articial, y , en particular, de sistemas expertos. Este tipo de t ecnicas se han venido aplicando en el xito, pero campo industrial con mayor o menor e siempre limitadas estrechamente en sus rangos de Estos se han restringido por lo general aplicacion. de faltas y a la generaal diagnostico y deteccion de consejos para operadores. Ambos tipos de cion de procesos aplicaciones se basan en la utilizacion de toma de decisiones para determinar el estado es debida a funcional de la planta. Esta restriccion en tiempo la falta de prestaciones para operacion real y la falta de abilidad y vericabilidad de los sistemas expertos.
4.3.3.
Sistemas de primera generacion
Regulador
Actuador
Proceso
Captador
Los sistemas expertos de primera generacion son calicables de cl asicos y se extienden desde la aplicaciones de diagnostico a las aplicaciones de control, siendo por lo general sistemas basados en reglas. Se basan en m etodos utilizados en los xito, caracterizaprimeros sistemas expertos con e dos por asociaciones emp ricas entre las premisas y las conclusiones. Sin embargo las prestaciones de estos sistemas de primera generaci on son limitadas [Alty 87] [Shirley 87], apareciendo una serie de problemas de crucial importancia. Algunos de estos problemas son comunes a todos los campos de los sistemas expertos: de aplicacion brusca de prestaciones cuando Disminucion se presenta un problema que cae fuera de su rango de conocimiento (efecto de degradaci on de prestaciones en acantilado o simplemente efecto acantilado). del conocimiento Dicultad en la obtencion de los expertos, sobre todo cuando son varios. De hecho la adquisici on del conocimiento se ha convertido en uno de los vocablos favoritos de los investigadores en el tema.
Figura 4.1: Esquema de control cl asico.
Esto corresponde al esquema cl asico de control que se presenta en la Figura 4.3.1. En el caso de control de procesos complejos se lleva a cabo una de esta estructura para incluir al opemodicacion rador humano en la misma. As se emplean estructuras como la que aparece en la Figura 2.1. 28
Incapacidad del sistema experto de aprender de los propios errores. Salvo casos muy espec cos los sistemas expertos no disponen de procedente de un experto la realimentacion humano ni de los mecanismos para actualizar su conocimiento. Otros problemas relacionados con los anteriores son especialmente importantes cuando se utilizan estos sistemas en control directo: Incapacidad para operar en tiempo real, exacerbada en este tipo de sistemas por la re de basura, dando problemas muy coleccion graves cuando esta es no incremental. Incapacidad de representar fenomenos distribuidos espacial y/o temporalmente. Dicultad para los ingenieros de conocimiento en asegurar la consistencia de la base de conocimiento.
cio alcanzaba una altura o consistencia suciente a juicio del ingeniero de conocimiento. Este tipo de desarrollo produce problemas muy graves, que se mencionaron en el punto anterior: incoherencias y vac os. Estos problemas se ven agravados por la invericabilidad de la base de conocimiento. La calidad de un sistema experto de control viene pues determinada por dos factores: Los medios hardware/software, que van evolucionando progresivamente y que est an dejando de ser cuellos de botella para algunos tipos de aplicaciones. El desarrollo; la calidad del equipo de desarrollo ser a la que determine la calidad nal del sistema experto de control.
sobre la marcha del sistema Esta construccion experto es inaceptable en la mayor parte de los casos, esencialmente por su invericabilidad, ya que de un sistema que posies imposible la aceptacion Incapacidad de detectar vac os en la base blemente pueda tener un error grave. Este tipo de de conocimiento. Este punto est a relacionado problemas tambi en aparecen en aplicaciones concon el efecto acantilado, en el sentido de la ca- vencionales, aunque en menor medida y con solurencia de reglas para hacer frente a determi- ciones parciales que, aunque costosas, son ecaces. nadas situaciones. Los sistemas expertos de segunda generaci on tratan de paliar estos problemas de consistencia y de sisteLa inviabilidad de la construccion completitud de la base de conocimientos utilizan para control mas expertos de primera generacion do un plano de construcci on. Dado que el sistema exde procesos de complejidad media-alta es funda del mundo perto va a trabajar sobre una porcion mentalmente debida a factores de operatividad en el dominio, el conocimiento sobre dicha porcion tiempo real y de seguridad. La incapacidad de ve con el mismo. del mundo est a en directa relacion ricar la consistencia y la posibilidad de vac os en El enfoque utilizado es la construcci on de un modelo la base de conocimiento y en menor medida el del mundo que constiexpl cito de dicha porcion en moefecto acantilado hacen que la operacion tuir a parte de la base de conocimiento del sistema do autom atico de procesos con bases de conociexperto. Este enfoque se diferencia del de los sistemiento de control complejas sea, cuando menos, en que el momas expertos de primera generacion arriesgado. Este tipo de circunstancia es inadmisidelo es expl cito, por lo que es vericable, ya que ble a priori en algunos sistemas, y en la mayor a se debe corresponder con el dominio. oblilas p erdidas derivables de la mala operacion de la base de conocimiento La construccion gan a su no utilizacion. se gu a por la estructura del dominio para construir un modelo del mundo, que ser a tan completo 4.3.4. Sistemas de segunda generacion como queramos y que ser a coherente. En este tipo de sistemas es fundamental el uso de mecanismos de conocimiento adecuados. La la cons- de representacion En los sistemas de primera generacion de objetos parece ser la opcion m de la base de conocimiento se hac as adetruccion a ladri- utilizacion llo a ladrillo regla a regla, hasta que el edi- cuada. 29
Ricardo Sanz
4.3.5.
Sistemas de tercera generacion
4.4.1.
Objetivos de un sistema de control inteligente
constituyen Los sistemas de tercera generacion la punta de lanza del control inteligente. En este momento este frente tecnologico lo ocupan los sistemas con aprendizaje, que no suponen un cambio estructural respecto a los de primera o segun sino una mejora de e stos, por lo que da generacion, quiz a no es adecuado hablar de una nueva gene racion.
El termino aprendizaje es susceptible de interpretaciones muy dispares. Nosotros consideraremos aprendizaje como mejora del conocimiento. En tiene un signicado nuestro caso esta acepcion preciso. Como ya se ha comentado en cap tu- Seguridad: Para personas y equipos. los anteriores todo el conocimiento sobre el muna do se construye y utiliza en forma de modelos. Calidad: Ni deciente ni excesiva, que originar un excesivo coste. Dec amos que un modelo era tanto mejor cuando era tanto mas exacta, Produccion: su capacidad de prediccion a corto sino a largo plazo, No solo esto es cuando se ajustaba m as a la realidad que aspectos por lo que entran en consideracion modelaba. de mantenimiento (estabilidad de funcionamiento). Es en este sentido en el que el conocimiento puede mejorarse; el aprendizaje supondr a una mejora de los modelos del dominio que tiene un determinado ente. Ecolog a: Tratando de minimizar el impacto ambiental del proceso industrial. Mantenibilidad: Tratando de evitar que la inco cause una excesiva necesirrecta operacion dad de mantenimiento o incluso impida el correcto mantenimiento. de estos u otros objetivos La implantacion de alto nivel en un sistema de control cl asico es di4.4. Elementos de Control Inteli- cultosa; ello es debido fundamentalmente a que por encima se formulan en un nivel de abstraccion gente del empleado para el sistema de control. Es preciso construir subsistemas adicionales al sistema de control para que tengan en cuenta estos objetivos Hemos visto desde un punto de vista historico globales. Este enfoque de sistemas adicionales es como se ha producido el acercamiento al control adecuado siempre que se realice de forma perfecinteligente, y cuales han sido las trayectorias destamente integrada. de el control autom atico y la inteligencia articial hasta alcanzar el punto actual. En este apartado trataremos de analizar en ma- 4.4.2. Actividades de control yor profundidad qu e son los sistemas de control inteligente y cuales son sus caracter sticas princiEl sistema de control inteligente reemplazar a al pales; facilitando de este modo el acceso a estas humano en muchas de sus actividades, por lo que t ecnicas desde un punto de vista general, sin res- es preciso analizar en profundidad cuales son es tipo de metodolog tringirse a ningun a concreta. tas actividades. Voss [Voss 88] [Voss 88] presenta 30
En el caso de procesos complejos que requie de humanos para su control, es ren la intervencion del operador del proceso el conseguir que mision ste se comporte de forma que se logren unos dee de terminados objetivos de alto nivel. Esta mision alto nivel es la que hace necesaria la presencia humana en este tipo de sistemas, ya que es precisa su capacidad de trasladar los objetivos de alto nivel a acciones a realizar sobre el proceso. Los objetivos de alto nivel pueden ser diversos, pero entre ellos los principales son:
un an alisis bastante acertado en el que se arma que las actividades de control llevadas a cabo en un sistema de control son las siguientes:
de control inteliDe acuerdo con la denicion gente dada con anterioridad, es preciso que estos sistemas realicen actividades cognoscitivas en un abstracta. Este es el tipo de nivel de informacion que se le requiere al opeproceso de informaci on de la necesidad de la actuaci Determinacion on, rador humano del proceso. Por ello un sistema del estado real y el estado deseado en funcion de control que le sustituya merecer a el calicatipara el proceso. Para realizar esta determinavo de inteligente, independientemente de cual sea es preciso realizar una identicacion del cion la t e cnica empleada en su construcci on. estado funcional del proceso. de los posibles cursos de acci Identicacion on que nos permitan alcanzar el estado deseado a partir del estado actual. El curso de accion se establecer a en forma de secuencia de operaciones a realizar. rea de control inteligente la utiliDentro del a de los t zacion erminos sistema experto de control y sistema de control basado en el conocimiento trata de en el modo en que se obtiene y hacer distincion expresa el conocimiento del proceso; as por sistema experto de control entenderemos un sistema ex perto en sentido cl asico, esto es, una aplicacion inform atica que implanta el paradigma motor de inferencia-base de conocimiento, utilizando para ello un formalismo de reglas obtenidas del conocimiento extra do del experto humano. Un sistema que habasado en el conocimiento es una aplicacion de conocice uso de las t ecnicas de representacion miento, sin especicar cual sea la procedencia de dicho conocimiento. Estas t ecnicas han sido de rea de los sistesarrolladas esencialmente en el a mas expertos, por lo que los sistemas basados en el conocimiento pueden considerarse una gene de e stos. En particular un sistema de ralizacion control basado en el conocimiento puede integrar conocimiento procedente de multiples fuentes: los operadores, los ingenieros de proceso y los ingenieros de control.
del impacto sobre el sistema de Determinacion cada uno de los cursos, estableciendo la evo previsible del sistema frente a cada una lucion de las secuencias de acciones. Interpretaci on de los impactos en t erminos de objetivos globales. Lo que nos permitir a determinar la bondad de cada uno de los cursos en lo que respecta a seguridad, calide accion dad y produccion. Selecci on y ejecuci on de una alternativa de con de la interpretacion global reatrol en funcion de lizada en el apartado anterior. La ejecucion de control se lleva a cabo mediante una accion un determinado protocolo. Monitorizaci on de los resultados, para determi reanar si la respuesta del sistema a la accion lizada se corresponde con la prevista.
4.4.4.
Tendencias en control inteligente
El sistema de control inteligente deber a reemLos primeros desarrollos en control inteligenplazar al operador en estas tareas o auxiliarle, por lo que precisa de gran potencia en el manejo te han sido sistemas expertos de control basados en conocimiento de operadores, pero en los ultidel conocimiento que se tiene del proceso. mos tiempos se est an desarrollando una serie de sistemas que se caracterizan por el uso de t ecni4.4.3. Aclaracion de denominaciones cas m as orientadas al problema. Este tipo de sistemas se agrupan dentro de lo que denominamos En la bibliograf a se usa de forma indiscrimina- sistemas expertos de segunda generaci on. La diferenda t erminos como sistema experto de control, sistema cia fundamental con los sistemas de primera gene (basados en el paradigma MI-BC) es la utide control inteligente y sistema de control basado en el racion de representaciones avanzadas del cono de lizacion conocimiento. Es preciso realizar una matizacion de estos t erminos para aclarar el signicado que se les cimiento en las que se consigue la implantacion un modelo del sistema con el que se est a tratando. da en esta tesis. 31
Ricardo Sanz
De este modo aparecen dos tipos de conocimiento de los que hace uso el sistema experto de control de segunda generacion: Conocimiento operacional, procedente de los operadores del sistema. Este tipo de conocimiento es esencialmente heur stico, creciendo en importancia a medida que el sistema aumenta en complejidad o en dicultad de modelado.
Operador
Operacional
Ingeniero de Proceso
Estructural Funcional
Conocimiento estructural-funcional del sistema con el que est a trabajando, del que se deducir an relaciones de causalidad entre los diferentes eventos. Figura 4.2: Tipos de conocimiento y procedencia del mismo. En los ultimos tiempos, el ensanche de los cam gracias a la exibilidad que este pos de aplicacion tipo de sistemas permite, ha conducido a una proa tiende a ser confusa, exis de objetivos. Ello ha conducido por ello la terminolog gresiva ampliacion tiendo multiplicidad de t erminos para referirse a a la necesidad de integrar dentro de los sistemas conceptos similares. En este apartado trataremos de control otro tipo de conocimiento: de aclarar algunos de los conceptos fundamentales y los t erminos utilizados para referirse a ellos. Conocimiento procedural, procedente de los Existen varios aspectos cruciales que caracterizan ingenieros de proceso y control, y referido a y constituyen las piedras de toque de este tipo de la manera en que se deben realizar determinasistemas; estos aspectos se pueden agrupar en dos das operaciones complejas de car acter marcacategor as fundamentales: damente secuencial y que requieren de m eto en sistedos retorcidos para su implantacion Aspectos conceptuales: Derivados de las nemas de reglas convencionales3 . cesidades espec cas del control. De ahora en adelante el t ermino Sistema Ex Son los relativos Aspectos de implantacion: perto de Control se referir a a Sistemas Expertos a la forma en que se va a conseguir cumplir que es el tede Control de Segunda Generacion, los requerimientos conceptuales anteriormenma que nos ocupa; cuando se desee utilizar otra te expresados. se indicar sta expl acepcion ae citamente.
Ingeniero de Control
Procedural
4.4.5.
Caracter sticas fundamentales temas de control inteligente vienen derivadas de del control inteligente las de los objetivos que persiguen control, del
Las caracter sticas que deben presentar los sis-
rea de control inteligente se est En el a a comen zando a realizar un gran esfuerzo de investigacion, por lo general debido al extenso campo de aplica y a las perspectivas economicas cion que ofrece; y
se ha producido por ejemplo al tratar de implantar procedimientos secuenciales en un sistema basado en reglas. Se llevar a cabo el objetivo en base a la activacion secuencial logro ordenada de prioridades a las de reglas mediante asignacion mismas; lo cual no es, en absoluto, un m etodo adecuado.
3 Esto
entorno en que deben alcanzar dichos objetivos procesos y de los medios que cuentan para ello inteligencia articial. Algunas de estas caracter sticas son estudiadas por Laffey [Laffey 88]. En la Tabla 4.4.5 se presentan los aspectos m as caracter sticos de estos sistemas. En el lado izquierdo se incluyen los problemas a los que estos sistemas deben hacer frente, y en el lado derecho las t ecnicas utilizadas para ello.
32
SISTEMAS DE CONTROL INTELIGENTE

PROBLEMAS CONTROL
Operacin continua Interfase con elementos externos Requerimientos de tiempo real Interaccin con sistemas dinmicos Incertidumbre de actuacin Contextos mltiples Sistemas abiertos Descomposicin Paralelizacin Razonamiento temporal Razonamiento hipottico Simulacin
SOLUCIONES
PROCESO
Ocurrencia asncrona de eventos Datos inciertos o perdidos Interrumpibilidad Razonamiento con incertidumbre Validacin del conocimiento Simulacin on-line Modelos cualitativos Equipos industriales
Desconocimiento de dinmica Ambientes agresivos
SISTEMAS BASADOS EN EL CONOCIMIENTO

No monotona de los datos sensoriales Efecto acantilado y fiabilidad Diferentes tipos de conocimiento Procedimientos secuenciales Razonamiento no montono Mantenimiento de verdad Modelado profundo Modelos multiresolucionales Integracin de lenguajes procedurales
Tabla 4.1: Algunos aspectos caracter sticos de los sistemas de control inteligente.
33
Ricardo Sanz
4.4.6.
Control
es de hecho un problema de solape de dominios aunque sus consecuencias son mas claras y pueden ser mas graves.
Como todo sistema de control un sistema de control inteligente tiene que operar en tiempo real. de un problema Debe hacer frente a la resolucion que evoluciona en el tiempo y al que hay que dar respuesta en un plazo temporal limitado. Este es el aspecto m as caracter stico de las aplicaciones de inteligencia articial, en particular sistemas expertos, en control. Un sistema de control es un ente encargado de que otro sistema objeto tenga un comportamiento determinado. La necesidad del sistema de control surge de las variaciones a lo largo del tiempo en el estado del sistema objeto debidas a causas diversas. El funcionamiento en tiempo real es la caracter stica m as importante de un sistema de control. Esto requiere del sistema de control una actividad continua. Al sistema no se le presenta una tarea y cuando la termina queda a la espera de otra, sino que es preciso que el sistema tenga una gran disponibilidad. Esta disponibilidad se logra de sistemas de razonaa trav es de la utilizacion miento que permitan ejecuciones multiples, lo que suele estar implantado por medio de un mecanismo basado en contextos. Un contexto es la serie de circunstancias que determinan el comportamiento del sistema de razonamiento. En nuestro caso un contexto es una si del proceso. La posibilidad de trabajar con tuacion contextos multiples hace que sea posible mantener de forma simult anea varias representaciones del estado del sistema, permitiendo de este modo realizar razonamientos sobre diferentes problemas de control. Estos mecanismos de razonamiento multiple generan dos problemas adicionales: el solape de acciones. Existe un sode dominios y la colision lape de dominios entre dos ejecuciones del sistema cuando existen objetos del proceso que intervienen en ambos razonamientos. Es preciso realizar entre ambas. Esta coordinacion una coordinacion por priopuede ser un simple criterio de exclusion ridades o bien un mecanismo complejo de coordi espec nacion co del problema. Se dice que exis de acciones cuando como resultado del te colision proceso de inferencia multiple se especican dos El acciones para una misma variable de actuacion. problema es similar al de solape de dominios 34
Sistema off-line
Consultas
Sugerencias Variables
Proceso
Operador Acciones
Figura 4.3: Sistema sin v nculos con el mundo. Las decisiones de acci on las toma el operador humano.
Los sistemas de control inteligente se diferencian de la mayor a de los sistemas basados en inteligencia articial en un aspecto fundamental: su al mundo. El sistema de control intelivinculacion sobre e l de gente obtiene datos del mundo y actua de humanos. forma autom atica, sin la intervencion En los sistemas inteligentes convencionales en particular en los sistemas expertos estos v nculos con el mundo no eran directos, sino que se produc an a trav es de una interfase humana. El humano era el que proporcionaba al sistema experto sobre el problema; era el que toda la informacion ste y el interpretaba los resultados obtenidos por e que realizaba las acciones asociadas a dicha inter Los v pretacion. nculos con el mundo hacen de los sistemas de control inteligente sistemas en tiempo real, con toda la problem atica que ello conlleva. En directa sobre el mundo, es particular, la actuacion sin duda el aspecto m as caracter stico de los sistemas de control inteligente. derivados de la Los aspectos de implantacion en tiempo real son muchos necesidad de operacion y muy variados: comunicaciones con equipos de y actuacion, interrupciones, potencia de captacion computo simbolico y num erico. Todo ello conduce a la necesidad de grandes equipos y de software eciente, por lo que en la mayor a de los casos es conpreciso recurrir a lenguajes de programacion vencionales que son m as ecientes que los emplea-
Variables Sistema off-line Acciones Consultas Sugerencias Proceso
Operador
Supervisin
demos alcanzar una cierta garant a estad stica de que un sistema determinado terminar a la inferencia antes del horizonte, pero no podremos tener la en sistemas de estructucerteza de ese hecho. Aun ra muy simple por ejemplo monocapa es com de los m pleja la determinacion argenes temporales. Veremos que el control basado en reglas borro de durasas permite realizar esta determinacion temporal de la inferencia, pero gracias a que cion este tipo de control es de estructura absolutamente ja y con procesos de inferencia absolutamente id enticos en cualquier circunstancia. El hecho de que sea imposible garantizar el n del proceso de inferencia antes del horizonte temporal no impide que este tipo de sistemas se apliquen en tiempo real. En sistemas con requerimientos d ebiles son perfectamente aplicables. Adem as la garant a estad stica puede ser suciente para determinados sistemas con requerimientos fuer que estes. El sistema obtendr a una conclusion tar a estad sticamente dentro del horizonte tempo puede no ser la mejor obteral. Esta conclusion nible con los hechos disponibles si se dispusiera de tiempo indenido. El problema de este tipo de razonamiento es el seleccionar la t ecnica m as adecuada para que, sin tener que recorrer todo el espacio de soluciones, encontremos una aceptable. Este es el caso del razonamiento progresivo. l se realiza una implantacion en forma de caEn e pas de conocimiento. Estas capas de conocimiento llegan a conclusiones sucesivas, progresivamente renadas. Dependiendo del tiempo disponible se podr a utilizar una o varias capas de conocimiento mejor. para encontrar la solucion En el cap tulo 5 se presenta una metodolog a de sistemas de control inteligende construccion del mismos que te basada en la descomposicion de sistemas que cumplan permitir a la construccion en tiempo real. Esta requerimientos de operacion permitir descomposicion a realizar procesamiento en paralelo, lo que contribuye a aumentar la po tencia de computo. Adem as esta descomposicion de sistemas distribuidos, lo facilita la construccion la vericacion y la toque facilita la paralelizacion, lerancia a fallos.
Figura 4.4: Sistema con v nculos con el mundo. Las decisiones de acci on las toma el sistema de control y el operador humano en casos especiales.
dos en inteligencia articial para determinado ti po de tareas. Por ello los entornos de construccion de sistemas de control inteligente deben ser abiertos, permitiendo desarrollos mixtos de software. La herramienta G2, por ejemplo, permite el uso de funciones en C o Fortran. NEXPERT OBJECT llega mas lejos, estando disponible como codigo objeto embebible en cualquier tipo de aplicacion. Los sistemas de control son sistemas en tiem as po real por excelencia. Pero aun hemos de distinguir entre dos tipos de requerimientos de ope en tiempo real: requerimientos d racion ebiles y requerimientos fuertes. Un sistema tiene requeri en tiempo real cuanmientos fuertes de operacion do un determinado computo tiene un horizonte de valid, esto es, es preciso haberlo terminado antes de un tiempo establecido. Si el sistema en tiempo real no tiene requerimientos fuertes diremos que en tiempo real sus requerimientos de operacion son d ebiles. Este es el caso m as general, en el que el superar el horizonte temporal espor adicamente del comportaconduce a una simple degradacion miento global del sistema y no a una falta en el mismo. Ejemplos t picos de sistemas con requeri mientos fuertes y d ebiles son un sistema de avionica y un control de proceso qu mico.
El garantizar el nal de la inferencia antes del cil, dado que este tipo de horizonte temporal es dif El sistema de control puede estar distribuido sistemas basados en inteligencia articial son muy de fuentes de conocien dos sentidos: utilizacion variantes temporalmente y muy dependientes del miento distribuidas y estar constituido por moduestado de la m aquina sobre la que se ejecutan. Po35
Ricardo Sanz
los independientes funcionalmente. De acuerdo puede ser: con esto la distribucion De las fuentes de conocimiento: El conocimiento que utiliza el sistema de control procede de tres fuentes principales:
nado tempo y considerar los subsistemas mas lentos como constantes y los m as r apidos como ins tant aneos. Esto es un mecanismo de focalizacion temporal que se propone en [Kuipers 88] en el mbito de la simulacion cualitativa. a
En un sistema distribuido f sica o funcionalmente existen diferentes elemen Los sensores de proceso. tos, que en el caso de un sistema de control sobre un mismo objeto. Esto hace que sea suministrada por el ope- actuan La informacion eciente entre ellos. Esta precisa la coordinacion rador. exige mecanismos de comunicacion coordinacion Sus bases de conocimiento, en forma de ecientes y alta capacidad, ya que los volumenes reglas y hechos o en forma de modelo a manejar van a ser muy elevados. de informacion del proceso; estas bases de conocimiento Las comunicaciones interprocesos dependen del pueden estar a su vez distribuidas [Baitipo de arquitectura hardware, pudiendo ser ley 88]. internas a una m aquina basadas en los recursos del sistema operativo o bien entre varias Esta procedencia multiple hace que sea precim aquinas. El est andar que se est a imponiendo es del conocimiento, so realizar una integracion el uso de redes locales para estas comunicaciones que a su vez permite validar el mismo. la interprocesos; de esta forma se facilita no solo entre los procesos del sistema de De los subsistemas: El sistema de control comunicacion puede estar descompuesto funcionalmente en control, sino con otros sistemas externos (bases de subsistemas, cada uno de ellos con tareas de- datos, correo, etc). nidas. Estas tareas pueden ser diferentes o La necesidad de utilizar modulos escritos bien iguales para aumentar la seguridad por en otros lenguajes por lo general lenguajes redundancia. Ejemplos en este campo son sis- procedurales puede venir ocasionada por varios temas expertos cooperantes con arquitectura motivos: blackboard [Nii 86] o los sistemas jer arquicos [Berger 89]. que puede Interfase con equipos de captacion De especial importancia en la mejora de pres es el uso de mecataciones por descomposicion Son aquellos que perminismos de focalizacion. rea de inter ten restringir el a es a un determinado las reglas pertinentes al subsistema lanzando solo espacial y a un determimismo focalizacion nado per odo temporal asociado al tempo carac bajo an ter stico de la situacion alisis focalizacion temporal. Estos mecanismos posibilitan el que la del sistema experto sea lo sucientemenejecucion te eciente como para que pueda usarse en tiempo real. Las arquitecturas con metaniveles implan a los mecanismos de focalitan una aproximacion El razonamiento temporal en sistemas de zacion. control involucra adem as el concepto de escala temporal. Si nuestro sistema debe hacer frente al control de elementos con per odos caracter sticos se pueden llevar a cabo cambios de escala temporal, en el sentido de centrarse en un determi36 requerir el uso de codigo desarrollado en otros lenguajes. Potencia de computo num erico, como la que es necesaria para realizar una simulacion cl asica. Necesidad de ejecutar procedimientos secuenciales, dif cilmente especicables y sobre todo vericables mediante reglas. Los procesos a controlar son sistemas din amicos, en los que el control debe basarse tanto en el estado actual del proceso como en su evolu temporal. En el caso del control cl cion asico esto se consigue utilizando un formalismo de ecuaciones diferenciales o sus transformadas pero en el control inteligente el problema es un poco mas especial. El razonamiento temporal [Shaw
de todas las alternativas de conLa generacion trol nos garantiza que no se ha eliminado la importante en el proceso de inferencia, pero es pre de la ciso realizar una etapa posterior de seleccion de control adecuada. En algunos casos esta accion etapa se lleva a cabo de forma impl cita en la eje de la inferencia de control, de modo que la cucion propuesta sea unica. de la alteraccion La eleccion Figura 4.5: Comparaci on entre sistemas expertos cl asi- nativa adecuada es una tarea compleja, en la que cos y sistemas expertos de control. hay que realizar un razonamiento hipot etico para tratar de evaluar las consecuencias de las diferentes acciones de control. En este razonamiento hipot etico es de fundamental importancia el disponer de un mecanismo de contextos. Un contexto es 89] [Shaw 89] supone utilizar en el razonamiento la serie de circunstancias que determinan el comvalores cambiantes con el tiempo. Es por ello preportamiento del sistema. En nuestro caso un conetodo habiciso manejar historias de valores. El m del proceso. La posibilidad texto es una situacion tual de trabajo es el de utilizar atributos espec cos de trabajar con contextos multiples hace que sea de las variables objetos o marcos para manteposible mantener de forma simult anea varias re temporal; guardando en ellos el ner informacion presentaciones del estado del sistema, permitien el hecho o bien la fecha tiempo en que se aserto do analizar las posibles evoluciones ante distintas de caducidad del mismo [Gensym 88]. Es por este hipotesis de control. Para realizar estas evaluacioaspecto din amico que los problemas planteados a nes es importante tambi en disponer de un simulalos sistemas de control inteligente son diferentes dor del proceso a controlar, de forma que se pueda de los problemas planteados a sistemas expertos del sistema frente a las acdeterminar la evolucion convencionales. Este mismo aspecto de temporaliciones de control. dad hace que una de las alternativas a considerar de sistemas de control inteligente sea en el diseno el utilizar arquitecturas dirigidas por eventos. El 4.4.7. Proceso comportamiento de este tipo de sistemas es similar al encadenamiento hacia delante, salvo en que En los procesos reales se den de forma habitual de la siguiente etapa de inferencia se situaciones que se salen de lo que podr la seleccion a denohace en base a los hechos que han cambiado o al minarse funcionamiento normal. Ello hace que el resultado de la ultima etapa de inferencia. sistema de control inteligente deba ser capaz de En algunos casos el sistema de control inteli multiple. gente puede obtener una conclusion Esto sucede cuando en el conjunto conicto aparecen distintas reglas que concluyen acciones de control. Es importante en estos sistemas realizar el proceso de inferencia hasta el nal, obteniendo todas las conclusiones posibles hasta que no se pueda progresar m as en la inferencia. De este modo se de todas las acciones de garantiza la generacion control. En algunos casos el motor de inferencia utilizado limita en cierta medida esta posibilidad. Esto sucede cuando por ejemplo se selecciona la que representa una accion de primera conclusion control [Mart nez 90]. Esto sin embargo es un procedimiento poco robusto y que puede dar lugar a graves problemas. manejar estas situaciones cuando ocurran. La interrumpibilidad del razonamiento puede conside de implantacion, estando direcrarse una cuestion tamente relacionada con el razonamiento en tiempo cr tico. Pero el hecho de tener que interrumpir una l nea de razonamiento debido al cambio del valor de verdad de un hecho es algo nuevo. Por razonamiento interrumpible se entienden dos conceptos diferentes: de las Cancelable: Cuando por la alteracion circunstancias el razonamiento que se est a llevando a cabo carezca de sentido. Este es el ca de los valores de verdad de so de la alteracion los hechos de partida del razonamiento; si estos valores cambian durante el razonamiento 37
Ricardo Sanz
El otro aspecto que consider abamos importan La inte es el de la incertidumbre o imprecision. que se obtiene del proceso no es exacformacion Propagar las alteraciones a trav es del ta, sino que se ve afectada por una serie de cirgrafo de encadenamientos, de forma que cunstancias que rodean el hecho de su determinase modiquen las conclusiones a las que cion: malfunciones en sensores, ruidos en l neas afecte los hechos alterados. Esto es viable de comunicacion, etc. Adem as, aparte de la imsi se utilizan enfoques del estilo de RETE precision en las medidas, existe imprecision en es m [Forgy 82], en que la unicacion as las acciones a realizar, ya que por lo general la eciente. situacion-acci no es 1-1, sino que parelacion on existe todo un cumulo de posi Utilizar los hechos derivados con ante- ra cada situacion as o menos conocidos. rioridad si las condiciones son cualita- bles acciones de efectos m pues hemos de disponer de medios para opetivamente iguales. Esto es mucho m as As complejo ya que exige realizar razona- rar razonar con conocimiento impreciso. El ramientos cualitativos sobre las analog as zonamiento sobre sistemas reales se ve plenamente afectado por la incertidumbre, que se presenentre ambas situaciones. ta de diferentes formas y con diferentes or genes. erminos de las prioridades de Para referirse a ello existen multitud de t Suspendible: En funcion las tareas de razonamiento del sistema de con- en la literatura: Inexactitud, incertidumbre, impre indeterminacion, vaguedad, probabilidad, de una ta- cision, trol puede ser necesaria la ejecucion generalidad, no especirea mientras se est a llevado a cabo otra. En es- posibilidad, ambiguedad, etc. te caso es preciso suspender la primera, guar- cidad, disonancia, confusion dar el entorno de la misma toda la inforEl sistema de control inteligente debe ser ca precisa para su continuacion desde paz de razonar con hechos afectados de incertimacion ejecutar la de mayor dumbre, y alcanzar conclusiones que estar el punto de suspension, an prioridad, recuperar el entorno y continuar la posiblemente afectadas tambi en de incertidum tarea anterior. El mecanismo de interrupcion bre. Este mecanismo puede ser una herramienta puede ser costoso en tiempo y/o en memo- adecuada para la seleccion de la alternativa de ria, por lo que el enfoque m as adecuado es el control adecuada en el caso de que existan varias. utilizar un entorno que permita la ejecucion procede de diferenEn control la informacion de prioridades a las multiple con asignacion tes fuentes, como son el operador, los sensores, las distintas ejecuciones. bases de conocimiento, etc. La necesidad de ope segura obliga a que las acciones de control racion La necesidad del razonamiento cancelable es se correspondan con el estado real del sistema a propia del control inteligente. En un sistema excontrolar, lo que conduce a la necesidad de validar perto cl asico, si han llegado nuevos hechos o se el conocimiento que se va a emplear en deducir la han modicado los de partida durante el pro de control. La validacion de esta informaaccion ceso de razonamiento, basta con realizar una nue se llevar cion a a cabo por medio de contraste entre del sistema con estos nuevos hechos va ejecucion las diferentes informaciones, en un enfoque simi m para obtener la solucion as adecuada. En un sislar al de la fusi on sensorial [Pau 89]. Para realizar tema de control esto no es aceptable, fundamen es preciso disponer de un modelo esta validacion talmente porque las conclusiones derivadas de los del sistema a controlar que nos permita establecer hechos viejos pueden conducir a acciones de conlas correlaciones correctas entre las diferentes in trol erroneas, al no corresponderse con el estado 38
derivada de ellos ser la conclusion a por lo general no aplicable. Cuando se tengan hechos de este tipo lo m as simple es la cancelacion del proceso, pero se puede intentar un enfoque que trate de utilizar al m aximo el trabajo ya realizado. En este sentido se pueden intentar dos tipos de acciones:
real del sistema a controlar. Se podr a hacer lo mismo que en el sistema experto cl asico volver a lanzar la consulta pero esto no es compatible con la criticidad temporal necesidad de opera en tiempo real. cion
caso estas fuentes de conoformaciones. En algun de proporciocimiento pueden fallar en su mision causando un posinar determinada informacion, ble bloqueo, o en base a un criterio de validacion del conocimiento podemos alcanzar la conclusion de que determinado dato no tiene la calidad suciente para ser utilizado. El disponer de mecanismos de suministro de valores adecuado es importante para aumentar la robustez del sistema de control. Estos mecanismos se basan esencialmente del valor en historias, realizando una prediccion inaceptable. En este tipo de tareas se pueden utilizar simuladores en l nea del proceso. Una tarea similar es la de suministrar valores ocultos, esto es valores de variables de proceso no medibles. Tan importante es el manejo de la imprecision de de las medidas como lo es el de la imprecision las dependencias e interacciones. La complejidad terciaria mencionada en el cap tulo 2 es el factor mas dif cil de manejar en control de procesos. Es importante que nuestros criterios de control no dependan de forma cr tica de la validez del modelo de las interacciones del proceso. Es preciso aumentar la robustez para que un error de modelado de estas interacciones no concluya en desastre. cualitativa [Kuipers 86] [Forbus 84] La simulacion [de Kleer 84a] es un enfoque prometedor y que est a empezando a ser considerado en el campo del control inteligente [Berger 89]. Como hemos visto anteriormente los equipos a utilizar en control inteligente de procesos deben ser equipos muy potentes, ya que los requerimien en tiempo real exigen de ellos tos de operacion grandes prestaciones. Todo ello hace que las necesidades de equipos sean especialmente fuertes; adem as con el agravante de que al tener que instalarse en plantas industriales deben ser lo sucientemente robustos para hacer frente a los problemas de polvo, ruidos, temperatura, etc.
4.4.8.
Inteligencia articial
Desde el punto de vista de la inteligencia articial la variabilidad temporal del proceso hace que los hechos que se manejan tengan valores de verdad cambiantes en el tiempo: son verdades con caducidad; la t ecnica empleada en hacer frente a este problema es el mantenimiento de verdad. El mantenimiento de verdad [Filman 88] est a estrechamente relacionado con el razonamiento no monotono y el temporal. Consiste esencialmente en un mecanismo encargado de mantener en la ba los hechos verdaderos elise de conocimiento solo minado de la misma los caducados y los derivados stos. de e de una En un sistema cl asico la introduccion en la base de conocimiento era una accion asercion denitiva, esto responde al sentido de que una cosa cierta (un hecho derivado a partir de otros considerados ciertos, usando reglas de inferencia v alidas) ser a siempre cierta aunque se introduzcan nuevos hechos en la base de conocimiento, ya que siempre podr amos derivarla de los antiguos. Este punto de vista es correcto si el problema a resolver es est atico, que no es el caso del problema de l mecontrol. Es por ello preciso desarrollar para e canismos de razonamiento no monotono, que permitan retractarse de aserciones cuando los hechos cambien.
Los sistemas basados en el conocimiento presentan un problema que puede llegar a ser grave en el caso de aplicaciones en control. Este problema es el efecto acantilado, que consiste en una de brusca de prestaciones cuando el progradacion blema planteado cae fuera del dominio del sistema basado en el conocimiento. Un enfoque adecuado para disminuir este problema es el uso de modelos expl citos, que constituyen el elemento carac ter stico de los sistemas de segunda generacion. De todas formas el cuello de botella del control El modelado del comportamiento de un sistema inteligente es el software y no el hardware, ya que se puede hacer de dos modos diferentes, que de jer la estructuracion arquica de estos sistemas per nominaremos fenomenologico y causal. En el mo distribuida, con lo que es pomite su implantacion do fenomenologico, expresaremos simplemente lo sible obtener grandes potencias con equipos conque sucede con el sistema desde el punto de vista vencionales, que, adem as, pueden situarse a conde las magnitudes medibles. En el modo causal, se veniencia. expresar an relaciones m as profundas, derivadas de la estructura del sistema, y que expresar an relaciones causales entre magnitudes, siendo por 39
Ricardo Sanz
de magnitudes lo general precisa la utilizacion ocultas. Estos dos modos responden en grandes rasgos a lo que se ha venido denominando modelado somero y modelado profundo. De especial importancia en el caso de control de procesos es el uso de modelos de sistemas de par ametros distribuidos, aunque este tema es lo sucientemente arduo como para que el numero l sea m de trabajos en e nimo [Nicolosi 88] [Nicolosi 88]. En muchos casos el control de un proceso re de protocolos para llevar quiere de la ejecucion de a cabo determinadas tareas. La especicacion estos protocolos se hace en base a una experiencia grande o a criterios de seguridad y conocimiento profundo del proceso. El objetivo es facilitar el control del proceso en determinadas situaciones que son simult aneamente raras y de control dif cil. En estos casos el uso de sistemas basados en el conocimiento en particular basados en reglas conduce a implantaciones mas bien oscuras basadas en mecanismos poco claros o utilizados con nes distintos de aquellos para los que fueron disenados. Estas implantaciones anormales son adem as dicilmente vericables, lo que las hace inaceptables en muchos casos. Es preciso habili de protar mecanismos que permitan la ejecucion cedimientos secuenciales. Esto se hace mediante el uso de sistemas abiertos o mediante la integracion, en el sistema de desarrollo de aplicaciones basadas en el conocimiento, de lenguajes procedurales. Es suele dar resultados mejores desta ultima opcion pero peores de el punto de vista de la integracion en eciencia.
constituye un sistema. Esta documentacion modelo de gran profundidad sobre el proce causo, sin embargo carece de informacion sal, por lo que es precisa realizar una inter del mismo. A trav pretacion es de esta inter se extrae la informacion que constipretacion tuir a un modelo causal del proceso. Esta acti se asociar vidad de interpretacion a a una persona que denominaremos ingeniero de proceso. Esta persona es la que dispone de la informa sobre la estructura interna del proceso, cion que, en ultimo t ermino responde del comportamiento externo del mismo. Conocimiento procedural, que, aunque similar al conocimiento experto especicado en el punto primero merece ser considerado aparte. Se diferencia en esencia del primero en que este conocimiento no es declarativo, sino procedural, expresando secuencias de acciones, no hechos puntuales. Este conocimiento lo supondremos agrupado en un individuo al que denominaremos ingeniero de control. En realidad, gran parte de este conocimiento est a en manos o en la cabeza del operador de la planta, no obstante, es muy diferente del conocimiento que hemos calicado como conocimiento de experto.
En un sistema de control avanzado es preciso hacer uso de estos tres tipos de conocimiento, ya que cada uno de ellos proporciona una informa de importancia crucial en determinadas situacion ciones. As el conocimiento del experto permite la en r conduccion egimen permanente del proceso. En un sistema experto el conocimiento proce- El conocimiento procedural permite la aplicacion de de una persona el experto. Pero en el caso de de protocolos de conduccion en determinadas circontrol de sistemas industriales, existen al menos cunstancias como pueden ser un arranque o una tres fuentes de conocimiento importantes, asimila- parada. Por ultimo el conocimiento estructuralbles al conocimiento de tres personajes. Estas tres funcional proporcionado por el ingeniero de profuentes son: de situaciones que ceso es importante en la gestion mbito de conocimiento expresado caen fuera del a El experto, en este caso el operador del proceso, en los otros dos. Este conocimiento permite afron que tiene el conocimiento para la operacion tar el problema planteado por el efecto acantilado. del mismo. Este conocimiento es un modelo No obstante, el uso de este conocimiento para consomero de la planta; un modelo de comporta- trol es complejo, siendo objeto de investigacion en miento, no causal. estos momentos, con perspectiva desconocida. t Documentacion ecnica sobre el proceso; En realidad el modelado a utilizar en sistemas y construccion del inteligentes no debe reducirse a un determinado correspondiente al diseno
40
Conocimiento Procedural
Ingeniero de Control Interfaz Operador de Proceso Interfaz Ingeniero de Proceso Interfaz Ingeniero de Conocimiento
Interfaz
Motor de Inferencia
Conocimiento Operacional
Usuario
Conocimiento Estructural
BCG
Figura 4.6: Or genes diversos de las diferentes partes de la base de conocimiento. El ingeniero de conocimiento cataliza el proceso de formalizaci on y representaci on.
Interfaz
41
Ricardo Sanz
modo, sino que debe realizarse en multiples nive debe ser un modelado multireles de abstraccion; solucional. Antsaklis [Antsaklis 89] dice que para que un sistema logre la suciente autonom a la suciente inteligencia se deben utilizar en el sistema de control:
M etodos algor tmico-num ericos, basados en el estado del arte en control convencional, estimacion y teor identicacion, a de la comuEn el comentario que sigue nos centraremos nicacion. en tres paradigmas: el control basado en reglas, el control borroso y el control basado en modelos. M etodos simbolicos de toma de decisiones, tomados de la inteligencia articial. de m etodos es precisa para los Esta integracion sistemas inteligentes, dado que se necesita tanto las prestaciones de los sistemas num ericos, sobre todo velocidad, como la exibilidad de los siste mas simbolicos. La autonom a procede en esencia de dicha exibilidad, y por lo tanto de los mecanis mos simbolicos, sin embargo, en aplicaciones rea xito son funles, los criterios que dictaminan el e damentalmente dos: si algo se ha hecho correctamente y si se ha hecho a tiempo.
del conocimiento. Los avances en representacion control inteligente parecen conducir hacia la uti de modelos expl lizacion citos asimilables a los denominados modelos profundos basados en la orientada a objeto. metodolog a de programacion de los modelos ha pasaLa creciente explicitacion do desde la logica proposicional hasta las actuales representaciones orientadas a objeto, pasando por las ternas objeto-atributo-valor y los marcos.
4.5.1.
Control basado en reglas
Los sistemas de control basados en reglas (SCBRs) responden a los que se denominaron sistemas Las caracter expertos de primera generacion. sticas de este tipo de sistemas son de sobra conocidas y se pueden encontrar multitud de referencias sobre el tema [Gal an 89][Frost 86].
Estructura de los SCBRs
Estos sistemas de control se basan en una base de conocimiento en la que se expresa mediante reglas el conocimiento de control de un determinado sistema. Este conocimiento de control puede extraerse de un operador de dicho sistema En el apartado 4.3 se mencionaron de pasada sistema experto cl asico o bien formularse direclas caracter sticas de los sistemas de control cl asi- tamente por un ingeniero de control, en cuyo caso cos y en el 4.4 los elementos caracter sticos de los podr amos hablar de sistema experto o de sistema sistemas de control inteligente. En este punto tra- basado en el conocimiento segun criterios. Un estaremos de ahondar en las caracter sticas t ecnicas tudio mas detallado de esta estructura puede ende los principales paradigmas de control inteli- contrarse en [Basagoiti 89]. gente. Estos paradigmas son modos establecidos En la Figura 4.5.1 se puede observar la estructude desarrollo de sistemas de control inteligente ra habitual de un sistema basado en el conocimientecnolog as de control inteligente que est an amto en este caso un sistema basado en reglas. En pliamente extendidos. esta gura se aprecian los siguientes subsistemas: El concepto de paradigma de control nos trae cos en el sena la mente los paradigmas cient Interfases. entido de [Kuhn 71]. En este caso la transicion tre paradigmas la revoluci on t ecnica podr amos Motor de inferencia. decir se produce cuando surge una nueva teor a y razonamiento sobre sistemas. de representacion Base de conocimiento. est Este tipo de transicion a estrechamente relacionada con el desarrollo de nuevas metodolog as de Base de hechos.
4.5.
Paradigmas de Control Inteligente
42
Justicacin del Razonamiento
Base de Conocimiento
Interfaz
Experto
Interfaz Motor de Inferencia Interfaz
Usuario
Ingeniero de Conocimiento
Base de Hechos
Figura 4.7: Estructura cl asica de un sistema basado en el conocimiento expresado mediante reglas.
del razonamiento. Justicacion
glas expresan relaciones causales: SI El fuel baja ENTONCES La temperatura baja
Las personas que intervienen en la construc y utilizacion de este tipo de sistemas son el cion Como vemos las reglas utilizadas en el ejemplo ingeniero de conocimiento, el experto y el usuario. de operacion hacia delante expresan acciones de de Los hechos iniciales para el proceso de inferen- control a realizar en una determinada situacion cia de este tipo de sistemas son, como cualquier proceso. A primera vista parece posible expresar del proceso en for- una estrategia humana de control de un proceso sistema de control, informacion 4 ma de variables medidas y variables derivadas de por medio de reglas de la forma : stas variables de estado de la planta. Las cone <Situaci on> clusiones que se alcancen deben expresar las ac- SI on ENTONCES <Acci ciones de control a realizar sobre la planta. El planteamiento de la estrategia de encadenamiento pueden hacerse tanto hacia delante como hacia atr as, pero con caracter sticas muy diferentes. Por lo general en los sistemas de control el encadenamiento es hacia delante, con reglas de la forma: SI La temperatura es mayor de 1300 ENTONCES Bajar el fuel un 10 % mientras que el encadenamiento hacia atr as se em plea en sistemas de diagnostico, en los que las re pero esto no es siempre viable. La expresion de las situaciones a reconocer (lados izquierdos de las reglas) puede llegar a ser muy compleja si el proceso a controlar es complejo. En las reglas que constituyen la experiencia de un humano las premisas no son simples, ni siquiera dobles o triples, sino que en realidad en la premisa de cada re aparecen un patron gla que conduce a una accion
4 En sistemas de reglas de este tipo no se produce encadenamiento, constituyendo lo que se denomina sistemas monocapa.
43
Ricardo Sanz
din amico5 complejo de las variables del proceso a controlar y que conoce el operador. El formular completamente una estrategia de control en estos t erminos puede llegar a ser muy tedioso y propenso a errores.
sistemas. Si una regla como la anterior se aplicara repetidamente, el volver a incluir <Conclusi on> probleen la base de hechos no plantea ningun ma especial, pero en cambio volver a ejecutar <Acci on> puede ocasionar problemas graves. El de reglas se hace por el lancontrol de la ejecucion Por otra parte, surge un problema adicional con zamiento controlado de las inferencias, de modo los lados derechos de las reglas: las acciones de que los t erminos <Acci on> est an especicados tecontrol. En general las acciones a realizar no son niendo en cuenta este hecho, o bien mediante el acciones simples ni discretas, y sus valores posi enfoque ha uso de variables de status. Este ultimo bles no son un numero nito, sino que son asisido el habitual en sistemas de control inteligente milables a numeros reales. No es posible utilizar desarrollados con herramientas de sistemas experbases de conocimiento que contengan reglas que tos convencionales, por la incapacidad de realizar concluyan acciones con todos los valores posibles, un control mas fuerte del proceso de inferencia. ni siquiera parece viable utilizar un gran conjunto de reglas con diferentes acciones, sobre todo teAlgunos autores proponen otros formato de reniendo en cuenta la complejidad que deben tener glas, tal es el caso de Tzafestas [Tzafestas 89]. El las premisas. El control borroso resolver a en par- formato propuesto es el siguiente: te este problema, utilizando valores reales para los de las premisas, valores que grados de satisfaccion on> SI <Condici son trasladados a las acciones a realizar. Y NO <Condici on Excluyente> nadir> Una forma m as general de estructura de reglas ENTONCES Aserta <Hechos a a Retracta <Hechos a eliminar> en un SCBR es la siguiente: Haz <Acci on> Siguiente <Regla> SI <Situaci on> Donde se hace manejo expl cito de los hechos a anadir y a eliminar de la base de hechos, en un cl Donde <Situaci on> es una expresion asi- enfoque similar al de STRIPS [Nilsson 87] [Nilsson ca de premisas de una regla, en la que apare- 87], y en el que se especica la siguiente regla o cer an por lo general comparaciones de las varia- reglas a aplicar, en un enfoque casi procedural. bles de estado del proceso con valores caracter stiDos reglas se dir an con solape de premisas si es indicando posible satisfacer ambas simult cos. <Conclusi on> es una expresion aneamente. En un los hechos a incluir en la base de hechos del SCBR. sistema de control basado en reglas la existencia indicando las accio- de solape de premisas puede generar inconsistenY <Acci on> es una expresion nes de control a llevar a cabo. cia en las acciones de control. Esto se observa muy Uno de los problemas fundamentales del control basado en reglas es el aspecto representado on>. Este t ermino representa una por <Conclusi serie de hechos que deben introducirse en la base de hechos del SCBR. Pero estos hechos tienen una caracter stica fundamental: su caducidad. Es precisa la existencia de sistemas de mantenimiento de de los SCverdad para hacer posible la operacion BRs. claramente en un sistema monocapa. Supongamos que en nuestra base de conocimiento se tienen las dos reglas siguientes: SI La temperatura es mayor de 1500 ENTONCES Bajar el fuel un 10 % SI El ox geno es mayor de 4 % ENTONCES Subir el fuel un 5 % ENTONCES <Conclusi on> on <Acci
Si en un determinado instante se verica simult aneamente que la temperatura es mayor de Observese que la cl ausula <Acci on> de una a 1500 y que el ox geno es mayor de 4 % la accion regla plantea un problema especial en este tipo de realizar no est a claramente denida, ya que una 5 En el que intervienen derivadas temporales. regla concluye que se debe bajar el fuel un 10 % 44
que y la otra que se debe subir un 5 %. La accion ra en base al reconocimiento de un patron se ejecutar a en un SCBR convencional depenposiblemente complejo y con din amica en de reglas del conder a del mecanismo de seleccion las variables del proceso. junto conicto. Este problema de consistencia por solape de premisas puede resolverse de tres for Los modos periodicos se suelen emplear en SCmas: BRs simples, en los que la base de conocimiento limitado y los tiempos de infetiene un tamano rencia son adecuados al proceso y con poca va f Por eliminacion sica del solape. Realizan rianza. En caso de sistemas complejos, la duracion do un desarrollo de la base de conocimiento temporal de una inferencia tiene una variabilidad que impida este tipo de situaciones. Esto se har a combinando en las premisas de las reglas muy alta, siendo por lo general inadecuado su uso Este tipo de sistemas se actitodas las variables relevantes. De este modo de forma periodica. van bajo demanda de otro sistema reconocedor de del espacio de entrase realiza una particion del situaciones que requieran de la intervencion das, de forma que a cada punto del espacio de SCBR. entradas le corresponda una sola accion. funcional del solape. Esto es Por eliminacion lo que se dar a en un sistemas experto conven un cional, en el que se seleccionar a segun determinado criterio la regla a disparar del conjunto conicto. Salvo que el algoritmo de este muy perfeccionado y adecuado seleccion en sistemas de control, este ena su utilizacion foque es inaceptable. Desarrollo de SCBRs
El control basado en reglas es el resultado de directa de la tecnolog la aplicacion a de sistemas expertos en control [Bernard 88] [Bernard 88]. En este tipo de sistemas la base de conocimientos de control se obtiene de un experto humano: el operador del proceso a controlar. Este enfoque, en pro de las actuaciones especicadas en cesos complejos6 , conduce a sistemas expertos con Por fusion las reglas con solape, combinando las multibases de conocimiento de complejidad excesiva, ples acciones en una sola. Este tipo de com- siendo necesario el uso de t ecnicas que permitan suele hacerse mediante t binacion ecnicas de reducir esta complejidad y aumentar la eciencia. manejo de incertidumbre; especialmente ade- Una de estas t ecnicas es el uso de metaniveles. Por cuadas son las t ecnicas de logica borrosa. uno lo general el metanivel suele haber solo es el encargado de determinar el estado del sisteEl sistema experto de control puede enten- ma y de seleccionar el grupo de reglas pertinente De este modo la base de conociderse al igual que un sistema convencional de a esa situacion. miento queda dividida en subbases que permiten del espacio de vacontrol como una aplicacion una mejora en eciencia. Por lo general estos sisteriables medidas en el espacio de actuaciones. Esta mas alcanzan vol umenes miles de reglas que debe ser necesariamente una funcion. aplicacion en tiemlos hacen inadecuados para su utilizacion po real. Este tipo de arquitectura hace uso de conceptos intermedios sobre el estado del sistema Modos de funcionamiento aproximada del enfoque constituyen una version Los modos de funcionamiento de los SCBRs que basado en modelos. son esencialmente dos: Una vez vistas estas caracter sticas generales Periodico, del mismo modo que funcionan la mayor parte de los sistemas de control implantados con computadores. Aperiodico, por respuesta a eventos. En este caso el mecanismo de inferencia se dispadel los SCBRs podenos comentar las principales arquitecturas de los mismos, ya que casi todas las
6 Especialmente en procesos con complejidades secundaria y terciaria. El caso de la complejidad primaria es m as abordable mediante el uso de t ecnicas orientadas a objeto. Este enfoque es el utilizado por ejemplo por el entorno G2 [Gensym 88][Gensym 88].
45
Ricardo Sanz
Hechos
Reglas
Acciones
Figura 4.8: Sistema basado en reglas con estructura monocapa.
aplicaciones responden a una arquitectura mono- que considerar la existencia de un dato en la base caso existan arqui- de hechos interpretado por un proceso indepencapa o bicapa, aunque en algun tecturas multicapa. diente un demonio encargado de realizar la Este enfoque es especialmente interesante accion. desde el punto de vista de la independencia de los SCBR monocapa procesos de inferencia y control. Sea por ejemplo la regla: Este tipo de sistema es muy habitual por su simplicidad, ya que no requiere profundizar en las etapas de an alisis del dominio y conceptuali- SI La temperatura del horno es mayor de 1500o zacion. ENTONCES El horno esta caliente En este tipo de arquitectura el sistema de conDisminuir fuel un 10% trol basado en reglas presenta una estructura como la de la Figura ??8. La base de conocimiento de este sistema es homog enea, compuesta ntegramente El hecho El horno est a caliente se introducir a en por reglas de la forma: disminuir el fuel un la base de hechos y la accion SI <Situaci on> ENTONCES <Conclusi on> <Accion La existencia de conclusiones a incluir en la base de hechos tiene sentido en el uso de estas conclusiones en etapas posteriores de control. SCBR bicapa 10 % se llevar a a cabo como consecuencia de la de la regla. No obstante el saber que el ejecucion horno est a caliente hecho incluido en la base de hechos puede ser utilizado de forma independiente por otro proceso para realizar la disminu del fuel de forma as cion ncrona respecto al proceso de inferencia. Este enfoque es efectivo para en tiempo real, sin embargo se aparta operacion del enfoque SCBR puro.
del proceso de control as La accion ncronamente con el de inferencia puede llevarse a ca > es suprimible como bo por otro sistema basado en reglas. Este tipo de El t ermino <Accion >, sin mas estructura es lo que denominaremos SCBR bicapa t ermino diferenciado de <Conclusion 46
Hechos
Reglas
Conclusiones
Valoracin de la Situacin Generacin de Actuacin
Reglas
Acciones
Figura 4.9: Sistema basado en reglas con estructura bicapa.
47
Ricardo Sanz
y etapa de control7 . La con etapa de identicacion base de conocimiento se descompone en dos que reglas referenrecogen dos tipos de informacion: del estado del proceso y retes a la interpretacion de las actuaciones. En glas para la determinacion esta caso la regla anterior quedar a descompuesta en dos reglas, cada una de las cuales entrar a a formar parte de la base de conocimiento de la etapa correspondiente:
de conocimiento activa de forma que se reduce sobremanera el costo computacional-temporal de la inferencia. Este tipo de sistemas conduce a implantaciones multicapa m as de un encadenamiento pero que conservan esta estructura de clara descom en dos etapas: valoracion de la situacion posicion de la actuacion. y generacion
1. Valoracion de la situacion : Se determinar a el SCBR multicapa estado funcional del proceso a controlar a En general los sistemas basados en reglas tien sobre el proceso partir del la informacion den a crecer de forma incontrolada, ya que la pomediciones de variables y posibles hechos sibilidad de desarrollo incremental de los mismos, incluidos en la base de hechos. considerado por algunos como una ventaja, hace sucesivas mejoras que tienden a salque se anadan SI La temperatura del horno es estructurales primatarse a la torera los disenos mayor de 1500o rios. As se alcanzan sistemas en los que el modelo ENTONCES El horno esta caliente conceptual intermedio es un f arrago de informa inestructurada, y en los que el proceso de incion 2. Generacion de actuacion : Se determinar a la ferencia funciona en base a mecanismos basados de control en funcion del estado funen la suerte. accion cional del proceso a controlar No obstante es posible el desarrollo de sistemas conceptualmente claros, en los que el proceso de SI El horno esta caliente inferencia avanza a trav es de sucesivas etapas de ENTONCES Disminuir fuel un 10% En este tipo de sistemas la generacion abstraccion. de las acciones de control se pueden producir en dado que los criComo vemos en este tipo de estructura aparece todos los niveles de abstraccion aun intermedia que consti- terios de control son por lo general multiples, una etapa de informacion del estado del proceso a otro nivel que por lo general se suelen alcanzar estructuras tuye una vision que el puramente num erico; es un modelo concep- similares al bicapa. tual parcial del proceso en un nivel de abstraccion En el cap tulo 5 se expondr a una metodolog a superior al de las puras medidas. de desarrollo de sistemas de control inteligente En la literatura se pueden encontrar multitud de referencias sobre lo que se ha dado en llamar sistemas expertos con metaniveles. Este tipo de sistemas expertos son por lo general sistemas bicapa un solo metanivel en los que el metanivel superior en el que se uties un nivel de abstraccion liza conocimiento sobre el nivel inferior para rea de la base de conocimiento lizar una focalizacion del nivel inferior sobre el subdominio del proble de la base ma. De este modo se reduce el tamano de SCBRs multicapa que permite la construccion en los que existe este reparto de autoridad por ni veles de abstraccion. Modelado impl cito en SCBRs
En este tipo de sistemas se utiliza un mode del modecito. El grado de explicitacion lo impl lo es variable, dependiendo del tipo de SCBR. El los sistemas con varias capas este modelo es m as 7 Este tipo de estructura es habitual en sistemas expertos, expl cito que en el caso de los sistemas monocapa. como dice D Ambrosio[D Ambrosio 89], se divide el probleLos hechos intermedios que sirven de enlace entre de la situacion y planima del control en dos etapas: valoracion de la respuesta. Es la utilizada por ejemplo en CASNET las capas del SCBR constituyen modelos del procacion A estos y en EMYCIN [Buchanan 84]. ceso en diferentes niveles de abstraccion. 48
modelos utilizados en los SCBRs se los suele denominar modelos someros, ya que representan un conjunto reducido de aspectos del sistema a controlar, esencialmente comportamientos, sin expre momento relaciones causales entre sar en ningun hechos que suceden en el proceso a controlar. Ventajas del control basado en reglas Las ventajas del control basado en reglas se aprecian desde la perspectiva del control convencional. En determinadas situaciones las prestaciones de los sistemas de control convencional no son lo sucientemente buenas. Esto se da especialmente en las circunstancias mencionadas por Ilari [Ilari 87] y comentadas en el apartado 4.2.1. La ventaja de este tipo de controladores basados en reglas es que permiten expresar la estrategia de control de forma verbal, pudiendo utilizar el conocimiento de operadores humanos. Por ello el control experto no precisa de un modeatico del proceso a controlar. Otra venlo matem taja es que el control experto tiene como base un conocimiento expreso expl cito, que puede ser comprobado mas o menos exhaustivamente de sistemas exaunque las t ecnicas de validacion muy limitadas. El control experto pertos sean aun es adem as un control m as estable que el humano, en el sentido de que la estrategia de control no tiene variabilidad, lo que redunda en una estabilidad que es uno de los grandes problemas de operacion, de la industria de proceso, en la que los turnos de operadores hacen que el proceso est e sometido a oscilaciones originadas por el cambio de las estrategias de control de los operadores. Este aumento de estabilidad redunda en una mejora de calidad al perdel producto, un aumento de produccion en condiciones mas cercanas a mitir la conduccion de las necesidades los l mites y una disminucion de mantenimiento al reducir las fatigas introduci uctuante. das por la operacion Desventajas del control basado en reglas
manejo del conocimiento aparecen dos puntos especialmente importantes: del conocimiento, que debe La adquisicion hacerse en este caso de los operadores de proceso y eventualmente de los ingenieros de del ingeproceso o control. La intervencion niero del conocimiento es necesaria, al menos en una primera etapa, para claricar este conocimiento, dado que el personal encargado de estas misiones suele ser personal de t baja capacitacion ecnica. En etapas sucesivas la idea que se persigue es la de aumentar la de los operadores y de los ingenieformacion ros de planta en este tipo de t ecnicas, de forma que sean ellos mismos capaces de realizar esta e incluso la implantacion. claricacion implantacion y utilizacion La formalizacion, del conocimiento en el sistema de control basado en reglas puede llegar a ser un problema muy complejo. Estas actividades son mi del ingeniero del conocimiento, pero la sion en el punto antendencia, como se menciono terior, es formar al personal de planta en estas t ecnicas; de esta forma se permite a dicho del personal el mantenimiento y actualizacion SCBR; se requiere, no obstante, el desarrollo de un entorno de proceso mediante el cual se puedan realizar estas actividades de manteni miento y actualizacion. se rePor lo que a problemas de implantacion ere, los sistemas basados en reglas se caracterizan imprepor su extremada lentitud y por la duracion decible de sus cadenas de inferencia salvo en sistemas simples como los monocapa. El tiempo que de control se requiere para determinar una accion es dependiente de las circunstancias particulares, tanto del problema, como de la m aquina que soporta el proceso de inferencia, sin que exista una del mismanera clara de realizar una estimacion mo8 . La dependencia del problema tiene su origen en la anisotrop a del sistema basado en reglas con respecto a los vectores de estado introducidos en
Las desventajas del control basado en reglas se 8 Por lo general la inteligencia articial trabaja con gestion centran en dos puntos, uno relativo a la dicul particular de la din amica de memoria, por lo que la situacion tad de manejo del conocimiento y otro relativo a misma en un momento dado determina sobremanera las pres En el problema de taciones del sistema. los problemas de implantacion. 49
Ricardo Sanz
el. En algunos casos, como son los sistemas de control basados en reglas borrosas cl asicos sistemas monocapa el tiempo de inferencia s es determinable, siendo adem as el mismo para cualquier estado inicial de partida vector de estado. La lentitud, junto con las duraciones impredecibles di de SCBRs intecultan sobremanera la utilizacion grados en aplicaciones de tiempo real. Valoracion Como puntos importantes a considerar en el uso de estos sistemas de control basados en reglas cabe destacar los siguientes; algunos de ellos se comentan en [Shirley 87]:
problemas: oscilaciones, sacudidas, etc. Esta no linealidad puede compensarse en parte de reglas, utilizando t ecnicas de ponderacion como son todas las utilizadas en manejo de incertidumbre [Gonz alez 89]. El control borroso, que se explicar a en el punto siguiente por su especial importancia, usa una de estas t ecnicas.
4.5.2.
Control borroso
El control basado en reglas presenta en determinadas circunstancias un mal comportamiento, sobre todo debido a las fuertes no linealidades del mismo. El control borroso puede considerarse un control basado en reglas que utiliza las t ecniLos sistemas expertos no son una panacea. cas borrosas para manejar imprecision [Tong 77]. Aunque resuelven problemas complejos, no El considerarlo como un paradigma independienson aplicables en cualquier caso. te se debe a que su estructura (monocapa) y su (compilacion de reglas) son muy esimplantacion Los sistemas expertos no son expertos, sino pec cas de este tipo de control. Los reguladores de la borrosos tratan de implantar estrategias de control que recogen una parte muy pequena experiencia del humano, careciendo casi por expresadas en t sticos por los operaerminos lingu completo de sentido comun. dores de proceso; para ello se basan en t ecnicas de l ogica borrosa [Zadeh 73] [Mamdani 81] . Aunque sus costes de desarrollo son elevados est an disminuyendo progresivamente, debido al aumento de experiencia de desarrollo, Estructura de un regulador borroso a la mejora de metodolog as y a la aparicion de herramientas espec cas. Esencialmente se basan en un conjunto de re entre sistema de desarrollo y glas de control borroso de la forma: La distincion sistema nal es crucial. Los sistemas tendr an requerimientos muy diferentes, tanto en har- SI Variable A es Grande y dware como en software. Variable B es Peque na Las herramientas de desarrollo deben ser abiertas. Es fundamental el desarrollo adecuado de la interfase de operador. on es Grande ENTONCES Actuaci
Los t erminos que aparecen en las expresio nes grande, pequena se denominan t erminos sticos [Zadeh 88]. Todo el conjunto de reglas lingu del espacio de entradas en En el caso de sistemas con v nculos con el equivale a una funcion el espacio de salidas. Un aspecto fundamental de l son de una immundo, las interfases con e este tipo de reglas es el numero de niveles de cuanportancia crucial. Este tipo de elementos son ticaci on de entradas: Corresponde al numero de caracter sticos de los sistemas de control y de t e rminos ling u sticos utilizados para representar algunos de diagnostico. a valos valores de las entradas. Esta conversion El control experto es por lo general fuerte- lores borrosos es el primer paso en el proceso de mente no lineal. Esto en ocasiones puede ser control. Un numero de valores empleado habitual de este numero interesante, pero en otras genera bastantes mente es 7. La decision es impor50
tante desde dos puntos de vista: la representatividad y el volumen de los datos. Las etapas del control son:
supervisados son similares a los logrados por reguladores PID convencionales, con ventajas claras en caso de plantas con funciones de transferencia desconocidas o variantes.
En las pruebas realizadas se utiliza para la de los valores medidos de las vaConversion borro- planta un modelo SISO con funciones de transferiables del proceso a su representacion rencia de segundo orden. El regulador borroso se sa. y tiemcomporta por lo que a sobreoscilacion de las reglas para obtener los valo- po de establecimiento se reere sensiblemente Aplicacion res de las actuaciones. igual que un PID ajustado por Ziegler-Nicholls. de valores n Obtencion tidos para las actuacio- En caso de plantas variantes, el mecanismo de actua en modo aperiodico, supervision logrannes a partir de sus valores borrosos. a la planta recuperacion de do la adaptacion prestaciones en un tiempo aceptable. Dicho reT ecnicas de aplicacion del control borroso gulador borroso obtiene resultados adecuados incluso con plantas con funciones de transferencia nima. Para aplicar este tipo de control se usan dos de fase no m t ecnicas fundamentales: Control directo por reglas: En este caso en ca- Valoracion da ciclo de control se realiza el c alculo de la Este tipo de reguladores presentan algunas a partir de la unicacion proceso actuacion para control de a la si- ventajas de cara a su implantacion de busqueda de reglas que se adecuan as importantes son las siguientes: actual de la base de reglas de con- proceso. Las m tuacion trol con los hechos procedentes del proceso valores medidos de las variables de proceso. Permiten utilizar el conocimiento operacional sobre el control del sistema, obtenible de ex de reglas: Este es un enfoque en Compilacion pertos humanos. el que la base de reglas se compila, en el m sentido de pasarla a una representacion as eciente. De este modo se obtiene una tabla de valores en la que para cada combinacion borrosos de las variables de control se tiene Este enfoque el valor borroso de la actuacion. es viable mientras el conjunto de reglas solo no cambie; si se produce este cambio es preciso volver a calcular la tabla. Supervision de reguladores borrosos Los reguladores borrosos basados en reglas ad de modulos miten la utilizacion de supervision, con resultados m as que aceptables [Cerezo 88] [Cerezo 88]. En [Oliveira 90] [Oliveira 90] se pre de este senta una arquitectura para la supervision tipo de reguladores, con la que se consiguen muy buenos resultados. En las experiencias con dicha se observa que los rearquitectura de supervision sultados conseguidos por los reguladores borrosos Son reguladores mas robustos. Permiten realizar control multivariable de forma simple. Pueden alcanzar comportamientos mejores que reguladores PID cl asicos. Admiten diversos modos de supervision. Las metodolog as a utilizar son claras, pero falta por determinar aspectos en los que se han realizado pocos desarrollos: tipo de esEstabilidad. Se han hecho algun tudios de estabilidad [Cerezo 88][Aracil 89], aunque bajo condiciones muy estrictas para el sistema analizado. No existe un metodolog a gen erica para realizar estudios de estabilidad de reguladores borrosos. 51
Ricardo Sanz
Obtencin de Valores Borrosos
Regulador Borroso
Obtencin de Valores Ntidos
Actuador
Proceso
Captador
Figura 4.10: Estructura de un sistema de control basado en reglas borrosas.
Viabilidad para procesos complejos. En caso En la Figura 4.5.3 se presenta la estructura de l la base de de procesos complejos muchas variables un sistema basado en modelos. En e el numero de reglas necesario para el control conocimientos aparece dividida en tres partes: puede llegar a ser excesivo. Es preciso restringir los reguladores borrosos a sistemas simEl modelo. Compuesto a su vez de dos parples. tes: la base de hechos (H), que contiene infor factual sobre el estado del proceso y macion de las reglas: Este es el conocido Obtencion la base de estructura (E), que contiene la incuello de botella de los sistemas expertos, la que es propiamente el modelo del formacion del conocimiento. adquisicion proceso. de este tipo de reguladores paLa aplicacion ra el control de sistemas complejos es adecuado, en un nivel bajo, ensiempre que su uso se situe cargado del control de bucles simples. Este tipo de regulador es adecuado para sistemas jer arquicos de control de procesos complejos. La base de conocimiento del dominio (BCD). Que contiene conocimiento similar al que se utiliza en los sistemas convencionales. La base de conocimiento general (BCG), que contiene conocimiento relativo a la manera en que se utiliza el conocimiento contenido en el modelo.
reEn el modelo se incluye toda la informacion levante del sistema sobre el que se va a razonar. se estructura en forma de modeEl razonamiento basado en modelos es la de- Esta informacion gen nominacion erica de un conjunto de t ecnicas lo expl cito del sistema. La base de conocimiento convergentes que constituyen el elemento central general expresa conocimiento utilizado en la inter de la informacion del modelo. Esta base pretacion de los sistemas expertos de segunda generacion. En este tipo de sistemas la base de conocimiento de conocimiento es propia de esquema represen del modelo, contiene un modelo expl cito del sistema a contro- tativo utilizado para la construccion a una forlar. En vez del modelo de comportamiento impl ci- por lo que en muchos casos no tendr declarativa sino procedural, impl to expresado por las reglas del caso anterior, el mulacion cita en modelo es en este caso fundamentalmente causal los mecanismos de manejo del modelo. Este tipo de la base de conocimiento gene[Atwood 86] [Atwood 86]. A este tipo de modelos de integracion del modelo es se los suele denominar modelos profundos, mien- ral en el propio sistema de gestion admiten un mecanistras que a los modelos de comportamiento se los propio de sistemas que solo del modelo o de aquellos que mo de construccion denomina modelos someros. 52
4.5.3.
Control basado en modelos
BCD
Interfaz Interfaz
Modelo Motor de Inferencia H E

Interfaz
Experto
Usuario
BCG
Ingeniero de Conocimiento
Figura 4.11: Sistema basado en modelos.
Profundidad: El modelo permite trabajar a diferentes niveles de profundidad, que enlazan de forma ascendente por mecanismos de abstrac de programacion orientada a obLa utilizacion Esto hace posible la utilizacion de conocion. jetos [Meyer 88] es lo que ha permitido el uso ecimientos por sistemas de razonamiento a diciente de representaciones de sistemas basadas en ferentes niveles. Por ejemplo un sistema de modelos. En particular en el campo de control de diagn ostico puede profundizar en las estruc a objeto ha supuesto la diproceso, la orientacion tura del modelo para determinar la causa de ferencia entre la inoperancia y el funcionamiento una determinada falta, realizando una naveen tiempo real. en profundidad adentr gacion andose en ni veles sucesivos. Un sistema de planicacion por contra trabaja en un nivel elevado, Dimensiones del conocimiento estableciendo la forma en que se debe operar el sistema para conseguir maximizar una funEl modelo que se persigue en este tipo de sis de utilidad. cion del conocimiento que temas es una representacion se dispone sobre el proceso. Es m as extenso que el empleado en sentido matem atico, teniendo cua- Certeza: Nuestro conocimiento del sistema tiene diferentes grados de certeza, cuyo conotro facetas (dimensiones del conocimiento) [Simcimiento es preciso para tomar las acciones monds 88]: correctas. de toAmplitud: El modelo incluye informacion da una gama de objetos del mundo real en Riqueza: Diremos que nuestro conocimiento es rico cuando incluya diversos aspectos (que, con nuestro sistema. Nos permite alrelacion como, cuando, por qu e, etc). macenar y utilizar nuestro conocimiento so53
persiguen una gran eciencia. El conocimiento del dominio es conocimiento particular sobre la apli y que no ha podido incluirse en el modelo cacion por sus especiales caracter sticas.
bre estos objetos.
Ricardo Sanz
Tipos de modelos El enfoque de control por razonamiento basado en modelos parece viable desde dos puntos de vista: Utilizando Modelos Externos: Estos modelos an constituidos por reglas que expresan el est comportamiento del sistema. Estas reglas permiten determinar en un momento dado el estado del sistema, y, en algunos casos, mediante razonamiento temporal la evoluci on del mismo. Este tipo de modelos son costosos ya que la base de reglas tieen ejecucion, ne un volumen muy elevado que no permi te alegr as. Los mecanismos de focalizacion ya mencionados permiten disminuir el conjunto conicto, y por ello aumentar las prestaciones del sistema. Este tipo de sistema de para almodelado precisa de paralelizacion canzar la eciencia necesaria para su uso en tiempo real. Los modelos someros utilizados en algunos SCBRs son de este tipo. Utilizando Modelos Internos: En estos se utiliza la t ecnica de especicar los elementos del sistema y sus interrelaciones. De este modo se a manereduce el volumen de la informacion jar, ya que el comportamiento quedar a descrito en base a restricciones gen ericas sobre los tipos de dispositivos a emplear. Estas t ecnicas de modelado profundo para razonamiento sobre sistemas se encuentran en la actualidad en etapas tempranas de desarrollo. Los modelos del mundo que constituyen la base de razonamiento de este tipo de sistemas se pueden especicar a priori, o bien ser construidos sobre la marcha. Este enfoque es el que se emplea en sistemas avanzados de control de veh cu los autonomos, en que el modelo del mundo que rodea al veh culo se va construyendo y/o modi sensorial recibida cando en base a la informacion por el ente autonomo. Si el sistema autonomo debe interaccionar con su entorno debe tener tambi en un modelo de si mismo. En el caso del control de procesos, no se da esta circunstancia de forma completa, ya que el sistema de control no interacciona con el proceso salvo a trav es de los actuadores y captadores. Es por 54
ello necesario que el modelo incluya submodelos y accorrespondientes a los sistemas de captacion Estos modelos permitir tuacion. an a la interfase de proceso el ltrado inteligente de la informacion eprocedente del sistema, as como la actuacion caz y segura. Una de las ventajas fundamentales de disponer de conocimiento estructurado en distintos niveles es la posibilidad de realizar razonade abstraccion miento cualitativo.
4.5.4.
Ventajas del control basado en modelos
El control por razonamiento basado en modelos tiene como principal desventaja su mayor complejidad en el desarrollo de mecanismos de razonamiento de control. Pero las ventajas que presen sea progresivamente ta hacen que su utilizacion extendida: Flexibilidad, ya que es posible formular y utilizar el modelo de diferentes maneras. Extensibilidad, puesto que tanto el modelo como las aplicaciones que soporte se pueden extender de forma simple para reejar los cambios en el sistema o en el problema. Compartibilidad, pudiendo ser utilizado simult aneamente por diferentes aplicaciones. Coste y tiempo reducido de desarrollo, ya que modelo para varias aplicaciones, es un solo de modelos expl y adem as la construccion citos es mas simple y directa que la de modelos impl citos como los contenidos en un sistema basado en reglas. a una Integrabilidad, ya que su no vinculacion de problemas deterperspectiva de resolucion en cualquier minada permite su integracion otro tipo de sistema, aportando una informa coherente a todo un grupo de aplicaciocion nes. Constructibilidad puesto que es posible la y uso de librer as de modelos, construccion que permiten construir modelos de sistemas m as grandes.
Fiabilidad, ya que en un modelo expl cito es que permita mas f acil realizar una vericacion garantizar su coherencia y completitud. Jerarquizabilidad, admitiendo representaciones multiresolucionales. Mayor facilidad para expresar el conocimiento sobre el objeto modelado. Este tipo de ventaja es especialmente importante en los modelos orientados a dispositivos [Geneserteh 84]. Este ultimo punto es especialmente importante desde el punto de vista del desarrollo, ya que del conociel cuello de botella de la adquisicion miento se reduce, puesto que el experto expresa sus conocimiento sobre el dominio en sus propios t erminos. En los ultimos sistemas de desarrollo de aplicaciones de este tipo se dispone de una interfase muy potente que permite construir los modelos de forma gr aca e interactiva, utilizando los elementos habitualmente conocidos por el personal del ingeniero de planta. De este modo la mision del conocimiento se reduce, ya que el experto se convierte en ingeniero del conocimiento. Se pro aun mas acusada que lo que duce una migracion ven a siendo habitual en sistemas convencionales.
Evoluciones desde el campo de control. Desde el campo de la inteligencia articial. El grado de operatividad alcanzado por los sistemas de control inteligente es muy variado, ya multitud de facque intervienen en su valoracion tores.
4.6.1.
Desarrollos espec cos
Los desarrollos espec cos son sistemas de control y en especial entornos de desarrollo de sistemas de control inteligente orientados hacia este tipo de problemas, y no a aplicaciones generales. Por ello presentan una serie de caracter sticas que los hacen especialmente interesantes.
4.6.2.
Desarrollos independientes
Los desarrollos de sistemas de control inteligente han seguido en muchos casos una trayectoria similar compuesta de tres etapas: Desarrollo en un entorno para sistemas expertos de aplicabilidad general.
4.6.
Desarrollos actuales
Reescritura en un lenguaje convencional para alcanzar operatividad. de un nuevo entorno basado en Construccion el desarrollo anterior. El alcanzar la segunda y tercera etapas dependen esencialmente del presupuesto del proyecto (segunda etapa) y del presupuesto y objetivos (tercera etapa). Son de destacar en este grupo los proyectos dentro del marco de los programas ESPRIT y EUREKA de la Comunidad Europea. Varios de estos son asimilables al a rea proyectos de investigacion de control inteligente. De ellos podemos mencionar: El sistema TEX-I [Voss 88]: Technical Expert Systems for Interpretation, Diagnosis and Control of Technical Systems. 55
rea Hasta ahora los desarrollos reales en el a de control inteligente han sido mas bien escasos, de esdebido a las dicultades de implantacion caso la tas caracter sticas, sin alcanzar en ningun operatividad deseada en un sistema que incluyera todas ellas. Sin embargo existen algunos sistemas que presentan algunas de las caracter sticas mencionadas con anterioridad. Estos sistemas se pueden clasicar en varios tipos: Desarrollos espec cos: Desarrollos independientes. Desarrollos con herramientas de control inteligente. Evoluciones:
Ricardo Sanz
El sistema QUIC [Cavanna 89]: Design and neral, pero est an alcanzando una r apida difusion, Experimentation of a Knowledge Based Sys- sobre todo en los ultimos dos anos. tem Development Toolkit for Real Time ProG2 es un entorno para desarrollo de sistemas cess Control Applications. de control inteligente para grandes procesos inOtros como: IPCES, AIMBURN, TOPMUSS, dustriales [Gensym 89]. Es un sistema potente y vers atil, pudiendo utilizarse en gran numero de KRITIC, FIABEX [Cuena 89]. m aquinas y permitiendo arquitecturas distribuidas sobre una red. El sistema dispone adem as Es de destacar que este tipo de proyectos no para prediccion de de mecanismos de simulacion son de desarrollo de un sistema de control espec comportamientos del sistema bajo control. Es la co, sino que sus objetivos son de investigacion unica herramienta disenada especicamente pay desarrollo fundamentalmente de herramientas ra control y que ha alcanzado un grado de difu auny sistemas no espec cos de una aplicacion, elevado. Es el sucesor de otra herramienta desion que en casi todos ellos se construyan aplicacionominada PICON ligada a las m aquinas Lisp de nes demostrativas. Estos proyectos tienen proposi LMI con procesador adicional 68010 para computos muy ambiciosos. Es de esperar que del esfuer con el exterior. G2 no to num erico e interaccion zo conjunto, una vez que los resultados de dichos est a ligado a ninguna arquitectura espec ca ni re proyectos alcancen al publico, surja un grupo de tipo de lenguaje soporte9 (Comquiere de ningun en control de procesos. t ecnicas de clara aplicacion mon Lisp en el caso de PICON). Por ahora estas t ecnicas no existen al menos NEXPERT OBJECT Se presenta como un jue claramente por lo que cada disenador debe hago de herramientas para desarrollo de bases de cer frente a una serie de problemas similares, pero conocimiento, junto con una librer a de funciones nunca iguales; esto hace que las soluciones sean de inteligencia articial integrable en aplicaciones ad hoc en la mayor parte de los casos, limitando de usuario. Su estructura dirigida por eventos lo del software de este modo la posible reutilizacion en aplicaciones hace adecuado para su utilizacion desarrollado. no es exclusiva hacia el de control. Su orientacion control.
4.6.3.
Desarrollos con herramientas de IDSEC es una herramienta de sistemas expertos en tiempo real para aplicaciones industriales control inteligente
ligada a las m aquinas Lisp de Symbolics con pro cesador Ivory. Combina la potencia de computo simbolico del procesador lisp con un procesador convencional. Es muy similar a la herramienta G2. son CHROOtros productos de menor tamano NOS [Euristic 89], COMDALE y NEMO [S2 O 90] ofreciendo posibilidades de razonamiento temporal sin necesidad de utilizar grandes equipos.
reas han conduLas evoluciones desde otras a cido a sistemas que presentan utilidad en control Los entornos espec cos para sistemas de con- inteligente, pero que no alcanzan la versatilidad o en gran trol inteligente utilizan mecanismos de reglas para la potencia necesaria para su utilizacion de los conocimientos de control. Estos la expresion 9 Aunque G2 corre sobre una version especial de Common sistemas son pocos en la actualidad, frente al in- Lisp preparada para su usu en tiempo real, este Common Lisp contable numero de herramientas de proposito ge- forma parte del propio G2, no siendo accesible para el usuario. 56
La necesidad de herramientas ha conducido a una serie de sistemas que tratan de implantar las caracter sticas deseables en un sistema de control inteligente. Estas implantaciones tiene mayor xito, pero en cualquier caso han dado o menor e lugar a sistemas m as adecuados para el desarrollo de aplicaciones con requerimientos de operacion en tiempo real. Las perspectivas de este tipo de nas tanto herramientas son cada vez m as halague por la mejora continua en hardware como por el desarrollo de nuevas t ecnicas y metodolog as sof de sistemas tware que posibilitan la implantacion de control inteligente.
4.6.4.
Evoluciones
por EPRI (Electrical Power Research Institute) y a posteriormente por Intellicorp, como extension su producto comercial KEE. No presenta una arEvoluciones desde el campo de control incluye hequitectura especial, sino que tan solo rramientas para modelado profundo de la plan principal de este producto es la conduce a herramientas obte- ta. La orientacion Esta evolucion de sistemas, ofreciendo pocas posibi y evolucion de sistemas supervision nidas por generalizacion de control cl asicos. Los fabricantes de sistemas de lidades de control directo. control que implantan metodolog as cl asicas tra de las herramientas cl La adecuacion asicas de tan de mantener sus cuotas de mercado por la ininteligencia articial al control en tiempo real es continua de avances en sus sistemas. troduccion limitado, por lo que las aplicaciones desarrolladas de con ellas se centran en su mayor parte en el campo En este punto cabe hacer especial mencion fuera de l o la planicacion nea. dos sistemas que hacen uso de las t ecnicas borro- del diagnostico sas para implantar reguladores basados en reglas. Estos sistemas son LinkMan de Sira Ltd. (U.K.) y FCL de la empresa danesa F.L. Smidth & Co. A/S Proyecto C2G [Holmblad 87]. En el Departamento de Autom atica, Ingenier a Otro tipo de sistemas son los que incluyen e Inform atica Industrial de la UPM se ecnicas de sistemas expertos para realizar regu- Electronica t a desarrollando en la actualidad una aplicacion ladores calicables de adaptativos, en los que la est se lleva a cabo por medio de un sistede control inteligente avanzado denominada C2G. adaptacion basada en la arquitectura CONEX ma experto. Ejemplo de este tipo de sistemas son Esta aplicacion, propuesta en esta tesis, est a siendo desarrollada en EXACT [Foxboro 86] y EXPERT-AD [Adaptech 89]. con una empresa del sector cementecolaboracion La ultima moda es el dotar a estos sistemas de ro. control cl asico de elementos inteligentes que permi CONEX se ha disenado como una arquitectu de estrategias de control m tan la implantacion as ra de control inteligente y distribuido, orientada al vers atiles. Este es el caso de Integrale 2000, un procontrol de procesos con dicultades de modelado. ducto que incluye a G2 como elemento de m as alto Esta arquitectura permite la operaci on en tiempo nivel. real al integrar una serie de capas de control que en implantan mecanismos de control que se situan diferentes niveles de velocidad de operaci on e inEvoluciones desde el campo de la inteligencia ar teligencia, de acuerdo con el principio de precisi on ticial creciente con inteligencia decreciente [Saridis 89]. KEE se ha venido introduciendo en los ultimos Los paradigmas de control empleados en esta tiempos [Intellicorp 86] como un entorno para de- arquitectura son: sarrollo de aplicaciones de control basadas en el paradigma de razonamiento basado en modelos. Reguladores cl asicos. En este entorno los modelos se construyen en base a los marcos tradicionales, que son una maneReguladores borrosos basados en reglas. orientada a objeto, ra de enfocar la programacion aunque dejan mucho que desear desde el punto de Control basado en patrones. de informacion y el polimorvista de la ocultacion smo. Control experto basado en reglas. PLEXYS Es un entorno de desarrollo de sistemas expertos orientado a la industria de proceso: Control experto basado en modelos. de energ generacion a, qu mica, rener as, etc. Ha sido desarrollado en dos etapas; en primer lugar Operadores humanos. 57
cantidad de problemas de control.
Ricardo Sanz
El sistema corre sobre una red de computadores, consistiendo en un conjunto cooperativo de subsistemas. C2G se est a desarrollando para un proceso par orientado a la transporticular, pero con un diseno tabilidad y adaptabilidad a nuevas plantas y nuevos procesos. Para ello ha sido necesaria la des de las bases de conocimiento en bacomposicion ses dependientes de planta y bases independientes a otro prode planta, de forma que la adaptacion de ceso consista simplemente en la reconstruccion las bases de conocimiento dependientes de planta.
gencia articial sino que se hab a introducido con anterioridad [Fu 70]. El aprendizaje con modelos num ericos impl ci de tos es el caso de los sistemas de supervision reguladores convencionales. En ellos se consigue una mejora de las prestaciones del sistema de control en base a modicaciones del algoritmo de re Estas modicaciones son por lo general gulacion. de deparam etricas, limit andose a la modicacion terminados par ametros de los reguladores. Este tipo de mecanismo de mejora de control se basa en criterios sobre el comportamiento del sistema o controlado, como pueden ser la sobreoscilacion el tiempo de establecimiento. Se han aplicado con xito en reguladores cl e asicos [Nikolic 86] [Ollero 89b] e incluso en reguladores borrosos [Oliveira 90]. En el caso de los controles adaptativos cl asicos el modelo es num erico y expl cito. En este tipo de en l sistemas se realiza una identicacion nea del proceso a controlar; de este modo se actualiza un modelo expl cito de la planta que se emplea para el c alculo de los reguladores. Este tipo de aprendizaje por mejora del modelo se usa en los reguladores autoajustables (STR) y en los reguladores adapta tivos con modelo de referencia (MRAC) [Astrom 88]. En los sistemas expertos construidos con es es posible el tructura de primera generacion uso de aprendizaje con los modelos simbolicos impl citos de este tipo de t ecnicas. Ejemplo de este tipo de sistemas son los propuestos por Fogarty [Fogarty 89] y Velasco10 . En ellos el sistema de control basado en reglas utiliza enfoques basados en de reglas algoritmos gen eticos para la generacion y t ecnicas de premio-castigo para corregir factores de validez de dichas reglas. Este tipo de sistemas logran ajustarse al sistema con velocidad adecuada, aunque su comportamiento se ve muy afectado por circunstancias diversas, llegando a ser en cierta medida impredecible11 . En el punto sobre aprendizaje con modelos num ericos impl citos se la existencia de mecanismos de ajuste de comento reguladores basados en reglas borrosas, que son asimilables al uso de modelos simbolicos m as que num ericos.
10 J.R. 11 J.R.
4.7.
Control Inteligente Avanzado
El control inteligente es de por s un control por delante de los paraavanzado, ya que se situa digmas establecidos de control. No obstante el uso de algunas t ecnicas especiales conduce a sistemas de control inteligente que presentan caracter sticas especiales. Entre estas t ecnicas se pueden destacar: Aprendizaje Arquitecturas distribuidas Reconguracion
4.7.1.
Aprendizaje en control inteligente
En control los modelos tienen formatos muy dispares, que nosotros hemos clasicado en varias l neas diferentes, distinguiendo entre modelos impl citos y expl citos, entre modelos num ericos y simbolicos y entre modelos internos y externos. Cada uno de estos modelos es susceptible de mejora, y, en cada uno de ellos es planteable la utiliza de t cion ecnicas de aprendizaje para ello. En algunos casos estas t ecnicas han existido durante largo tiempo, pero en otros quiz a por sus especiales caracter sticas est an en etapas muy tempranas de desarrollo. El aprendizaje en sistemas de control no es un elemento introducido por la inteli58
personal. Velasco, comunicacion Velasco, ibid.
Para los sistemas expertos de segunda genera el modelo es simbolico cion y expl cito. En ellos se dispone de un modelo expl cito del sistema a controlar, en el que de manera general existir an par ametros susceptibles de mejora. El ajuste param etrico de los modelos es importante tanto por los errores de modelado iniciales, como por las derivas y alteraciones que sufre el proceso. Este enfoque de ajuste de par ametros es similar al utilizado en el caso de modelos num ericos expl citos. No debemos olvidar que los modelos utilizados en este tipo de sistemas expertos suelen ser multiresolucionales, con parte de los mismos realizada usando t ecnicas cl asicas de modelado de sistemas, l ease ecuaciones diferenciales. Los modelos basados en ecuaciones diferenciales son sin duda los m as adecuados cuando es posible formularlos [Fishwick 90].
es capaz de reCada uno de los subsistemas solo solver una parte del problema, pero todos ellos de forma conjunta pueden resolver el problema total. Este tipo de arquitecturas son especialmente interesantes desde el punto de vista del desarro de tamano de los subsistello, ya que la limitacion mas que son en s sistemas completos facilita y vericacion. sobremanera su construccion Entre las tecnolog as de sistemas distribu dos y de cooperantes se produce un efecto sinerg etico que esta dando lugar a importantes desarrollos en rea de control inteligente. el a
4.7.2.
Arquitecturas distribuidas
Las arquitecturas distribuidas para control inteligente suelen seguir dos enfoques diferentes: los sistemas jer arquicos y los sistemas cooperantes [Mladenov 89]. Este tipo de arquitecturas persiguen dos tipos de objetivos: Aumento de la potencia del sistema, gracias a de varias m la intervencion aquinas y a la posibilidad de dimensionar las m aquinas para las tareas que van a realizar. utiliAumento de la seguridad de operacion, zando enfoques de arquitecturas tolerantes a fallos tanto hardware como software. Este tipo de avances no son espec cos de los sistemas de control inteligente, sino que se dan en todo tipo de sistemas inform aticos. En el campo de sistemas de control inteligente son especialmente importantes por la necesidad de grandes potencias de computo que tienen estos sistemas y por la di de los sistemas basados en cultad de vericacion inteligencia articial. En las arquitecturas cooperantes los sistemas se descomponen en una serie de subsistemas que lo gran el objetivo nal en base a una cooperacion. 59
Cap tulo 5
Metodolog a de Diseno
When the decision time comes, the making and tinentes no se utilizan, con lo que se evita el cosimplementation of toso casamiento con las mismas. Este tipo de sistea decision cannot be postponed ma sistema experto con metanivel es un claro ejemplo de un sistema descompuesto en dos niveMesarovic, Macko and Takahara alogos a los empleados en sistemas bicapa. Theory of Hierarchical, Multilevel, Systems les an Otro tipo de arquitectura, aunque menos habitual, es la representada por los sistemas cooperan5.1. Introduccion tes. En ellos una serie de sistemas expertos cooperan para resolver un determinado problema. CaHasta ahora los sistemas de control inteligen- da uno de los sistemas expertos tiene una base de te han sido fundamentalmente sistemas basados conocimiento que le permite resolver un determi en reglas. El uso de estos sistemas para control nado tipo de situaciones. El enfoque de division de procesos complejos conduce inexorablemente a de la base de conocimiento no es separar proble de bases de conocimiento masivas mas diferentes en diferentes bases, sino separar los la generacion y poco ecientes. Esta masividad tiene su origen distintos aspectos de un determinado problema. picos de sistemas con arquitectura de en la complejidad del proceso a todos los niveles Ejemplos t y en que uno de los objetivos principales del con- este tipo son los sistemas HEARSAY II y III [Ge trol inteligente es la robustez en un amplio rango varter 84][Bundy 86]. Este tipo de descomposicion de condiciones de funcionamiento, por lo que es funcional conduce a sistemas especialistas en depreciso especicar las acciones para cada una de terminadas actividades. las circunstancias que se pueden dar en el sistema En los sistemas autonomos es preciso el uso mediante el conjunto de reglas pertinente. procedente de fuentes muy diverde informacion Un enfoque habitual en los ultimos tiempos es el uso de sistemas basados en reglas estructurados en metaniveles. Un metanivel es un conjunto de reglas cuyo dominio son tambi en reglas. Por lo general este tipo de arquitecturas de sistemas expertos constan de una base de metaconocimiento y una serie de bases de conocimiento sobre el dominio. La base de metaconocimiento sirve para, a partir de los hechos iniciales, seleccionar la base o bases de conocimiento sobre el dominio a utili De este zar para resolver el problema en cuestion. m modo se logra una focalizacion as adecuada sobre el problema, aumentando las prestaciones del sistema ya que la mayor parte de las reglas no per muy diferentes, sas y con niveles de abstraccion por ello es preciso utilizar mecanismos de razo namiento para todos estos niveles de abstraccion. del sistema Esto nos conduce a la descomposicion basado en el conocimiento en varios, tratando ca a un determinado nivel, que da uno informacion var a desde el puramente num erico hasta los nive les simbolicos m as abstractos. En resumen podemos decir que cuando el do del sisminio es muy amplio la descomposicion tema inteligente en subsistemas es un enfoque no solo adecuado, sino que tanto desde el punto de normal, como del desarrollo vista de la operacion
60
Cap tulo 5. Metodolog a de Diseno
Este enfoque pueparece inevitable su utilizacion. de ser jer arquico o heter arquico, con descomposi guiada por dominios, por funcionalidad o por cion nivel de abstraccion. Ya [Saridis 83] menciona la necesidad de des jer arquica de los sistemas de concomposicion trol inteligente. Su estructura en tres niveles coordinacion, organizacion ejecucion, permite funcional del sisrealizar una descomposicion tema. Este es un objetivo muy deseable desde el punto de vista de la claridad de opera facilidad de desarrollo, seguridad y eciencion, cia del sistema. No obstante, las descomposiciones jer arquicas pueden llevarse mas lejos que la sim funcional para claridad inteple descomposicion fundamentalmente lectual. La descomposicion jer arquica de los sistemas de control nos permitir a alcanzar un objetivo esencial en control, y de en el caso de sistemas inteligendif cil consecucion en tiempo real. tes: la operacion
una mejora de prestaciones para sistemas de control inteligente. Estas arquitecturas permitir an el uso de estos sistemas en tiempo real. Esta metodolog a se basa en la descomposici on del sistema por dominios y funciones. Este niveles de abstraccion, multiple enfoque de descomposicion es novedoso, aunque se aproxima a m etodos particulares de propuestos por otros autores. descomposicion
Por qu e hablar de una metodolog a de desarrollo de arquitecturas y no de una arquitectura espec ca?. Los problemas en los que el control son problemas muy complejos, inteligente es util de una serie de t que requieren la integracion ecnicas y el funcionamiento conjunto de gran cantidad reas de mecanismos procedentes de todas las a de proceso de informacion para obtener resultados aceptables. Por ello las arquitecturas de control inteligente deben ser arquitecturas orientadas al dominio. En realidad esto no es nada nuevo, ya que en el cap como se comento tulo anterior, casi todos los desarrollos independientes de sistemas de conEsta lentitud que caracteriza a los sistemas ba endose a arquitecturas gen trol, empiezan cin eri combinasados en reglas es debida a la explosion cas proporcionadas por herramientas de desarrotoria asociada a algunas caracter sticas del funcio emllo, pero cuando los requisitos de operacion namiento de dichos sistemas, en particular a los piezan a ser fuertes en particular, cuando hay procesos de casamiento. Los enfoques utilizados en tiempo real requisitos fuertes de operacion para resolver este problema pasan por lo general a independiente del sises precisa la reconstruccion trav es del desarrollo de arquitecturas hardware estema. Estas reconstrucciones independientes impec cas m aquinas LISP, ordenadores de 5a geplantan arquitecturas espec cas para el problema procesamiento en paralelo que resuelneracion, de control a resolver. ven parcialmente el problema. En la mayor a de los casos este problema de velocidad no es cr tico, Aparte de un aumento de prestaciones, la des del sistema reporta otros tres grandes ya que por lo general es un ser humano el que in- composicion con dichos sistemas, siendo habitualmen- benecios: facilita el desarrollo por equipos de trateractua l. Sin embargo este hecho no bajo diferentes, aumenta la vericabilidad y por lo te mas lento que e es generalizable a los sistemas de control basados tanto la abilidad y adem as favorece la reutilizabien reglas (SCBRs), dado que estos sistemas tienen lidad. Como dice Parnas [Parnas 90] reri endose ste debe mantev nculos con el mundo. La necesidad de velocidad al software con seguridad cr tica, e se acentua en la medida en que es- nerse tan pequeno y simple como sea posible, por de operacion tos sistemas son requeridos para operar en tiem- medio de trasladar las funciones que no son cr tipo real en sistemas progresivamente m as r apidos, cas a otros computadores, o en nuestro caso a otros de sistemas subsistemas. como puede ser el caso de utilizacion inteligentes embebidos en avionica. Las descomposiciones de sistemas de toma de En este cap tulo analizaremos la problem atica decisiones pueden ser fundamentalmente de dos en tiempo real para sistemas de tipos: jer de la operacion arquicas y heter arquicas. En una descom jer control basados en el conocimiento en particu- posicion arquica existen relaciones de precedenlar reglas, proponiendo un m etodo novedoso de cia entre los diferentes sistemas, de forma que se e implantacion de los mismos una meto- tiene una relacion de orden parcial. En una desdiseno de arquitecturas que permite composicion heter dolog a de diseno arquica, por contra, no se tiene 61
Ricardo Sanz
de orden parcial. Las arquitecturas esta relacion heter arquicas son dif ciles de encontrar, debido a los graves problemas para su desarrollo y verica por lo que la metodolog cion, a m as extendida en el campo industrial sobre todo es la jer arquica. En este cap tulo se persigue un objetivo triple:
Posibilitar el desarrollo de arquitecturas avanzadas, con m as dosis de inteligencia. Aumentar la reutilizabilidad del software desarrollado.
5.3.
Sistemas Jer arquicos
5.2.
1. Por una parte estudiar las arquitecturas arquicas como un medio de construccion jer En este apartado seguiremos a Mesarovic [Mede grandes sistemas de control en los que se sarovic 70] en la exposicion de una serie de cadeben integrar diferentes metodolog as. racter sticas generales de los sistemas jer arquicos. Veremos que estas caracter sticas son directamensticas de los te relacionables con el modo de operar humano y que 2. Por otra analizar las caracter principales paradigmas de control basado en tienen una clara aplicacion en la construccion se en control sistemas de control inteligente. el conocimiento para su utilizacion en tiempo real. Entenderemos por sistema jer arquico de control 3. Por ultimo proponer una metodolog a de un sistema en el que existe una disposicion ver de arquitecturas de control tical de subsistemas, con prioridad de actuacion an alisis y diseno o inteligente basada en descomposicion. de los niveles superiores y dependenintervencion cia por parte de los niveles superiores del comportamiento de los inferiores.
Objetivos de la descomposicion 5.3.1. Tipos de jerarqu as
Los objetivos de la metodolog a de descompo de sistemas de control inteligente son los sisicion guientes: Aumentar las prestaciones, sobre todo el aspecto de velocidad, que permitan el uso de este tipo de sistemas en control de procesos. Posibilitar el control de los tiempos de ejecu de forma que se puedan establecer arcion, quitecturas de control que permitan la ope en tiempo real, tanto con restricciones racion d ebiles como fuertes. Facilitar el proceso de desarrollo, ya que el descomponer los sistemas permitir a el desarrollo de los mismos por equipos diferentes. Aumentar la vericabilidad de los sistemas. Las bases utilizadas por los sistemas basados en conocimiento son mas reducidas de y adem tamano, as descompuestas funcionalmente, lo que facilita el an alisis a fondo de las mismas. 62
Los sistemas jer arquicos est an compuestos por una serie de niveles que reciben diferentes denominaciones dependiendo del tipo de criterio que Este criterio de desha guiado la descomposicion. determina los tipos de jerarqu composicion as que se pueden llevar a cabo. Para Mesarovic los tipos b asicos de jerarqu as son tres: basadas en estratos, capas y escalones. Estos tipos de jerarqu as tienen las siguientes caracter sticas: Estratos : Constituidos por diferentes niveles de abstracci on. Un ejemplo de este tipo de descom jer posicion arquica lo constituye un sistema de circuitos electronicos de ayuda al diseno para computadores. del En este tipo de sistema la representacion conocimiento sobre el circuito se tiene en di En un primer ferentes niveles de abstraccion. nivel se tiene el circuito f sico; un substrato de silicio con una serie de capas depuestas para constituir un circuito. En un segundo nivel tenemos el circuito el ectrico, en el que aparecen
de sistemas basados en una jecomo elemento fundamental de construccion a la creacion Niveles que se los transistores; en un siguiente nivel tendrerarqu a de niveles de decision. mos el circuito logico, en el que el sistema apaestructuran en base al principio de velocidad creciente, que es rece como una serie de puertas logicas interdecreciente con comprension conectadas; as podr amos continuar por el nian alogo al principio expuesto por Saridis [Sa creciente con inteligenvel de circuitos integrados (biestables, memoridis 88a] de precision propuesta rias, multiplexores, etc), subsistemas (memocia decreciente. La descomposicion ria, control de perif ericos, procesadores, etc), por Saridis es un ejemplo paradigm atico de en capas (ver 5.3.1). hasta llegar al nivel de sistema (computador) descomposicion por encima de e ste (multiprocesadores, o aun redes, etc). Como vemos todos los estratos tra- Escalones : Correspondientes a la manera en que tan con el mismo producto: el sistema compu interactuan un conjunto de sistemas de toma tador. de decisiones con dependencias de prioridad entre ellos. En este tipo de sistemas son de En la gura 5.3.1 se pueden observar los tres especial importancia los aspectos de coope comentados (los circuiniveles de abstraccion y coordinacion. En la se presenta un racion tos representados no se corresponden para no ejemplo de estructura de este tipo, corresponcomplicar excesivamente las guras). En cada diente a lo que podr a ser un sistema de conuno de ellos se tiene un modelo del mismo obtrol de un robot. jeto, un determinado circuito, pero el nivel de es diferente, debiendo utilizar paabstraccion ra razonar sobre su funcionamiento una serie de aspectos muy diferentes.
Organizacin
Coordinacin
Ejecucin
Proceso
Figura 5.1: Nivel f sico, nivel de circuito y nivel l ogico.
Figura 5.2: Jerarquia de control de Saridis [Saridis 88].
Capas : Constituidas por niveles de complejidad de decisi on. La toma de decisiones se ve afectada por dos factores fundamentales: (i) cuan esdo llega el momento de tomar la decision ta no puede posponerse y (ii) para tomar la mejor es preciso comprender mejor decision Esta problem la situacion. atica dual conduce
Estas jerarqu as propuestas por Mesarovic son utilizables directamente al campo de control inteligente. Nosotros trataremos de centrar un poco es analizando los criterios que guiar ta aplicacion an de estructuras jer la generacion arquicas de razonamiento. 63
Ricardo Sanz
Organizacin
Organizacin
Coordinacin Brazo
Coordinacin Sensores
Coordinacin
Control Brazo
Control Mano
Ejecucin
Ejes 1-3
Ejes 4-6
Pinza
Vision
Tacto
Figura 5.3: Descomposici on en escalones de un sistema de control de robot usando la jerarquia de control de Saridis.
64
5.3.2.
de los modulos cion en una estructura jer arquica Los sistemas de control inteligente tienden a basada en escalones. Estas facetas de descomposi son las que aparecen en la. El criterio de desaser sistemas jer arquicos, por las ventajas inheren- cion es un criterio polifac rrollo por descomposicion etites a este tipo de estructuras: co de divide y vencer as. con sistemas ya exisFacilidad de integracion de un sistentes. Es habitual que la instalacion tema de control inteligente deba hacerse por encima de un sistema de control preexistente y que no se desea eliminar. La estructura del sistejer arquica permite que la integracion ma nuevo con el antiguo se haga sin excesivo perjuicio para ninguno de ellos. del proceso se tiene a difeLa informacion lo que condurentes niveles de abstraccion, de mecanismos de manece a la implantacion jo de estas informaciones con una estructura jer arquica natural. Del mismo modo las pol ticas de control se establecen en t erminos diferentes, que respon proden a una estructura de generalizacion gresiva, por lo que es preciso implantar los de acciones de la mecanismos de generacion misma forma. Las arquitecturas jer arquicas permiten limitar de los modulos, el tamano lo que es adecua do tanto desde el punto de vista de operacion la limitacomo de desarrollo. En operacion, de tamano permite utilizar mas adecuacion damente los recursos inform aticos. En desa modular facilita el rrollo, la descomposicion reparto de trabajo y disminuye la posibilidad de errores, facilitando las tareas de depura y mantenimiento [Sanz 89a]. cion se agrupan Las facetas de descomposicion en tres criterios que reciben las denominaciones de DOMINIO, FUNCION y REPRESENTACION PARADIGMA-TIEMPO. El agrupar los tres ulti criterio se debe a que mos aspectos en un solo est an estrechamente relacionados por cuestiones como se ver de implantacion, a a continuacion.
REPRESENTACION-PARADIGMA-TIEMPO
Jerarqu as en sistemas de control cinco facetas que se estructuran en tres criterios con direcciones cuasi ortogonales y b) la integrainteligente
FUNCION
DOMINIO
Figura 5.4: Triple criterio de descomposici on.
5.3.3.
Descomposicion por dominios
por dominios El criterio de descomposicion nos permite distinguir grupos de funciones y da La modularizacion redunda en la exi- tos relativos a un dominio determinado y pr actibilidad del sistema facilidad para el camente independientes de otros grupos. Este timantenimiento y el la abilidad del mismo. po de descomposicion por dominio ha sido el empleado tradicionalmente en sistemas de control Todos estos factores hacen que en el caso de sis- distribuido. El sistema se reparte por a reas de proce sea so, esto es, por subprocesos del proceso total. En la temas de control inteligente la descomposicion de esnecesaria. Pero es fundamental el seguir un crite- Figura 5.3.3 se presenta una descomposicion rio claro que permita desarrollar una arquitectura te tipo aplicada a un horno de clinker. En ella cualadecuada. El criterio que se propone en esta tesis quiera de los niveles inferiores presenta una des del sistema segun por dominios. Por ejemplo el seguncomposicion se basa en a) la descomposicion 65
Ricardo Sanz
Facetas de descomposicion
Faceta DOMINIO Signicado Conjunto de objetos del mundo real a los que aplica el subsistema. Tipo de tarea a realizar por el subsistema (puede considerarse un dominio abstracto). Tipo y estructura de la informaci on empleada por el subsistema. Velocidad de operaci on del subsistema, de importancia crucial para el control en tiempo real de un determinado proceso. Tecnolog a empleada en la construcci on del subsistema.
FUNCION
REPRESENTACION
TIEMPO
PARADIGMA
Tabla 5.1: Facetas primarias a emplear en la descomposici on modular de sistemas inteligentes de control.
66
do nivel est a dividido en tres subsistemas: control de torre, control de tubo y control de enfriador.
Los sistemas con metaniveles presentan una de este tipo en la capa de redescomposicion Este criterio nos permitir a separar elementos de problemas. La capa de seleccion solucion metaconocimiento determina el dominio en que que deben realizar funciones diferentes. Por ejem el problema y activa la base de conoci- plo un grupo de tales funciones son las funciones se situa atribu bles a una interfase inteligente de proceso: miento correspondiente a dicho dominio. de anomal de valtrado, deteccion as, estimacion por dominios es el criterio lores ocultos, etc. Estas funciones constituyen un La descomposicion mas claro y ecaz, ya que estas descomposiciones, dominio funcional abstracto. cuando se realizan de forma adecuada, generan de funcioEn muchos casos la descomposicion elementos con acoplamientos d ebiles, lo que faci basada en niveles de nes es una descomposicion para operacion conjunta. lita la coordinacion en la que se integran diferentes elemendecision, que realizan totos de procesado de informacion cl ma de decisiones. Esta es una situacion asica en 5.3.4. Descomposicion funcional sistemas jer arquicos de control, como es el caso de En un sistema de control inteligente las tareas dos bucles de control anidados. a realizar son muy diversas proceso de senales, En el apartado anterior se mencionaron los sis diagnostico en l nea, razonamiento, interfase con temas con metanivel como ejemplo de descompohumanos, etc., por lo que parece adecuado se- sicion por dominios. En este tipo de sistemas se guir un criterio funcional para descomponer nues- tiene tambi en por lo general una descomposicion especialidades. Dentro de la des- funcional, seleccion tro sistema segun andose de este modo la base aparecer composicion an dos tipos de funciones: mas adecuada al dominio-problema. Las descomFunciones orientadas a proceso : Son aquellas que tienen que ver con las tareas que tienen directa con el proceso a controlar. relacion Estas tareas son propiamente las tareas de un sistema de control, y se suelen estructurar linealmente, esto es, responden a las etapas de un problema. progresivas de resolucion Por ejemplo en el caso de un sistema de control basado en reglas borrosas se distinguen tres etapas funciones caracter sticas: de valores medidos, obtencion difuminacion y conversion del valor borroso de la actuacion de este valor a un valor n tido. Funciones orientadas a sistema : Son las funciones de soporte del sistema de control. Estas funciones tienen como objetivo conseguir el funcionamiento adecuado de los sistemas que implantan las funciones orientadas a proceso. El ejemplo m as claro de este tipo de funciones de diferentes modu son las de coordinacion los, por ejemplo en el caso de un sistema para el control de un horno de cemento, la coordi entre los modulos nacion de control del interposiciones funcionales son en cierto sentido descomposiciones por dominios abstractos.
cambiador, de control del horno propiamente dicho y el de control del enfriador (Ver Figura ??).
5.3.5.
Descomposicion nal
representacio-
se basa en El tercer criterio de descomposicion de la informacion a utilizar. el nivel de abstraccion que es de utilidad en control de un La informacion sistema complejo no es exclusivamente informa num cion erica valores medidos de las senales sino que abarca todo un espectro de niveles de abs La capacidad de manejar coherentemente traccion. representaciones en distintos niveles de abstrac y razonar con ellas, es a juicio del autor cion una de las caracter sticas fundamentales de la inteligencia. Los primeros sistemas inteligentes manejaban representaciones del mundo a un nivel simbolico, que se alejaba por abstracto de lo conven El comportamiento de escional en computacion. tos sistemas era a primera vista inteligente, dec an los humanos inteligentes y hac an cosas que solo 67
Ricardo Sanz
Control de Horno
Control de Torre
Control de Tubo
Control de Enfriador
Ventilador Exhaustor
Alimentacin
Velocidad
Parrillas
Ventilador de Equilibrio
Figura 5.5: El sistema de control de una f abrica de cemento se descompone en tres grandes subsistemas en relacion con las unidades mayores del proceso: control de la torre de intercambio, control del horno y control del enfriador.
eran capaces de decir o hacer. Con el tiempo, y adecuada de estos sistemas, con una valoracion sus limitaciones han aorado. La mayor parte de ellos aparecen ahora como sistemas de computo sin ninguna caracter stica especial. Cuando observamos con detenimiento un sistema experto vemos que sus principales limitacio Esta limines se dan en su campo de aplicacion. es el origen del conocido efecto acantilado: tacion de prestaciones del sistema experla degradacion to cuando un problema cae fuera de su campo de Este efecto acantilado se produce en aplicacion. dos dimensiones:
tema experto no es mas que un programa inform atico, y por ello peca de falta de exibi de las informaciones lidad en la introduccion son uno de partida. Los tan socorridos menus de los mejores mecanismos para inexibilizar la entrada de datos, lo que evita cometer demasiados errores en el planteamiento del problema al sistema experto.
A los sistemas inteligentes les falta inteligencia para razonar en distintos niveles de abstracci on. Es importante pues dotar a los sistemas de mecanismos que permitan este razonamiento multiresolu de sistemas jer cional. La creacion arquicos de razonamiento, que trabajen en distintos niveles de endose a que Dominio : Es la mas conocida, reri abstracci on y que pueden intercambiar informa puede resolver proun sistema experto solo ci on entre ellos parece un camino adecuado para Si se le blemas de su dominio de aplicacion. dotar a los sistemas inteligentes de mayor inteliplantea un problema que cae ligeramente fuera de este dominio las prestaciones del sis- gencia. tema experto disminuyen enormemente. Un de prestaciones Este problema de degradacion sistema experto en diagnostico de infecciones es muy grave en el caso de sistemas de control en de la sangre es incapaz de diagnosticar infec- tiempo real. La resolucion del mismo admite dos ciones de linfa. enfoques: Abstraccion : Para que un sistema experto pue al arselo Limitativo : restringiendo la zona de aplicacion da resolver un problema hay que plante en sus propios t erminos, en un determinado dominio, mediante mecanismos de deteccion Al n y al cabo un sisnivel de abstraccion. de problemas planteados fuera del dominio. 68
En el caso de sistemas de control supone detectar las situaciones en que este control es inaplicable y conmutar a otro modo de funcionamiento, posiblemente pasando la responsa bilidad del control a otro sistema, o en ultimo t ermino a un operador humano. Extensivo : Completando la base de conocimiento del sistema para que no se den estas situaciones de fuera de l mites. Para ello es preciso utili de la base de zar mecanismos de construccion conocimientos que posibiliten la eliminacion de vac os de la misma, verbigracia el uso de modelos profundos.
paradigma-factor temporal. No obstanasociacion te los avances en hardware y software en este campo hacen que estas diferencias de tempo entre paradigmas sean progresivamente reducidas. Esto nos lleva a enunciar un principio que caracteriza las implantaciones de sistemas jer arquicos inteligentes: A medida que aumenta la inteligencia del sistema asimilable al nivel de abstracci on en que opera se reduce su velocidad. Este resultado implantacional inteligencia creciente con velocidad decreciente se deriva del ya conocido principio teorico formulado por Saridis de precisi on creciente con inteligencia decreciente, que entre inteligencia y abstracarma la correlacion Desde el punto de vista del control en tiempo cion. real es muy importante saber si un sistema ser a capaz de responder dentro de los requisitos temporales que le son impuestos por el sistema f sico que controla. En el caso de sistemas de control, o mas generalmente, de sistemas de toma de decisiones, el factor temporal es el m as cr tico. No se puede emplear un sistema lento para controlar un proceso r apido, dado que el control debe realizarse en tiempo real. Esto limita la aplicabilidad de determinados paradigmas para determinadas funciones, desde el punto de vista temporal, no de pero solo las prestaciones teoricas de dichos sistemas. de un sistema puede ser La descomposicion homog enea o heterog enea, dependiendo de si los diferentes sistemas que realizan funciones similares por ejemplo control est en o no construidos utilizando los mismos paradigmas de control. Lo habitual es que un sistema de control jer arquico sea heterog eneo, pero es posible pensar en sistemas que no lo son. Por ejemplo consideremos el siguiente proceso:
5.3.6.
Descomposicion temporal y por paradigmas
Los sistemas de procesamiento de informacion se implantan siguiendo paradigmas establecidos. del paradigma a emplear se hace en La seleccion base a una serie de criterios entre los que destacan la disponibilidad, la facilidad de implanta y las prestaciones. Cuando hay que realizar cion un sistema que implante una determinada funcion el numero de paradigmas utilizable es limitado, entre ellos. Esto es debiendo realizar una eleccion del sistema. una actividad de diseno
Abstracccin
Control Experto Control Borroso Control Clsico
Sea un horno continuo al que se suministra un material compuesto por la mezcla de tres componentes. En el horno, a una determinada temperatura y con un deFigura 5.6: Correlaci on paradigma-abstracci on-tiempo. terminado tiempo de permanencia se produce una reacci on entre los componentes para dar como resultado un producto. Este producto es analizado para determinar on qu mica y utilizar esta informaci on pa tiene asocia- su composici Cada paradigma de implantacion y un ra el ajuste de las proporciones. Las variables sobre las dos por lo general un nivel de abstraccion factor temporal. En el caso de los sistemas de inque se puede actuar son: las cantidades de cada mate paradigma-nivel rial, la velocidad de avance en el horno y la temperatura teligencia articial, la asociacion no es r de abstraccion gida, pero s suele serlo la del mismo.
Velocidad
69
Ricardo Sanz
En este proceso vemos claramente diferenciadas dos actividades de control: 1) el control de la y 2) el control de la reaccion. preparacion
Organizacin
Coordinacin
Los modulos resultantes de la descomposicion una arquitectura jer se integrar an segun arquica1 , con reparto horizontal por dominios y reparto vertical por funciones, este reparto vertical dar a lugar a una serie de escalones en el sentido de Mesaro no supone una eleccion esvic. Esta organizacion para pec ca de paradigma o nivel de abstraccion cada uno de los modulos situados en un nivel determinado, sino cada uno de ellos puede utilizar el paradigma m as conveniente de acuerdo con sus propios requisitos de operaci on. A su vez cada uno de estos modulos puede sufrir ulteriores descomposiciones.
no tieLos diferentes niveles de abstraccion nen por que estar ligados a niveles espec cos de una jerarqu a de sistemas, pudiendo utilizarse ni bajos en niveles de decision veles de abstraccion Control de Control de Preparacin Reaccin elevados y viceversa. Sin embargo esto no es lo y el nivel de abshabitual y el nivel de decision presentan una fuerte correlacion positiva traccion (mayor nivel-mayor abstraccion). Lo mismo suceatico. CaFigura 5.7: Ejemplo de sistema de control jer arquico ele- de con los criterios temporal y paradigm da paradigma lleva asociado por lo general un nimental. determinado, aunque la exibivel de abstraccion lidad de las t ecnicas de inteligencia articial radi un re- ca en una reduccion Para cada una de ellas es posible disenar de la fuerza de esta asociagulador utilizando cualquier paradigma de con- cion. Igualmente cada paradigma tiene un tempo trol: PID, borroso, reglas, etc. Pero para que el caracter stico, que puede variar de una implantafuncionamiento sea correcto estos dos sistemas de cion a otra, pero que viene determinado por el ticontrol no pueden ser independientes, ya que la po de algoritmo y estructura de datos que emplee. de cada uno de ellos repercute en la del Esto hace que la correlacion actuacion abstraccion-tiempo otro. Es preciso establecer un nivel de coordina- paradigma sea muy elevada, que es lo que condu entre ambos sistemas de control (ver ). Del ce a la correlacion cion fuerte con el nivel decisional. mismo modo que para los controles de los sub- La toma de decisiones en los sistemas de interacprocesos es posible emplear cualquiera de los pa- cion directa con el proceso debe ser necesariamen entre uno y te r radigmas mencionados. La seleccion apida, por lo que determinados paradigmas no de las caracter otro se har a en funcion sticas de las pueden ser empleados a causa de su lentitud. Esto implantaciones de estos sistemas y de los requisi- obliga a que los unicos niveles que pueden aprotos del proceso: velocidad, estabilidad, uniformi- vechar los paradigmas de implantacion ligados a dad, etc. abstracciones fuertes sean los niveles con menores requisitos temporales, m as lentos, situados por lo general en niveles decisionales elevados.
5.3.7.
Estructuracion jer arquica
Los criterios anteriores nos permiten guiar la de nuestro sistema de control indescomposicion teligente. De este modo llegamos a varios aspectos caracter sticos y fundamentales en un sistema de control inteligente que se presentan en la Tabla 5.3.7. 70
Las arquitecturas cl asicas de control distribuido son arquitecturas jer arquicas, distribuidas por
1 La descomposicion funcional no conduce necesariamente a sistemas jer arquicos, ya que este es un aspecto estructural que se introduce con posterioridad. Sin embargo en esta tesis nos referiremos por lo general a estructuras jer arquicas, y no a estructuras cooperativas que podr a ser la otra alternativa.
Caracter sticas de un sistema complejo

Faceta DOMINIO FUNCION REPRESENTACION TIEMPO PARADIGMA Denominacion Distribuido por dominios. Localizado. Distribiodo por funciones. Especializado. Multiresolucional. Multitemporal. Multiparadigma.
Tabla 5.2: Denominaciones caracter sticas empleadas para los sistemas complejos descompuestos en funci on de las facetas que han guiado dicha descomposici on.
dominios y funciones. Por ello se tratar a de aclaDerivado de los dos anteriores, los modulos rar el uso del t ermino distribuido en esta tesis. de los niveles superiores est an involucrados Cuando nos reramos a un sistema como districon los aspectos m as lentos del comportabuido queremos decir que el sistema est a constimiento global del sistema. tuido por una serie de elementos aut onomos pero Las representaciones en los niveles superiores que interaccionan entre s . Para abreviar el uso de suelen ser menos estructuradas, con m as inlos t erminos distribuido por funciones y distribuido certidumbre y en un mayor nivel de abstrac por dominios se emplear an como sinonimos de es cion. tos separado y disperso. As diremos que un sistema distribuido convencional es jer arquico, separado y por dominios es la de m La descomposicion as disperso y que un sistema de control inteligente es, y realizacion. La integracion de f acil comprension adem as, multiresolucional. se readiferentes modulos de esta descomposicion jer La estructuracion arquica de los sistemas lizar a mediante un nivel funcional superior de responde a unos criterios de operatividad guiados coordinacion entre ellos. La descomposicion funpor las circunstancias mencionadas para los crite- cional es en esencia similar a un an alisis funcional Esto hace que los sistemas cl rios de descomposicion. representacional, queasico. La descomposicion jer arquicos de control presenten las siguientes cada un poco difuminada entre los diferentes modu racter sticas generales (salvo excepciones): los, ya que estas descomposiciones son ortogona les y el situar un modulo en un determinado ni Un modulo situado en un nivel superior vel jer arquico no supone necesariamente que deba est a involucrado en las actividades relaciona- utilizar un determinado tipo de representacion. das con un dominio m as amplio que uno siLas arquitecturas cooperativas que existen en tuado a nivel inferior. la realidad son en cierta medida arquitecturas funcional y con El tempo caracter stico de una unidad en un jer arquicas, con descomposicion nivel superior es mayor que en un nivel infe- poca profundidad en su estructura de niveles. No rior. obstante puede ser interesante considerarlas como 71
Ricardo Sanz
en tiempo real de un sistema inform arquitecturas heter arquicas, en las que la coordi- operacion ati no se da gracias a un modulo nacion con esta fun- co se dene siempre en base a un sistema f sico con expresa, sino que se alcanza por una funcio- el que interactua. cion nalidad distribuida entre todos los modulos. Los sistemas de control son sistemas en tiempo Denominaremos control jer arquico a todo siste- real per se. No es concebible un sistema de control ma de control descompuesto, con funcionalidad que no funcione en tiempo real. Nadie desea un distribuida a lo largo de una serie de niveles con sistema de control que le diga: relaciones jer arquicas entre ellos. Cada uno de esHace una hora hab a que haber subido el combustible tos niveles es, por sus caracter sticas, un sistema un diez por ciento. de control. Diremos que un sistema de control es No obstante, en los sistemas de control existe jer arquico inteligente cuando alguno de los nive Un sisles de control est e implantado utilizando t ecnicas toda una gama de requisitos de operacion. aquina herramienta tiede inteligencia articial. Los sistemas de control tema de control de una m jer arquico inteligente que deban operar en tiem- ne que trabajar evidentemente a mayor velocidad po real deben ser casi por necesidad hete- que un sistema de control de un proceso de puri de agua. Las posibilidades de control no rog eneos. Ello es debido a que los sistemas basa- cacion etodo de control, sino fundos en reglas no tienen la suciente rapidez de vienen dadas por el m y, lo que es m operacion as importante, sufren de damentalmente por el sistema de soporte de dicho m etodo. Un PLC permite implantar algorit impredecibilidad de tiempo de ejecucion. mos de control que pueden operar a gran velociEn sistemas heterog eneos es de fundamental dad. Un computador de proceso tiene una velociimportancia los aspectos de interfase entre los didad menor, y si pensamos en un sistema basado ferentes niveles representacionales. Los modulos menor. en el conocimiento, la velocidad es aun inteligentes de la arquitectura se basar an por lo ge las prestaciones Analizaremos a continuacion neral en representaciones m as abstractas que los de algunos paradigmas de control inteligente des basados en teor a cl asica de control, pero en ulti en tiempo mo t ermino todos operan sobre el mismo proceso, de el punto de vista de su operacion real. Esta an alisis permitir a establecer su aplicabipor lo que deben manejar datos coherentes. lidad en sistemas de control inteligente.
5.4.
Operacion en tiempo real
5.4.1.
Requisitos fuertes
en tiempo Los requisitos fuertes de operacion real se reeren a que el correcto funcionamiento del sistema en tiempo real, requiere de la realiza de los procesos de informacion dentro de las cion limitaciones temporales impuestas. En un sistema de este tipo no es permisible una demora, aunque sea con un Un sistema inform atico, que interactua espor adica. El comportamiento del sistema debe la realizacion de sistema f sico, tiene como mision ser siempre dentro de l mites. en relacion con el cierto proceso de informacion Cuando el correcto funEjemplo de este tipo de sistemas son algunos sistema f sico en cuestion. avanzada. No es percionamiento del sistema inform atico-f sico depende los sistemas de avionica de del adecuado acoplamiento ujos de datos misible que las actuaciones de este tipo de sistecorrectos tanto en sus valores como en su tempora- mas sufran demoras impredecibles, dado que la lidad diremos que el sistema tiene requisitos de seguridad del aparato y la del piloto dependen de tanto en valores como en en tiempo real. Si el sistema inform operacion atico la correcta operacion atico. Lo mismo sucecumple estos requisitos diremos que dicho sistema tiempo del sistema inform es un sistema en tiempo real. Vemos pues que la de con sistemas de cuidado intensivo de pacientes en tiempo real es susceptible de La operacion deniciones multiples, pero la caracter stica fun en badamental en todas ellas es la caracterizacion se al comportamiento temporal de un sistema in con un sistema f form atico en relacion sico. 72
de emergencias en lar sistemas expertos muestra la precariedad de los como con sistemas de gestion plantas nucleares. sistemas de este tipo. Como vimos anteriormente, estos sistemas ofrecen alternativas interesantes al control cl asi en tiempo real haco, pero la necesaria operacion ce preciso matizar las posibilidades de uso de los mismos. Es preciso pues analizar sus caracter sticas desde algunos puntos de vista: Existen sistemas de desarrollo de aplicaciones de control basadas en reglas? en tiempo real? Es posible su utilizacion Hasta que punto estos sistemas satisfacen requisitos d ebiles? Hasta que punto estos sistemas satisfacen requisitos fuertes? desarrollo real? Existe algun
5.4.2.
Requisitos d ebiles
en tiempo ebiles de operacion Los requisitos d real se reeren a que el correcto funcionamiento del sistema en tiempo real no requiere que la ope del sistema sea siempre entre l racion mites. Es admisible por lo tanto que se produzcan retardos espor adicos. En estos sistemas por ejemplo sistemas de control de plantas industriales el no satisfacer los requisitos temporales se traduce en de la calidad de operacion, con una disminucion la consiguiente p erdida de rendimiento. En algunos de estos sistemas, no obstante, pueden aparecer circunstancias que presenten requi fuertes, como puede ser el caso sitos de operacion de manejo de emergencias.
5.4.3.
Sistemas basados en reglas borroT ecnicas de desarrollo actuales sas

Las t ecnicas de desarrollo de sistemas de control basados en reglas son bastante heterodoxas; aunque suelen a basarse en sistemas de desarrollo, cuando precisan de prestaciones elevadas deben ser construidos utilizando otro tipo de t ecnicas, por lo general lenguajes convencionales. Un sistema de desarrollo es una herramienta e software que permite el desarrollo, vericacion de sistemas de control basados en implantacion reglas. Actualmente pocas herramientas permiten realizar los tres pasos, careciendo pr acticamente todas de utiles para realizar la vericacion.
Los sistemas basados en reglas borrosas son, con mucho, los que ofrecen mejores caracter sticas en tiempo real. Con estos sistemas de operacion es posible determinar a priori el tiempo necesa de la accion de control, rio para la determinacion ya que su estructura monocapa hace que no haya encadenamiento posible, por lo que el tiempo de c alculo es jo. Este tipo de reguladores est a muy estudiado, pudiendo encontrarse referencias adecuadas sobre ellos [Pedrycz 89].
Los desarrollos de controladores reales basados an a la orden del d a, alcanen reglas borrosas est En la actualidad el desarrollo de sistemas de De hecho existen en el zando una gran difusion. mercado paquetes de control basados en este tipo control basados en reglas se puede agrupar en tres de reguladores o incluso procesadores espec cos tipos: para hacer inferencias borrosas [Togai 89].
5.4.4.
Sistemas basados en reglas
1. Desarrollos basados en herramientas convencionales de inteligencia articial. 2. Desarrollos basados en herramientas espec cas para SCBRs. 3. Desarrollos independientes. 73
El estado actual del arte en entornos de ingenier a del conocimiento para desarrollo de aplicaciones con requisitos de tiempo real y en particu-
Ricardo Sanz
de que los requisitos sean d ebiles, que el SCBR rea de la accion de liza por lo general la determinacion Los desarrollos basados en herramientas cl asi- control en un tiempo menor que el especicado. cas carecen por completo de caracter sticas de opeEl garantizar estos tiempos es muy dif cil en en tiempo real, por lo que son absolutamen- SCBRs. Salvo que los tiempos l racion mite especicados te inadecuados como SCBRs. Este tipo de sistemas sean muy altos no existe en la actualidad ningun suelen utilizarse como ayuda a operadores o como entorno que permita el desarrollo de sistemas ca elementos de diagnostico. paces de satisfacer requisitos fuertes. El problema Caracter sticas de operacion en tiempo real Los sistemas construidos con herramientas escas presentan mejores caracter sticas; como pec por ejemplo, una mayor velocidad de ejecucion, sacricando aspectos como la exibilidad del len del conocimiento; una meguaje de representacion jor capacidad de razonamiento temporal; y la capacidad de interrumpibilidad. de los requisifundamental no es la satisfaccion ya que los tos, sino el garantizar dicha satisfaccion, de sistemas basados mecanismos de vericacion en reglas son muy limitados y no permiten ana temporal de las inferencias. lizar la duracion
de requisitos d La satisfaccion ebiles es m as via por simulacion permite ble, ya que la vericacion de dichos requisitos. ste a rea han conducido a garantizar la satisfaccion Los desarrollos en e productos avanzados, que est an alcanzando gran debido al auge de los sistemas expertos y difusion en general, y a las carencias Desarrollos reales de la informatizacion manifestadas por los sistemas convencionales. Los desarrollos reales de sistemas de control en tiempo Cuando los requisitos de operacion inteligente han sido hasta hace poco mas bien real son importantes, bien requisitos fuertes, bien escasos, reduci endose pr acticamente a aplicacio requisitos d ebiles pero con tiempos pequenos, ni mbito universitario y con nes desarrolladas en el a siquiera las herramientas espec cas dan las su y/o demostracion. propositos de investigacion cientes prestaciones. En estos casos es preciso re mbito industrial las aplicaciones de sisEn el a currir a desarrollos espec cos. Este tipo de desaactirrollos se dan fundamentalmente en el campo de temas de control basados en reglas han sido pr la defensa y, de un tiempo a esta parte, en las gran- camente inexistentes por encima de un cierto nivel de complejidad. Pr acticamente los unicos desarrodes industrias. llos comprobados no experimentales eran: Satisfaccion de requisitos temporales en tiempo real son Los requisitos de operacion fundamentalmente temporales, dados por un re tardo m aximo admisible en el tiempo de computo. Como hemos visto anteriormente, decir que un sistema satisface requisitos fuertes de operacion en tiempo real quiere decir que dicho sistema ge de control antes de este nera la salida senal tiempo especicado a priori. Los requisitos d ebiles, por contra, permiten que este tiempo se supere espor adicamente. rea de supervision Los llevados a cabo en el a de procesos. Implantados mediante herramientas espec cas de desarrollo. Los SCBRs que emplean logica borrosa y bases de conocimiento monocapa, utilizados xito en gran cantidad de situaciones; de con e ellos existen incluso productos comerciales tanto en software como en hardware.
Aplicaciones de SCBRs en control directo resAs pues el garantizar que un sistema cumple tringidas a sistemas muy simples. requisitos de tiempo real supone decir, en el caso de que los requisitos sean fuertes, que el SCBR rea de la accion de control en un de determinadas liza la determinacion Pero desde la introduccion tiempo menor que el especicado; y en en el caso herramientas espec cas como es el caso de 74
de estos sistemas en el munG2 la aplicacion do industrial es cada vez m as patente. Esta falta hasta hace poco cabe achacarla a de introduccion la dicultad de garantizar un funcionamiento temporalmente correcto de los SCBRs.
inferencia la base de conocimientos activa sea una parte de la base de conocimientos tan solo total. de las bases Un mecanismo de planicacion de conocimiento, de forma que se alcancen las conclusiones nales en tiempo m nimo. Ambos aspectos son fundamentales para la re de la base de conocimiento activa y la meduccion jora temporal, de forma que el motor de inferencia de la dupueda establecer a priori una estimacion de la inferencia. racion
5.4.5.
Sistemas basados en modelos
La operatividad de estos sistemas en tiempo real es limitada, en el mismo sentido que lo es la de los sistemas basados en reglas. Sin embargo el a objeto para uso de mecanismos de orientacion de los modelos hace que el nume la construccion ro de reglas necesario sea muy reducido, de forma que las ejecuciones del motor de inferencia sean m as r apidas.
5.5.1.
Descomposicion de la base de conocimientos
5.5.
Descomposicion de Sistemas basados en el Conocimiento
El descomponer la base de conocimientos supone dividir el conjunto de reglas que la compo nen en grupos de reglas relacionadas; esta relacion puede ser:
al dominio : un grupo de reglas se El objetivo de este apartado es presentar una Vinculacion dir a n vinculadas por dominio, cuando son metodolog a original de desarrollo de arquitectuaplicables a un conjunto de hechos determiras para SCBRs que permita una mejora de presnado. Es cl asico que en la premisas de las re taciones de este tipo de sistemas para operacion glas aparezcan clausulas relativas a la tarea a en tiempo real. Esta mejora de prestaciones se lorealizar. En sistemas m as avanzados es posi de grar a principalmente mediante una reduccion ble la invocaci on de grupos de reglas base la base de conocimientos activa en cada pasada de conocimientos descompuesta asociados del motor de inferencia. De este modo se reduce a determinados entes del dominio. Este es el el costo computacional asociado al casamiento. El caso de la acci on focus de G2 [Gensym 89]. Estiempo empleado en el casamiento es un porcenta to es una descomposici on por dominio. je muy elevado del tiempo total consumido en cada pasada del motor de inferencia; en sistemas con Grado de razonamiento : Cuando se utiliza el elevado numero de reglas este porcentaje puede t ermino metaconocimiento nos estamos re m aumentar aun as, sobre todo cuando se generan riendo a conocimiento sobre el conocimienconjuntos conicto reducidos, como es habitual en to. Este conocimiento se emplea habitualmen SCBRs. Este tiempo es proporcional al numero de te para controlar el proceso de inferencia. Direglas de la base de conocimientos. La mejora de remos que el conocimiento sobre el dominio velocidad en la etapa de casamiento que se propoes conocimiento de grado 0. Al metaconocine en este documento se lograr a mediante de una miento diremos que es grado 1 y as sucesiva del numero de reglas activas. disminucion mente. Es importante separar el conocimiento por grados, ya que de esta forma se clarican La mejora de velocidad en SCBRs propuesta en sobremanera las bases de conocimiento. Esta esta tesis pasa a trav es de dos puntos cruciales: es una descomposicion fundescomposicion de la base de conocimienLa descomposicion cional orientada a sistema. V ease por ejemplo tos, de forma que en cada pasada del motor de la siguiente regla de XCON [Barker 89]: 75
Ricardo Sanz
IFThe current step of the process of changing the characteristics involves reseting after a change was made andThe characteristic to be changed is still marked as such THENreset the characteristic so that it is no longer identied for change. En ella vemos que se esta manejando conocimiento de grado 1. Es por ello importante separarla de las restantes reglas referen presentado tes al problema de conguracion a XCON. Tipo de problema : Esto es una descomposicion funcional orientada a dominio. Una base de de una funconocimientos para la realizacion determinada solo es preciso activarla cion de dicha funcuando se requiera la utilizacion Un ejemplo es una base de conocimiencion. del estado funcional del to para identicacion de la situacion. proceso valoracion
de la base de conocimienLa descomposicion to puede realizarse de formas multiples, conduciendo a todo un rango de posibilidades. Desde las descomposiciones gruesas pocas bases con muchas reglas a las descomposiciones nas muchas ba ses con pocas reglas existen multiples descomposiciones viables. Las descomposiciones nas ga de la base al problerantizan la mejor adecuacion ma, minimizando el numero total de reglas. Las descomposiciones gruesas, por contra, minimizan el numero de bases y con ello los retardos deriva dos de la planicacion.
Descomposicion homog enea
de la base de Diremos que la descomposicion conocimientos es homog enea cuando todas las bases de conocimiento son del mismo tipo, esto es implantan conocimientos utilizando un determinado paradigma de ingenier a del conocimiento. De este modo tendremos una serie de bases de conocimiento aplicables a nuestro dominio que la base de conoci- nos permiten realizar diferentes tipos de an Mediante descomposicion alisis mientos queda dividida en un conjunto de bases y grados de profundizacion en la resolucion del de conocimiento, entre las que posiblemente exis- problema. tir an solapes, tanto en dominio como en nivel de Diremos que dos bases de conocimiento se so La existencia de estos solapes indica abstraccion. lapan en dominio cuando existe un subdominio que el problema o sistema a manejar es unico. Si del problema para el que hay conocimiento expreexiste una base de conocimiento que no se solasado en cada una de ellas. pa con ninguna otra quiere decir que el dominio y son diferentes de los de las el nivel de abstraccion se dir La descomposicion a progresiva cuandem as bases de conocimientos, esto es, maneja un do existen bases de conocimiento que manejan problema completamente diferente. conocimiento con distintos niveles de abstraccion. Un sistema con descomposici on progresiva tieDenominaremos base de conocimientos activa al conjunto de bases de conocimiento que se van a ne una serie de pares de bases de conocimiento de la base de conoaplicar en una pasada particular del motor de in- Pi = (Bj ,Bk ) (i=i,n); la aplicacion de cimiento B dar a un resultado Rj , la aplicacion j ferencia. la base de conocimiento Bk dar a un resultado Rk , del sistema de control ofre- que ser La descomposicion a m as profundo menos abstracto que ce multiples ventajas : Rj . de la base de conocimientos La disminucion activa Las bases de conocimiento se reparten segun dominio y abstraccion. tres ejes: funcion,
anterior es quiz La explicacion a un poco caotica. Trataremos de aclararla con un ejemplo. Un sis de las cl La desaparicion ausulas de estado en tema con metaniveles es un sistema con descomlas premisas de las reglas. progresiva y con solape de bases de conoposicion En un La posibilidad de realizar desarrollos inde- cimiento de distintos niveles de abstraccion. sistema con metaniveles se tiene una base de conopendientes.
76
cimiento de alto nivel, que es la encargada de seleccionar bases de conocimiento del nivel inferior. Estas bases de conocimiento de nivel inferior tienen su aplicabilidad en dominios restringidos del se realiza para miproblema. La descomposicion nimizar el numero de reglas a utilizar en cada in de las bases de conocimiento ferencia. La seleccion de bajo nivel se realiza en base a un an alisis de los La base de hechos en un alto nivel de abstraccion. conocimiento de alto nivel se solapa pues en dominio con las bases de bajo nivel, ya que el dominio al que se aplica la base de conocimiento de bajo nivel es un subdominio del dominio total. Descomposicion heterog enea de la base de Diremos que la descomposicion conocimientos es heterog enea cuando las bases de conocimiento son de tipos diferentes. Los paradigmas principales que se pueden emplear en la cons de estas bases son a) reglas, b) reglas botruccion rrosas y c) modelos.
del metaconocimiento de planiLa expresion se puede realizar mediante reglas, enfocacion que seguido en sistemas con metaniveles actuales, o bien mediante procedimientos algor tmicos con pueden vencionales. Los m etodos de planicacion ser por lo tanto de dos tipos: Algor tmicos : basados en criterios deterministas y con t ecnicas cl asicas de planicacion. Mediante reglas : ser a una serie de bases de conocimiento de grados superiores al 0, las que de las restantes barealizar an la planicacion ses. Este es el enfoque empleado en arquitecturas con metanivel. El nivel superior de grado 1 se encarga de realizar la planica que por ser de una sola etapa es simplecion, de la base de conocimienmente una seleccion to adecuada al problema.
El planicador genera un plan de razonamiento que indica, por etapas, las bases de conocimien to a aplicar en cada una de ellas. La especicacion de las bases de conocimiendel plan de utilizacion 5.5.2. Planicacion de bases de conoci- to puede realizarse de dos formas: con y sin fusion miento de bases, en de bases. Cuanso se hace sin fusion cada etapa se activan una serie de bases de cono de las bases se debe realizan en cimiento determinadas. Si se realiza con fusion La planicacion de base a conocimiento de metacontrol. Este metaco- bases, en cada etapa se indican las bases de conocinocimiento es de dos tipos: miento a activar y las bases de conocimiento a desactivar. Cuando las que se desactivan son todas se De relacion entre bases : Metaconocimiento de tiene el enfoque sin fusion de bases. planicacion. De relacion entre bases y dominio : Metaconoci miento de adecuacion. de las bases debe realizarse de La seleccion acuerdo con los siguientes objetivos: del tiempo total de inferencia, Minimizacion que se traduce en: del numero Minimizacion de bases. de las bases de tiempo m Seleccion nimo. de los resultados a trav Optimizacion es de: m Profundizacion axima. al problema, que es, con mucho, Adecuacion m as dif cil.
5.5.3.
Criterios de seleccion de bases
de bases y de generaLos criterios de seleccion del plan de activacion de las mismas son vacion temriados, reri endose tanto a la minimizacion al problema. Estos criporal como a la adecuacion terios son de grados superiores al 0 estando asociados a aspectos como son: Adecuacion : Las bases se seleccionar an en fun de su adecuacion al problema a resolver. cion Deben ser bases cuyo dominio comprenda el dominio del problema planteado. Es un criterio unitario. 77
Ricardo Sanz
Abstraccin
Base de conocimiento
Seleccin
Resolucin
solapes
Dominio
Figura 5.8: Ejemplo de sistema de control basado en el conocimiento con un metanivel de selecci on.
Minimizacion temporal : Los factores tempora- lizando una serie de bases de conocimiento que Este planicador pueles son tambi en criterios unitarios e indican conduzcan a la conclusion. el retardo estimado debido al uso de la base de ser de dos tipos: de conocimiento. Este factor se modicar a en de las ejecuciones del sistema y los funcion tiempos conseguidos. Generador de plan completo . Una vez plan ste geneteado el problema al planicador, e de dos bases de conoAdaptacion : La adaptacion de barar a un plan completo de aplicacion difecimiento A y B en niveles de abstraccion ses de conocimiento. Este plan consta de una rentes se medir an mediante factores de adapserie de etapas, en las que en cada momen Af (A,B). Estos factores de adaptacion tacion obtenida por to est a disponible la solucion del tiemde las bases se corregir an en funcion la ultima etapa aplicada. En cada etapa se po de inferencia cuando se han aplicado amaplicar an unas determinadas bases de conobas bases. cimiento. Dependencia : Diremos que una base es dependiente de otra menos abstracta cuando se requiera haber aplicado esta para poder utilizarla. La dependencia es un criterio fuerte de Generador por etapas . El planicador, dada la si actual selecciona el conjunto de bases tuacion de bases. la planicacion de conocimiento a aplicar para obtener la si guiente conclusion.
5.5.4.
Razonamiento progresivo
Diremos que un razonamiento es progresivo En estos sistemas la dicotom a velocidad cuando las conclusiones se obtienen por aplicacion calidad se resuelve en base a las caracter sticas del sucesiva de bases de conocimiento hasta que se soproblema. Si el sistema puede requerir soluciones No se conoce, pues, a priori el licita la conclusion. con gran variabilidad temporal es mas interesanhorizonte temporal de la inferencia. y la planicacion na. Si la te la descomposicion de las ba- variabilidad es menor es posible utilizar descomEl planicador organiza la aplicacion ses de forma que en cada momento se est e uti- posiciones y planicaciones gruesas. 78
5.5.5.
Razonamiento conclusivo
Diremos que un razonamiento es conclusivo cuando se conoce a priori el horizonte temporal de la inferencia. En este caso el planicador debe generar un dentro plan que maximize la calidad de la solucion de este tiempo admisible de inferencia.
5.6.
Valoracion de la Metodolog a
Se han analizado las caracter sticas de los sistemas de control basados en reglas desde el punto de vista de su aplicabilidad a problemas de control en tiempo real d con requisitos de operacion ebiles y fuertes. Se ha presentado una metodolog a de desarrollo de arquitecturas para este tipo de sistemas que permite mejorar las prestaciones de los mismos. Esta arquitectura se basa en: de la base de conocimienDescomposicion tos, construyendo una base de conocimientos multiple. del conocimiento del dominio La separacion y el conocimiento de control. de mecanismos de planicacion La utilizacion de bases de conocimiento basado en el conocimiento de control. Esta arquitectura permite: de sistemas con razonamienLa implantacion to conclusivo y progresivo. Un aumento en la vericabilidad de los sistemas. Un aumento de la abilidad de los sistemas.
79
Cap tulo 6
Modelado Multirresolucional
dos tipos de controles presentan por el contrario rangos de aplicabilidad muy limitados. El control cl asico se restringe casi por completo a procesos simples, mientras que el control experto pre del senta problemas de desarrollo adquisicion conocimiento de funcionamiento operacion en tiempo real y de mantenimiento falta de Lawrence E Widman and Kenneth A. Loparo Articial Intelligence, Simulation and Modeling abilidad. La alternativa por la que se opta prioritariamente en la actualidad es utilizar arquitecturas basadas en control cl asico con un bucle de supervisi on manual. . . . according to Zadeh, one of the most important facets of human thinking is the ability to Por qu e este tipo de arquitectura logra resultasummarize information into labels of fuzzy sets dos que no logran las otras? El responder este inwhich bear an approximate relation to the terrogante es un factor importante en la resolucion primary data del problema. Esta arquitectura logra resultados asico le da operatividad Didier Dubois and Henri Prade aceptables porque el control cl Fuzzy Sets and Systems, Theory and Applications en tiempo real, mientras que el bucle humano le proporciona mecanismos de resoluci on de problemas para hacer frente a las situaciones anormales del control. En base a ello se intentan utilizar arquitecturas en que 6.1. Introduction el bucle supervisor se implanta por medio de un sistema experto o en algunos casos un sistema baEn el cap tulo 3 se han comentado algunas ca- sado en conocimiento de otro tipo; pero estas soluracter sticas de los modelos empleados en los sis- ciones no logran los resultados del control super temas de razonamiento simbolico. La arquitectura visor humano, porque los mecanismos de razonaque se propone en esta tesis est a orientada al con- miento sobre el proceso no son lo sucientementrol de procesos complejos descansando en gran te profundos y completos; profundos en el sentido medida sobre un modelo profundo del proceso a de poder determinar causas y efectos a lo largo de controlar. toda una jerarqu a de sistemas que componen el Hasta ahora el control de este tipo de procesos proceso y completos en el sentido de lo sucientese afronta exclusivamente desde tres perspectivas: mente extensos como para abarcar y poder razocontrol manual, control con reguladores cl asicos nar sobre todas las circunstancias que le acontecen supervisados y control experto. El control manual al proceso y son relevantes para su control. garantiza casi con seguridad un funcionamiento Los problemas fundamentales del uso de t ecniaceptable si la complejidad primaria no es excesi- cas de inteligencia articial en control son dos: la va; pero, por sus especiales caracter sticas, su eli- operacion en tiempo real, que se solventa con el es un objetivo fundamental. Los otros minacion 80 . . . the best way to overcome these limitations, particularly the issues of temporal and spatial reasoning, truth maintenance, and the cliff performance degradation effect, is to build symbolic models of the expert domain inside the expert system
Cap tulo 6. Modelado Multirresolucional
El conocimiento disponible sobre un determi nado objeto, en particular un proceso, no se situa Podesiempre en el mismo nivel de abstraccion. mos conocer la temperatura en un determinado de mil punto con un nivel de resolucion esimas de grado y en otro saber simplemente que es alta. La simult utilizacion anea de estos dos tipos de infor es compleja e imposible en muchos siste ste es el cap En cierto sentido e tulo m as impor- macion l se presenta la t tante de la tesis, ya que en e ecnica mas de proceso de informacion. de la informacion sobre el prode representacion Los procesos complejos presentan caracter sticeso a controlar que se va a emplear en el siste- cas de multiresolucionalidad en la informacion ma de control inteligente. La reutilizabilidad del disponible y utilizable en el control de los missoftware de control inteligente depende en gran mos, por lo general debido a la complejidad terciamedida de la capacidad de construir modelos pro- ria que se maniesta en una incertidumbre en las fundos del proceso a controlar, ya que de esta for- medidas y en una incertidumbre en la interpreta ma se logra separar de forma clara el codigo ge- cion de las mismas. Por ello el integrar en nuestros espec neral de la informacion ca de la aplicacion. ambos tipos de inforesquemas de representacion El modelo del proceso que se presenta es un mo- macion es fundamental. Ya Mesarovic [Mesarovic delo multiresolucional capaz de suministrar infor- 70] comenta esta necesidad de diferentes niveles a todos los subsistemas del controlador inde abstraccion: macion teligente. En un primer nivel modelo cuantitatiTruly complex systems almost, by denition, eva en forma de vo o num erico incluir a informacion de complete and detailed descriptions. The dilemma is ecuaciones diferenciales ordinarias sobre aquellos basically one between the simplicity in description, one elementos modelables de esta forma. Un segundo of the prerequisites for understanding, and the need to nivel estar a constituido por un modelo cualitatitake into account a complex systemss numerous behavo, en el que se utilizar an ecuaciones diferenciales vioral aspects. A resolution of this dilemma is sought cualitativas. Un tercer nivel contendr a la informain a hierarchical description. One describes the system de mayor nivel de abstraccion, constituyendo cion by a family of models each concerned with the behavior una base de conocimiento cl asica. of the system as viewed from a diferent level of abstracMientras que los modelos basados en ecuacio- tion. For each level, there is a set of relevant features nes diferenciales y las t ecnicas de representacion and variables, laws and principles in terms of which the de conocimiento han sido objeto de gran cantidad system behavior is described.1 de estudio, no sucede lo mismo con las t ecnicas Para realizar un an alisis mas profundo de este de modelado cualitativo. Es por ello que se hace especial hincapi e en dicha t ecnica en este cap tu1 Los sistemas verdaderamente complejos pr acticamente lo. En particular se analizan en profundidad los eluden, por denicion, cualquier tipo de descripcion completa entre la simplicidad de la des que permiten pasar de y detallada. El dilema se situa mecanismos de abstraccion uno de los prerequisitos para la comprension, y la ne num cualitativa y cripcion, informacion erica a informacion cesidad de tener en cuenta los numerosos aspectos del compor la simula- tamiento de un sistema complejo. Una solucion se presenta un m etodo de simulacion a este dilema se cualitativa borrosa orientado al manejo de la vislumbra en una descripcion cion jer arquica. El sistema es descrito por medio de una familia de modelos referidos, cada uno de combinatoria asociada a la simulacion explosion ellos, al comportamiento del sistema en un determinado nivel cualitativa.
En cada nivel existen una serie de caracter de abstraccion. sticas y variables, leyes y principios, en base a los cuales se describe el comportamiento del sistema.
uso de sistemas jer arquicos y el razonamiento profundo sobre el proceso. Este cap tulo trata de hacer frente a este segundo problema del mismo modo que el anterior hac a frente al primero por medio de un esquema de modelado multiresolucional de procesos complejos. Este esquema permitir a modelar en profundidad pero sin dejar de lado los aspectos m as abstractos de la informacion sobre un proceso. El esquema que se propone es an alogo al empleado para los modulos del sistema de control jer arquico: un esquema descompuesto multiresolucional.
6.2.
Modelos de Sistemas Continuos y Multirresolucionalidad
81
Ricardo Sanz
aspecto de los sistemas complejos es preciso caracterizar cuales son los elementos de modelado que van a tener este tipo de caracter sticas.
6.2.1.
Conceptos de modelado de sistemas continuos
Los elementos fundamentales para el modelado de sistemas continuos son dos: las variables y las relaciones entre variables. Una variable es una del tiempo. En el caso de sistemas f funcion sicos las variables son funciones reales que pueden tomar un conjunto continuo de valores salvo efectos cu anticos. Sin embargo los dispositivos de medida limitada, por lo que las variables son de precision podr an considerarse desde el punto de vista de proceso de informacion como funciones sobre un conjunto discreto. de un sistema f La evolucion sico queda plena de un conmente caracterizada por la evolucion junto de variables de dicho sistema denominadas variables de estado. Estas evoluciones est an regidas por las relaciones entre dichas variables, que especican la manera en que las variables resultan modicadas a lo largo del tiempo. Dicho en t erminos matem aticos las relaciones determinan los valores de las variables y de sus derivadas tempora de les. El esquema mas conocido de representacion relaciones de un sistema son las ecuaciones diferenciales. Un conjunto de ecuaciones diferenciales suponen una serie de restricciones para los valores de las variables y de sus derivadas, que se deben satisfacer simult aneamente a lo largo de la vida del sistema f sico. Una forma de modelar un sistema f sico es establecer un conjunto de variables del sistema y un conjunto de ecuaciones diferenciales que rijan ste. Este tipo de el comportamiento temporal de e modelo es lo que en el cap tulo 3 denomin abamos un modelo matem atico. Sin embargo no todos los sistemas f sicos admiten el establecimiento en estos t erminos de un modelo aceptable. Por lo general esto es debido a la existencia de incertidumbre, bien en las variables, bien en las relaciones. La incertidumbre en las variables puede deberse a que seamos incapaces de determinar cuales son las variables del sistema o bien en que seamos 82
incapaces de determinar los valores que toman. En el proceso de modelado de todo sistema f sico aparecen este tipo de problemas de incertidumbre, y la manera de hacerles frente es el establecimiento de umbrales de signicancia. En todo sistema f sico las variables que intervienen son innitas2 , por lo que para modelar es preciso seleccionar el conjunto de variables relevante para el tipo de resultados que esperamos obtener de nuestro modelo. Del mismo modo es preciso establecer el conjunto de valores que pueden tomar las variables, a estos conjuntos los denominaremos espacios de cantidades, por motivos que se ver an a posteriori. Las matem aticas son bastante buenas para manejar espacios de cantidades densos por ejemplo los numeros reales: R sin embargo no son tan buenas en manejar innitas variables o relaciones. Por ello la t ecnica habitual de modelado de sistemas con tinuos es seleccionar un numero nito y preferi blemente pequeno de variables, establecer como espacio de cantidades R y expresar las relaciones por medio de ecuaciones diferenciales. Sin embargo existen casos en que esto no es posible, porque no existe el conocimiento suciente como para formalizar las relaciones. Adem as en muchos casos la continuidad de valores no es necesaria y puede ser un engorro. Los modelos mentales utilizados por las personas no se construyen en base a relaciones matem aticas, sino que se expresan mediante algo que podr amos deno es similar a minar inuencias. Este tipo de relacion la que se emplea en la f sica cualitativa [Hayes 85a] y que ha derivado en una serie de desarrollos im cualitativa portantes en el campo de la simulacion de sistemas.
6.3.
Modelado Multirresolucional
La potencialidad del ser humano su inteligencia se debe en gran medida en su capacidad de hacer frente a los problemas de formas diferentes. El utilizar otro enfoque es a menudo la clave para resolver un problema. Por contra las m aquinas programadas para resolver un problema lo hacen siem2 Suponiendo que el universo sea innito en algun sentido, ya que los sistemas cerrados no existen en la realidad.
pre de la misma forma. Si el problema no responde con exactitud al tipo de problema para el que se o la m sta produce malos resultados. disen aquina, e Este es el caso habitual con los sistemas software. Cada programa est a preparado para resolver determinados tipos de problemas y no otros. La inteligencia que en ocasiones se aprecia en algunas aplicaciones de la inteligencia articial es achacable a la exibilidad en el planteamiento de los problemas que dichas aplicaciones resuelven. Evidentemente el planteamiento de un problema de diagnostico a un sistema experto es en cierta medida m as exible que un problema plan teado a un programa de nominas. Esta diferencia se aprecia directamente en la diferente considera de ambos procesos: el sistema experto resuelve cion un problema, mientras que el programa de nominas realiza un proceso mec anico. de inteligencia, tanto en el huEsta impresion mano como en la m aquina, procede de la exibilidad con que admite el planteamiento del problema; pero esta capacidad de admitir diferentes planteamientos est a fundamentada en la capacidad interna de manejar modelos exibles del mundo, modelos capaces de plantearse un problema desde diferentes puntos de vista y no exclusivamente desde uno como era el caso del programa de nominas.
Debemos aclarar cu ales son los motivos que nos llevan a plantear la necesidad de este tipo de modelo. El modelo es necesario para realizar predicciones de comportamiento del sistema, predicciones que nos permitan determinar si la respues ta del mismo ser a adecuada frente a una accion de control. El tipo de procesos que tratamos de manejar presentan grandes dicultades de modelado, por lo que el modelado basado en ecuaciones diferenciales ordinarias modelo N puede presentar desviaciones importantes respecto al comportamiento real del sistema. Estas desviaciones se deben por lo general a la dicultad de estimar par ametros del proceso por los excesivos ruidos o variabilidad del mismo. El modelo cualitativo tra ste problema, realizando ta de solventar en parte e triple: simult aneamente una funcion Puede predecir todos los comportamientos posibles, lo que nos permite determinar si alguno de ellos es problem atico. En este sentido se puede aplicar antes o despu es del modelo num erico, para validar a posteriori la predic de e ste o para hacerla innecesaria si las cion predicciones cualitativas son todas aceptables a priori. para la comuSirve como base de informacion con el usuario, ya que los valores manicacion nejados en el mismo tienen un fundamento stico. lingu
Esta exibilidad se ve radicalmente incrementada cuando el sistema inteligente es capaz de maSirve como base de hechos para realizar ranejar modelos multiresolucionales. Diremos que zonamientos basados en reglas de forma mas un sistema inteligente dispone de un modelo mulclara que los valores num ericos. tiresolucional cuando puede tener representaciones de un problema en diferentes niveles de abs En el caso de razonamiento sobre sistraccion. La necesidad del modelo basado en t ecnicas de temas f sicos, la multiresolucionalidad es funda- representacion del conocimiento surge de los dos mental. ultimos puntos comentados para el modelo cualitativo. Aunque este modelo puede llegar a tener en este senticapacidad predictiva su utilizacion de do parece innecesaria. Sin embargo su funcion 6.3.1. Necesidad de la multiresolucio- base de hechos es fundamental, ya que permite elinalidad minar del proceso de inferencia etapas de abstrac para llegar a una serie de conceptos de alto cion Ante los anteriores comentarios sobre el mode- nivel empleados en el control del proceso. lado multiresolucional surge claramente una pre de modelos multiresolucionales La utilizacion gunta: en control debe contemplarse desde la perspectiva de las dos etapas fundamentales del control inte de la situacion ligente (ver Figura ??): valoracion Por qu e? 83
Ricardo Sanz
de la actuacion. El formular un y determinacion de la actuacion supone m etodo de determinacion el establecer las acciones a realizar para cada si de proceso, por ello la etapa de valoracion tuacion genera una descripcion del estado de la situacion del estado del prodel proceso. Esta descripcion ceso se d a por necesidad en un determinado nivel El modelo que se presenta en esde abstraccion. ta tesis permite implantar la etapa de valoracion por medio de modelos de alto nide la situacion y funciones de abstraccion que vel de abstraccion permitir an pasar de los datos num ericos a la for abstracta sobre el estado del sistema. mulacion
Modelo num erico, al que nos referiremos en lo que sigue como modelo N. Modelo cualitativo, en adelante modelo Q. Modelo basado en t ecnicas de representaci on del conocimiento, en adelante modelo K.
Modelo K
6.3.2.
Objetivos del modelo

Abstraccin
QK
KQ Concreccin
Los objetivos del modelo responden en gran medida a los puntos mencionados en el apartado sobre su necesidad. Resumiendo estos puntos podemos hablar de las tres funciones principales del modelo: informativa, proveyendo a todos los Funcion sistemas que lo precisen de la informacion que deseen sobre el estado del proceso en el nivel de abstracci on adecuado.
Modelo Q
NQ
QN
Modelo N
predictiva, suministrando informaFuncion sobre el comportamiento o comportacion mientos posibles del proceso frente a acciones Figura 6.1: Estructura y transformaciones en el modelo de control. multiresolucional NQK. lingu Funcion stica, sirviendo de base de vo con el usuacabulario para la comunicacion rio.
Estos tres niveles de modelado no son indean estrechamente acoplapendientes, sino que est dos. El enlace entre estos tres modelos se establece El satisfacer estos tres objetivos es una tarea ar y funciones de en base a funciones de abstraccion predicdua, sobre todo en lo referente a la funcion (ver Figura 6.3.3). Estas funciones nos concrecion tiva. permiten establecer valores de variables en un determinado nivel a partir de valores de variables peren otros niveles. Las funciones de abstraccion 6.3.3. Estructura del modelo mitir an pasar de un modelo al inmediatamente permitir superior; las de concrecion an realizar la Como ya se ha comentado anteriormente, en la inversa. operacion arquitectura de control que se desarrolla en esta Los modelos N y K responden a paradigmas tesis, se propone el uso de un modelo con tres ni Este modelo multiresolucional inform aticos plenamente establecidos simulacion veles de resolucion. a del conocimiento por lo que en la comprende tres capas de modelado de diferentes e ingenier que se haga de los mismos no se caracter sticas. Estas capas de modelado son las si- presentacion har a un estudio en profundidad. Sin embargo, el guientes: 84
uso de modelos cualitativos en aplicaciones indus triales es bastante nuevo, existiendo un numero limitado de desarrollos [Zhang 90a] [Charbonnaud 90] [Guerrin 90] orientados fundamentalmente al diagnostico. El uso de modelos multiresoluciona progresiva, exisles est a ganado una aceptacion desarrollo de car tiendo tambi en algun acter industrial [Juuso 90].
del mismo. Como veremos en el evolucion es utilizada para cap tulo 7 esta informacion realizar el control del proceso en varios de los niveles de control.
Los modelos N y Q est an estrechamente rela del modelo Q es cionados, ya que la composicion parte de la del modelo N. Existe un isomorsmo entre parte del modelo N y el modelo Q. El modelo K sin embargo es en gran parte independiente l se de la estructura de los otros dos, ya que en e representa conocimiento humano, siendo pues un predictiva del modelo N es mucho La funcion modelo subjetivo, mientras que los modelos N y Q informativa, dado mas importante que la funcion pueden calicarse en cierta medida de objetivos. sobre el estado N es suminisque la informacion trable por otros elementos de la arquitectura, como se ver a en el cap tulo 7. A primera vista el modelo N entra en franca con los planteamientos iniciales de contradiccion El modelo N es un modelo cuantitativo del proesta tesis: control de procesos complejos, con diculceso a controlar. Este modelo se realiza utilizando tades de modelado. Obviamente cuando un proceso de sistemas contit ecnicas cl asicas de simulacion tiene complejidad terciaria el desarrollo de un monuos. delo veraz del mismo es pr acticamente imposible, complejidades primapero si el proceso tiene solo ria y secundaria el desarrollo del modelo es posi6.4.1. T ecnicas b asicas ble. En este tipo de procesos el desarrollo de sistemas de control convencionales es problem atico, de un Las t ecnicas a emplear en la construccion por lo que la arquitectura propuesta en esta tesis modelo basado en ecuaciones diferenciales est an puede dar resultados adecuados. perfectamente establecidas, siendo perfectamente factible el conseguir paquetes software comerciales para ello, como pueden ser CSMP, ACSL, SIMNON, etc. El desarrollo de un esquema o lenguaje de re de sistemas continuos no es un objepresentacion de este modelo se realiLa implantacion tivo de esta tesis, ya que tanto la bibliograf a como a por medio de t ecnicas convencionales de las implantaciones de sistemas de este tipo son zar de sistemas continuos. Para su intesimulacion m as que abundantes [Fern andez 77]. en la arquitectura de control inteligente gracion ser a preciso sin embargo unas ciertas capacidades software del sistema empleado en el desarrollo de 6.4.2. Funciones del modelo este modelo. de este modelo es dual: La funcion En el cap tulo 9, dentro del apartado de desaPor una parte informativa, ya que es la base de datos sobre el estado del proceso y la rrollos futuros se comentar a la necesidad de desa convencional rrollar herramientas de simulacion integradas en entornos de control inteligente. 85
Por otra predictiva, ya que debe generar predicciones de comportamiento del proceso. Estas predicciones ser an predicciones num eri temporal de las vacas, en forma de evolucion de comriables del proceso. Cada prediccion tempoportamiento se d a pues como funcion ral del espacio de variables del proceso en Rn .
6.4.
Modelo N
6.4.3.
Implantacion
Ricardo Sanz
6.5.
Modelo Q
El modelo cualitativo de l proceso permitir a re disponible sobre el proceso presentar informacion en unos t erminos cercanos al modo en que los humanos representan el conocimiento sobre los sistemas f sicos. Este tipo de conocimiento representa los aspectos cualitativos del comportamiento del sistema bajo estudio, no siendo formalizable con convenciolas t ecnicas empleadas en simulacion nal. Evidentemente un modelo convencional ecuaciones diferenciales es mucho mas preciso que cualquier otro tipo de modelo que podamos formular. Sin embargo, cuando el conocimiento sobre el proceso est a afectado de incertidumbre o cuando se desean realizar otras tareas aparte de la de comportamiento, es preciso simple prediccion hacer uso de otras t ecnicas m as cercanas a las representaciones de conocimiento empleadas en inteligencia articial. De este modo el modelado cualitativo es una de conocimiento soherramienta de formalizacion bre sistemas f sicos, en una forma cercana a la re matem presentacion atica del comportamiento del mismo, pero con la exibilidad suciente como puramente para no atarse a una representacion num erica y permitir formulaciones tambi en cercanas al modo de razonar humano. Este es el senti rea de rado de los trabajos desarrollados en el a zonamiento cualitativo, inicialmente propuesta por Hayes en su Naiv e Physics Manifesto y que en la actualidad est a alcanzando una gran difusion, fundamentalmente en el campo de razonamiento para diagnosis.
estructurencia, mientras que la informacion ral/funcional ser a empleada en razonamiento basado en modelos. Predictiva: los modelos cualitativos tienen capacidad predictiva, esto es, es posible realizar simulaciones con ellos. Sin embargo estas simulaciones tienen una caracter stica especial: sobre el comporbifurcaciones. La prediccion tamiento del proceso no es unica, sino que rbol de estados cualitaest a formada por un a tivos. Los posibles comportamientos del proceso son los posibles caminos desde el estado inicial hasta los estados terminales. stica: los t Lingu erminos empleados en el mo sticos que delo cualitativo son t erminos lingu son empleados de forma directa en la comu con el operador; de este modo existe nicacion entre la representacion una estrecha relacion interna del estado del proceso y la representa externa del mismo. cion El modelo cualitativo es una representacion orientada al proceso y cercana a los modos humanos de representar el conocimiento sobre el mismo.
6.5.2.
T ecnicas b asicas
Las t ecnicas b asicas que se emplean en la cons del modelo Q y su enlace con el modelo truccion N son: Modelado cualitativo: caracterizado fundamen de dependencias talmente por la limitacion funcionales a funciones monotonas crecientes y decrecientes y por especicar espacios de cantidades nitos y de cardinalidad reducida [Barreto 90] [Bratko 88] [Clancey 89] [Grant 89] [Shrager 87].
6.5.1.
Funciones del modelo
Las funciones que realiza el modelo cualitativo son todas las mencionadas en 6.3.2, esto es:
Simulacion cualitativa: basada en el algoritmo QSIM de Kuipers [Kuipers 86], aunque con sobre el Informativa: suministra informacion matizaciones de otros m etodos [Forbus 84] estado cualitativo as como sobre las depen[de Kleer 84a] [Leyval 90]. dencias funcionales cualitativas entre las distintas variables del proceso. La importancia Extensiones de QSIM: desarrolladas por diferende los valores cualitativos es que permiten tes autores y orientadas a aumentar la aplica inmediata en procesos de infe cualitativa. De dessu utilizacion bilidad de la simulacion
86
de DAmbrosio3 tacar son la contribucion [DAmbrosio 89a] y la de Dalle Molle [Dalle Molle 89], aunque existen otras [Bridgeland 90] [Franke 90] [Widman 89b]. Conjuntos borrosos: empleados en la denicion as de las funciones de abstraccion como en de los estados cualitativos bola construccion del algoritmo QSIM rrosos y en una extension [Zadeh 77] [Kandel 86] [Dubois 80].
de comportamientos en el cual cada camino desde el estado inicial hasta un estado nal es un posible comportamiento del sistema (ver Figura 6.5.4). En algunos casos QSIM predice comportamientos imposibles para el sistema caso deja de predecir los real, pero en ningun comportamientos posibles. Los modelos cualitativos son v alidos en zonas espec cas de valores de las variables que se denominan regiones de operaci on. La necesidad de manejar juegos de restricciones adecuados viene a cada una de las regiones de operacion originado por la debilidad de las restricciones funcionales M+ y M . Como dice Dalle Molle [Dalle Molle 89] los primeros desarrollos basados en QSIM fueron desarrollos de modelos y simulaciones de sistemas caso sistemas reales simples, sin utilizar en ningun de cierta complejidad. Dicho autor es el primero en construir este tipo de modelos y en desarrollar extensiones a QSIM para hacer frente a los proble mas que presenta este m etodo de simulacion.
6.5.3.
Simulacion cualitativa
cualitativa basada en el algoritLa simulacion mo QSIM [Kuipers 86] es un m etodo de simula por propagacion de restricciones en conjuncion tos de variables. Estas restricciones son derivadas de un conjunto de ecuaciones diferenciales ordinarias como las empleadas en el modelo N siendo id enticas en su mayor parte salvo en la relaja de dependencias funcionales. cion
un pequeno ejemEn el cap tulo 3 se presento cualitativa mediante QSIM plo de una simulacion de un objeto en ca da libre. En este ejemplo se pueLos problemas principales de QSIM para simu de apreciar la forma que adquiere una prediccion lar procesos complejos se derivan de la explosion cualitativa de comportamiento. combinatoria de comportamientos que llega a pro inabordable. Una gran par cualitativa se caracteriza por al- ducir una ramicacion La simulacion te de dichos comportamientos son predicciones esgunos aspectos fundamentales: purias que son imposibles para el sistema real. Gran parte de las extensiones a QSIM tratan de eliLos valores que pueden tomar las variables minar estos comportamientos espurios. deconstituyen conjuntos nitos y pequenos nominados espacios de cantidades [Hayes 85a], Las variables empleadas en los modelos cualique en algunos casos se limitan a conjuntos tativos toman valores en conjuntos denominados de tres valores : , 0 y + [de Kleer 84a]. Es- espacios de cantidades. Algunos autores utilizan tos espacios de cantidades tiene estructura de espacios de cantidades muy reducidos, como es el ret culo, aunque en el caso particular de QSIM caso de [de Kleer 84a] en que se emplea el espacio de orden en el conjunto es un orden de cantidades: la relacion total. Q = {, 0, +} Las restricciones empleadas son aritm eticas Con estos valores lo unico que se conoce de una producto) funcionales (de- variable es si e (suma, negacion, sta es negativa, nula o positiva. Kui pendencia monotona creciente y decreciente) pers utiliza espacios de cantidades m as complejos y derivativas (derivada) (ver Tabla 6.5.4). y que pueden ser diferentes para cada una de las an comLas predicciones de comportamiento son variables. Estos espacios de cantidades est no genera una tra- puestos por puntos de la recta real hitos y por multiples. Una simulacion un espacio de cantidades rbol intervalos entre ellos. As yectoria del sistema, sino que genera un a asociado a una temperatura puede ser: QT emp = {, 0, (0, 3100), 3100, (3100, )} 87
3 Aunque desarrollada sobre la teor a cualitativa de procesos formulada por Forbus [Forbus 84].
Ricardo Sanz
Los valores que componen el espacio de cantidades pueden recibir nombres espec cos, con lo que podemos decir que las variables toman valores lingu sticos. As un espacio de cantidades como el anterior puede traducirse en: QT emp = {N EGAT IV A, CERO, N ORM AL, CRIT ICA, EXCESIV A} T emp = 3100 es traducon lo que la expresion cible en La TEMPERATURA es CRITICA.
La correspondencia entre el modelo N y el modelo Q debe realizarse en base a representaciones mas adecuadas que los espacios de cantidades desapropuestos por Kuipers. La representacion rrollada en esta tesis se basa en el uso de conjuntos borrosos para representar los diferentes t ermi sticos o elementos del espacio de cantinos lingu dades. En la Figura 6.5.5 se presenta un esquema que aclara este concepto.
En ella los t erminos a emplear en la represen cualitativa aparecen asociados a los hitos tacion e intervalos en el sentido de Kuipers. Sin embar6.5.4. Extensiones a la representacion go cada uno de estos elementos tiene asociada un de pertenencia que se emplear funcion a en el enlaLos espacios de cantidades como el anterior puramente num ce con la representacion erica. De presentan algunas limitaciones para ser integraesta forma las separaciones entre t erminos cualitados en el modelo multiresolucional. El paso de tivos no son n tidas sino que se denen en base valores de variables de un modelo a valores en a funciones en [0, 1] que presentan un cierto solos t erminos utilizados por un modelo superior lape. Las funciones de pertenencia son funciones tarea llevada a cabo por las funciones de abstrac : R [0, 1], mientras que para Kuipers es cion es, en cierta medida, un proceso de intertas funciones se denen sobre {0, 1}. Esto permi de mediciones. Por ello es preciso que pretacion te cierta exibilidad con las aserciones de valores se haga de forma adecuada, teesta interpretacion de las variables, ya que no establecen corresponniendo en cuenta las incertidumbre inherentes al dencias r gidas con los valores num ericos de las as proceso de medicion como en lo referente al mismas. conocimiento teorico sobre el sistema medido. El valor cualitativo de una variable valor Q Este problema es de especial importancia para ermino cualitativo cuya se hace determinando el t las funciones NQ. En particular la posibilidad de de pertenencia d funcion a un valor m aximo. En esutilizar hitos puntuales en dichas funciones es re cualitativa es id te sentido esta representacion entimota, ya que en muchos casos el conocimiento que ca a la basada en intervalos n tidos. Sin embargo se tiene del proceso no es suciente como para esen este modelo las variables admiten otro tipo de ni tablecer estos valores teoricos con tal precision, valor que denominaremos valor cualitativo borroso para armar la exactitud de las medidas y la igualo valor FQ. Este valor es un conjunto borroso so dad de las mismas con dichos valores teoricos. bre el ret culo de valores cualitativos n tidos5 . Los Cuando asignamos a una variable de proceso factores de este conjunto borroso sobre el ret culo un valor cualitativo estamos haciendo una abstrac- vienen dados por las funciones asociadas a cada de su valor. Esto es inmediato en casos en que uno de los t cion erminos borrosos. As por ejemplo en el valor de la variable no es cercano a ninguno de una determinada situacion diremos que la varia sto, el ar- ble TEMPERATURA tiene los siguientes valores: los hitos. Sin embargo cuando sucede e mar que el valor de una variable es CRITICA conlleva sus riesgos, ya que en muchos casos los vaN: 3000 lores exactos de los hitos son desconocidos4 y los valores de las variables no se miden con absoluta Q: NORMAL El armar que una variable de un proceso precision. real tiene un determinado valor es una armacion FQ: NORMAL/0.8, CRITICA/0.2 que inevitablemente es incierta.
4 Salvo casos especiales como por ejemplo la temperatura de ebullici on del agua pura a una atm osfera de presi on que tiene un valor exacto de 100.0 C. 5 En la literatura anglosajona este tipo de conjunto es denominado L-Fuzzy set, esto es, conjunto borroso sobre un ret culo lattice.
88
RESTRICIONES CUALITATIVAS
Restriccin SUMA(f,g,h) MULT(f,g,h) MENOS(f,g) M+(f,g) M (f,g) DERIV(f,g)
-
Equivalencia f+g=h f!g=h f = -g g = H(f), H m.c. g = H(f), H m.d. df/dt = g
Debilidad Igual Igual Igual Mayor Mayor Igual
Tipo Aritmtica Aritmtica Aritmtica Funcional Funcional Derivativa
m.c.: montona creciente, m.d.: montona decreciente
Tabla 6.1: Restricciones cualitativas.
Estado inicial
E.0
T0
Estados Intermedios
E.1.1 E.1.2 E.1.3
T1
E.2.1
E.2.2
E.2.3
E.2.4
T2
Estados Finales
E.3.1
E.3.2
E.3.3
E.3.4
E.3.5
T3
Figura 6.2: Ejemplo de a rbol de comportamientos en simulaci on cualitativa.
89
Ricardo Sanz
Este tipo de valores FQ se emplear an en la ex al algoritmo de simulacion propuesta en tension cualitativa boesta tesis y denominada simulacion rrosa.
para establecer valores N de vaUtilizacion riables p.e. variables de actuacion a partir de valores Q especicados por el usuario o por sistemas de razonamiento.
6.5.5.
Funciones NQ y QN
6.5.6.
Extensiones a la simulacion
cualitativa se ha mostrado como La simulacion Las funciones que nos permiten pasar de los ecnica potente y vers atil aunque tiene graves valores num ericos a los valores cualitativos son una t ya que pasan de un de- problemas que limitan su aplicabilidad a la simufunciones de abstraccion, de sistemas complejos: terminado espacio de cantidades a un espacio de lacion superior. cantidades en un nivel de abstraccion funciones NQ Estas funciones de abstraccion combinatoria asoPor una parte la explosion son las funciones asociadas a los t erminos cualita Este es, con ciada a este tipo de simulacion. cualitativa. tivos de la representacion mucho, el problema mas grave, y en el que se El valor cualitativo de una variable es aquel cu ha puesto un mayor esfuerzo en su solucion. de pertenencia asociada da un valor ya funcion Por otra parte los problemas de indecidibilim aximo, esto es, es el conjunto borroso de los que dad derivados de las inuencias multiples. componen el espacio de cantidades cualitativo que presenta un grado de pertenencia mayor: de los modelos, que llega a La construccion VQ (Y ) = T , T QY : ser muy complicada. Adem as un modelo mal T (y ) = max T (y ) T QY constru do puede dar lugar a predicciones de comportamiento espurias. El paso de valores en sentido contrario funciones de concrecion no presenta demasiado inter es en este tipo de sistema salvo para dos apli de este tipo de problemas pasa a La solucion caciones: trav es del desarrollo de t ecnicas avanzadas de si en el modulo Utilizacion de control borroso. El m etodo habitual en este caso es utilizar el m etodo del centroide para calcular valores n tidos a partir de los valores borrosos. En este caso el paso de valores Q a N es inmediato: de pertenencia. En caso el centro de la funcion de valores FQ aparecen dos tipos de situaciones: cualitativa. Algunas de estas t mulacion ecnicas ya fueron introducidas en los desarrollos originales de Kuipers, como es el reconocimiento de estados de bucles de comportamieniguales y la deteccion to. En la Figura 6.5.7 se presenta el resultado de detectar que los estados E.2.2 y E.2.4 de la Figura 6.2 son iguales.
Del mismo modo, en la Figura 6.5.7 se presenta entico a otro el resultado de detectar un estado id estado anterior. En este caso se produce un comSituaciones con multiplicidad igual a uno, en de portamiento periodico, en virtud de la situacion las que todos los factores son nulos salvo uno. ambos estados en un mismo comportamiento. En asoEn este caso, dependiendo de la funcion de ambas guras se ha realizado una reubicacion ciada al t ermino con factor no nulo ser a posilos estados para simplicar las mismas. ble determinar un valor N unico, doble o con Este tipo de mejoras permiten eliminar gran un intervalo. En caso de que sea doble o inter rboles de cantidad de estados repetidos en los a valo se seleccionar a el punto medio. de comportamiento, que pasan a ser prediccion Situaciones con multiplicidad mayor de uno. realmente grafos de comportamiento. No obstante En este caso es posible determinar un valor N estas mejoras no son sucientes para hacer viable cualitativa de procesos complejos. Es la simulacion unico. 90
Figura 6.3: Espacios de cantidades borrosos.
preciso recurrir a t ecnicas adicionales como las desarrolladas por otros autores. Estas t ecnicas permiten reducir e incluso eliminar en parte los problemas planteados, posibilitando el uso de este tipo en sistemas m de simulacion as complejos. Algunas de las t ecnicas empleables son las siguientes: de derivadas de orden superior Utilizacion [Dalle Molle 89].
sobre un proceso real as como en la especicacion de los valores que requieren especial considera hitos asociados a las variables del procecion hace que las so. Este problema de interpretacion predicciones cualitativas de comportamiento lleven asociada una cierta incertidumbre, tanto en el punto de partida como en las posibles transiciones.
Para resolver en parte este problema se ha desarrollado en esta tesis un m etodo de pondera de vectores cualitativos de estado Utilizacion de comportamientos aplicable al algoritmo de cion [Morgan 90]. Kuipers. Este m etodo recibe el nombre de simula ci on cualitativa borrosa y se basa en la utilizacion de informacion cuantitativa [KuiUtilizacion de los estados cualitativos borrosos mencionados pers 90]. 6.5.4. Este m en la seccion etodo es una extension de t de in- al algoritmo QSIM que es tambi Utilizacion ecnicas de ponderacion en de utilidad para uencias [DAmbrosio 89a]. combinatoria por medio hacer frente a la explosion de podas selectivas del arbol de comportamientos, de modelos componibles [Fran- y al problema de la indecidibilidad del comporUtilizacion ke 90]. tamiento por medio de factores de posibilidad de transicion.
6.5.7.
Simulacion cualitativa borrosa
Sin embargo las anteriores extensiones no resuelven un prblema adicional que surge cuando se tratan de relacionar representaciones cualitativas o cualquier otro tipo de representacion con entidades reales. Este problema es el problema de la interpretaci on. surge de la inEl problema de la interpretacion certidumbre asociada a las mediciones realizadas
cualitativa borrosa trata Por ello la simulacion de realizar ponderaciones de comportamientos, de forma que se pueda: Estimar cual es el comportamiento m as posible6 .
6 Se emplea el t ermino posible en un sentido gen erico, sin tratar de hacer las distinciones que hacen otros autores respecto a otros conceptos asociados al manejo de incertidumbre. En este sentido ver [Gonz alez 89] o [Klir 89].
91
Ricardo Sanz
rbol de comportamientos. Podar el a se basa en utilizar la informaEsta extension cuantitativa suministrada por el modelo N cion que generan as como las funciones de abstraccion valores FQ, para reducir el numero de predicciones y hacerlas m as ables. cualitativa borrosa El algoritmo de simulacion es el siguiente: Se parte de un estado inicial dado por el estado FQ del proceso obtenido mediante las fun del estado N desde el ciones de abstraccion que se quiere hacer partir la simulacion. Por ejemplo consideremos que nuestro proceso tiene dos variables X e Y con los siguientes valores FQ: X = MEDIA/0.9,ALTA/0.3 Y = BAJA/0.4,MEDIA/0.6
cualitativa para caSe realiza una simulacion da uno de dichos estados Q. De esta forma se genera un grafo de comportamientos a partir de cada uno de los estados Q. Cada uno de estos grafos de comportamiento de los grafos de forSe realiza una fusion de estama que se realiza una ponderacion dos empleando para ello una conorma triangular [Gonz alez 89] de forma que los estados se ponderan de acuerdo con los diferentes factores asociados a los estados cualitativos que generaron los diferentes comportamientos. es un graEl resultado nal de la simulacion fo de comportamiento en el que los nodos representan estados y aparecen rotulados con factores num ericos que representan en cierta medida la posibilidad de que el comportamiento real del sistema pase por dicho estado.
Desde el estado inicial al nal aparecer a un De dicho estado FQ se obtienen una serie de camino privilegiado (posiblemente varios) que estados Q que se ponderar an con unos fac- ser a el comportamiento mas plausible. tores de posibilidad. Para cada variable el permite: Este m etodo de simulacion numero de grados de pertenencia no nulos es reducido uno o dos en la mayor parte de los casos. El numero de estados Q derivables de Aumentar la abilidad de las predicciones, ya dicho estado oscila pues entre 1 y 2N , siendo que se tienen en cuenta los posibles errores N el numero de variables del proceso. del estado iniasociados a la determinacion cial. En nuestro ejemplo obtenemos los siguientes estados Q: Q1 Q2 Q3 Q4 = {X=MEDIA, Y=BAJA} = {X=MEDIA, Y=MEDIA} = {X=ALTA, Y=BAJA} = {X=ALTA, Y=MEDIA} ya que es Paralelizar el proceso de simulacion, por cada estapreciso realizar una simulacion do Q de partida. Podar por umbrales el grafo de comportamientos, eliminando nodos que tengan factores de posibilidad por debajo del umbral. De este modo se reduce el numero de ramas a prolongar en caso de que se deseen realizar nuevas simulaciones. de estados se realiza en cada paso Si la fusion cada vez que se del proceso de simulacion generan estados sucesores se puede realizar una poda en marcha, lo que limita el numero de ramas a prolongar aunque hace perder la caracter stica de predicci on total de la simula cualitativa. cion
Para cada estado Q generado del anterior modo se determina el factor de posibilidad de dicho estado empleando una norma triangular [Gonz alez 89] sobre todos los grados de pertenencia asociados a las diferentes variables. Los factores de posibilidad asociados a cada uno de los estados Q obtenidos ser a (se emplea el producto como norma triangular): Q1 Q2 Q3 Q4 92 = NT(0.9,0.4) = 0.36 = NT(0.9,0.6) = 0.54 = NT(0.3,0.4) = 0.12 = NT(0.3,0.6) = 0.18
Estado inicial
E.0
T0
Estados Intermedios
E.1.1 E.1.2 E.1.3
T1
**
E.2.1 E.2.2 E.2.3
*
E.2.4
T2
Estados Finales
E.3.1
E.3.2
E.3.3
E.3.4
E.3.5
T3
Figura 6.4: Detecci on de estados iguales. Dado que E2.2 E2.4 los sub arboles que cuelgan de dichos estados son id enticos de hecho son los mismos estados.
93
Ricardo Sanz
Estado inicial
E.0
T0
Estados Intermedios
E.1.1 E.1.2 E.1.3
**
T1
E.2.1
E.2.2
E.2.3
T2
*
Estados Finales
E.3.1 E.3.2 E.3.3
T3
Figura 6.5: Detecci on de comportamientos peri odicos por identicaci on de transiciones a estados previamente considerados.
El aspecto negativo principal de la simulacion cualitativa borrosa es que para hacer frente al pro agrava el problema de blema de la interpretacion combinatoria. Sin embargo este m la explosion etodo permite realizar la poda del arbol de comportamientos, de forma que se acote en cierta medida la aunque perdiendo la seguridad de que explosion, se generar a el comportamiento real del sistema.
Tambi en es posible emplear el sistema Q2 desarrollado por el mismo equipo que introduce la cuantitativa t ecnica de incorporar informacion rbol y en forma de intervalos para podar el a hacer mas f acilmente interpretables los comportamientos generados. Adem as el problema m as grave no es la simu sino la construccion del modelo cualitativo. lacion, En algunos casos este es directamente derivable del modelo en ecuaciones diferenciales ordinarias, pero en ciertos casos las necesidades derivadas de de ciertas extensiones hace que este la aplicacion m etodo sea inadecuado [Dalle Molle 89]. El trabajo que hay que realizar en este campo antes de que sea realmente viable el uso de simulaciones cualitativas en control es muy importante. La serie de comentarios sobre la misma que aparetulo deben entenderse desde este cen en este cap del camino a sepunto de vista, como indicacion en guir para que este tioi de simulaciones se util control. Este trabajo debe orientarse en dos sentidos principales:
6.5.8.
Implantacion
de este tipo de representacion La implantacion cualitativa parequiere de t ecnicas de simulacion ra las que no existen sistemas de desarrollo comerciales. El grupo de razonamiento cualitativo de la Universidad de Texas en Austin distribuyen de cualitaforma gratuita un entorno de simulacion tiva que implanta el algoritmo QSIM de Kuipers. Este sistema denominado Q esta desarrollado en LISP, lo que limita sobremanera su integrabilidad con aplicaciones complejas, en particular aplicaciones de control. 94
combinatoria. Reducir la explosion Reducir la indecibilidad de comportamientos. Posibilitar el modelado de sistemas distribu dos. Aunque en algunos casos las restricciones cualitativas se pueden obtener de las ecuaciones diferenciales ordinarias, para el control de procesos ser a preciso que se emplearan ecuaciones diferenciales en derivadas parciales. Este es un tema pen por lo que se desconoce diente de investigacion, hasta que punto es esto posible. Quiz a el sentido de inuencias propugnado por Forbus [Forbus 84] sea aplicable: la variable tal crece cuando crece la variable cual si todo lo dem as sigue igual. Este es un desarrollo futuro derivado de las necesidades planteadas por la arquitectura propuesta en esta tesis.
ello son las que van a permitir conducir la inferencia. En nuestro caso todos los conceptos asociados f al sistema y que no tienen representacion sica directa se encuadrar an en este modelo.
6.6.1.
Estructura del modelo K
La estructura del modelo K depender a de cada del mismo modo que la estructura del aplicacion conocimiento de un sistema experto depende de particular, ya que en la mayor parte la aplicacion de los casos esta estructura reeja el conocimiento de una determinada persona.
6.6.2.
Funciones QK y KQ
6.6.
Modelo K
Este tipo de funciones son muy diferentes a las funciones NQ y QN, dado que asocian dos espacios absolutamente diferentes. Mientras que los modelos N y Q representan sistemas f sicos, el modelo K ha sido denido como aquel en el que se incluyen todas las variables que no representan magnitudes f sicas.
Existen hechos de alto grado de abstraccion en los dos niveque no admiten representacion les anteriores. Ello es debido a que dichos nive f les de modelado tienen una orientacion sica: tratan de modelar sistemas f sicos mediante variables, valores de las mismas y relaciones entre ellas. Supongamos un sistema como el que se comenta en el cap tulo 8: un horno de clinker. En este sistema existen variables f sicas claramente denidas como es el caso de la velocidad de rota As cion. mismo existen variables m as abstractas stas, pero que admiten valores m que e as o menos cuantizables. Es el caso de la temperatura de zo vimos en el apartado 6.5. Pero tambi na segun en asociable a vaexisten otro tipo de informacion, de lores de variables solo mediante consideracion superior. Las un sistema en un nivel de abstraccion variables m as t picas de este tipo son las variables de status7 del proceso.
6.6.3.
Funciones del modelo
Las funciones del modelo K son la informativa stica. La informacion de este modelo es y la lingu utilizada por los sistemas de razonamiento para la de las acciones de control. determinacion Por lo general este modelo estar a eximido, en de la funcion predictiuna primera aproximacion, va, aunque en algunos casos la dicultad de modelado del proceso requiera del uso de t ecnicas de si basada en el conocimiento, t mulacion ecnicas que se deben aplicar en este nivel.
6.6.4.
Implantacion
de conocimiento a El modelo de representacion Es habitual en los sistemas basados en el cono- utilizar puede basarse en una serie de paradigmas cimiento la existencia de este tipo de variables, ya perfectamente denidos: que son utilizadas habitualmente por los humanos para formular sus l neas de razonamiento y por C alculo de predicados.
7 No
confundir con las variables de estado.
C alculo proposicional. 95
Ricardo Sanz
Marcos. Objetos. Redes sem anticas. etc. De manera an aloga al caso del modelo N, no se encuentra entre lo objetivos de esta tesis el desa del conocirrollo de un sistema de representacion miento a este nivel. Las alternativas en el mercado son multiples, por lo que este tipo de desarrollo carece de sentido.
6.7.1.
Informacion sobre el estado
de modelos presenEl m etodo de construccion tado en anteriores puntos permite que la informa sobre el estado del proceso a controlar tenga cion las deseables caracter sticas de multiresolucionali de estratedad. Esto permite que la formulacion gias de control sea mucho mas clara e inmediata. En anteriores cap tulos hemos comentado que las dos etapas fundamentales de control son la de la situacion y la determinacion de valoracion de control. Las funciones de abstraccion la accion de valores de niveles utilizadas en la obtencion superiores, implantan en cierta de abstraccion medida un primer acercamiento a la valoraci on de la situaci on que constituye la primera etapa del control inteligente. Es por ejemplo posible que en la determinacion de control sobre un proceso determide la accion nado8 se base en que dicho proceso tenga una tendencia t ermica positiva. Para realizar esta determi de accion de control es preciso pues llevar a nacion de dicha tendencabo primero una determinacion cia t ermica. Esto puede interpretarse como un mero proceso de c alculo asociado al c alculo de la accion, pero su verdadero sentido es el de obtener el valor de una variable de estado del proceso, el estado t ermico, que corresponde a un determinado nivel superior al de las medidas directas de abstraccion, de planta. Por ello el disponer de un modelo multiresolucional para control inteligente, simplica sobremanera el desarrollo de los mecanismos en que se va a basar dicho control.
6.7.
Utilizacion de Modelos en Control
Ya en el cap tulo 3 se analizaron las caracter sticas de los modelos empleados en control. En este cap tulo se ha presentado un m etodo de construc de modelos orientado al control, para su uticion en l lizacion nea. Estos modelos para control son modelos expl citos que se pueden emplear desde un punto de vista multiple, realizando tres funciones principales: sobre el estado del Mantener la informacion esproceso a controlar. Esta informacion tar a disponible en diversos niveles de abstrac lo que permite su utilizacion por diferencion, tes aplicaciones. Realizar predicciones de comportamiento del sistema. estructural/funcional, Mantener informacion que es necesaria para el razonamiento basado en modelos.
6.7.2.
Prediccion del comportamiento
En muchos casos los sistemas de control llegan a establecer acciones de control que carecen Los sistemas avanzados de control se basan ne- por completo de garant as de funcionamiento. Escesariamente en modelos profundos del proceso a to se produce en el caso de controles cl asicos cuancontrolar, modelos que se construyen utilizando do la el estado funcional del proceso no coincide multiples paradigmas de modelado. En sistemas con aquel para el que se disen o el control; o en el de varios de caso de control basado en reglas porque las bases inteligentes de control la integracion estos modelos puede conducir a sistemas que ope- de conocimiento son pr acticamente invericables. ren con garant as en una amplia gama de condi8 Tomado de un desarrollo real. ciones de funcionamiento. 96
Conocimiento sobre el Proceso
Determinacin de la accin de control
Validacin de la accin de control
Proceso
(a) Simulacin
Conocimiento sobre el Proceso
Determinacin de la accin de control
Validacin de la accin de control
Proceso
(b) Razonamiento basado en modelos
Figura 6.6: Utilizaci on del conocimiento sobre el proceso en control.
En el caso de utilizar sistemas convencionales de control (p.e. PID) este modelado de reguladores es inmediato; pero en el caso de usar sistemas basados en el conocimiento el problema alcanza El disponer de un modelo adecuado del proce- unos niveles de complejidad enorme. En las ac es factible el realizar la so nos permite utilizarlo para validarlas acciones tuales circunstancias solo Sin embargo, este me- simulacion de sistemas del primer tipo i.e. con de control por simulacion. canismo basado en el conocimiento el modelo reguladores cl asicos. presenta dos problemas fundamentales: La veracidad del modelo: un mal modelo pue de conducir a conclusiones erroneas. El costo temporal: un sistema de control debe operar en tiempo real, por lo que determinado tipo de procesamiento queda excluido por superar los horizontes temporales admisibles.
Es por ello interesante disponer de medios para validar dichas acciones de control. Esta valida se puede hacer a priori, en base a conocimiencion de la to incluido en el algoritmo de determinacion de control o puede realizarse a posteriori, accion viendo los resultados que produce sobre el proceso. Sin embargo, en muchos casos no es posible utilizar la primera por la escasez de conocimiento disponible para realizarla, ni la segunda por las consecuencias que pudiera tener sobre el proceso.
de comportamiento para validaLa prediccion de acciones de control requiere que el modelo cion utilizado permita especicar las acciones de control a realizar sobre el proceso, por lo que el modelo debe incluir tambi en los reguladores que van a realizar el control de dicho proceso.
6.7.3.
Informacion estructural / funcional
El conocimiento sobre el proceso que se em para deterpleaba de forma indirecta simulacion minar acciones de control, puede ser empleado pa directa de las mismas. ra la determinacion 97
Ricardo Sanz
En la Figura 6.7.2 se presentan ambas formas en l de utilizacion nea del conocimiento sobre el proceso en control del mismo. En el caso a) el conocimiento se emplea para validar por simu lacion las acciones de control establecidas por otro elemento. En el caso b) el modelo se emplea directamente para establecer las acciones de control. En este caso puede no ser necesario el emplear lo que se trata de indicar una etapa de validacion, en la gura por un aspa. de las acciones de control en La determinacion base al uso de modelos se enmarca dentro de lo que se denomina razonamiento basado en modelos (ver cap tulo 4).
98
Cap tulo 7
Arquitectura de Control Inteligente

- Excelencia Ferromagn etica, puesto que el Carencia de modelos precisos de comporta que est electrodragon as creando ha de derrotar al miento, derivado de la complejidad secundaque est a en nuestro sat elite y ocupar su puesto, ria y terciaria. como haremos para echarle a su vez? - Muy aun m sencillo: fabricaremos otro dragon as en tiempo real del sistema se conLa operacion ste, y sigue por integracion poderoso, y luego otro para matar a e de multiples paradigmas de as sucesivamente . . . control, estructurados de acuerdo con el princion creciente con Stanilaw Lem pio formulado por Saridis de precisi F abulas de Robots, 1981 inteligencia decreciente, y con el principio implantacional de inteligencia creciente con velocidad de permite realizar un creciente. Esta descomposicion 7.1. Introduccion desacoplamiento entre el sistema real el proceso y los mecanismos de razonamiento al m as alto nivel. Este enfoque es el habitual en la mayor parEs de importancia fundamental al desarrollar te de las arquitecturas de control inteligente. Cada una losof a de control inteligente que sea cohe llevada a cabo con esta arquitectura rente con los requisitos del control en tiempo real. implantacion ser a adecuada para controlar determinado tipo de de funciones y de arquitecPor ello la denicion sistemas, que tengan un tempo caracter stico por turas que las soporten es quiz a el paso m as imdebajo del horizonte de aplicabilidad del sistema portante el desarrollo de un sistema inteligente de en cuesti on. control. En este cap tulo se presenta una arquitectura de un sistema de control para procesos complejos: CONEX. Esta arquitectura pretende resolver los problemas mas importantes del control de 7.2. Objetivos de la Arquitectura este tipo de sistemas, recurriendo para ello a diversas t ecnicas de control inteligente. Los objetivos de esta arquitectura se agrupan de esta arquitectura de en dos tipos: objetivos a satisfacer por el sistema de El campo de aplicacion control son los sistemas con las siguientes carac- control nal, y objetivos para etapas de desarrollo. ter sticas: Necesidad de procesamiento de un alto volu derivado de la complejimen de informacion, dad primaria del sistema. Necesidad de realizar control de subsistemas fuertemente acoplados origen de la complejidad secundaria.
7.2.1.
Objetivos del sistema nal
El objetivo fundamental de esta arquitectura es el posibilitar el control de procesos que sean complejos en los tres sentidos comentados en el cap tulo 2. Estos procesos se caracterizan por que habitualmente precisan de un operador humano para 99
Ricardo Sanz
su correcto funcionamiento. Para lograr este obje- Actividades a corto plazo: Por ejemplo las actividades de control orientado al mantenimiento tivo la arquitectura debe permitir implantar una de sistemas de la temperatura en un determinado punto. serie de t ecnicas para la realizacion inteligentes de control que suministren los serviActividades a medio plazo: Actividad de arrancios necesarios para suplantar al operador de una que o de cambio de punto de funcionamiento. planta en sus tareas o bien servirle de ayuda en de este tipo Actividades a largo plazo: Optimizacion las mismas; el campo de aplicacion de prode control ser an procesos complejos y/o de ope y calidad. duccion compleja, bien por el gran volumen de inracion bien por la baja calidad de la misma. formacion Referencia anadida Adem as, como condicion y fundamental Valoracin en un sistema basado en inteligencia articial, el sistema nal debe tener una alta abilidad y disEstado ponibilidad. funcional
Referencia Accin Accin de control Proceso
7.2.2.
Objetivos de desarrollo
Figura 7.1: Estructura de control avanzado. Todas estas actividades precisan de diferentes para realizar el control adetipos de informacion cuado del proceso. Asimismo la actividad de control est a orientada en distintos aspectos que deben gestionarse de forma simult anea. Estos tres tipos de actividades est an ligadas a los tres niveles est andar de sistemas jer arquicos de control: ejecu coordinacion y organizacion. cion, Todo ello hace que el volumen de informacion y la complejidad de la misma necesarios para los sistemas de control inteligente sean varios ordenes de magnitud mayores que los utilizados en sistemas expertos convencionales. Los sistemas de control cl asicos y los sistemas basados en el conoci que miento basan sus decisiones en informacion en diferentes niveles de abstraccion. Para se situa xito la integracion de sistemas experrealizar con e tos en sistemas de control ya existentes o en caso de emplear arquitecturas multinivel como la que se propone en esta tesis es preciso el desa entre los rrollo de un mecanismo de interconexion datos manejados por el sistema de control o mo (senales) nitorizacion y los que maneja el sistema basado en el conocimiento (conceptos abstractos). abstracto usado por El nivel de informacion el sistema basado en el conocimiento puede tener elementos en correspondencia directa con las
de sistemas de control inteliLa construccion gente es una tarea compleja, requiriendo en la mayor parte de los casos el uso de equipos multidisciplinares y de arquitecturas espec cas orientadas al problema que se pretende resolver. Esto hace que los costes de desarrollo, as como los tiempos, sean muy elevados. La arquitectura que se presenta pretende resolver en parte esta problem atica de forma que se haga factible: El desarrollo independiente de los subsistemas. La mantenibilidad y extensibilidad de los sistemas desarrollados. La reutilizabilidad del software.
7.3.
Fundamentos de la Arquitectura
Control de procesos
7.3.1.
El analizar las funciones que se realizan para controlar un proceso complejo nos permitir a reali funcional del sistema de zar una descomposicion control. En control de procesos distinguimos entre tres tipos diferentes de actividades: 100
Cap tulo 7. Arquitectura de Control Inteligente
del sissenales de proceso (nivel de informacion tema de control), aunque quiz a la corresponden simbolica cia sea a trav es de una conversion (abs traccion). Tambi en pueden existir conceptos sin correspondencia directa, que son determinados a partir de los anteriores. Este conjunto de conceptos a diferentes niveles constituye un modelo del proceso. Es un modelo profundo, con estructura jer arquica.
7.3.3.
Niveles de control
7.3.2.
Etapas de control inteligente
En el cap tulo 5 dec amos que las etapas a seguir en un sistema de control inteligente son las siguientes: del estado funcional del proce1. Identicacion so 2. Identicacion de los posibles cursos de accion
En la literatura se habla de sistemas de control y de sistemas de soporte de decisiones; en nuestro caso procesos complejos lo habitual es tener sistemas que incluyen aspectos de ambos, realizando el control de subsistemas simples y simult aneamente sirviendo de apoyo a los operadores. En CONEX este reparto de funciones se implanta mediante una jerarqu a de niveles de control, que van desde el control autom atico cl asico hasta el control manual. En esencia la supervision del control consiste en determinar si una situacion de un dedada cae fuera del campo de actuacion de niterminado nivel, solicitando la intervencion veles superiores.
Control por Operador
Control Basado en Modelos
Inteligencia
Velocidad
del impacto sobre el sistema 3. Determinacion del impacto 4. Interpretacion de una alternativa de 5. Seleccion y ejecucion control de los resultados 6. Monitorizacion
Control Basado en Reglas
Control por Patrones
Control Directo
La primera corresponde a lo que en el cap tu de la situacion y las lo 4 denominamos valoracion Proceso restantes salvo la ultima a lo que llamabamos de de la actuacion. En un sistema de conterminacion trol cl asico la etapa 1 no existe, por lo que las etapas 2, 3 y 4 pierden en gran parte su sentido y Figura 7.2: Jerarqu a de niveles de control en la arqui desaparecen. La etapa 5 se alcanza con una sola tectura CONEX. es inalternativa de control, por lo que la eleccion mediata. La etapa 6 queda un poco al margen de lo que es el proceso de control, aunque es fundaa de control es la siguiente: Esta jerarqu mental para la mejora del mismo, bien de forma manual o autom atica. Control directo. En el modo de funcionamiento normal ser a el unico nivel activo de CONEX. En nuestro sistema se tiene una jerarqu a de sis todas las acciones de control En esta situacion temas de control, lo que da lugar a implementaciose determinan al nivel m as bajo, esto es, por nes particulares para cada nivel de los anteriores los controladores directos. El funcionamiento procesos. 101
Ricardo Sanz
ser del sistema en esta situacion a estable denpec co y una base de conocimientos de contro de rangos de valores aceptables. En este trol general. nivel se emplear an tanto reguladores cl asicos como reguladores borrosos basados en reglas. Operador. Si despu es de todo estas etapas el sis de de accion se reEn este nivel no existe etapa de valoracion tema no alcanza una decision por lo que el sistema no puede cali del operador. En este situacion, querir a la intervencion carse de control inteligente. caso el operador realiza las diferentes etapas asociadas al control inteligente, aunque cuenControl por patrones situacion-acci on. Los subta con el apoyo del sistema para realizarlas. sistemas superiores al control directo se enEl interfase de usuario realiza interpretaciocuentran en estado de latencia salvo un nes previas de los datos, y realiza valoracio modulo, denominado monitor, encargado de nes de acciones de control. detectar y reconocer patrones anormales. La de un patron anormal en el proceso deteccion supone la consulta a la base de datos de pa- 7.3.4. Descomposicion heterog enea trones as como a una base de conocimiento de patrones anormales. El mopara deteccion El enfoque utilizado en esta arquitectura es el nitor determinar a si existe una secuencia de funcional y por dominios, emde descomposicion acciones de control asociada a dicho patron; pleando una serie de paradigmas espec cos. Es ha sido recose dir a en este caso que el patron dar ta descomposicion a lugar a una jerarqu a de no es reconocido se invonocido. Si el patron niveles de control, cada una con sus capacidades car a al nivel superior: control inteligente. En espec cas tanto en situaciones controlables como de la situacion se hace este nivel la valoracion En CONEX se emplean en velocidad de operacion. en base a patrones establecidos. Las etapas de una serie de modulos basados en inteligencia ar de alternativas de control, vadeterminacion ticial, construidos con diferentes paradigmas y y seleccion, se hacen a priori por un loracion que utilizan bases de conocimiento diferenciadas. humano que establece los protocolos de conEstas bases de conocimiento son: reconocida. trol para cada situacion Control basado en reglas. El subsistema de control basado en reglas propondr a una serie de utiliacciones de control para dicha situacion, zando el conocimiento de expertos en control de proceso: operadores e ingenieros de planta. En este nivel las etapas de control se diferencian claramente; por ello es el primer nivel ca de las licable de inteligente. La determinacion alternativas de control se har a mediante razonamiento basado en reglas, con una base de de acciones conocimiento para determinacion de control espec ca del dominio. Control basado en modelos. Permitir a, en base a un modelo de la planta, proponer acciones de control que ser an validadas por un modulo espec co. En este nivel las etapas de control tambi en se diferencian como en el anterior. La de las alternativas de control determinacion se hace en este caso mediante razonamiento basado en modelos, utilizando un modelo es102 Un conjunto de bases de conocimiento para control borroso. En ellas se tienen una serie de reglas de control que implantan reguladores borrosos para control de bucles simples. Una base de conocimiento de control. Esta base de conocimiento contiene reglas de control global del proceso. Estas reglas permiten establecer estrategias globales de control para todo el proceso. Una base de conocimiento de metacontrol y una base de conocimiento sobre el proceso modelo del proceso. La base de conocimiento de metacontrol contiene reglas generales de de acciones de control global a determinacion partir de la base de conocimiento del proceso. La base de conocimiento del proceso constituye un modelo profundo del mismo, que permite el uso de t ecnicas de razonamiento basado en modelos.
despu el Los conocimientos contenidos en cada una de ejecucion es de realizar la invocacion; las bases de conocimiento son muy diferentes y m etodo invocado se ejecuta de forma concuadem as son utilizados para diferentes funciones, rrente con el m etodo invocante. por lo que apenas existir an problemas de coheren ya que el diseno de la arcia y de planicacion, quitectura est a muy orientado al proceso, siendo todas las bases de conocimiento muy espec cas y En sistemas con invocaciones sin bloqueo el est separadas, por lo que utilizacion a planicada ujo de control no es una l nea temporal, sin que es a priori, lo que hace innecesario el empleo de un un a rbol en el que las bifurcaciones son debidas a planicador de bases en tiempo de ejecucion. las invocaciones sin bloqueo. Este tipo de software conlleva problemas de gran dicultad y que precisan de soluciones robustas en el caso de utiliza7.3.5. Objetos activos y pasivos para control. Ejemplo de este tipo de problecion de errores de comunicamas son la recuperacion Un sistema CONEX se estructura en forma de cion entre objetos, fallos en la respuesta del objeto de objetos activos y pasivos [Ellis 89], invocado, la programacion una coleccion y control de invocaciodesarrollados con la metodolog a de programa- nes multiples de m etodos de un objeto particular, orientada a objeto que permitir cion a alcanzar al- etc. El fallo de comunicacion o de respuesta de un gunos de los objetivos planteados, en particular la objeto puede producir la interrupcion del funcioreutilizabilidad y extensibilidad. se hizo con namiento de un objeto si la invocacion bloqueo; este tipo de problemas aparecen en tiemEn la mayor a de los sistemas orientados a po de ejecuci on por lo que es preciso dotar al sisobjeto, los objetos deben recibir un mensaje antema de estrategias de desbloqueo timeouts y de Un objeto activo tes de realizar cualquier accion. recuperaci on objetos redundantes, m e todos alteres un objeto que puede iniciar acciones de for de m etoma as ncrona, sin ser requerido para ello por otro nativos, etc. Las invocaciones multiples dos de un objeto se pueden atender de diversas objeto mediante un mensaje. Los objetos activos del objeto, que puede o no pernos permitir an construir un sistema basado en ele- formas en funcion mitir ejecuci on simult anea de varios m etodos. En mentos independientes, con interfases bien denicaso de permitirlo aparecen problemas de cohedas entre ellos, y que se comportar a como un sisrencia de las ejecuciones, requiriendo por lo genetema cooperante. En caso de objetos pasivos la reral de mecanismos basados en transacciones para de un mensaje produce la invocacion de cepcion el acceso a los datos. En caso de permitir una sola demanun m etodo que realizar a alguna funcion l nea de ejecuci on, esta debe compartirse entre los dada por el mensaje. En el caso de objetos actiprocesos internos del objeto y los m e todos invoca stos, adem vos, e as de dichos m etodos, disponen de una serie de procesos que responden de la ac- dos por otros objetos. Por lo general es preciso el colas y planide interrupcion, de m tividad de los objetos. La invocacion etodos uso de mecanismos 1 cadores para gestionar esta concurrencia. puede ser llevada a cabo de dos formas: Los objetos activos permiten adem as la apari ci on de un tipo nuevo de mensaje, inexistente en Con bloqueo: Es la unica forma posible en el ca sistemas pasivos: el mensaje m ultiple. Este tipo de so de objetos pasivos. Es an aloga a la invo mensaje no tiene un unico destinatario, sino que de un procedimiento en programacion cacion va dirigido a un grupo de objetos. Un tipo particonvencional. El ujo de control pasa del ob cular de mensaje m ultiple es el que va dirigido a jeto/m etodo invocante al objeto/m etodo intodos los objetos y que denominaremos mensaje vocado, devolvi endose al primero al terminar global. la ejecucion. Sin bloqueo: Es caracter stico de los objetos acti del ujo vos, produci endose una bifurcacion su de control. El m etodo invocante continua
1 Schedulers.
103
Ricardo Sanz
Humanos
Sistemas
Operador
Sistema HW/SW
Ingeniero de Planta
CONEX
Planta
Ingeniero de Control
Exterior
Figura 7.3: Diagrama de contexto de CONEX.
104
CONEX es un desarrollo novedoso, en el que de sistemas basados en dise realiza la integracion versas t e cnicas. Las t ecnicas necesarias son variaCONEX es un sistema de control inteligente das y en algunos casos es preciso realizar una adeebiles distribuido. Es un sistema con restricciones d cuaci on de las mismas al control de procesos. en tiempo real debido al tipo de prode operacion permite su ceso a controlar. No obstante su diseno con potencialidad limitada, en aplicautilizacion, ciones con requerimientos fuertes. La arquitectura 7.4.1. Estructura global global del sistema se basa en una serie de subsisUn sistema CONEX se compone de una se a trav temas independientes, que interactuan es de paso de mensajes. Esto hace que las restricciones rie de objetos activos que denominaremos a partir de cada uno de ellos sean particulares y muy di- de ahora OANs (Objetos de Alto Nivel), que in de forma activa medianferentes entre s . CONEX interacciona con los si- tercambian informacion te paso de mensajes para lograr una serie de nes guientes sistemas externos: propios de cada uno. Los OANs que componen un PLANTA: CONEX es un sistema de control, por sistema CONEX son los siguientes: lo que debe interaccionar con la planta. Esta puede ser directa o bien a trav interaccion es CONEX-CD: Control directo. Encargado del conde sistemas de bajo nivel, que permitan un trol directo del proceso. cierto aislamiento y preproceso de senales. CONEX-IP: Interfase de proceso. Realiza las miEXTERIOR: CONEX es un sistema abierto, por lo con el proceso. siones de conexion que presenta una interfase de comunicaciones con el mundo exterior que permite la interac- CONEX-MP: Monitor de proceso. Es en esencia y el intercambio de ordenes cion y datos con un reconocedor de patrones din amicos en las otros procesos externos a CONEX. variables de proceso. SISTEMA HW/SW: CONEX es un sistema de sofCONEX-MS: Modelo y simulador. Es el sistema tware, y como tal, debe ejecutarse sobre una de soporte de la base de conocimiento sobre con el sistema computadora. La integracion el proceso modelo. operativo es fundamental en un sistema avanzado, sobre todo si este debe operar en tiempo CONEX-CI: Control inteligente. Implanta los mereal y de forma robusta. canismos de control basado en reglas y basado en modelos. OPERADOR: CONEX trata de mejorar las carac de moter sticas del control por integracion dos autom aticos y manuales. INGENIERO DE PLANTA: CONEX se basa, en los niveles m as altos de control, en la existencia de modelos multiresolucionales de la planta. El conocimiento del ingeniero de planta se integra junto con el conocimiento del operador para conseguir una base de conocimiento mas profunda. CONEX-IU: Interfase de usuario. Encargado de la con los operadores e ingenieros de interaccion proceso. CONEX-EA: Evaluador de actuaciones. Permite evaluar en t erminos de objetivos globales las acciones a realizar sobre el proceso. CONEX-MC: Monitor de CONEX. Es el modulo de vigilancia y control de la propia aplicacion CONEX.
7.4.
Arquitectura Software
INGENIERO DE SISTEMAS: CONEX es un de sarrollo nuevo, y por lo tanto su instalacion, requerir puesta en marcha y operacion an por CONEX-IE: Interfase externa. Permite interaccio de ingenieros de lo general de la intervencion nar con CONEX a elementos exteriores al missistemas. mo.
105
Ricardo Sanz
entre los mismos se realiza a La comunicacion trav es de paso de mensajes, teniendo cada uno de los OANs una interfase bien denida, accesible a los dem as OANs. El acceso a los recursos de un OAN por parte de los dem as debe hacerse siempre a trav es de uno de los mensajes de la interfase. Todos los datos de CONEX son internos a alguno de los OANs. Todos los OANs son independientes en virtud del mecanismo de paso de mensajes, por lo que admiten implantaciones independientes, con el unico requerimiento del acceso al medio comun. La dependencia entre de comunicacion OANs est a determinada por las necesidades de in o servicios de cada uno de ellos, especiformacion cados mediante los grupos OAN/mensajes asociados a cada OAN. Los tipos de mensajes en CONEX son dos: Mensajes simples. Son mensajes enviados por un OAN a otro OAN.
pos son entes estructurales, asociados al funcionamiento de CONEX. Por contra las listas de clientela est an asociadas al comportamiento din amico de los OANs de CONEX y de los elementos externos a CONEX. Los mecanismos de grupo se manejan env por los clientes el servidor solo a un mensaje mientras que los mecanismos de clientela son manejados por los servidores. En los apartados que siguen se analizan cada uno de los OANs de CONEX. Para cada uno de ellos se comentan los siguientes puntos: de alto nivel Mision: Corresponde a la funcion que debe implantar el subsistema. Descripcion: Comentario sobre las caracter sticas generales de dicho subsistema, referentes a los aspectos particulares de la implantacion para satisfacer los requerimientos impuestos de dicho subsistema. Estos aparpor la mision tados se corresponden casi literalmente con los correspondientes en [Sanz 89].
Mensajes de grupo. Son mensajes enviados por ecnicas: Se comentan las principales t ecnicas en un OAN a un grupo de OANs. En este caso el T que se basa el OAN. La diversidad de estas destinatario del mensaje es un OAN virtual. e cnicas es la que hace precisa la existencia t de mensajes de los Los modulos de gestion de un equipo multidisciplinar para el desaOANs son los encargados de reconocer si un rrollo de aplicaciones de control inteligente. determinado mensaje va destinado a ellos o El conocimiento de estas t ecnicas es una de las no. Existe un grupo especialmente importancondiciones principales para el buen n de un te, denominado G-CONEX, y que comprende proyecto en este campo. a todos los OANs. Cuando un mensaje tiene como destino G-CONEX, diremos que es un mensaje global. En un documento de an alisis m as profundo que no se a incluido en la presente tesis se recogen Existe otro mecanismo de env o de un mensa- los siguientes elementos de los OANs: je a un grupo de OANs. Este mecanismo se conoce como lista de clientela. Una lista de clientela es Objetos internos: Conjunto de objetos que consuna lista de OANs que requieren de otro un detituyen el OAN y que realizan las funciones terminado servicio que quede ser servido de for ste sirve al exterior. Estos objetos interque e ncrona, sin necesidad de un mensaje de soma as nos no responden a la estructura est andar de licitud por parte del OAN cliente. El OAN que un OAN, sino que se realizar an de acuerdo implanta la lista de clientela determina cu ando particular que se seleccon la implementacion se debe servir a los clientes de la lista. Las encione para cada uno de ellos. tradas de las listas de clientela se componen de tres partes cliente, condici on y objeto (a quien, cuan- Interfase: En este punto se analizan dos aspecdo y qu e). Mientras que los grupos son est atitos. Por una parte la entrada, referente al concos las listas de clientela son din amicas. Esto no junto de mensajes que reconoce el objeto. Por sino a es debido a problemas de implantacion otra parte la salida, que recoge los conjuntos losof a de funcionamiento de CONEX. Los grude datos generados y los destinatarios de los 106
Figura 7.4: Estructura global de CONEX con las principales interacciones entre los nueve objetos activos de alto nivel: CD: Control directo, IP: Interfase de proceso, MP: Monitor de proceso, MS: Modelo y simulador, CI: Control inteligente, IU: Interfase de usuario, EA: Evaluador de actuaciones, MC: Monitor de CONEX e IE: Interfase externa.
107
Ricardo Sanz
Objetos de Alto Nivel

Acronimo Nombre Mision de referencias para los actuadores o paGeneracion ra los bucles de control de bajo nivel. / aislamiento con el proceso, tanto Comunicacion desde el punto de vista de sensores como de actuadores. del estado funcional del sistema en Determinacion base a una biblioteca de patrones y una base de conocimiento de identicacion. sobre el proceMantenimiento de la informacion so, tanto la estructural/funcional utilizada en las simulaciones como la factual valores de las variales de proceso. Control basado en reglas y control basado en modelos.
CD
Control Directo
IP
Interfaz de Proceso
MP
Monitor de Proceso
MS
Modelo y Simulador
CI
Control Inteligente
IU
Interfase de Usuario
con el operador y con los ingenieros Comunicacion de proceso. An alisis de las actuaciones de control en base a una de los efectos de las mismas en t evaluacion erminos de objetos de alto nivel.
EA
Evaluador de actuaciones
MC
Monitor de CONEX
y control de CONEX. Monitorizacion
IE
Interfase Externa
Comunicacion con elementos externos a CONEX.
Tabla 7.1: Misiones principales de los objetos de alto nivel de CONEX.
108
mensajes asociados a dichos datos. Estas sali- Mensajes de entrada das se corresponden con mensajes de las in de status: Mensaje de solicitud de inforterfases de otros objetos. En teor a en un sis- Peticion sobre el estado interno del objeto. Esmaci on de tema orientado a objeto la especicacion te mensaje es publico, pudiendo recibirse y las interfases debe incluir exclusivamente los aceptarse de cualquier otro OAN. m etodos propios de cada objeto. Pero en el caso de sistemas cooperantes basados en ob Cambio de los par ametros interjetos activos, es preciso determinar todas las Conguracion: nos del OAN, esencialmente relacionados con necesidades de los objetos, ya que ser a de imel modo de funcionamiento del OAN. Este portancia crucial a la hora del funcionamiento mensaje es semipublico, pudiendo recibirse real. Por ello hay que analizar para cada obde un grupo determinado de objetos, fundajeto para cada OAN todas las relaciones de mentalmente CONEX-MC y CONEX-CI. clientela con otros OANs. Ficheros: Se reere a los cheros m as importantes asociados a un determinado objeto. Estos cheros son especialmente importantes en esta arquitectura de control porque contienen toda relevante sobre el estado del la informacion OAN, de forma que pueda recuperar su estado a partir de los cheros si, por cualquier modtivo, viera interrumpida su operacion. Arranque: Este mensaje es enviado exclusivamente por CONEX-MC, por lo que se trata de un mensaje privado. Indica al OAN que debe realizar el procedimiento de arranque. Parada: An alogamente al mensaje de arranque es un mensaje privado de CONEX-MC. Indica al OAN que debe iniciar el procedimiento de parada. Mensajes de salida Status: Este mensaje se env a en respuesta a una de status). solicitud del mismo (Peticion Mensaje al usuario: es un mensaje destinado al operador, por lo que va dirigido a CONEXIU.
7.4.2.
Estructura est andar de un OAN
Todos los OANs comparten parte de su estructura interna, de modo que todos respondan a cier especicados tos modos de funcionamieto comun en la interfase est andar del OAN.
Por ello todos los OANs disponen de dos objetos internos que responden a los nombres de ges- Alarmas: Pueden ser de tipos diferentes, pero van tor de mensajes y gestor de status. dirigidas en cualquier caso a G-CONEX.
7.4.3.
Interfase est andar de un OAN
7.4.4.
CONEX-CD: Control Directo
Mision Todos los OANs disponen de un objeto interno denominado GM que es el encargado de realizar CONEX-CD es el modulo de control directo de las tareas de interfase del objeto con el resto de CONEX. Tiene como objetivo principal la genera los OANs de CONEX. Este modulo de interfase on de referencias para los actuadores o para los ci recibe mensajes de los objetos internos al OAN y bucles de control de bajo nivel (PLCs). el formato los traduce en mensajes externos segun est andar para CONEX. Todos los GM implantan una serie est andar de mensajes, tanto de entrada como de salida. Este grupo de mensajes constituyen lo que se denomina interfase est andar de un OAN. Descripcion general de CONEX-CD est El corazon a constituido por una serie de reguladores basados en diversas 109
Ricardo Sanz
Host 1
Host 2
OAN 1 Nucleo
OAN 2 Nucleo
OAN 3 Nucleo
OAN 4 Nucleo
GM
GM
GM
GM
CCC Host 1
CCC Host 1
Sofware de Red
Sofware de Red
Red
Hardware de Red
Figura 7.5: Estructura de sofware de CONEX. Distribuci on de objetos de alto nivel.
110
Figura 7.6: CONEX-CD: Control Directo
111
Ricardo Sanz
t ecnicas y encargados del control de bucles simples dentro del proceso global. Estos reguladores de bajo nivel est an encargados de las tareas de mantenimiento de consignas de los diferentes bucles de control. Este OAN debe ser capaz de mantener el funcionamiento adecuado del sistema con trolado en un entorno proximo al punto de funcionamiento. Es necesariamente un sistema en tiempo real. Para realizar el control directo el sistema implanta una serie de reguladores encargados del control de subprocesos. Estos reguladores son simples, en el sentido de realizar un control de pocas entre subvariables. Los aspectos de interaccion procesos se gestionan en un nivel superior. Los algoritmos de control se pueden desarrollar e implantar de forma independiente del resto del sistema. La losof a de control a utilizar puede ser cualquiera, variando en un amplio rango de posibilidades: PID, adaptativo, borroso, etc. Las intervenciones de los OANs de nivel su de paperior se hacen en forma de especicacion de CONEX-CD. Un patr trones de actuacion on de actuaci on es una lista temporal de actividades con de actuacion se espebifurcaciones. En este patron cican las evoluciones temporales de: Estructuras de control: tipos de reguladores a utilizar. de los reguladores. Parametrizacion Consignas de los bucles de control. de Las actividades especicables en un patron son de dos tipos: instant actuacion aneas y temporales. Una actividad instant anea puede ser incondicional o condicionada a determinados valores de variables del proceso (estado N)2 . Una actividad de inicio y una temporal debe tener una condicion de terminacion. Un ejemplo t condicion pico de actividad instant anea es un cambio de tipo de regulador (paso de un PID a un regulador borroso por ejemplo). Un ejemplo t pico de actividad temporal es el cambio de referencia de forma incremental, desde el valor inicial al nal en un per odo de tiempo determinado.
se ejecutar Los patrones de actuacion an en ba de un se a un reloj interno del OAN. La ejecucion originar de patron a en algunos casos una colision actividades. Estas colisiones se detectan y gestio nan por un modulo espec co de CONEX-CD de nominado analizador de colisiones. Una colision de las por lo general conducir a a la cancelacion de criterios de anteriores actividades, en funcion prioridad. Ello conduce a que el sistema que gene de actuacion deba tener en cuenta este re el patron de actividades tiene como rehecho. La ejecucion del chero de reguladores, sultado la modicacion aunque es posible el uso de especicaciones direc tas de actuacion. En este sistema se propone en principio la uti de dos tipos de reguladores sin que ello lizacion de otro tipo de posibilidasignique la exclusion des: Reguladores PID en aquellos bucles simples de control que no ofrezcan problemas de seguridad y tengan grados aceptables de abilidad de las medidas. Reguladores borrosos basados en reglas cuando el subproceso sea complejo y/o exista alguno de los problemas mencionados en el apartado anterior. Los reguladores borrosos presentan en estos casos un comportamiento mas robusto y able, con unas prestaciones etc) solo (tiempo de subida, sobreoscilacion, ligeramente peores; aunque en casos de sistemas complejos este comportamiento puede incluso llegar a ser mejor que el de el PID.
Estos reguladores estar an disenados para un acoplamiento adecuado con el resto del sistema de control, pero siempre teniendo en cuenta que, en funcionamiento autonomo, se deben comportar de forma adecuada en cualquier circunstancia, por lo que evitar an en cualquier caso realizar acciones que puedan resultar peligrosas o costosas. En funcionamiento estacionario el sistema de con constara de estos trol se comporta como si solo reguladores, ya que no se disparar an actuaciones 2 No se considera la utilizacion de condiciones sobre los de los niveles superiores de control (CONEX-MP otros dos estados para evitar dependencias directas de los ni de actividades y CONEX-CI). En la especiciacion veles superiores. El utilizar este tipo de criterios conduce a la de modicaci on de reguladores se establecen lnas de patrones dual, con y sin sisnecesidad de realizar un diseno de las acciones de contema de alto nivel. condiciones de aplicacion 112
Actuacin
Patrn
Seleccin
Actividad
Ejecucin
Regulador
Control
Actuacin
Figura 7.7: Procesado de patrones en CONEX-CD.
trol calculadas con estos reguladores. Estas condiciones expresan las circunsatancias bajo las cuales el regulador especicado es adecuado. El objetivo de este modulo es garantizar el funcionamiento estable del sistema en condiciones normales y con rendimientos adecuados. Este objetivo parece m as f acil de alcanzar mediante el uso de reguladores borrosos, ya que son mas robustos y permiten manejar de manera m as ecaz condiciones de funcionamiento mas extremas. T ecnicas Control cl asico. Control borroso. Logica temporal. en tiempo real. Programacion orientada a objeto. Programacion Redes.
Descripcion general La interfase de proceso es un subsistema que interacciona con los sensores y actuadores de la planta, por un lado, y por el otro con el resto es la del sistema inteligente de control. Su mision de obtener las mejores estimaciones posibles pa es funra las variables del proceso. Esta mision damental debido a la mala calidad de las medidas habitual en plantas industriales, y que es debida a anomal as de diferente origen. Esto hace que un ltrado convencional no sea lo sucientemen te adecuado. Este modulo incorpora funciones de alto nivel para detectar dichas anomal as en las senales de la planta. Estas anomal as son debidas a diversas causas, entre las que destacan: perturbaciones el ectricas, mal funcionamiento del transductor, medidas de mala calidad debido al tipo de magnitud a medir, perturbaciones del proceso en etc. la zona de medicion, Adem as realiza misiones de interfase de control, enviando los valores de las actuaciones a los de las sistemas de bajo nivel, previa vericacion condiciones de dicha actuacion.
CONEXIP dispone de un reloj interno que es de variael que genera las demandas de medicion sobre el estado del bles. El env o de la informacion Mision proceso, estado N, se har a por medio de un mensaje de grupo dirigido a G-CLIENTES-N; los recepan CONEXMS, CONEXCONEX-IP es el interfase de proceso de tores de este mensaje ser CONEX; sirve de comunicacion/aislamiento con MP y CONEX-CD pero el utilizar un mensaje de inmediata de el proceso, tanto desde el punto de vista de senso- grupo va a posibilitar la inclusion nuevos clientes, liberando a CONEXIP de la neres como del de actuadores.
7.4.5.
CONEX-IP: Interfase de Proceso
113
Ricardo Sanz
Figura 7.8: CONEX-IP: Interfase de Proceso
114
cesidad de gestionar una lista de clientes. La interfase de proceso se estructura pues en dos partes: la interfase de entrada y la interfase de salida. La interfase de entrada utiliza como datos de partida los siguientes: Medidas procedentes del sensor, que pueden venir afectadas por diversos tipos de ruidos, procedentes de cualquiera de los elementos del sistema (transductor, l nea, conversor A/D, etc).
Valores estimados para variables ocultas del proceso, esto es, variables que no tienen sensores para su medida directa. Aqu nos referimos a variables del proceso que tienen existencia real, por ejemplo la temperatura de zona de un horno. Las sucesivas transformaciones que sufren los valores se presentan en la Figura ??. Los valores de simulaesperados se obtienen de una peticion al simulador. Esta simulacion devuelve tamcion bi en los valores de variables ocultas. Si el valor estimado y el esperado coinciden se aceptan los estimados y las ocultas esperadas.
Estado esperado del sistema, calculado por el de CONEXMS. Este esmodulo de simulacion La interfase de salida genera acciones de contado esperado se recibe en forma de comportrol elementales a partir de las actuaciones que le tamiento predicho en respuesta a una peticion son remitidas por CONEXCD. Antes de generar de simulacion. de las condiciolas acciones se ltran en funcion expresadas para la actuacion. En nes de aplicacion En caso de ser necesario se considerar a la utilicaso de rechazo se informar a a CONEXCD de este de los siguientes datos: zacion hecho. Modelo del sensor, para estimar las probabilidades de los diferentes modos de fallo. Condiciones de funcionamiento del sensor (modelo del entorno del mismo, caracter sticas de la magnitud a medir, etc) adicional suministrada por el Informacion operador. Con todo ello la interfase de proceso determia para cada sensor lo siguiente: nar Valor estimado de la magnitud. Factor de conanza en dicha medida. posiEn caso de factor de conanza pequeno, ble causa de la malfuncion. T ecnicas Filtrado. Reconciliacion. Equipos de control de bajo nivel. en tiempo real. Programacion orientada a objeto. Programacion Redes.
7.4.6.
Mision
CONEX-MP: Monitor de Proceso
CONEX-MP es el monitor de proceso de de valorar la siCONEX, realizando la funcion de proceso. Para ello determinar el estado tuacion del modelo del proceso funcional del sistema en base a una biblioteca de La utilizacion estructura del proceso permitir a a este sistema patrones y una base de conocimiento de identi cacion. determinar tambi en: Incongruencias entre valores medidos por los sensores. En determinados casos, establece patrones de o bien requiere la intervencion del sisteactuacion ma superiores CONEX-CI. 115
Ricardo Sanz
Medida
Filtrado
Estimado
N Parcial
N Parcial
Esperado
Figura 7.9: Transformaciones de senales en CONEX-IP.
Figura 7.10: CONEX-MP: Monitor de Proceso
116
Descripcion general
Conguraciones de los bucles de control y par ametros de los mismos.
Determinar a el estado del proceso en base a reActuaciones directas. conocimiento de patrones en las senales del proceso. Dispone de una biblioteca de patrones de ac de actuacion El establecimiento de un patron asociados a determinadas situaciones del tuacion supone que el proceso se encuentra en una deterproceso. la ejecucion de estos patrones se minada situacion. Sus misiones se situan en ambas facetas del realiza en un nivel inferior y a lo largo del tiempo, control: del procepor lo que es posible que la situacion so var e. CONEX-IP verica antes de realizar una que las condiciones que determinaron Valoracion de la situacion. Esta etapa permi- actuacion se sigan mantenientir a establecer la necesidad o no de la la necesidad de la actuacion incluyen La situacion del proceso se valora do. Para ello los patrones de actuacion actuacion. sobre el estado funcional del proceso por medio de una base de conocimiento de informacion y que condicionar a su de estado y una biblioteca de que determino su actuacion identicacion patrones de comportamiento. El monitor aplicacion. inicia pues acciones de control si el estado del proceso es NO ambiguo o se requiere una T ecnicas urgente (tiempo cr intervancion tico). Determinacion de la actuacion. En esta etapa se dan del mismo modo dos posibilidades: a) que el sistema se est e comportando de acuer para el que se establecido do con un patron de actuacion y de forma un voca un patron de actuab) que no se disponga de un patron por lo que se requerir cion, a la intervencion de CONEX-CI. Este reparto de funciones est a orientado a conseguir un razonamiento progresivo distribuido, orient andolo hacia un aumento de eciencia y se guridad de operacion. Aspecto fundamental del sistema es el alma cenamiento de conocimientos (patrones situacion actuacion). Para ello es preciso desarrollar un mecanismo eciente de almacenamiento, basado en y razonamiento por analog abstraccion a. El reconocimiento de patrones se har a en tres los niveles utilizados por CONEX: N, Q y K. Estos patrones se especicar an en la mayor parte de los casos como patrones Q, ya que el conocmiento proviene de expertos humanos. Los patrones de actua son listas temporales, expresando protocolos cion a lo largo del tiempo; estas protocolos de actuacion especican: Consignas de los bucles de control en tiempo real. Programacion Bases de datos en tiempo real. Reconocimiento de patrones. orientada a objeto. Programacion Redes.
7.4.7.
Mision
CONEX-MS: Modelo y Simulador
CONEX-MS es el gestor del modelo y el simu el mantener lador de CONEX. Tiene como mision sobre el proceso, tanto la estoda la informacion tructural/funcional utilizada en las simulaciones como la factual valores de las variables de proceso. Descripcion general CONEX-MS es el OAN encargado de manejar sobre la planta y suministrarla a los la informacion restantes OANs. Consta esencialmente de tres partes: el gestor del modelo, la base de datos y el simulador. 117
Ricardo Sanz
Figura 7.11: CONEX-MS: Modelo y simulador
118
CONEX-MS es el gestor de la base de datos del proceso, por ello es el encargado de gestionar la in espec formacion ca del proceso a controlar. Esta est informacion a compuesta por los tres niveles de modelado as como de los valores de las variables de dichos modelos. Este sistema es el encargado de sobre la recabar y suministrar toda la informacion planta. El acceso a los cheros de modelo y datos debe hacerse mediante peticiones a CONEX-MS. Este sistema se construir a sobre un gestor de bases de datos relacionales. Mantendr a informa historica cion sobre evoluciones de las variables. de la informacion historica La estructuracion se har a en base a episodios. Este sistema implanta las para el paso de valores funciones de abstraccion del nivel inferior N a los niveles superiores Q y K. fundamental es la de servir de soporSu mision sobre el proceso a los diferentes te de informacion elementos del sistema de control inteligente. a: As proporciona informacion de las CONEX-IP: Predicciones de evolucion variables del proceso, de forma que la interfase pueda detectar incongruencias o estimar valores de variables ocultas. CONEX-IU: Sobre el estado del sistema. CONEX-MP: Estados Q y K del proceso. CONEX-CI: Sobre el estado del proceso actual e historico. del sistema CONEX-EA: Sobre la evolucion frente a acciones de control.
La base de datos: Constitu da por varios che ros que almacenan tres tipos de informacion: El modelo del proceso en tres niveles de abstraccion. Los datos sobre el estado actual del proceso, separados en grupos de datos dife las capas de modelado. rentes segun La historia del proceso. Este es el grupo de datos mas importante, y que se usa con un gestor de bases de datos relacionales. El gestor de datos: Encargado de mantener y del estado actual e suministrar la informacion historica. Este subsistema implanta los meca nismos de abstraccion. El explorador del modelo: Gestiona la infor contenida en cada uno de los grupos macion de datos que constituyen el modelo, propor sobre las inuencias encionado informacion tre variables de proceso.. El simulador: Realiza predicciones sobre la del proceso, utilizando para ello los evolucion tres niveles de modelado. Corrector de modelos: Si la estructura del sistema lo permite y se v e su viabilidad, se im del modelo plantar a un modulo de correccion num erico ajuste de par ametros en base a las mediciones sobre el estado del proceso. sobre el proceso se estrucToda la informacion tura en base al modelo del mismo y a los tres nive de modelado: les de abstraccion
Mision del modelo Modelo cuantitativo: Corresponde con un modeEl modelo y los elementos asociados se implan en sentido cl lo para simulacion asico. tan como un proceso independiente (OAN). Debe como una base de datos sino considerarse no solo Modelo cualitativo: Supone una primera etapa como un sistema activo, en el sentido de permitir a partir del modelo cuantitade abstraccion del proceso desde diferentes evaluar la evolucion tivo. En esta capa los par ametros del modelo en varios niveles de puntos de vista (simulacion se manejar an utilizando procedimientos de la abstraccion). teor a de conjuntos borrosos y dependencias entre variables basadas en ecuaciones diferenCONEX-MS consta de varios elementos fundaciales cualitativas. mentales: 119
Ricardo Sanz
Modelo de conocimiento: Corresponde con un conjunto de aserciones que constituyen parte de la base de conocimiento sobre el proceso, y que permiten expresar conocimientos sobre el comportamiento del proceso. El gestor de datos es el encargado de gestionar internos entre capas los ujos de informacion y externos con otros elementos del sistema inteligente de control. Entre las funciones m as importantes cabe destacar la presencia de las funciones que permiten pasar de la informade abstraccion, de un nivel a la del inmediatamente superior. cion De este modo se har an las siguientes abstracciones: Estado N Estado Q Estado K importante llevada a cabo por el Otra mision inversa del explorado del modelo es la exploracion modelo para razonamiento causal orientado a la de acciones de control. determinacion El simulador implanta m etodos de simulacion cualitativa y simulacion bacontinua, simulacion sada en el conocimiento para realizar predicciones sobre las evoluciones del sistema. La caracter stica m as innovadora es que el sistema dispone de un modelo cualitativo del proceso que del mismo tisirve de base para una simulacion de tendencias. De este modo po determinacion del sisse puede establecer la posible evolucion tema frente a las acciones de control propuestas por el operador o por el planicador en t erminos sticos. lingu El nivel de exactitud del simulador es uno de los puntos cruciales, dado que hay que llegar a de compromiso entre la exactitud de una solucion y la velocidad con que se obtiene la la prediccion cualitativa permite un enmisma. La simulacion foque adecuado de este problema, permitiendo de forma adicional un r apido desarrollo de los mode los particulares de cada aplicacion. El simulador debe predecir el comportamien del comportato del proceso. Esta determinacion miento se podr a hacer en cualquiera de los niveles:
to. En el nivel intermedio se realizar a una simu cualitativa de tendencias. lacion a realizar En el nivel m as bajo la simulacion cl ser a una simulacion asica. del proceso se debe Para realizar la simulacion referente a los incluir en el modelo la informacion bucles de control del mismo, tal como son implan es sumitados por CONEX-CD. Esta informacion nistrada por CONEX-CD cion su mensaje de status, del que CONEX-MS ser a un cliente, por lo que todas las modicaciones del status de CONEX-CD le ser an comunicadas. la El modelo entendiendo como tal no solo del estado del sistema, sino tamrepresentacion bi en todas las tareas que lo acompanan debe suministrar al sistema una serie de funciones: Sirve como base de datos del sistema, informando del estado actual del proceso. Permite desarrollar razonamientos hipot eticos gracias al soporte que ofrece para con textos multiples. Esto ser a de utilidad para de acciones del opeel modulo de validacion de acciones por rador y para la planicacion parte del sistema experto. Permite razonamiento temporal, posibilitan del do el almacenar historias de la evolucion proceso. Permite representaciones restringidas del estado del proceso, que se corresponden con abstracciones del estado real. Estas representaciones restringidas ser an de importancia crucial para mantener limitado el volumen de datos, sobre todo en lo referente al razonamiento temporal (historias de estados) y al razonamiento por analog a que ser a el funda de muy alto mento del aprendizaje (funcion nivel).
Los niveles de modelado se estructuran de creciente con acuerdo con el principio de precision En el nivel m as alto se llevar a a cabo mediante inteligencia decreciente, lo que hace que aun cuan e inteligencia sean encadenamiento de reglas de comportamien- do ambos aspectos precision
120
en un moEl segundo es control basado en modelos, en el deseables, no es posible su concreccion de las actuaciones po que la determinacion delo unico. Sin embargo si el modelo num erico es sibles se hace en base al modelo estructulo sucientemente bueno la necesidad de los otros ral/funcional del proceso y a reglas generales dos modelos se reduce sobremanera. Su su supre de acciones de control. no ser de determinacion sion a en general posible dado que la repre del conocimiento empleada en estos dos sentacion modelos de alto nivel es muy adecuada para funEste sistema est a estructurado en niveles y ba con el operador. damentar la comunicacion sado en logica borrosa, determinando patrones de en los que se especican los valores para actuacion las variables de control as como los reguladores T ecnicas del estado del procem as adecuados en funcion de patrones de cambio en senales so. La deteccion Bases de datos. del proceso por parte del monitor producen el lanzamiento del controlador inteligente en lo que Bases de conocimiento. de se denominar a una tarea. El sistema de gestion tareas del controlador inteligente debe tener las siModelado multiresolucional. guientes caracter sticas: continua. Simulacion cualitativa. Simulacion Sistemas basados en el conocimiento. orientada a objeto. Programacion Redes. Debe permitir la ejecucion multiple , nece de varios problemas, saria para la resulicion permitiendo el uso de diferentes bases de conocimiento bases de conocimiento descom de la tapuestas para facilitar la focalizacion de problemas. rea de resolucion Debe existir un m etodo de interrupcion de tareas (ejecuciones del sistema experto) en fun de prioridades. cion Debe poder realizar razonamiento temporal lo que supone manejar secuencias de estados (Historias de variables): Debe disponer de suciente potencia de c alculo en los diferentes niveles de abs (c traccion alculo cualitativo y cuantitativo). Deben existir mecanismos de focaliza con orientacion episodica. cion Debe incorporar m etodos adecuados de olvido. Los contextos multiples son necesarios en algunas tareas de razonamiento hipot etico. Hipotesis de faltas. El primero es control basado en reglas, para el que se emplea una base de conocimiento de control obtenida del operador de la planta y una base de conocimiento de metacontrol, que es independiente de la planta. de acciones de control. Simulacion El controlador inteligente dispone de varias fuentes de conocimiento para la determina de acciones de control: cion 121
7.4.8.
Mision
CONEX-CI: Control Inteligente
CONEX-CI es el modulo de control inteligente de CONEX, debiendo generar patrones de actua para CONEX-CD. cion
Descripcion general Es un sistema de control basado en el conoci miento, con requerimientos d ebiles de operacion en tiempo real. Para generar las estrategias de control utiliza dos tipos de mecanismos:
Ricardo Sanz
Figura 7.12: CONEX-CI: Control Inteligente
122
La base de conocimiento de metacontrol. Que es independiente del proceso controlado.
Lenguaje natural. Int erprete de comandos.
La base de conocimiento de control esA pesar de que un sistema experto de control pec ca del proceso. mejora sobremanera la robustez del control, las El modelo, que es tambi en espec co. an imponiendo, y razones de seguridad se seguir la presencia del operador seguir a siendo necesa La base de conocimiento para control ria. Por ello es preciso que la interfase de opebasado en modelos. rador sea mejorada de forma sustancial respec Los hechos, procedentes de CONEX-MS. to a las ahora existentes. La ventaja de este tipo en la direccion de sistemas se presenta no solo de patrones de actuacion La determinacion SISTEMAOPERADOR, sino tambi en en la conpuede concluir en un conjunto de varios patrones traria, ya que este OAN realiza una serie de funposibles, o en patrones singulares pero con baja ciones de utilidad para la robustez y operabilidad conanza, por lo que un elemento importante del del sistema. Entre ellas destacan: controlador inteligente es el evaluador de actuaciones, que permitir a determinar la bondad de un de datos de bajo nivel para la Interpretacion de actuacion. determinado patron de los mismos. presentacion T ecnicas Inteligencia articial. Sistemas expertos. Razonamiento temporal. orientada a objeto. Programacion Redes. de las ordenes Validacion del operador, si es preciso solicitando evaluaciones a CONEXEA. de di Gestion alogos en lenguaje natual restringido. La posibilidad de manejar contextos multiples debe permitir al sistema contestar a preguntas de la forma Que pasar a si.... ?. Adem as la estructura de conocimiento multinivel permite que el razonamiento en estos contextos se desarrolle a dife con la consiguiente rentes niveles de abstraccion, diferencia de costo computacional. Entre los elementos fundamentales que constituyen esta interfase cabe destacar tres: con el operador, El modulo de comunicacion basado en lenguaje natural y con un sistema de di de gestion alogos orientado a las tareas de control. de actividades del El modulo de supervision operador. Este utiliza a CONEX-EA para determinar los efectos, en t erminos de objetivos globales, que van a tener sobre el sistema las acciones ordenadas por el operador. cualitativa de daEl modulo de interpretacion tos de bajo nivel. Permitir a presentar la infor sobre el proceso al usuario de forma macion 123
7.4.9.
Mision
CONEX-IU: Interfase de Usuario
CONEX-IU es la interfase de usuario de con el CONEX. Sirve de medio de comunicacion operador y con el ingeniero de planta. Descripcion general con Es el sistema encargado de la comunicacion los usuarios del sistema, tanto operadores como ingenieros de planta e ingenieros de sistemas. El sistema debe disponer por ello de interfases multi ples/usuarios multiples: Menus/Gr acos.
Ricardo Sanz
Figura 7.13: CONEX-IP: Interfase de Usuario
124
que se minimize la sobrecarga cognoscitiva de ste. e
en lenguaje natural puede La comunicacion conducir a interpretaciones erroneas del signicado de las frases.
con el operador se El sistema de comunicacion Estos problemas se resuelven utilizando dos tiencargar a de manejar el di alogo con el operador. pos de mecanismos de seguridad: Para ello utilizar a tres modos de comunicacion: Gr acos: La interfase gr aca se basa en una repre esquem sentacion atica del proceso. Mediante ella se puede acceder con un mecanismo de l posicionamiento (raton, apiz optico, etc) a diferentes elementos, y seleccionar las opera ciones permisibles sobre ellos de un menu. Determinacion de ordenes conictivas . Una or va en den es conictiva cuando su ejecucion contra de los objetivos globales. La determi de la conictividad de una orden se nacion hace en base a las caracter sticas de la or den misma hay ordenes intr nsecamente conictivas y a los efectos de la misma sobre el se har proceso. Esta determinacion a en base de evaluacion de actuacion a a una peticion CONEX-EA.
Lenguaje natural: Una interfase en lenguaje natural, restringido a actividades de control per integral del sistema. La intermitir a la gestion de ordenes conicitivas . Las fase gr aca debe permitir realizar las opera- Conrmacion ordenes conicitivas ser an denegadas o se sta debe dar ciones rutinarias, mientras que e de las mismas en funpedir a conrmacion soporte para todas aquellas operaciones que ci on del tipo de operador. La conrmacion requieran de un conocimiento detallado del se llevar a a cabo presentado al operador la proceso a seguir. a lenguaje natural de lo que ha traduccion Lenguaje de comandos: Se implantar a tambi en entendido el sistema y pidiendo conrmacion una interfase mediante un lenguaje de comande que esa es efectivamente la orden. dos para actividades de expertos en el sistema. T ecnicas a Todas las interfases realizar an una traduccion un lenguaje interno, del que la interfase basada en exterlenguaje de comandos ser a la representacion na. Este lenguaje interno es el que se emplear a en las comunicaciones interprocesos. Lenguaje natural. Gr acos. Tutores inteligentes.
orientada a objeto. Programacion Los datos procedentes del proceso son valores Redes. N, Q o K que se deben interpretar por el operador en base al conocimiento que el operador tiene so es fundamental bre el proceso. Esta interpretacion 7.4.10. CONEX-EA: Evaluador de ac correcta del proceso. Este subsispara la operacion tuaciones estructural del protema utilizar a la informacion ceso que le suministra el modelo para reali de esa informacion de Mision zar un ltrado e integracion proceso. de acCONEX-EA es el modulo de evaluacion de ordenes La validacion del operador es fun- tuaciones de control de CONEX. Una evaluacion damental desde dos puntos de vista: es un juicio sobre los efectos de de una actuacion de control en t una determinada actuacion erminos se utiEl operador puede cometer errores debido a de objetivos de alto nivel. Esta evaluacion de control del estado del pro- lizara pa determinar si una actuacion sus errores en la valoracion ceso. determinada es aceptable o no. 125
Ricardo Sanz
Figura 7.14: CONEX-EA: Evaluador de actuaciones
126
Descripcion general de Este OAN recibe peticiones de evaluacion por parte de diferentes patrones de actuacion OANs. Los principales clientes de este OAN son: CONEX-CI, ya que sus t ecnicas de determina de actuaciones de control en particular cion el razonamiento basado en modelos pueden conducir a actuaciones inadecuadas. CONEX-IU, para determinar los efectos de las actuaciones de control sobre el proceso y vali dar as las ordenes del operador.
Evaluaciones singulares: en las que se eva patron de actuacion. El resultaluar a un solo es un informe de evaluado de la evaluacion ponderando la satisfaccion de los objeticion, vos globales. Evaluaciones multiples: en las que se seleccionar a la mejor alternativa. El resultado ser a un para cada alternativa informe de evaluacion as como un consejo sobre cual es la m as adecuada para los objetivos de control actuales.
son susceptibles Los criterios de evaluacion durante el funcionamiento de de reformulacion CONEX, de forma que se puedan replantear los mientras se realiza esta. de dichos patrones se realiza objetivos de conduccion La evaluacion fundamentalmente en dos etapas denominadas a priori y evaluacion por simulacion. evaluacion T ecnicas Estas dos etapas se llevan a cabo en base a: Un conjunto de reglas ad hoc de evaluacion, que permiten identicar a priori actuaciones de control inadecuadas. Este tipo de actuaciones tendr an su origen fundamentalmente en el operador o en el control basado en modelos, ya que el control basado en reglas no tiene por que generar actuaciones inadecuadas a priori. en tiempo real. Programacion orientada a objeto. Programacion Sistemas expertos. Procesamiento de senales. Reconocimiento de patrones.
Redes. y an Mediante peticiones de simulacion alisis del comportamiento simulado del proceso. El del comportamiento se 7.4.11. CONEX-MC: an alisis y evaluacion har a en base a mecanismos procedurales de CONEX de caracter determinacion sticas y reglas de de comportamientos en base a di- Mision evaluacion chas caracter sticas. del patron se realizar La evaluacion a en fun de la satisfaccion de los objetivos globales de cion CONEX: Seguridad, estabilidad, calidad, produc Esta sartisfaccion de objetivos depende del cion. estado de la planta, ya que no es lo mismo una de control durente el funcionamiento noraccion mal que durante un proceso de parada. La infor que permite identicar estos diferentes esmacion tados de control se encuentra contenida en la parte K del modelo de la planta. CONEX-EA admitir a dos tipos de peticiones de por los restantes OANs: evaluacion
Monitor
de
y CONEX-MC es el modulo de monitorizacion control de CONEX. Descripcion general CONEX es un sistema software complejo, por lo que son necesarias herramientas para so gestion CONEX-MC es esta herramienta, que y operacion. permitir a conocer el estado del sistema y realizar el control del mismo. Entre las misiones principales que debe realizar CONEX-MC destacan las siguientes: 127
Ricardo Sanz
Figura 7.15: CONEX-MC: Monitor de CONEX
128
CONEX-MC realiza peticiones de status a to glodos los OANs generando una descripcion bal del estado de CONEX. Monitoriza las comunicaciones, haciendo es mejoras al sistad sticas que permitan disenar tema. Realiza el arranque y la parada de CONEX. Lo reconstruye desde un ca da del sistema. y el control remoPosibilita la monitorizacion to de CONEX. sobre el estado de CONEX Toda la informacion se almacena en un chero del status. Los status de los OANs se reciben por CONEXMC en base a listas de clientelas de status implantadas por cada uno de los OANs. CONEX-MC es cliente de todas ellas por lo que cualquier modi de los status de los OANs resulta en una recacion de un mensaje de status del OAN en cuesmision a CONEX-MC. tion T ecnicas en tiempo real. Programacion orientada a objeto. Programacion Redes.
T ecnicas Est andares de comunicaciones. en tiempo real. Programacion orientada a objeto. Programacion Redes.
7.5.
Arquitectura Hardware
El sistema est a compuesto por una serie de OANs que intercambian mensajes. Aunque esta arquitectura es independiente de la m aquina, el elemento cr tico de la misma es como se realizar a este intercambio de mensajes. El medio mas claro de realizar el soporte de este mecanismo es mediante un sistema de red. La red proporciona un medio de intercambio entre todos los OANs, lo que tiene una secomun rie de ventajas: Simplicidad de desarrollo ya que el acceso a es est los medios de comunicacion andar, por lo que todos los objetos har an uso del mismo mecanismo, lo que facilita y reduce el tiempo de desarrollo. de las comunicaciones, como Simplicacion es el caso de los mensajes globales, que con un sistema de red tiene la misma complejidad que los mensajes individuales. HW/SW, dado que todas las Adecuacion comunicaciones se realizan a trav es de la red el unico requerimiento de un OAN es tener acceso a dicha red, por lo que puede residir en cualquier m aquina, de forma que la distri de OANs se puede hacer de la manera bucion mas eciente para obtener un m aximo rendimiento de los recursos hardware. Facilita el desarrollo de arquitecturas tolerantes a fallos, al permitir de forma simple la redundancia de equipos y procesos.
7.4.12.
Mision
CONEX-IE: Interfase Externa
CONEX-IE es la interfase externa de CONEX, con elemensirviendo de medio de comunicacion tos externos a CONEX. Descripcion general CONEX-IE proporciona un medio de acceso desde el exterior a los OANs de CONEX, mediante un interfase externo estandarizado. Este acceso desde el exterior estar a controlado mediante listas de autorizacion.
de funcionamiento del sisteLa optimizacion de salida precisar La conexion a del desarrollo ma conduce a la necesidad de implantar una ca on CONEX (CCC) situada entre los de modulos de interfase con cada sistema externo. pa de comunicaci 129
Ricardo Sanz
OANs y el software de red de la m aquina de for entre OANs de la ma que se acelere la interaccion misma m aquina.
El enfoque modular funcional y f sico pro puesto se ha disenado de forma que posibilite una serie de puntos: Desarrollo independiente de los subsistemas.
7.6.
Valoracion de la Arquitectura
Escalabilidad. Fiabilidad, disponibilidad y mantenibilidad.
En este cap tulo se ha presentado una arquitectura de control que presenta niveles de opera diferenciados. Es una arquitectura jer cion arquica en la que se pueden apreciar tres grandes niveles de operacion: Nivel de control directo. Nivel de control experto basado en representaciones avanzadas de conocimiento. Nivel de control supervisor por parte de un operador humano.
7.6.1.
Desarrollo independiente de los subsistemas
Esta arquitectura posibilita el desarrollo independiente de los subsistemas. Para ello es preciso, no obstante un etapa inicial de an alisis y especi de las interfases entre los mismos, tanto a cacion nivel hardware como software.
Una vez establecidos las interfases se puede independizar completamente el desarrollo, pudien do incluso realizarse versiones multiples de los subsistemas, que se utilizar an despu es como reComo vemos el sistema es en realidad un siste- dundancias o entre las que se seleccionar a la m as ma de control supervisor con dos bucles de supervisi on idonea. a derivada de la del superpuestos. Esta estructura est control supervisor cl asico, en la que el bucle supervisor se descompone en dos: uno realizado por el 7.6.2. Escalabilidad humano an alogo al existente y otro obtenido e implantacion en un computador por extraccion La potencia y aplicabilidad del sistema radi de funciones de determinadas funciones realizadas por el hu- ca esencialmente en la implantacion mano. hasta entonces realizadas por el operador. Los re querimientos de potencia de computo para el deEl sistema de control propuesto se basa en una sarrollo de ese tipo de actividades son dif ciles de arquitectura distribuida, tanto funcional como esestablecer a priori. pacialmente. Desde el punto de vista funcional xito de una primera y restringida la arquitectura es identicable como un sistema Adem as del e de un sistema de este tipo puede condublackboard, en el que diversos elementos con fun- aplicacion de los objetivos de control, en ciones diferenciadas interaccionan a trav es de un cir a una ampliacion de informacion. Los diferentes el sentido de automatizar la operacion del proceso deposito comun subsistemas se construyen utilizando programa- en situaciones previamente gestionadas de forma orientada a objeto, y la comunicacion entre manual. Estos dos factores impredecibilidad de cion de objetivos ellos se lleva a cabo a trav es del blackboard o me- la potencia necesaria y ampliacion diante paso directo de mensajes. hacen necesaria la escalabilidad del sistema de control. En la actualidad existen sistemas ya desarrolla dos correspondientes a cada uno de los modulos El uso de una arquitectura blackboard, con paso rea local posibilita empleados en CONEX, sin embargo de la integra- de mensajes, sobre una red de a de todos ellos se espera conseguir un efecto la inclusion inmediata de nuevos subsistemas, que cion de sinergia que aumente sobremanera la potencia- incorporen nuevas funciones o que proporcionen lidad del sistema completo. potencia de computo adicional. 130
7.6.3.
Fiabilidad, disponibilidad mantenibilidad
Los objetivos RAM, abilidad, disponibilidad y mantenibilidad son m as asequibles dentro del marco de un sistema modularizado, sobre todo cuando se ha utilizado un enfoque de programa orientada a objetos [Sanz 89]. cion La abilidad del sistema es: Por una parte mejorable en desarrollo, ya que del software orientado a objela vericacion tos es mucho m as factible. Al estar los interfases de cada clase perfectamente denidos se reduce a un m la vericacion etodo, que ser a por lo general simple. Por otra es intr nsecamente mayor, ya que el fallo en uno de los subsistemas no implica necesariamente el fallo en los dem as, aunque existir an una serie de dependencias que limitar an la funcionalidad de dichos subsistemas. sin m Por otra mejorable en operacion, as que introducir nuevos subsistemas redundantes y seguir pol ticas de votacion. La disponibilidad del sistema es mayor, ya que y la orientacion a objeto facilila modularizacion y reparacion de los problemas. tan la deteccion La mantenibilidad es con mucho el factor que se ve mas potenciado con el uso de programacion orientada a objeto. La independencia y reutilizabi lidad del codigo es un de los factores m as carac La funcioter sticos de este tipo de programacion. nalidad de un subsistema es incrementable sin que de los restantes subsisteesto suponga alteracion mas, siempre que las interfases entre los mismos se respeten.
131
Cap tulo 8
Control de Hornos de Clinker

de minerales que en el producto nal, el cemento, reaccionan con el agua formando cristales de gran Herg e Tint n y los P caros, 1976 dureza. Este proceso productivo tiene un gran consumo energ etico, dado que hay que realizar proce8.1. Introduccion sos f sicos que requieren gran cantidad de energ a y procesos qu micos que requieren alta temperatuEn este cap tulo se presenta un bosquejo de una ra. basada en la arquitectura CONEX: el aplicacion es el siguienEl proceso general de produccion sistema C2G. El objetivo que se pretende conse- te: guir con este desarrollo es dual: Objetivo industrial: desarrollar un sistema de control avanzado para plantas de produccion de cemento. Objetivo t ecnico: determinar la aplicabilidad de dicha arquitectura de control a un proceso continuo que ha presentado tradicionalmente problemas de control. del material: Extraccion del ma1. Preparacion terial fundamentalmente caliza de can y mezcla para obtener una teras, trituracion sucientemente homog composicion enea. Al material obtenido se le denomina prehomo. La 2. Molienda de crudo y homogeneizacion: prehomo se muele en un molino de bolas para obtener un material pulverulento denominado crudo. Este material se somete a un proce en silos para mejorar so de homogeneizacion Al material la estabilidad de la composicion. de salida se le denomina crudo. El proceso de coccion permite rea3. Coccion: lizar las reacciones qu micas necesarias en el crudo para que se produzcan los minerales que debe tener el cemento. El material de salida del horno se le denomina clinker. 4. Molienda de cemento: El clinker, en forma de bolas en torno a 1 cm de di ametro es molido en un molino similar al utilizado para el crudo. El resultado de la molienda es el cemento, que se ensaca o se introduce en silos para su venta a granel. 132 dir Yo aun a mas . . .
8.2.
Caracter sticas del proceso
El proceso que se pretende controlar es un sub de cemento: el horno. Este proceso de fabricacion subproceso es, con diferencia, el que presenta m as problemas para su control.
8.2.1.
Plantas de produccion de cemento
El cemento se produce en plantas de produc continua por medio de reacciones de descarcion y sinterizacion que generan una serie bonatacion
Cap tulo 8. Control de Hornos de Clinker
De todos los procesos mencionados anteriormente, el horno es el que presenta m as problemas para su control. De hecho los restantes procesos est an bastante automatizados. En particular el autor ha desarrollado un sistema de control con a molinos, tanto de crudo vencional de aplicacion como de cemento. Este sistema ha sido objeto de ulterior desarrollo por parte de una empresa del sector y se comercializa en la actualidad como un paquete cerrado.
El proceso que sufre el material es el siguiente. El material crudo pulverizado entra en el intercambiador, donde se calienta utilizando los gases de salida del horno hasta una temperatura ele parvada, produci endose una descarbonatacion cial. El material entra en el horno donde sufre dos transformaciones. La primera supone la con de la reaccion de descarbonatacion. La seclusion es una reaccion de sinterizacion, gunda reaccion en la que se generan los minerales que componen de descarbonatacion es enel clinker. La reaccion dot ermica, por lo que precisa de aporte de energ a; es exot sin embargo la de sinterizacion ermica, aun8.2.2. Hornos de Cemento que precisa de una alta temperatura para que ten de cemento el ga lugar. La temperatura adecuada se logra por En una planta de produccion horno es, sin duda, el punto m as cr tico y en mu- medio de un combustible habitualmente carbon chas de ellas el cuello de botella que limita la pro- pulverizado que se quema en una corriente de aire aire primario que se inyecta en el horno. duccion. El material sale del horno a una temperatura cerLos hornos de clinker son de varios tipos, uti- cana a los 1000 , siendo preciso un enfriamiento diferentes, r lizando varios tecnolog as de coccion apido del mismo en la tercera etapa, el enfriador. pero la que presenta mayor importancia es la de- En esta etapa se emplea aire frio a temperatura nominada de v a seca, ya que es la m as adecuada ambiente para enfriar los gr anulos de clinker. El desde el punto de vista energ etico-economico. enfriamiento debe ser r apido para que el clinker micas adecuadas para el del crudo pa- tenga las propiedades qu En este tipo de proceso la coccion cemento y f sicas que faciliten la molienda. A esra producir el clinker se realiza en tres etapas: te enfriamiento r apido se le denomina templado. El aire empleado en el enfriador pasa en parte al 1. Un intercambiador, en el que se realiza horno, recibiendo la denominacion de aire secun un precalentamiento y una descarbonatacion dario. Tambi en es posible utilizar parte de este aiparcial del material utilizando gases de etapas re caliente en el intercambiador, lo que se conoce posteriores. como aire terciario. 2. El horno propiamente dicho, en el que se na y se realiza la coccion liza la descarbonatacion del material.
8.2.3.
Problemas de control
El control de este proceso es complejo por los 3. Un enfriador, en el que se realiza una reduc- siguientes aspectos: r cion apida de temperatura del material cocido. No es un sistema simple sino que son tres sistemas fuertemente acoplados: intercambiador, horno, enfriador. Estas tres etapas est an fuertemente acopladas, ya que en ellas se tienen dos ujos opuestos: uno No existen buenos modelos del proceso, ya de material solido y otro de gases en contracoque es un proceso con mucha variabilidad rriente, lo que diculta enormemente su control. a altas velocidades por solidos en suspension Adem as en este tipo de procesos suele emplearconductos rugosos. que es una inyeccion y quema se precalcinacion, de variables es dif de combustible en el intercambiador, de forma que La medicion cil debido a parte del proceso qu mico se produzca en esta etalas condiciones de temperatura, polvo, ero etc. pa. sion, 133
Ricardo Sanz
Figura 8.1: Estructura b asica de un horno de clinker para fabricaci on de cemento.
134
en el horno es asim La reaccion etrica. En condiciones de funcionamiento estacionarias la de sinterizacion proporciona parte reaccion del calor que precisa la de descarbonatacion, ca por lo que una pequena da de temperatura produce un efecto en la zona de sinterizacion en cadena que puede apagar el horno.
el horno. El sistema de control inteligente de hornos se integrar a con los sistemas de automatiza actualmente existentes en la planta, haciendo cion stos provean. uso de los mecanismos que e
8.3.1.
Objetivos
8.2.4.
Desarrollos actuales
En la actualidad existen multiples sistemas de autom conduccion atica de hornos. Los sistemas cl asicos han dado resultados m as bien pobres, siendo los sistemas basados en el conocimiento los que han obtenido mejores resultados. Entre ellos cabe destacar: Los sistemas FUZZY de F.L. Smidth y LinkMan de Sira Ltd. son sistemas de control basado en reglas borrosas. Los sistemas KALHAS y FAROS, desarrollados por el grupo cementero griego Heracles. El sistema experto de control de hornos de Industar. Los resultados obtenidos con estos sistemas han sido moderadamente buenos, aunque preci pr san de una supervision acticamente continua por personal especializado para su funcionamien bastante estable gestioto. Consiguen operacion nando un numero muy limitado de circunstancias anormales.
El objetivo fundamental que se persigue con este desarrollo es el de obtener un sistema que per autom atica de hornos con una mita la conduccion disponibilidad cercana al 100 %. Esto supone que el sistema debe manejar una serie de circunstancias anormales que suceden en los hornos de clinker pero que no impiden su correcto funcionamiento. Estas circunstancias se derivan de las condiciones especiales del proceso: variabilidad de materiales de partida, temperaturas cr ticas, fuertes erosiones, etc.
8.3.2.
Arquitectura Software
La arquitectura software del sistema es la arquitectura CONEX, sobre la que se realizan particularizaciones para este proceso. El interfase de proceso es un punto crucial en dado que el proceso tiene todas las esta aplicacion, caracter sticas no deseadas que lo hacen necesario: Ruidos: El accionamiento de la mayor a de los sistemas de proceso se realiza por medio de motores el ectricos de gran potencia, que inducen ruidos el ectricos. Variabilidad sensorial. El proceso se lleva a de solidos en gases, cabo en una suspension con ujos a altas velocidades que ocasionan turbulencias que dicultan las medidas estables. Anomal as de funcionamiento de sensores, debido a las condiciones de medida. Las altas temperaturas hacen que se formen pegaduras en los termopares, lo que impide una medida correcta, ya que aumenta la inercia t ermica de la sonda. Deterioro de sensores. Los materiales en sus a altas velocidades son muy abrasipension 135
8.3.
Sistema de Control de Hornos
que presenta de manera somera La aplicacion en este cap tulo se est a desarrollando en la fechas es un deen que esta tesis ve la luz. Esta aplicacion sarrollo conjunto entre una empresa del sector y el departamento en que se he realizado este trabajo. tiene como objetivo el control del Esta aplicacion subproceso m as cr tico de una planta cementera:
Ricardo Sanz
vos, por lo que los elementos sensoriales sufren unos desgastes importantes. Variables ocultas. Las condiciones del proceso hacen muy dif ciles las medidas, cuando no imposibles. La medida de temperatura en la es quiz zona de sinterizacion a la m as importante de todas, pero sin embargo es pr acticamente imposible realizara con un m nimo de garant as. La temperatura en dicha zona ronda los 1400 cent grados, por lo que es pr acti elemento de camente imposible situar ningun medida. Los pirometros opticos se ven muy afectados por el polvo, sobre todo en procesos en v a seca, siendo su medida de muy baja incalidad. Es preciso realizar una obtencion directa de dicha temperatura a partir de otras como son el peso por litro del clinker, las concentraciones de NOx en las salidas de gases o el par del accionamiento del horno. Los sistemas de control de bajo nivel se encargan del control de varios bucles simples en el sistema. Estos controles directos se implantan mediante PIDs en los m as simples, control adaptativo en otros con m as problemas como es el caso del control de velocidad de las parrillas del enfriador, y control basado en reglas borrosas que se emplea en los casos mas complejos, como es el del propio horno. El monitor se basa en patrones establecidos por el experto de proceso y particularizados para la planta por los ingenieros y operadores de la misma. Estos patrones son esencialmente pocos, ya que las situaciones anormales en que se debe se o que se pueden recuperar son guir en operacion bastante pocas. Las reglas de alto nivel se extraen de un exper como de expertos de la planta to de proceso, as particular para la que se desarrolla la aplicacion. El sistema experto de control basado en reglas se implanta por medio de una herramienta comercial de desarrollo de sistemas expertos de control. Esta herramienta, G2, proporciona unos mecanismos adecuados a plantas de par de construccion ametros concentrados, por lo que es preciso realizar un desarrollo compartamental del modelo. El razonamiento basado en modelos se aplica fundamentalmente en modo no autom atico, sugiriendo 136
al operador alternativas de control en una situa dada. Este modulo cion de razonamiento se desarrolla en un lenguaje independiente, orientado a y adaptacion objetos, para facilitar su reutilizacion a otros sistemas. El modelo se estructura en los tres niveles de CONEX, realiz andose el modelo N en t erminos de el formalismo emecuaciones diferenciales segun convencional pleado por un sistema de simulacion (ACSL). est El simulador para esta aplicacion a dividido en los niveles Q y N. No se hace uso de simulacion basada en el conocimiento. El simulador N es en este caso el que lleva la mayor parte de la carga de dado que este simulador se desarrolla evaluacion a partir de versiones anteriores desarrolladas por el mismo equipo con lo que se espera lograr muy buenos resultados. El simulador Q tiene como mi principal su uso en la interaccion con el opesion rador. Los servicios de cara al operador que suminis no se reducen a una mera pretra esta aplicacion de datos, sino que el sistema efectivasentacion mente validar a las ordenes del operador en base de los efectos de las mismas. El a una valoracion modulo de lenguaje natural es muy reducido, limit andose a una gram atica sencilla y a un l exico No se pretende dereducido al tipo de aplicacion. sarrollar el interfase hasta sus ultimas consecuencias porque la necesidad de intercambio de infor entre el operador y el sistema de control es macion limitada.
8.3.3.
Arquitectura Hardware
El sistema corre sobre dos m aquinas conectadas en red. Una de ellas es la encargada de soportar las tareas de alto nivel interfase de operador, razonamiento basado en modelos, razonamiento basado en reglas mientras que la otra so con el proceso y las tareas porta la comunicacion de bajo nivel interfase de proceso, monitor, control directo. De este modo el sistema puede operar como un sistema de control mas o menos cl asico cuando aparezcan circunstancias que impidan la de la m operacion aquina de alto nivel. Estas circunstancias estar an asociadas al software en dos
Control de Horno
Control de Torre
Control de Tubo
Control de Enfriador
Ventilador Exhaustor
Alimentacin
Velocidad
Parrillas
Ventilador de Equilibrio
Figura 8.2: Parte de la jerarqu a de controles del horno de cemento.
formas: Problemas: ya que pueden aparecer errores software, mas dif ciles de detectar en las aplicaciones de alto nivel por ser aplicaciones basadas en inteligencia articial. debe ser acMantenimiento: Ya que la aplicacion tualizada, dado que las plantas no son est aticas, sino que sufren modicaciones casi continuas y adem as el conocimiento que se obtenga de la planta a trav es del uso del sistema permitir a mejorar el conocimiento implantado en el sistema de control inteligente. Los equipos elegidos para estas dos funciones son dos estaciones de trabajo VAXstation 3100. La entre ambos equipos se realiza por meconexion dio de una red Ethernet, dado que la temporalidad del proceso y la baja carga de la red no obligan a utilizar una red determinista como ARCNET. El sistema se implanta sobre los sistemas de control previos de la planta, realizando la comu con ellos de acuerdo con las prestaciones nicacion de los mismos. Para sistemas de control supervi mediana comunicacion sor modernos se emplear te red, mientras que para sistemas convencionales basados en PLCs se emplear an l neas serie dedicadas.
8.4.
Resultados esperados
Los resultados que se esperan de la introduc de este sistema de control en la planta son los cion siguientes: Un aumento de la estabilidad de operacion que redundar a tanto en los resultados que se como en una dismicomentan a continuacion de los problemas de mantenimiento. nucion Un aumento de la calidad del producto, ya que se mantendr an mas controlados los aspectos que la determinan, en particular la temperatura de la zona de sinterizacion. del horno, ya Un aumento de la produccion que el funcionamiento estable permitir a la del horno en condiciones m conduccion as cercanas al l mite. del consumo de combustiUna disminucion ble, ya que el control continuo garantizar a la estabilidad cerca del l mite t ermico, por lo que se reducir a la necesidad de llevar el horno sobrecalentado para evitar ca das de temperatura y apagado de horno. de No se pretende conseguir una reduccion personal al menos de control dado que las caracter sticas del proceso no permiten 137
Ricardo Sanz
garantizar completamente un funcionamien to autonomo. Adem as el sistema precisar a de personal especializado para su mantenimien to y actualizacion.
138
Cap tulo 9
Conclusiones
Los sistemas inteligentes de control se reducen en la actualidad a dos tipos: sistemas que est an proceso industrial y sistemas controlando algun que no lo est an haciendo. En ambos casos hay una serie de caracter sticas generales que merece la pena destacar: Sistemas de control operativos: Son aplicaciones mas o menos directas de la tecnolog a de sistemas expertos, con modicaciones orientadas a su funcionamiento en tiempo real. Este enfoque est a esencialmente basado en reglas, pudiendo incluir espec camente t ecnicas m as avanzadas como pueden ser el uso de t ecni cas borrosas o razonamiento no monotonico. Sistemas de control experimentales: En desarro por lo llo en laboratorios de investigacion, general universitarios, en los que se manejan mundos de juguete, tratando de desarrollar t ecnicas utilizables en control real. Este tipo de sistemas implantan t ecnicas mucho mas avanzadas que los anteriores. Cabe destacar el esfuerzo que se est a realizan en prodo dentro de programas de investigacion, yectos que tratan de desarrollar las metodolog as avanzadas que se han venido comentando en esta tesis y de utilizarlas en aplicaciones reales. t ecnicas avanzadas a aplicaciones reales, ya que se presenta en ella una arquitectura de control orien real de la misma de hecho tada a la aplicacion mientras se escribe esta tesis se est a desarrollando basada en dicha arquitectura. una aplicacion Esta arquitectura supone un acercamiento a la de los siguientes problemas: solucion Realizaci on efectiva de sistemas inteligentes de control en tiempo real, en base a una descompo y jerarquizacion funcional de sistemas sicion de acuerdo con el de proceso de informacion principio de inteligencia creciente con velocidad decreciente. Ello hace posible utilizar tecnolog as como la de sistemas expertos en aplicaciones de control de procesos que requieran de una elevada velocidad de operacion. La integraci on de paradigmas de control diferentes, basados en diferentes metodolog as de funcional control, en base a la jerarquizacion de los sistemas construidos con dichos para de paradigmas diferendigmas. La utilizacion tes es necesaria desde dos puntos de vista: a) en tiempo real, que la necesidad de operacion obliga a utilizar m etodos r apidos y b) la nece abstracta, que sidad de manejar informacion obliga a emplear t ecnicas de inteligencia articial. La utilizaci on de informaci on de planta disponible en distintos niveles de abstracci on, ya la existencia de varios paradigmas de control per mite hacer uso de todo tipo de informacion sobre el proceso. Esto es de importancia cru trabacial, ya que los sistemas de captacion pr jan en un nivel de abstraccion acticamente 139
9.1.
Aportaciones de esta tesis
Las aportaciones de esta tesis se pueden plantear en cierta medida como una fundamenta teorico-pr cion actica que permite el traslado de las
Ricardo Sanz
m nimo mientras que las estrategias de control de situaciones anormales se plantean en t erminos de estados del proceso establecidos en t erminos muy abstractos. La existencia de una fuente coherente de informaci on del estado de la planta, capaz de suministrar en diferentes niveles de abstracinformacion Esta fuente est cion. a constituida por el modelo multiresolucional del proceso. Esta fuente sobre: a) el estado de suministra informacion la planta en diferentes niveles de abstraccion b) la estructura de la planta para utilizarla en razonamiento basado en modelos c) la evolu historica cion de la planta y d) predicciones sobre el comportamiento de la misma frente a acciones de control. La integraci on de mecanismos procedurales junto con mecanismos de razonamiento simb olico, que permite lograr operatividad en tiempo real e implantar conocimiento procedural sobre la del proceso. operacion La utilizaci on de informaci on de expertos en operaci on, en proceso y en control de forma inte que permite utilizar conogral. Informacion cimiento operacional, estructural-funcional y procedural en el control del proceso. En sis temas expertos convencionales la informacion utilizada es exclusivamente la de los operado cuando la inres expertos en operacion que suministran los ingenieros de formacion proceso es fundamental para realizar una va correcta del estado de la planta. loracion
La apertura del sistema de control, de forma que desde y hacia e l. sea factible la comunicacion se basa en el mecanismo Esta comunicacion entre objetos de alto nivel. de comunicacion La facilidad de incorporaci on de nuevas funciones a un sistema ya existente, ya que la estructura de los objetos de alto nivel, as como el meca entre los mismos pernismo de comunicacion mite el desarrollo de nuevos elementos software directamente integrables con una apli de control construida con la arquiteccacion tura CONEX.
9.2.
Desarrollos futuros
de este cap Para la redaccion tulo nal fu e preciso analizar los posibles desarrollos futuros asociados a esta tesis, encontr andose el autor con una de horizonte innito dimension de lo situacion que queda por hacer. Ante este estado de cosas enormidad del trabajo a realizar cabe preguntarse si el trabajo rea personal que lizado ha sido suciente. Es opinion el formular el m etodo de control a utilizar sirve de gran ayuda a la hora de dirigir los posteriores tra rea, y de hecho, a ra bajos en el a z de los desarrollos llevados a cabo en esta tesis se est a formando rea de un tamano imun grupo de trabajo en el a portante.
Intentaremos situar los trabajos llevados a cabo en esta tesis en el marco de los posibles desarrollos rea, tratando de indicar que dichos trabaen este a jos han sido en parte necesarios, en parte aconsejaLa reutilizabilidad de sistemas de control adapta- bles y en parte exploratorios. dos a la planta, ya que el conocimiento sobre Clasicaremos los desarrollos futuros derivael proceso est a en forma de bases de conocimiento convencionales y en particular en for- bles de esta tesis en tres grupos: ma de modelo multiresolucional. Necesarios: Son aquellos sin los cuales este trabajo no tiene ninguna utilidad. Entre estos desarrollos cabe destacar: Desarrollo de t ecnicas fundamentales de la arquitectura que posibiliten la implan de la misma. tacion Desarrollo de aplicaciones basadas en esta arquitectura, de forma que se genere
La seguridad y abilidad del controlador, que es de especial importancia en el caso de control basado en inteligencia articial. El razo namiento basado en modelos, la evaluacion del operador de actuaciones y la integracion en el sistema permite aumentar la robustez del controlador basado en inteligencia articial. 140
Cap tulo 9. Conclusiones
que permita su meuna realimentacion jora. Aconsejables: Desarrollos que pueden resultar economicamente interesantes desde el punto de vista de el uso de este tipo e controles y desarrollos orientados en profundizar en la fun teorica damentacion de este tipo de sistemas. Desarrollo de entornos de construccion de sistemas inteligentes de control. En la actualidad, a ra z de los desarrollos asociados a esta tesis se est a llevando a cabo un estudio de la necesidad de desarrollar un entorno para desarrollo de aplicaciones de control basadas en esta arquitectura. En este entorno se incluir an desde elementos preconstruidos hasta herramientas de desarrollo. de motores de inferencia Construccion en tiempo real, tanto conclusivos como progresivos. de sistemas Herramientas de simulacion continuos embebibles. cualitativa de sistemas distriSimulacion buidos. Exploratorios: Destinados fundamentalmente a incluir otras tecnolog as en el campo de control inteligente. de redes neuronales para deUtilizacion del estado de la planta (etaterminacion pa de valoraci on de la situaci on). de mecanismos de aprendizaje Inclusion para la mejora de modelos o el establecimiento de patrones. En la actualidad se est an llevado a cabo desarrollos en todos los grupos mencionados, bien en la forma de proyectos n de carrera, bien como proyectos industriales y posiblemente como tesis doctorales.
141
Ap endice A
Criterios de aplicacion del control inteligente en procesos industriales

Ante la complejidad del problema de decidir qu e tecnolog a de control emplear, se nos plantea la pregunta . . . ES ESTE PROBLEMA DE CONTROL ADECUADO PARA USAR TECNICAS DE CONTROL INTELIGENTE? El siguiente cuestionario proporciona algunas o no del pistas para decidir sobre la adecuacion uso de un sistema inteligente de control en su caso particular. Ha intentado controlar su proceso con medios cl asicos habiendo fracasado, o ha obtenido resultados muy pobres? Si [ ] No [ ] Tiene su proceso complejidad terciaria? Si [ ] No [ ] El estabilizar la operaci on del proceso o aumentar ligeramente su rendimiento ser a muy rentable? Si [ ] No [ ] Hay alguien capaz de controlar el proceso? Si [ ] No [ ] Est a dispuesto a conar en un sistema inteligente de control? Si [ ] No [ ] Si se contestan armativamente a todas las preguntas el caso es adecuado para intentar el desarrollo de un sistema de control inteligente. Cada una de las preguntas trata de caracterizar uno de los aspectos fundamentales del control inteligente. Estos aspectos son los siguientes: Los sistemas de control inteligentes pueden hacer frente a problemas de control inabordables con enfoques cl asicos. Permiten controlar a pesar de las dicultades de modelado del proceso. Su coste de desarrollo es muy elevado. Como todos los sistemas basados en el conocimiento precisan que alguien aporte este conocimiento. Su funcionamiento es de dif cil comprension, utilizando justicacion. aun
142
Ap endice B
Glosario
En este glosario se recogen las acepciones con Actuacion: Establecimiento de acciones de conque se usan una serie de t erminos importantes en trol para el sistema de bajo nivel. esta tesis. En algunos de ellos se incluye el t ermino An alisis de sensibilidad: Proceso de determinar ingl es del que procede en la forma I(xxx)1 . la variabilidad del comportamiento de un sis tema debido a pequenas perturbaciones en sus par ametros y/ entradas. I(sensivity analyB.1. T erminos sis) Acantilado, efecto: Se denomina as a la disminu- Antecedente: Lado izquierdo de una regla. brusca de prestaciones de un sistema excion Atributo: Cada uno de los campos de datos perto ante un problema que cae ligeramente asociados a un objeto. Se utiliza habitual mbito de aplicacion. I(cliff effect) fuera de su a mente dentro de las representaciones objeto orientada a atributo-valor. En programacion de control es una Accion de control: Una accion objeto se habla de variable de ejemplar (ins de una variable de actuacion. valoracion tance variable). Cuando se emplean marcos se Activacion periodica: Un mecanismo de activahabla de ranuras (slots). de reglas mediante el cual una determicion nada regla se activa de forma periodica. Este Automatizacion total: Un nivel de automatizaci on tipo de mecanismo es muy importante en sis en el que el humano no tiene ninguna funcion. temas de control directo basado en reglas. Base de conocimiento: Conjunto de informacion Activar: Activar una base de conocimiento es haque recoge conocimiento sobre un determinacer que el conocimiento contenido en esa base do dominio. Habitualmente ha estado asociade conocimiento se utilice en las siguientes indo a representaciones mediante reglas, aunferencias. Es una de las posibles acciones que que puede estar costru da en base a cualquier puede aparecer en el lado derecho de una re otro paradigma de representacion. gla. Biblioteca de conocimiento: Cuando se emActividad de control: D cese de una tarea de con plea un esquema de representacion de trol directo: cambio de consignas, especicaconocimiento constructivista por ejemplo de reguladores, ajuste de par cion ametros, etc. modelos es posible reutilizar las bases de Las actividades pueden ser instant aneas o esconocimiento, por lo que estas se pueden tar asociadas a intervalos temporales. Activialmacenar en bibliotecas de conocmiento. de patrodades especiales son la bifurcacion nes y la actividad vac a. Blackboard: Tipo de estructura de un sistema de en el que varios promanejo de informacion, 1 El autor pide disculpas por las posibles discrepancias sobre la toman y deja inforcesadores de informaci on correcta correspondencia de t erminos, respecto a lo establecido por en un deposito que se denomimacion comun otros autores. 143
Ricardo Sanz
Comportamiento: El comportamiento de un sisBucle externo: En esta tesis se reere al bucle de de estados del mismo. En tema es la sucesion control llevado a cabo por encima de otro buocasiones se le denominar a historia o evolu de supervisar la cle de control, con la mision ci on. ste. Por lo general se lleva a caactividad de e Conclusion: Parte derecha de una regla. bo mediante un humano. Bucle interno: Bucle de control por debajo de un Concurrente: Se dice que dos pprocesos son concurrentes cuando se ejecutan al mismo tiembucle supervisor y que es objeto de la activi enpo y realizan intercambio de informacion ste. dad de e tre ellos. Casamiento: Proceso de busqueda de valores Conocimiento declarativo: Conocimiento relatique encajan en una determinada expresion. objeto; es conocivo a la estructura de algun I(matching) meinto de lo que es. Categor a focal: Grupo de reglas que se activan en ca- Conocimiento heur de forma separada. La descomposicion stico: Un tipo de conocmientegorias focales permite dividir la base de to basado en la experiencia y fundamentado conocimiento en bases que se seleccionan en el sentido comun. de acuerdo con el proceso de inferencia. El en relacion con Conocimiento procedural: Conocimiento relatit ermino focal tiene sentido solo vo a la manera de realizaa algo; es conocisu uso para referirse a focalizacion espacial meinto de c omo. (ver clase focal). entre varia- Conocimiento profundo: Conocimiento que funCausalidad: Es un tipo de relacion damenta en mecanismos causales el comporbles y cambios de las mismas que va a pertamiento de un sistema; en ocasiones se le demitir realizar razonamientos sobre el funcionomina conocimiento causal. namiento de del sistema al m as alto nivel. Clase: Una clase es una estructura abstracta de Conocimiento somero: Conocimiento que expre de su caudatos, en la que incluyen tanto los datos prosa comportamientos sin dar razon piamente dichos, como una serie de m etodos sa. asociados a los mismos; es uno de los concep orientada a ob- Control: Sistema que permite modicar el comtos b asicos de la programacion portamiento de otro sistema respecto a su lijeto. bre funcionamiento. Por lo general se entenClase focal: Grupo de reglas que constituyen una der a que el CONTROL trata de que las variabase de conocimiento en un sistema descombles interesantes del sistema sigan una deterpuesto por dominios. Son reglas referidas a minada evolucion. una determinada clase de objetos objetos Control cl asico: Control llevado a cabo utilizando focales. exclusivamente t ecnicas tomadas de la teor a Complejidad de interaccion: Uno de los tres asde sistemas. pectos de complejidad del proceso mencionaControl inteligente: Control que utiliza t ecnicas dos en esta tesis. Se reere a los volumenes tomadas de la inteligencia articial. elevados de interacciones entre los diferentes elementos del proceso. Control inteligente de procesos: Control inteliComplejidad volum etrica: Uno de los tres aspecgente aplicado a los sistemas industriales de continua. tos de complejidad del proceso mencionados produccion 144
na blackboard. Se le ha denominado en oca siones enfoque oportunista para la resolucion de problemas.
en esta tesis. Se reere al numero elevado de elementos del proceso.
Ap endice B. Glosario
Control supervisor: Control cuyo objetivo es que otro control control supervisado se comporte de manera adecuada.
Espacio de cantidades: Conjunto de todos los posibles valores de una variable.
Espacio de estados: Conjunto de todos los posi Demonio: Proceso latente que realiza su funcion bles estados del sistema. cuando se d an determinadas circunstancias otro Estado FQ: Representa el conjunto de valores cuasin ser requerido para ello por ningun proceso. litativos borrosos de todas las variables del proceso susceptibles de tomar este tipo de vaDesactivar: Ver activar. lores. Diagnosis: Proceso de identicacion de una a partir de los s malfuncion ntomas y de la Estado K: Representa el conjunto de valores num ericos de todas las variables del proceso historia de un elemento. susceptibles de tomar este tipo de valores. Dirigido por eventos: D cese del sistema de ra como consecuencia de Estado N: Representa el conjunto de valores zonamiento que actua de determinados sucesos. I(event la aparicion num ericos de todas las variables del proceso driven) susceptibles de tomar este tipo de valores. Disponibilidad: Cualidad o estado de estar dis- Estado Q: Representa el conjunto de valores cua mbito t ponible. Por lo general en el a ecnilitativos de todas las variables del proceso co se reere a la cualidad de un sistema que susceptibles de tomar este tipo de valores. y puesta en funcionapermite su reparacion miento en caso de aver a de forma r apida. Estado: Estado del proceso. Se compone de los esI(availability) tados K, Q y N. I(state) Ejemplar: Cada uno de los objetos de una determinada clase. I(instance) Encadenamiento hacia atr as: Una forma de inferencia en que se parte de los hechos a demostrar, buscando las reglas y premisas que los satisfagan. Encadenamiento hacia delante: Una forma de inferencia en que se parte de los hechos para alcanzar las conclusiones. Estado: Para un sistema dado utilizaremos el ermino ESTADO al referirnos al conjunto t de caracter sticas del mismo que van a determinar su comportamiento futuro. Se utili completa del sistezar a como determinacion ma. Conjunto de valores para todas las variables del sistema. de Estrategias de control: Pol tica de generacion acciones de control a lo largo del tiempo.
Encapsulacion de datos: Inaccesibilidad de los Experto: Persona con conocimiento amplio sobre datos internos de un objeto salvo a trav es del un tema que le permite resolver problemas ste. interfase de e sobre dicho tema. El conocimiento en cues es tanto datos como procedimientos. Este tion de una referencia a Enlace din amico: Resolucion conocimiento se suele conseguir a trav es de la un m etodo procedimiento en tiempo de experiencia. o de ejecucion, en funcion de compilacion la clase del objeto que la recibe. Concep de reglas: Mecanismo por el cual se tos asociados son los de enlace temprano Exploracion determinan las reglas a lanzar en una inferen en compilacion resolucion y enlace tard o cia. Es de especial importancia en caso de dis en ejecucion. I(dynamic binding, resolucion periodica. poner de reglas con activacion early binding, late binding) no nu- Fiabilidad: Cualidad de un elemento de tener un Episodio: Elemento temporal de duracion la. numero reducido de fallos. I(reliability) 145
Ricardo Sanz
a a un subsistema situado enFocalizar: Centrar el proceso de inferencia en un Interfase: Se referir tre otros dos y que permite la comunicacion determinado subdominio del dominio com entre ambos. El objetivo del mismo es adappleto. Es un mecanismo de descomposicion tar los datos disponibles a un lado a los tipor dominios que permite aumentar la epos de datos empleados en el otro. El interciencia de los sistemas basados el el conoci BI suele ser llevada a camiento. La focalizacion fase podr a ser pues UNIDIRECCIONAL o DIRECCIONAL. Tambi en se denomina interbo por medio de mencanismos de activacion de bases de conocimiento. de mensajes a fase o protocolo a la coleccion y desactivacion los que responde un objeto. Fuente de datos: Cualquier sistema que suministre datos al sistema de control. Fuentes de da- Interfase externo: Mecanismo de conexion con el tos son: los sensores, bases de datos, simulaexterior de un sistema. dores, etc. Intervalo: Per odo de tiempo entre dos instantes. Gen erico: D cese de todo aquello referido a todos los objetos de una clase. Intervalo de exploracion: Atributo caracter stico del motor de nferencia que establece el Grafo de comportamiento: Por lo general la pre de una regla per odo m nimo de activacion del comportamiento no dar diccion a un re con activaci on peri odica. sultado unico, sino que se generar a un grafo que representar a todos los posibles comportaIntervalo de validez: Per odo de tiempo durante mientos del sistema. Los nodos del grafo son el cual se sonsidera v alido el valor de una vaestados del sistema. riable. Herencia: Concepto crucial en la programacion orientada a objetos. La herencia es la capacidad Invocar: Activar una regla. por la que una clase dispone como propia Jerarqu a: Forma de estructurar sistemas complede la estructura de datos y los m etodos de las jos en la que los subsistemas se relacionan con clases de las que hereda. I(inheritance) relaciones asim etricas. Herramientas (software): Programa que ayudan a de clases: Jerarquia compuesta por las de sistemas de proceso de Jerarqu en la construccion clases utilizadas en una determinada re informacion. de conocimiento. La relacion presentacion Historia: Conjunto de valores anteriores de una ES-UN asim etrica empleada es una relacion variable, con indicaciones del instante tempo(IS-A). ral al que corresponden. Mantenibilidad: Cualidad de un elemento que Hito: Es un valor caracter stico de una variable y a nuevas circunspermite su f acil adaptacion especial. que recibe una designacion tancias. I(maintainability) Incertidumbre de comportamiento: Uno de los de uno de los m Mensaje: Invocacion etodos que tres aspectos de complejidad del proceso constituyen el interfase de un objeto. mencionados en esta tesis. Se reere a la incertidumbre derivada del desconocimiento del Mensaje global: Mensaje dirigido a todos los ob entre los elemenmodo exacto de interaccion jetos activos de un sistema. tos del proceso. por encima Metacontrol: Es un control que se situa Instante: Corresponde a un instante temporal. de otro control. El sistema controlado puede Inteligencia articial: Conjunto de t ecnicas inser entendido a su vez como un sistema global, con lo cual es posible pensar en establecer form aticas que emplean representaciones simbolicas complejas, y que tratan de emular un control que mejore el comportamiento de el modo como opera la mente humana. dicho sistema. 146
Ap endice B. Glosario
Modos de fallo: Cada una de las maneras en que se puede producir un fallo en un sistema. (Falta-Error-Fallo en software). Su estructura permite generar un a cion rbol de modos de fallo oa rbol de fallo.
Prioridad: Criterio por el que se decide que actividad debe ejecutarse primero.
Prioridad de actuaciones: Criterio por el que se controla cual de dos actuaciones de control es m as importante, lo que permite decidir cual Motor de inferencia: Proceso encargado de la acse ejecutar a. Es de especial importancia en ca seleccion y ejecucion de los procesos tivacion, so de existencia de colisiones en las especicielementales de uns sistema basado en conoci originadas por dos profaciones de actuacion miento. Por lo general estos procesos elemencesos de inferencia diferentes. tales ser an disparos de reglas. Prioridad de mensajes: La respuesta de los obNiveles de automatizacion: Cada uno de los po jetos a los mensajes pude ser con multiples sibles modos en que se puede realizar el con o mediante una programal neas de ejecucion trol de un proceso, desde el puramente ma de las mismas. Los criterios de prioridad cion nual al completamente autom atico, pasando de mensajes permiten gestionarlos de forma a trav es de una serie de alternativas. que se responda antes a los m as importantes. Objeto: Un ejemplar de la estructura de datos dePrioridad de reglas: Mecanismo de control del nida en una clase. de reglas. Por lo general orden de activacion Objeto focal: D cese de aquel objeto con una clase conduce a malos usos ya que se emplea para focal de reglas. procedural. hacer programacion OOP: Object Oriented Programming. Programa orientada a objetos. cion Prioridad de tareas: En caso de sistemas basados en conocimiento que no permitan ejecuciones multiles es preciso organizar las tareas de inOperador: Es la persona encargada de supervisar ferencia demandadas al mismo. Para ello se de un sistema. Si el sistema es la operacion emplean criterios de prioridad de tareas basacontrolado el operador establece los par amedos en el tipo de demanda y en el demandantros de funcionamiento del control (consigte. nas, par ametros del regulador, etc). me- Procedimiento: Mecanismo de computo Paquete: Unidad empleada en comunicacion determidiante redes. nista. Paradigma MI-BC: Paradigma del sistema experto Proceso: Un proceso es un sistema que evoluciona cl asico, en el que se separa el conocimiento en el tiempo. Tambi en se entiende por tal un procedural gen erico del conocimiento sobre el en un computador. programa en ejecucion dominio. De esta forma se generan el motor de inferencia (MI) y la base de conocimiento Programador: Mecanismo de disposicion a lo (BC): largo del tiempo de actividades a realizar. I(scheduler) Patron de actuacion: Se reere a una especica temporal de actividades de control. cion Protocolo: En ocasiones se reere con este ermino al cuonjunto de mensajes a los que t Pericia: Cualidad que distingue al experto. No se responde un objeto la interfase de objeto. ha utilizado el t ermino experiencia, dado que este ultimo se emplea para referirse al medio Region de operacion: Es el conjunto de intervalos por el cual se llega a ser experto. I(expertise) de validez de un conjunto de restricciones. La simplicidad de los mecanismos de expresion Polimorsmo: Capacidad de los objetos de resde relaciones hace que la validez de la misma ponder de forma diferente a los mismos mensea limitada a unos intervalos determinados sajes. Esta estrechamente relacionada con el de valores para las variables del sistema. enlace din amico. 147
Ricardo Sanz
Regla gen erica: Regla aplicable a cualquier objeto de una clase determinada.
Superclase: D cese de aquella clase de la que otra es subclase.
Supervision: Actividad del operador que contro Regulador: Mecanismo de c alculo de las senales la el funcionamiento del sistema CONTROL sobre el sistema a controlar que de actuacion PROCESO. I(oversight) permite al control conducir al sistema por una determinada. evolucion Tiempo de expiracion: Instante en que concluye el intervalo de validez del valor de una variaRestriccion: D cese de aquello que establece una ble. entre los posibles valores de un restriccion grupo de variables. Reutilizabilidad: T ermino por lo general asociado al software, signicando la propiedad de un determinado software para se utilizado de nuevo en otro sistema sin requerir modicaciones. I(reusability) Seguridad: Se dir a que un sistema es seguro cuando no se producen fallos o estos no pro ducen danos. Sentido comun: Cualidad de los seres humanos por la que son capaces de realizar razonamientos sobre los hechos cotidianos sin apenas darse cuenta. Servidor de datos: Ver fuente de datos. Sistema: Conjunto de elementos interrelacionados. Valor: Cada uno de los valores que puede tomar an habitualmenuna variable. Estos valores ser te numeros reales, aunque en la representa simbolica cion se sustituir an por s mbolos referentes a un valor real o a un conjunto de ellos. Variable: Cada una de las variables del sistema a simular. Por lo general se reere a funciones reales de variable real, siendo esta variable el tiempo. Variable K: Es una variable que admite valores simbolicos, su espacio de cantidades es un conjunto nito. Variable mixta: Variable que admite valoraciones de dos o mas tipos. Variable N: Es una variable que admite valores num ericos, su espacio de cantidades son los reales (punto otante).
Sistema hombre-m aquina: Sistema resultante de de un hormbre y una m la inteaccion aquina. Variable Q: Es una variable que admite valores cualitativos, su espacio de cantidades es un del hombre es En el estado actual la mision de orden. conjunto nito con una relacion proporcionar sentido comun. Sistemas de soporte de decisiones: Sistema in de informacion a B.2. Acronimos form atico de presentacion humanos que, mediante t ecnicas de ltrado previa facilita la toma de e interpretacion MRAC: Model Reference Adaptive Control. Condecisiones por parte del humano. trol adaptativo con modelo de referencia. Situacion: Estado parcial del proceso. RAM: Reliability,Availability & Maintainability
sobre el estado de un siste- MI-BC: Motor de Inferencia - Base de ConociStatus: Informacion ma. Estado interno de un HLO. Mensaje inmiento. formando del estado interno (status real) de un HLO. Incluye un subconjunto de las varia- IA: Inteligencia Articial. bles de estado del HLO. SE: Sistema Experto. Subclase: Clase relacionada con otra por una re ES-UN. lacion 148 PID: Proporcional, Integral y Diferencial.
Ap endice C
Bibliograf a
C.1. Referencias Bibliogr acas
[Astrom 89a ] Towards Intelligent Control. Karl IEEE Control Systems Magazine, Johan Astrom. April 1989, pp. 60-64. [Astrom 89b ] Adaptive Control. Karl Johan Wittenmark. Addison-Wesley, Astrom y Bjorn 1989.
[Adaptech 89 ] EXPERT-AD, Expert Adaptive Control Software. ADAPTECH, 1989. [Alty 87 ] The Limitations of Rule-Based Expert Systems. J. L. Alty. Knowledge Based Expert Systems in Industry. Ellis Horwood, England 1987, pp. 12-16.
[Bailey 88 ] Autonomous Decision Sources for Todays Automated Plants. S.J. Bayley. Control Engineering, July 1988. [Andreae 77 ] Thinking with the Teachable Machine. John H. Andreae Academic Press, London, [Barreto 90 ] Qualitative and Quantitative Models 1977. of Systems. J. Barreto y M. de Neyer. IMACS MIMS2 , 1990. [Antsaklis 89 ] Towards Intelligent Autonomous Control Systems: Architecture and Funda[Bartos 89 ] AI Now More Realistically at Work in mental Issues. P.J. Antsaklis and K.M. PasIndustry. Frank J. Bartos. Control Engineering, sino. Journal of Intelligent and Robotic Systems, July 1989. Vol. 1, No. 4, pp. 315-342, 1989. [Basagoiti 89 ] Sistemas Expertos para Control In[Aracil 86 ] M aquinas, Sistemas y Modelos. Javier dustrial. Pedro Basagoiti. Tesis Doctoral, EsAracil. Tecnos, 1986. cuela T ecnica Superior de Ingenieros Industriales de la U.P.M. 1988. [Aracil 89 ] Stability Indices for the Global Analysis of Expert Control Systems. Javier Aracil, [Berger 89 ] A Hierarchical Framework for LearAn bal Ollero y Alfonso Garc a Cerezo. IEEE ning Control. Kurt M. Berger y Kenneth A. Trans. on Systems, man and Cybernetics, VOl 19, Loparo. En Articial Intelligence, Simulation No. 5, pp. 998-1007, 1989. and Modelling. Lawrence E. Widman, Kenneth A. Loparo y Norman R. Nielsen (eds). Wiley[ASEA 83 ] Adaptive Controllers - A New Age in Interscience, 1989. Process Control?, Asea Innovation, Novemeber 1983. [Bernard 88 ] Use of a Rule-Based System for Pro cess Control. John A. Bernard. IEEE Control [Astrom 86 ] Expert Control. K.J. Astrom, J.J. An Systems Magazine, pp 3-13. October 1988. ton y K.E. Arzen. Autom atica, Vol. 22, pp. 277286. Pergamon Journals Ltd. 1986. [Bobrow 84 ] Qualitative Reasoning about Phisy [Astrom 88 ] Sistemas Controlados por Computador. cal Systems. Daniel G. Bobrow (Ed). North Wittenmark. PAKarl Johan Astrom y Bjorn Holland. 1984. Reprinted from Articial InteRANINFO, 1988. lligence, Vol. 24. 149
Ricardo Sanz
[Bratko 88 ] Qualitative Modelling for Medical Diagnosis. I. Bratko. 1st IFAC Symposiun on Modelling and Simmulation in Biomedical Systems, 1988, pp. 151-157.
Control Problems in Manufacturing Technology, Madrid 1989. [DAmbrosio 89a ] Qualitative Process Theory Using Linguistic Variables. Bruce DAmbrosio. Springer-Verlag. 1989.
[Bridgeland 90 ] Three Qualitative Simulation Extensions for Supporting Economics Models. [Dalle Molle 89 ] Qualitative Simulation of DynaDavid Murray Bridgeland. 6th Conference on mic Chemical Processes. David Dalle Molle. Ph. Articial Intelligence Applications, pp. 267-273, D. Thesis. Univ. of Texas at Austin. 1989. 1990. [de Kleer 84a ] A Qualitative Physics Based on [Brown 82 ] Pedagogical, Natural Language and Conuences. Johan de Kleer y John Seely Knowledge Engineering Techniques in SOPBrown. Articial Intelligence Vol.24, pp. 7-83, HIE I, II and III. J.S. Brown, R.R. Burton and 1984. J. de Kleer. En Intelligent Tutoring Systems. D. Sleeman y J.S. Brown (Eds). Academic Press, [Dubois 80 ] Fuzzy Sets and Systems: Theory and e. Applications. Didier Dubois y Henri Prad 1982. Academic Press, 1980. [Bundy 86 ] Catalogue of Articial Intelligence Tools. [Efstahtiou 87 ] Rule-Based Process Control Alan Bundy. Springer Verlag, 1986. Using Fuzzy Logic. J. Efstahtiou. Aproximate Reasoning in Intelligent Systems, Decision and [Calle 90 ] Software para Control Robusto. BeControl. Elie Sanchez y Lofti A. Zadeh (Eds). nedicto Calle. Autom atica en Instrumentaci on, Pergamon Press, pp. 145-158, 1987. Abril 1990. [Cavanna 89 ] QUIC Toolkit Demonstrator Applications. A. Cavanna, J.C. Chautard, C. Honorat, M. Levin y B. Klausen. CIM Europe. 1989. [Ehrich 83 ] DMS - A System for Dening and Managing Human-Computer Dialogues. R.W. Ehrich. Autom atica, Vol. 19, No. 6, pp. 605-612, 1983.
[Cerezo 88 ] Aplicaciones del Razonamiento Aproximado en el Control y Supervisi on de Procesos. A. [Ellis 89 ] Active Objects: Realities and Possibilities. Clarence A. Ellis y Simon J. Gibss. En Cerezo. Ph.D. Thesis. U. Santiago de ComposObject Oriented Concepts, Databases and Appli 1987. tela, Espana cations, Won Kim y Frederick H. Lochowsky (Eds). ACM Press, pp. 561-572, 1989. [Charbonnaud 90 ] A Quasi-Qualitative Calculus for Technical Diagnosis Modelling and Reaso[Euristic 89 ] CHRONOS User Manual. Euristic ning. Philippe Charbonnaud y Roger Bertin. Systems, 1989. IMACS MIMS2 , 1990. [Fern andez 77 ] Modelos Matem aticos y de Si[Clancey 89 ] Viewing Knowledge Bases as Qualimulacion para Sistemas Cont nuos. Gregorio tative Models. William J. Clancey. IEEE Expert, Fern andez Fernandez. Dpto. Publicaciones. pp. 9-23, Summer 1989. ETSIT Madrid, 1977. [Cross 86 ] Knowledge-Based Pilot Aids: A case [Filman 88 ] Reasoning with Worlds and Truth study in Mission Planning. Stephen E. Cross, Maintenance in a Knowledge-Based ProgramRobert B. Bahnij, y Douglas O. Norman. Arming Environment. Robert E. Filman. Commuticial Intelligence and Man-Machine Systems. nications of the ACM. Vol.31 No.4, April 1988. Springer-Verlag, 1986, pp. 141-174. [Fishwick 90 ] Qualitative Physics: Towards the [Cuena 89 ] A Knowledge Based Environment for Automation of System Problem Solving. Paul A. Fishwick and Bernard P. Zeigler. IEEE SymArticial Intelligence Modelling of industrial Problems: Preliminary Concepts. J. Cuena y posium on AI, Simulation and Planning in High IFAC Symposium on Information A. Salmeron. Autonomy Systems, pp. 118-134, 1990. 150
Ap endice C. Bibliograf a
[Fogarty 89 ] The Machine Learning of Rules for Combustion Control in Multiple Burner Installations. Teremce C. Fogarty. CAIA 89, pp. 215-221. IEEE Computer Society Press, 1989. [Forbus 84 ] Qualitative Process Theory. Kenneth D. Forbus. Articial Intelligence, Vol. 24, pp. 85168, 1984. [Forbus 87 ] Interpreting Observations of Physical Systems. Kenneth D. Forbus. IEEE Transaction on Systems, Man and Cybernetics, Vol. 17 No. 3, May/June 1987, pp. 350-359. [Forgy 82 ] Rete: A Fast Algorith for the Many Pattern/Many Object Pattern Match Problem. Charles L. Forgy. Articial Intelligence, Vol. 19, pp. 17-37, 1982. [Foxboro 86 ] Process Automation: A 14-Part Series. Reprints from Chemical Engineering. Foxboro, 1986.
[Gensym 89 ] An Introduction to G2. Gensym Corporation. January 1989. [Gevarter 84 ] Articial Intelligence, Expert Systems, Computer Vision and Natural Language Processing. William B. Gevarter. Noyes Publications, 1984. [Gonz alez 89 ] Arquitectura para Sistemas Expere Carlos tos con Razonamiento Aproximado. Jos Gonz alez Cristobal. Tesis Doctoral. Escuela T ecnica Superior de Ingenieros de Telecomu Universidad Polit nicacion. ecnica de Madrid. 1989. [Grant 89 ] A Qualitative Modeling Toolbox for Control Architectures. E. Grant y D. Pearce. IEEE International Symposium on Intelligent Control 1989, pp. 526-530. [Guerrin 90 ] Biological Process Interpretation Using a Qualitative Reasoning Approach. Franc ois Guerrin. IMACS MIMS2 , 1990.
[Franke 90 ] CC: Component Connection Models for Qualitative Simulation - A Users Guide. David [Hayes 85a ] The Second Naive Physics ManiFranke y Dan Dvorak. Univ. Texas AI Lab. festo. Patrick J. Hayes. Formal Theories of AI90-126, 1990. the Comonsense World, pp. 1-36. ABLEX Publishing Corporation, Norwood, New Jersey, [Frost 86 ] Introduction to Knowledge Based Systems. 1985. Robert A. Frost. Collins, 1986. [Fu 70 ] Learning Control Systems - Review and [Henkind 87 ] A Clinical Alarm System Using Techiniques from Articial Intelligence and Outlook. King-Sun Fu. IEEE Trans. on AutomaFuzzy Set Theory. S.J. Henkind, R.R. Yager, tic Control, Vol. 15, No. 2, April 1970. A.M. Benis y M.C. Harrison. Aproximate Reasoning in Intelligent Systems, Decision and Con[Fu 87 ] Robotics: Control, Sensing, Vision and Introl. Elie Sanchez and Lofti A. Zadeh (Eds). telligence. K.S. Fu, R.C. Gonz alez y C.S.G. Pergamon Press, pp. 91-104, 1987. Lee. McGraw-Hill 1987. (Trad. Esp. Robotica: Vision e Inteligencia. McControl, Deteccion, [Hinkelmann 89 ] Deep Knowledge for ConguGraw-Hill, 1988). ration and Diagnosis in a Technical Environment. H. Hinkelmann y D. Karagiannis. IN[Gal an 89 ] Introducci on a los Sistemas Expertos. COM 89, pp. 579-584. 1989. Gal Ramon an Lopez. Publicaciones ETSII. Universidad Polit ecnica de Madrid. 1989. [Holmblad 87 ] Automatic Control of Cement Kilns by Fuzzy Logic Techniques. Lauritz Pe[Genesereth 84 ] The Use of Design Descriptions ter Holmblad. Seminar on Expert Systems and in Automated Diagnosis.Michael R. Genese their Applications. UIMP, Santander, Espana. reth. Articial Intelligence, Vol. 24, pp. 411-436, 1987. 1984. [Gensym 88 ] G2 User Manual. Gensym Corporation. 1988. [Ilari 87 ] Control Experto. Juan Ilari Valenti. Te 1987. ma de oposicion, 151
Ricardo Sanz
[Intellicorp 86 ] Model Based Reasoning in the [Kuipers 88 ] Abstraction by Time-Scale in QuaKEE and SimKit Systems. Intellinews, Vol.2 litative Simulation for Biomedical Modelling. No.2. August 1986. Benjamin J. Kuipers. 1st IFAC Symposiun on Modelling and Simulation in Biomedical Systems, [Intellicorp 87a ] Intellicorp Extends KEE for 1988, pp. 158-162. Electric Power Industry. Intellicorp Application Note, 1987. [Kuipers 90 ] A Smooth Integration of Incomplete Quantitative Knowledge into Qualitative Simmu[Jakob 90 ] Situation Assesment for Process Conlation. Benjamin J. Kuipers y Daniel Berleant. trol. Franc ois Jakob y Pierre Suslenschi. IEEE Univ. Texas AI Lab. AI90-122, 1990. Expert, April 1990, pp. 49-59. [Laffey 88 ] Real-Time Knowledge Based Sys[Johansen 83 ] Human System Interface Concerns tems. Thomas J. Laffey, Preston A. Cox, James in Support System Design. Gunnar Johansen, L. Schmidt, Simon M. Kao y Jackson Y Read. John E. Rijnsdorp y Andrew P. Sage. Autom atiAI Magazine, Spring 1988. ca, Vol. 19, No. 6, pp. 595-603, 1983. [Juuso 90 ] Expert Systems Combined with a Multilayer Simulation System. Esko K. Juuso y Kauko Leivisk a. IMACS MIMS2 , 1990. [Kandel 86 ] Fuzzy Mathematical Techniques with Applications. Abraham Kandel. AddisonWesley. 1986. [Lan 90 ] Printing Press Conguration. M.S. Lan y R.M. Panos. IEEE Expert, February 1990. pp. 65-73. [Lehman 80 ] Programs, Life Cycles and Laws of Software Evolution. Meir M. Lehman. Proceedings of the IEEE, Vol. 68, pp. 1060-1076, 1980.
[Karel 89 ] KLUE: A Diagnostic Expert Sys- [Leyval 90 ] Event Oriented Versus Interval Oriented Qualitative Simulation. L. Leyval, S. tem Tool for Manufacturing. Gerald Karel y Feray Beaumont y S. Gentil. IMACS MIMS2 , Martin Kenner. Intellinews, Vol.5 No.1, Win1990. ter/Spring 1989. [Kitowski 87 ] Diagnostics of Fault States in Com- [MacFarlane 70 ] Dynamical System Models. A.G.J. MacFarlane. Harrap, 1970. plex Physical Systems Using Fuzzy Relational Equations. J. Kitowski y M. Bargiel. Aproximate Reasoning in Intelligent Systems, Decision and [Mamdani 81 ] Fuzzy Reasoning and its Applications. E.H. Mamdani y E.R. Gaines (Eds). AcaControl. Elie Sanchez y Lofti A. Zadeh (Eds). demic Press, 1981. Pergamon Press, pp. 175-194, 1987. [Klir 69 ] An Approach to General Systems Theory. George J. Klir. Van Nostrand Reinhold, New York, 1969. [Kuhn 71 ] La Estructura de las Revoluciones Cient cas. T.S. Kuhn. Fondo de Cultura Economica, 1977. [Mart nez 90 ] Realizaci on de un Sistema Experto para el Control de la Fermentaci on de un Antibi oti co. Gamaliel Mart nez Munoz. Proyecto Fin de Carrera. ETSI Industriales, 1990. [Mesarovic 70 ] Theory of Hierarchical, Multilevel, Systems. M. Mesarovic, D. Macko, e Y. Takahara. Academic Press, 1970.
[Kuipers 84 ] Comonsense Reasoning about Causality: Deriving Behavior from Structure. Ben- [Meyer 88 ] Object Oriented Software Construction. Bertrand Meyer. Prentice Hall. 1988. jamin Kuipers. Articial Intelligence Vol.24, pp. 169-204, 1984. [Meystel 86 ] Knowledge-Based Controller for In[Kuipers 86 ] Qualitative Simulation. Benjamin J. telligent Mobile Robots. A. Meystel ArtiKuipers. Articial Intelligence, Vol. 29, pp. 289cial Intelligence and Man-Machine Systems. 338. Springer-Verlag, 1986, pp. 113-140. 152
[Milne 87 ] Strategies for Diagnosis. Robert Milne. IEEE Transactions on Systems Man and Cybernetics, Vol. 17 No. 3, May/June 1987, pp. 333-339. [Mladenov 89 ] Distributed Intelligence Systems: Methods and Applications. D. Mladenov (Ed.). Pergamon Press, 1989. [Moliner 89 ] Diccionario de Uso del Espanol . Mar a Moliner. Gredos, 1989. [Morgan 90 ] State Descriptions Trough Qualitative Vectors. Tony Morgan. IMACS MIMS2 , 1990.
[Rothemberg 89 ] The Nature of Modelling. Jeff Rothemberg. En Articial Intelligence, Simulation and Modelling. Lawrence E. Widman, Kenneth A. Loparo y Norman R. Nielsen (eds). Wiley-Interscience, pp. 75-92, 1989. [S2 O 90 ] NEMO. S2 O Informational Brochure. 1989. [Sanz 89a ] M etricas de Complejidad Software. R. Sanz, L.F. Solorzano y J.R. Velasco. Documento Interno DIT, 1989. [Sanz 89b ] Control Inteligente de Procesos en la enez, Industria del Cemento. R. Sanz, A. Jim R. Gal an, C.Peral y V. Rubio. Informe ASTECNO/DISAM-12.89/01, 1989.
[Nicolosi 88 ] Qualitative Simulation of Compartmental Systems. Emma Nicolosi y Mark S. Lenaning. 1st IFAC Symposiun on Modelling and [Saridis 83 ] Intelligent Robotic Control. George Simmulation in Biomedical Systems, 1988, pp. N. Saridis. IEEE Trans. on Automatic Control, 193-198. Vol. 28, No. 5, pp. 547-557, 1983. [Nii 86 ] Blackboard Systems. H. Penny Nii. The AI Magazine. Summer 1986.
[Nikolic 86 ] An Algorithm for Learning Without External Supervision and Its Application to Learning Control Systems. Z.J. Nikolic y K.S. [Saridis 88a ] Analytical Design of Intelligent MaFu. IEEE Trans. on PAMI, Vol. 8, No. 3, pp. 304chines. George N. Saridis y Kimon P. Vala312, 1986. vanis. Automatica, Vol. 24, No. 2, pp. 123-133, 1988. [Nilsson 87 ] Principios de Inteligencia Articial. Nils J. Nilsson. D az de Santos, Madrid 1987. [Saridis 88b ] Knowledge Implementation: Structures of Intelligent Control. George N. Sari[Nistal 89b ] Control Optimo. Jos e Manuel Nistal dis. Journal of Robotic Systems, Vol. 5, No. 4, pp. Bartolom e. Ingenier a Qu mica, Octubre 1989. 255-268, 1988. [Oliveira 90 ] An Architecture for the Supervision of Fuzzy Controllers. P.J. Oliveira, P.U. Lima, [Saridis 89 ] Analytic Formulation of the Principle of Increasing Precision with Decreasing J.J. Sentieiro, R. Sanz, R. Gal an y A. Jim enez. Intelligence for Intelligent Machines. George IEEE International Workshop on Intelligent RoN. Saridis. Automatica, Vol. 25, No. 3, pp. 461bots and Systems, IROS 90, 1990. 467, 1989. [Ollero 89b ] Los Sistemas Expertos en Control de Procesos. An bal Ollero Baturone. Autom atica [Scarl 87 ] Diagnosis and Sensor Validation Through Knowledge of Structure and Function. e Instrumentaci on, Julio 1989. E.A. Scarl, J.R. Jamieson y C.I. Delaune. IEEE Systems, Man and Cybernetics, Vol. 17, No. 3, [Pau 89 ] Knowledge Representation Aproaches pp. 360-368. 1987. in Sensor Fusion. L. Pau. Autom atica Vol. 25, No. 2, pp. 207-214. 1989. [Shaw 89 ] Reasoning About Time in High-Level [Pedrycz 89 ] Fuzzy Control and Fuzzy Systems. Language Software. Alan C. Shaw. IEEE Transactions on Software Engineering. Vol.15 No. 7, Witold Pedrycz. Research Studies Press Ltd. July 1989. John Wiley and Sons Inc. 1989. 153
[Saridis 85 ] Intelligent Control: A New Enginnering and Scientic Reality. George N. Saridis. IEEE Workshop on Intelligent Control 1985, pp. 220-221, 1985.
Ricardo Sanz
[Sheridan 83a ] Adapting Automation to Man, [Yazdani 86a ] Intelligent Tutoring Systems Survey. M. Yazdani. AI Review, No. 1, pp. 43-52, Culture and Society. Thomas B. Sheridan, T. amos y Shuhei Aida. Autom atica, Vol. 19, No. 1986. V 6, pp. 605-612, 1983. [Zadeh 73 ] Outline of a New Approach to the [Shirley 87 ] Some Lessons Learned Using Expert Analysis of Complex Systems and Decision Systems for Process Control. Richard T. Shirprocesses. Lofti A. Zadeh. IEEE Transactions ley. IEEE Control Systems Magazine. December on Systems, Man and Cybernetics, Vol. 3, No. 1, 1987. pp. 28-44. January 1973. [Shrager 87 ] Issues in the Pragmatics of Qualitative Modelling: Lessons Learned from a Xerographics Project. Jeff Shrager, Daniel S. Jordan, Thomas P. Moran, Gregor Kiczales y Daniel M. Russell. Communications of the ACM, Vol. 30 No. 12, December 1987, pp. 1036-1047. [Zadeh 77 ] PRUF - A Meaning Representation Language for Natural Languages. Lofti A. Zadeh. Fuzzy Reasoning and its Applications. Academic Press. pp. 1-66, 1981. [Zadeh 88 ] Fuzzy Logic. Lofti A. Zadeh. IEEE Computer. Abril 1988.
[Simmonds 88 ] Representation of Real Knowledge for Real-Time Use. W.H. Simmonds. IFAC [Zeigler 90 ] Object Oriented Simulation with HieWorkshop on AI in Real Time Control. 1988. rarchical, Modular, Models. Bernard P. Zeigler. [Sleeman 82 ] Intelligent Tutoring Systems. D. SleeAcademic Press 1990. man y J.S. Brown (Eds). Academic Press. 1982. [Zhang 90a ] Fault Diagnosis of Mixing Process [Togai 89 ] Fuzzy Control Package Informational Using Deep Qualitative Knowledge RepreBrochure. Togai Infralogic, 1989. sentation of Physical Behaviour. J. Zhang, P.D. Roberts y J.E. Ellis. Journal of Intelligent and Ro[Tong 77 ] A Control Engineering Review of botic Systems, Vol. 3, No. 2, pp. 103-116, 1990. Fuzzy Systems. R.M. Tong. Automatica, Vol. 13, pp. 559-569. Pergamon Press 1977. [Tzafestas 89 ] A Framework for Knowledge Baa adicional sed Control. S. Tzafestas y S. Ligeza. Journal C.2. Bibliograf of Intelligent and Robotic Systems, Vol. 1, No. 4, pp. 407-426, 1989. [Abbott 87 ] Knowledge Abstraction. Russel J. Abbott. Communications of the ACM, Vol. 30 [Voss 88 ] Architectural Issues for Expert Systems No. 8, pp. 664-670. 1987. in Real Time Control. H. Voss. IFAC Workshop on AI in Real Time Control. 1988. [Aiello 86 ] Representation and Use of Metaknowledge. L. Aiello, C. Cecchi y D. Sartini. [Widman 89a ] Articial Intelligence, Simulation Proceedings of the IEEE, Vol. 74, No. 10, pp. and Modelling: A Critical Survey. Lawrence E. 1304-1321, 1986. Widman y Kenneth A. Loparo. En Articial Intelligence, Simulation and Modelling. Lawrence E. Widman, Kenneth A. Loparo y Norman R. [Allen 83 ] Maintaining Knowledge about Temporal Intervals. James F. Allen. CommunicaNielsen (eds). Wiley-Interscience, 1989. tions of the ACM, Vol. 26, No. 11, pp. 832-843, [Widman 89b ] Semi-Quantitative Close1983. Enough Systems Dynamics Models: An Alternative to Qualitative Simulation. Law- [Allen 85 ] A Model of Naive Temporal Reasoning. James F. Allen y Henry A. Kautz. Formal rence E. Widman. En Articial Intelligence, Theories of the Comonsense World, pp. 251-268. Simulation and Modelling. Lawrence E. WidABLEX Publishing Corporation, Norwood, man, Kenneth A. Loparo y Norman R. New Jersey, 1985. Nielsen (eds). Wiley-Interscience, 1989. 154
[Alty 89 ] Knowledge-based Dialogue for Dyna- [Bartos 87 ] Expert System Tools Emerge from the mic Systems. J. L. Alty y G. Johansen. AutoTechnology of AI. Frank J. Bartos. Control Enmatica, Vol. 25, No. 6, pp. 829-840, 1989. gineering, December 1987. [Aracil 83 ] Introducci on a la Din amica de Sistemas. Javier Aracil. Alianza Universidad Textos, 1983. [Basagoiti 87 ] Sistema Experto para Vericar la Calidad de Estrategias para un Robot Manipulador en una C elula de Mecanizado. Pedro Basagoi Gal ti y Ramon an. Informe Interno DISAM 01/25-3-87.
[Asse 87 ] Diagnosis Based on Subjetive Information in a Solar Energy Plant. A. Asse, A. Maizener, A. Moreau y D. Willaeys. Aproximate Reasoning in Intelligent Systems, Decision and [Bassiuny 90 ] Modeling and Simulation of the Homogeneization Process in the Dry ProControl. Elie Sanchez y Lofti A. Zadeh (Eds). cess Cement Production. A.M. Bassiuny, H.A. Pergamon Press, pp. 159-174, 1987. Nour Eldin y A.A. Hegazy. IMACS MIMS2 , 1990. [Atwood 86 ] Modelos Causales: la Nueva Gene de Sistemas Expertos. M.E. Atwood, R. racion andar Brooks, E.R. Radlinski. Comunicaciones El ectri- [Bellot 90 ] X Window System: Sistema Est de Ventanas. Marisa Bellot, Oriol S anchez y cas, Vol. 60, No. 2, pp. 180-184, 1986. Nacho Navarro. Mundo Electr onico, Julio 1990, [Azmani 90 ] Articial Intelligence Approach for pp. 77-87. the Causal Analisys of Bond-Graph Models. A. Azmani, R. Bouayad y G. Dauphin-Tanguy. [Bennett 86 ] Tools for Building Advanced User IMACS MIMS2 , 1990. Interfaces. J.L. Bennett. IBM Systems Journal, Vol. 25, No. 3/4, pp. 354-368, 1986. en 89 ] An Architecture for Expert System Ba[Arz sed Feedbak Control. Karl-Erik Arzen. Au[Bergadano 87 ] Learning form Examples in Prestom atica, Vol. 25, No. 6, pp. 813-827. Pergamon sence of Uncertainty. F. Bergadano, A. GiorJournals Ltd. 1989. dana y L. Saitta. Aproximate Reasoning in Intelligent Systems, Decision and Control. Elie San [Astrom 85 ] Process Control-Past, Present and chez y Lofti A. Zadeh (Eds). Pergamon Press, IEEE Control SysFuture. Karl Johan Astrom pp. 105-124, 1987. tems Magazine, pp. 3-10. August 1985. [Babb 90a ] Object Oriented Control Congura- [Boden 77 ] Articial Intelligence and Natural Man. tion. Michael Babb. Control Engineering, April Margaret A. Boden. The Harverter Press Ltd. 1990, pp. 69. 1977 (Trad. Esp. Inteligencia Articial y Hombre Natural. Tecnos, 1984). [Babb 90b ] New Expert System Guides Control Operators. Michael Babb. Control Engineering, [Bocca 87 ] A logic Programming System for June 1990, pp. 80-81. KBMSs - Educe. J. Bocca. Knowledge Based Expert Systems in Industry. Ellis Horwood, En[Baldwin 87 ] An Uncertainty Calculus for Expert gland 1987, pp. 23-35. Systems. J.F. Baldwin. Aproximate Reasoning in Intelligent Systems, Decision and Control. Elie Sanchez y Lofti A. Zadeh (Eds). Pergamon [Boettcher 83 ] Modelling and Analysis of Teams of Interacting Decisionmakers with Bounded Press. pp. 33-54. 1987. Rationality. K.L. Boettcher y A.H. Lewis. Autom atica, Vol. 19, No. 6, pp. 703-710, 1983. [Bare 90 ] Design of a Self-Tunning Rule Based Controller for a Gasoline Catalytic Reformer. Walter H. Bare, Robert J. Mulholland y Sam [Booch 86 ] Object-Oriented Development. Grady Booch. IEEE Trans. on Software Engineering, S. Sofer. IEEE Trans. on Automatic Control, Vol. Vol. 12, No. 2, 1986. 35, No. 2, pp. 156-164, 1990. 155
Ricardo Sanz
[Buckley 87 ] Portfolio Analysis Using Possibility [Coad 89 ] Object Oriented Analysis. Peter Coad y Edward Yourdon. YOURDON Press. 1989. Distributions. Aproximate Reasoning in Intelligent Systems, Decision and Control. Elie Sanchez y Lofti A. Zadeh (Eds). Pergamon Press. [Cois 89 ] Qualitative Analysis in Simulating Analog Circuits. A. Cois, A. Fanni, S. Pes y A. pp. 69-76. 1987. Giua. IEEE International Symposium on Intelli[Buchanan 84 ] Rule Based Expert Systems. The gent Control 1989, pp. 531-536. MYCIN Experiments of the Stanford Heuristic Programming Project. Bruce G. Buchanan y [Crowley 89 ] Knowledge, Symbolic Reasoning Edward H. Shortliffe. Addison-Wesley, 1984. and Perception. James L. Crowley. 1989. [Bunt 85 ] Formal Representation of (Quasi-) Con- [Cuena 85 ] L ogica Inform atica. Jos e Cuena. Aliantinuous Concepts. Harry Bunt. Formal Theories za Editorial AI-1, 1985. of the Comonsense World, pp 37-70. ABLEX Publishing Corporation, Norwood, New Jersey, [Cuena 86 ] Inteligencia Articial: Sistemas Exper1985. tos. Jos e Cuena, Gregorio Fern andez, Ramon Lopez de M antars y Ma Felisa Verdejo. Alian[Burns 89 ] Real-Time Systems and their Programza Editorial AI-2, Madrid 1986. ming Languages. Alan Burns y Andy Wellings. Addison Wesley. 1989. [Cullingford 83 ] A Heuristically Optimal Knowledge Base Organization Technique. [Burle 87 ] The Role of Qualitative Reasoning in R.E. Cullingford y L.J. Joseph. Autom atica, Modelling. Gabriele Burle. AI, ES and LanguaVol. 19, No. 6, pp. 647-654, 1983. ges in Modelling and Simmulation, Barcelona, 1987. [DAmbrosio 87 ] Real-Time Process Management [Camacho 90 ] Centros de Control: la Experiencia Eduardo F. CaEmpieza con la Simulacion. macho. Autom atica en Instrumentaci on, Mayo 1990. [Carbonell 85 ] Metaphor and Comonsense Reasoning. Jaime G. Carbonell y Steven Minton. Formal Theories of the Comonsense World, pp. 405-426. ABLEX Publishing Corporation, Norwood, New Jersey, 1985. [Cardelli 85 ] On Understanding Types, Data Abstraction and Polymorphism. Luca Cardelli y Peter Wegner. ACM Computing Surveys, Vol.17 No.4. pp. 471-523. 1985. [Chu 90 ] Modeling Diagnostic Problem-Solving at Multiple Levels of Abstraction. Bei-Tseng Bill Chu. 6th Conference on Articial Intelligence Applications, pp. 55-61, 1990. [Citrin 87 ] Extracting Paralelism from Sequential Prolog: Experiences with the Berkeley PLM. W. Citrin. Knowledge Based Expert Systems in Industry. Ellis Horwood, England 1987, pp. 36-56. 156 for Materials Composition in Chemical Manufacturing. Bruce DAmbrosio, Michael R. Fehling, Peter Raulefs y B. Michael Wilber. IEEE Expert, Summer 1987. [DAmbrosio 89b ] Extending the Mathematics in Qualitative Process Theory. Bruce DAmbrosio. En Articial Intelligence, Simulation and Modelling. Lawrence E. Widman, Kenneth A. Loparo y Norman R. Nielsen (eds). WileyInterscience, 1989. [Dague 87 ] DEDALE: an Expert System in VM/Prolog. Ph. Dague, Ph. Dev` es, Z. Zein y J.P. Adam. Knowledge Based Expert Systems in Industry. Ellis Horwood, England 1987. pp. 57-68. [Davis 83 ] Representing Structure and Behavior of Digital Hardware. Randall Davis y Howard Srhobe. IEEE Computer, Vol. 16, No. 10, pp. 7582, 1983. [Davis 84 ] Diagnostic Reasoning Based on Structure and Behavior. Randall Davis. Articial Intelligence Vol.24, pp. 347-410, 1984.
[Davis 88 ] Model-Based Reasoning: Troubleshooting. Randall Davis. MIT AI Lab. Memo 1059, 1988. [Davis 90 ] A Comparison of Techniques for the Specication of External System Behavior. Alan M. Davis. Communications of the ACM, Vol. 31, No. 9, pp. 1098-1115, 1988. [de Kleer 84b ] How Circuits Work. Johan de Kleer. Articial Intelligence Vol.24, pp. 205-280, 1984. [de Prada 90 ] Control Anticipativo: mas f acil de lo esar de Prada. Autom atica e Insque parece. C trumentaci on, Abril 1990. [deMarco 79 ] Structured Analysis and System Specication. Tom de Marco. YOURDON Press. 1979. [Deano 81 ] Introducci on a la l ogica formal. Alfre Alianza Editorial AUT-11, Madrid do Deano. 1981. [Doraiswami 89 ] Performance Monitoring in Expert Control Systems. R. Doraiswami y J. Jiang. Autom atica, Vol. 25, No. 6, pp. 799-811, 1989. [Efros 87 ] F sica y Geometr a del Desorden. A. Efros. MIR, 1987.
[Fishwick 89 ] Process Abstraction in Simulation Modeling. Paul A. Fishwick. En Articial Intelligence, Simulation and Modelling. Lawrence E. Widman, Kenneth A. Loparo y Norman R. Nielsen (eds). Wiley-Interscience, 1989. [Forbus 85 ] The Role of Qualitative Dynamics in Naive Physics. Kenneth D. Forbus. Formal Theories of the Comonsense World, pp. 185-226. ABLEX Publishing Corporation, Norwood, New Jersey, 1985. [Fouch e 90 ] Qualitative Simulation of Feedback Control Systems. Pierre Fouch e y Benjamin Kuipers. IMACS MIMS2 , 1990. [Fox 90 ] AI and Expert System Myths, Legends and Facts. Mark S. Fox. IEEE Expert, February 1990. pp. 8-20. [Frenkel 88 ] The Art and Science of Visualizing Data. Karen a. Frenkel. Communications of the ACM, Vol. 31, No. 2, pp. 111-123, 1988. [Friedrich 90 ] MOMO - Model Based Diagnosis for Everybody. Gerhard Friedrich. 6th Conference on Articial Intelligence Applications, pp. 207-213, 1990. [Fu 71 ] Learning Control Systems and Intelligent Control Systems: An Intersection of Articial Intelligence and Automatic Control. King-Sun Fu. IEEE Trans. on Automatic Control, Vol. 16, No. 1, February 1971.
[Elwart 90 ] New Software Structures Extend Control Capabilities. Steven P. Elwart y Peter G. Martin. Control Engineering, June 1990, Vol. [Funt 83 ] Analogical Modes of Reasoning and II, pp. 16-17. Process Modeling. Brian V. Funt. IEEE Computer, October 1983, pp. 99-104. [Farquhar 90 ] QSIM Users Manual. Adam Farquhar y Benjamin Kuipers. Univ. of Texas, AI [Gero 87 ] Expert Systems in Computer Aided DesLab. AI90-123, 1990. ign. John S. Gero (Ed.). North Holland, 1987.
[Fikes 85 ] The Role of Frame Based Representa- [Gevarter 82 ] An Overview of Expert Systems. tion in Reasoning. Richard Fikes y Tom KehWilliam B. Gevarter. National Bureau of Stanler. Communications of the ACM, Vol. 28, No. 9, dards Report No. NBSIR 82-2505, May 1982. pp. 904-920. 1985. [Giles 75 ] Lukasiewicz Logic and Fuzzy Set [Fischer 83 ] Symbiotic, Knowledge-based ComTheory. R. Giles. Fuzzy Reasoning and its Apputer Support Systems. Gerhard Fischer. Auplications. Academic Press. pp. 117-132, 1981. tom atica, Vol. 19, No. 6, pp. 627-637, 1983. [Goguen 73 ] Concept Representation in Natural and Articial Languages: Axioms, Extensions [Fischer 86 ] Cognitive Science: Information Proand Applications for Fuzzy Sets. J.A. Goguen cessing in Humans and Computers. Gerhard Jr. Fuzzy Reasoning and its Applications. AcadeFischer. Articial Intelligence and Man-Machine mic Press. pp. 67-116, 1981. Systems. Springer-Verlag, 1986, pp. 84-112. 157
Ricardo Sanz
[Good 84 ] Building a User-Deriver Interface. M. D. Good, J.A. Whiteside, D.R. Wixon y S.J, Jones. Communications of the ACM, Vol. 27, No. 10, pp. 1032-1043, 1984. [Graham 82 ] Linguistic Decision Structures for Hierarchical Systems. James H. Graham y George N. Saridis. IEEE Transactions on Systems, Man and Cybernetics, Vol. SMC-12, N 3, Mayo-Junio 1982.
cas. Peter Hanbaba. Revista ABB, No. 5, pp. 11-18, 1989. [Handelman 88 ] Perspectives on the Use of Rule Based Control. D.A. Handelman and R.F. Stengel. En Articial Intelligence in Real-Time Control. M.G. Rodd y G.J. Suski (eds). Pergamon Press, 1988. [Hayes 85b ] Naive Physics I: Ontology for Liquids. Patrick J. Hayes. Formal Theories of the Comonsense World, pp. 71-108. ABLEX Publishing Corporation, Norwood, New Jersey, 1985.
[Green 87a ] Qualitative Reasoning During Design About Shape and Fit: a Preliminary Report. Douglas S. Green y David C. Brown. En Expert Systems in Computer Aided Design. John S. Gero (Ed.), pp. 93-118. North Holland, 1987. [Hayes-Roth 84 ] The Knowledge-Based Expert System: A Tutorial. Frederick Hayes-Roth. [Green 87b ] A Fuzzy Decision Support System IEEE Computer, September 1984, pp. 11-28. for Strategic Planning. N. Green Hall. Aproximate Reasoning in Intelligent Systems, Decision and Control. Elie Sanchez y Lofti A. Zadeh (Eds). Pergamon Press. pp. 77-90. 1987.
[Green 87c ] Verication and Validation of Expert Systems. C.J.R. Green y M.M. Keyes. Procee[Henneman 84 ] Measures of Human Problem dings WESTEX-87, pp. 38-43, 1987. Solving Performance in Fault Diagnosis [Haest 90 ] ESPION: an Expert System for System Tasks. Richard L. Henneman y William B. Identication. M. Haest, G. Bastin, M. Gevers Rouse. IEEE Trans. on Systems, Man and Cybery V. Wertz. Automatica, Vol. 26, No. 1, pp. 85netics, Vol. 14, No. 1, pp. 99-112, 1984. 95, 1990. [Hunt 84 ] A Fuzzy Rle-Based Model of Human [Hammond 87 ] Logic-Based Tools for Building Problem Solving. Ruston M. Hunt y William Expert and Knowledge-Based systems: SucB. Rouse. IEEE Trans. on Systems, Man and Cycesses and Failures of Transferring the Techbernetics, Vol. 14, No. 1, pp. 112-120, 1984. nology. P. Hammond. Knowledge Based Expert Systems in Industry. Ellis Horwood, England [Hunt 90 ] Performing Augmented Model-Based 1987. pp. 69-90. Diagnosis. John Hunt y Chris Price. IMACS MIMS2 , 1990. [Hamscher 90a ] Modeling Digital Circuits for Troubleshooting: An Overview. Walter Hams[Husson 86 ] Sistema Experto para control de Procher. 6th Conference on Articial Intelligence Apcesos Continuos en Tiempo Real. Jean-Michel plications, pp. 2-8, 1990. Husson y Joaqu n Tejedor. Autom atica e Instrumentaci on, Junio 1986. [Hamscher 90b ] XDE: Diagnosing Devices with Hierarchic Structure and Known Component Failure Modes. Walter Hamscher. 6th Confe- [Intellicorp 87b ] Two-Weeks: Rapid Prototyping at Babcock & Wilcox. Intellicorp Application rence on Articial Intelligence Applications, pp. Note, 1987. 48-54, 1990. Hombre-M [Hanbaba 89 ] Comunicacion aquina [Intellicorp 87c ] Vitro Builds Circuit Fault Diagnosis Expert System. Intellicorp Application con el Sistema de Control-Mando de CentraNote, 1987. les PROCONTROL P para Centrales T ermi158
[Henkind 88 ] An Analisys of Four Uncertainty Calculi. S.J. Henkind y M.C. Harrison. IEEE Transactions on Systems, Man and Cybernetics, Vol. 18, No. 5, pp. 700-714, 1988.
[Intellicorp 87d ] NASA Scentists Use KEE in Ex- [Konolige 85 ] Belief and Incompleteness. Kurt Konolige. Formal Theories of the Comonsense pert System Design Study. Intellicorp ApplicaWorld, pp. 359-404. ABLEX Publishing Corpotion Note, 1987. ration, Norwood, New Jersey, 1985. [Intellicorp 87e ] SIAC System Monitors Trading Network. Intellicorp Application Note, 1987. [Kook 90 ] Representation of Models for Solving Real-World Problems. Hyung Joon Kook y [Intellicorp 87f ] Taking Control of Complexity. Gordon S. Novak Jr. 6th Conference on Articial Intellicorp Application Note, 1987. Intelligence Applications, pp. 274-280, 1990. [Intellicorp 88 ] How to Get Started in AI. Intelli[Kopetz 79 ] Software Reliability. H. Kopetz. Maccorp, 1988. Millan, 1979. [Israel 85 ] A Short Companion to the Naive Physics Manifesto. David Israel. Formal Theories of [Kreutzer 86 ] System Simmulation. Programming the Comonsense World, pp. 427-448. ABLEX PuStyles and Languages. Wolfgang Kreutzer blishing Corporation, Norwood, New Jersey, Addison-Wesley, 1986. 1985. [Krijgsman 88 ] Knowledge Based Real Time [Jiang 89 ] Design of a Real-Time, KnowledgeControl. A.J. Krijgsman, H.B. Verbruggen y Based Controller with Applications in HyP.M. Brujin. En Articial Intelligence in Realdraulic Turbine Generator Systems. J. Jiang y Time Control. M.G. Rodd y G.J. Suski (eds). R. Doraiswami. Journal of Intelligent and RoboPergamon Press, 1988. tic Systems Vol.2 No.2&3, 1989. pp. 229-244. [Kriz 87 ] Knowledge Based Expert Systems in In[Kickert 76 ] Application of a Fuzzy Controller in dustry. Jiri Kriz (Ed). Ellis Horwood, England, a Warm Water Plant. W.J.M. Kickert y H.R. 1987. Van Nauta Lemke. Autom atica, Vol. 12, pp. 301-308. 1976. [Kuipers 87 ] Qualitative Simulation as causal Ex[Kim 89 ] Object Oriented Concepts, Databases and Applications, Won Kim y Frederick H. Lochowsky (Eds). ACM Press, pp. 561-572, 1989. [King 77 ] The Application of Fuzzy Control Systems to Industrial Processes. P.J. King y E.H. Mamdani. Automatica, Vol. 13, pp. 235-242. Pergamon Press 1977. planation. Benjamin J. Kuipers. IEEE Transactions on Systems, Man and Cybernetics, Vol. 17 No. 3, May/June, 1987. pp. 432-444. [Kuipers 89a ] Qualitative Reasoning: Modeling and Simmulation with incomplete Knowledge. Benjamin J. Kuipers. Automatica Vol. 25 No. 4, pp. 171-185, 1989.
[King 88 ] Intelligent Control in the Cement In- [Kuipers 89b ] Qualitative Reasoning with Caudustry. Robert King. IFAC Conference on Distrisal Models in Diagnosis of Complex Systems. buted Intelligence, Varna, Bulgaria, June 1988. Benjamin Kuipers. En Articial Intelligence, Simulation and Modelling. Lawrence E. Widman, [King 89 ] Distributed Intelligent Industrial ConKenneth A. Loparo y Norman R. Nielsen trol - Aprocess Industry Paradigm. Robert (eds). Wiley-Interscience, 1989. King. 1989. [Klir 89 ] Fuzzy Sets, Uncertainty and Information. George J. Klir y Tina A. Folger. Prentice-Hall. 1988. [Kokar 89 ] Accumulating Qualitative Knowledge. Mieczyslaw M. Kokar. IEEE International Symposiun on Intelligent Control 1989, pp. 514519. [Kurtz 89 ] An Object-Oriented Methodology for Systems Analysis and Specication. B.D. Kurtz, D. Ho y Teresa A. Wall. Hewlett-Packard Journal, April 1989. [Laduzinsky 90 ] Looking for Mr. Good LAN. Alan J. Laduzinsky. Control Engineering, April 1990, pp. 74-78. 159
Ricardo Sanz
[Laranjeira 90 ] Software Size Estimation of [Mahmoud 89 ] A Real-Time Expert Control System for Dynamical Processes. Magdi S. MahObject-Oriented Systems. Luiz A. Laranjeira. moud, Shawki Z. Eid y Ahmed A. AbouIEEE Trans. on Software Engineering, Vol. 16, Elsoud. IEEE Trans. on Systems, man and CyNo. 5, pp. 510-522, 1990. bernetics, VOl 19, No. 5, pp. 1101-1105, 1989. [Lebailly 87 ] Use of Fuzzy Logic in a Rule-Based System in Petroleum Geology. J. Lebailly, R. [Manas 87 ] Word Division in Spanish. Jos e A. Martin-Clouaire y H. Prade. Aproximate Rea Manas. Communications of the ACM, Vol. 30, soning in Intelligent Systems, Decision and ConNo. 7, pp. 612-616, 1987. trol. Elie Sanchez y Lofti A. Zadeh (Eds). Per[Margulies 83 ] Mans Role in Man-Machine Sysgamon Press, pp. 125-144, 1987. tems. Autom atica, Vol. 19, No. 6, pp. 605-612, [Li 89 ] Development of Fuzzy Algorithms for 1983. Servo Systems. Y.F. Li y C.C. Lau. IEEE CS Magazine, April 1989, pp. 65-72. [McCusker 90 ] Neural Networks and Fuzzy Logic, Tools of Promise for Controls. Tom Mc[Lim 90 ] Implementing Fuzzy Rule-Based SysCusker. Control Engineering, May 1990, pp. 84tems on Silicon Chips. M.H. Lim y Y. Takefuji. 85. IEEE Expert, February 1990. pp. 31-45. [McDermott 85 ] Reasoning about Plans. Drew [Lifschitz 89 ] Miracles in Formal Theories of AcMcDermott. Formal Theories of the Comonsense tion. Vladimir Lifschitz y Arkady Rabinov. World, pp. 269-318. ABLEX Publishing CorpoArticial Intelligence, Vol 38, pp. 225-237. 1989. ration, Norwood, New Jersey, 1985. [Lopez 89 ] Sistemas Expertos, Limitaciones y [McMahon 81 ] Fiber Optic Transducers. Donald Lopez Perspectivas. Ramon de M antaras. H. McMahon, Arthur R. Nelson y William B. Mundo Electr onico, Noviembre 1989. Spillman Jr. IEEE Spectrum, December 1981, pp. 24-29. [Lounamaa 89 ] An Incremental Object-Oriented Language for Cotinuous Simulation Models. Pertti Lounamaa. En Articial Intelligence, Si- [Meystel 88 ] Intelligent Control in Robotics. A. Meystel. Journal of Robotic Systems, Vol. 5, No. mulation and Modelling. Lawrence E. Widman, 4, pp. 269-308, 1988. Kenneth A. Loparo y Norman R. Nielsen (eds). Wiley-Interscience, 1989. [Meystel 89 ] Intelligent Control: A Sketch of the [Lu 89 ] Modern Computer Control Strategies of Iron and Steel Making. Yong-zai Lu. 6th MMM-89. Theory. A. Meystel. Journal of Intelligent and Robotic Systems Vol.2 No.2&3, 1989. pp. 97108.
[Luo 89 ] Multisensor Integration and Fusion in [Montmain 90 ] On Line Qualitative Interpretation of a Dynamic Symulation for Diagnosis. Intelligent Systems. Ren C. Luo y Michael G. J. Montmain, L. Leyval y S. Gentil. IMACS Kay. IEEE Trans. on Systemas Man and CyberneMIMS2 , 1990. tics, Vol. 19, No. 5, pp. 901-931, 1989. [Maderlechner 87 ] Model Guided Interpretation Based on Structurally Related Image Primitives. G. Maderlechner, E. Egeli y F. Klein. Knowledge Based Expert Systems in Industry. Ellis Horwood, England 1987, pp. 91-97. [Maki 89 ] Application of Fuzzy Theory for Automatic Control of Hot Stove Combustion Gas Flow Rate. Y. Maki et al. 6th MMM-89. 160 [Moore 85 ] A Formal Theory of Knowledge and Action. Robert C. Moore. Formal Theories of the Comonsense World, pp. 319-358. ABLEX Publishing Corporation, Norwood, New Jersey, 1985. [Moore 90 ] Using DECwindows as a Control System Interface. Katrina Moore y Ralph Rio. Control Engineering, April 1990, pp. 90-92.
[Morant 89 ] Hierarchical Expert System as Supervisory Level in Adaptive Control. F. Monez y J.J. Serrano. rant, P. Albertos, M. Mart IEEE International Symposium on Intelligent Control, 1989. [Muller 87 ] Modula- -Prolog: A Programming Environment for Building Knowledge-Based Systems. C. Muller. Knowledge Based Expert Systems in Industry. Ellis Horwood, England 1987, pp. 98-110. [Mylopoulos 86 ] Knowledge Representation in the Software Development Process: A Case Study. J. Mylopoulos, A. Borgida, S. Greenspan, C. Meghini y B. Nixon. Articial Intelligence and Man-Machine Systems. SpringerVerlag, 1986, pp. 23-44. [Nakayama 90 ] Model-based Automatic Programming for Plant Control. Yasuko Nakayama, Hiroyuki Mizutani y Katsuya Sadashige. 6th Conference on Articial Intelligence Applications, pp. 282-287, 1990.
ti A. Zadeh (Eds). Pergamon Press. pp. 55-68. 1987. [g ard 88 ] Intelligent Alarm Handling. O. g ard y E. Woods. En Articial Intelligence in Real-Time Control. M.G. Rodd y G.J. Suski (eds). Pergamon Press, 1988. [Ollero 89a ] Inteligencia Articial: Aplicaciones de Procerecientes en Control y Supervision sos. An bal Ollero Baturone y A. Garc a Cerezo. Autom atica e Instrumentaci on, Febrero 1989. [Ollero 89c ] Expert Tunning of Automatic Controllers. A. Ollero, J. Gonz alez, A. Garc a y C. Fern andez. IEEE International Symposium on Intelligent Control, 1989. [Olsson 90 ] An Architecture for Diagnostic Reasoning Using Causal Models. Jan Olsson. IMACS MIMS2 , 1990. [Oshuga 83 ] Knowledge Based Man-Machine Systems. Setsuo Ohsuga. Autom atica, Vol. 19, No. 6, pp. 685-692, 1983.
[Neat 89 ] Expert Adaptive Control for Drug Delivery Systems. Gregory W. Neat, Howard Kaufman y Rob J. Roy. IEEE Control Systems [Pau 88 ] Sensor Data Fusion. L. Pau. Journal of Intelligent and Robotic Systems Vol. 1, pp. 103-116. Magazine. June 1989, pp. 20-24. 1988. [Neiman 86 ] Consideraciones Tecnologicas sobre el Uso Industrial de los Sistemas Expertos. [Perkins 90 ] Adding Temporal Reasoning to D. Neiman. Comunicaciones El ectricas, Vol. 60, Expert-System-Building Environments. IEEE No. 2, pp. 185-189, 1986. Expert, February 1990. pp. 23-30. [Nistal 88 ] Sistemas Expertos, Explotacion en [Permantier 88 ] Representation of Inexact Engiplantas Industriales. Jos e Manuel Nistal Barneering Knowledge about Real Time Systems. tolom e. Mundo Electr onico, Diciembre 1988. G. Permantier. En Articial Intelligence in RealTime Control. M.G. Rodd y G.J. Suski (eds). [Nistal 89a ] El Diseno Optimo del Control Pergamon Press, 1988. de Procesos por Computador: Aplicaciones Pr acticas. Jos e Manuel Nistal Bartolom e. Bolet n COII, 1989. [Ng 90 ] Model-Based, Multiple Fault Diagnosis of Time-Varying, Continuous Physical Devices. Hwee Tou Ng. 6th Conference on Articial Intelligence Applications, pp. 9-15, 1990. [Peters 88 ] Advanced Sructured Analysis and Design. Lawrence Peters. Prentice Hall International. 1988. [Peterson 87 ] Object Oriented Computing. Gerald E. Peterson (Ed). IEEE Computer Society Press. 1987.
[Novak 87 ] Automatic Generation of Verbal Comments on Results of Mathematical Mode- [Pew 83 ] Perspectives on Human Performance lling. Aproximate Reasoning in Intelligent SysModelling. Richard W. Pew y Sheldon Baron. tems, Decision and Control. Elie Sanchez y LofAutom atica, Vol. 19, No. 6, pp. 663-676, 1983. 161
Ricardo Sanz
[Post 90 ] An Overview of Automated Reasoning. [Rodd 88 ] Articial Intelligence in Real-Time Control. M.G. Rodd y G.J. Suski (eds). Pergamon Stephen Post y Andrew P. Sage. IEEE Systems, Press, 1988. Man and Cybernetics, Vol. 20 No. 1, pp. 202-224. 1990. [Ross 77 ] Structured Analysis (SA): A Language for Communicating Ideas. Douglas T. Ross. [Procyk 79 ] A Linguistic Self Organizer Process IEEE Trans. on Software Engineering, Vol. 3, No. Controller. T.J. Procyk y E.H. Mamdani. Auto1, pp. 16-34, 1977. matica, Vol. 15, pp. 15-30. Pergamon Press Ltd. 1979. [Ross 85 ] Aplications and Extensions of SADT. Douglas T. Ross. IEEE Computer, April 1985, [Puente 88 ] An Integrated Multisensor Robot pp. 25-34. System. E.A. Puente, C.Balaguer, A.Barrientos y A. Yela. SYROCO 88. Karlsruhe, October [Rouse 83 ] Models of Human Problem Solving: 1988. detection, Diagnosis and Compensation for System Failures. William B. Rouse. Autom ati[Radig 86 ] Design and Applications of Expert ca , Vol. 19, No. 6, pp. 613-625, 1983. Systems. Bernd Radig. Articial Intelligence and Man-Machine Systems. Springer-Verlag, [Rouse 88 ] On the Design of Man-Machine Sys1986, pp. 45-61. tems: Principles, Practices and Prospects. William B. Rouse y William J. Cody. Autom atica, [Raeth 90 ] Expert Systems. A Software Methodology Vol. 24, No. 2, pp. 227-238, 1988. for Modern Applications. Peter G. Raeth. IEEE Computer Society. 1990. [Rubin 88 ] OFMspert: Inference of Operator Intentions in Supervisory Control Using a Bla[Ramamurthi 90 ] Real Time Expert System for ckboard Architecture. K.S. Rubin, P.M. Jones Predictive Diagnostics and Control of Drilling y C.M. Mitchell. IEEE Trans. on Systems, Man Operation. K. Ramamurthi, Donald P. Shaver and Cybernetics, Vol. 18, No. 4, pp. 618-637. y Alice M. Agogino. 6th Conference on Articial Intelligence Applications, pp. 63-69, 1990. [Raman 88a ] A Production System for Intelligent Monitoring Systems. Ravi S. Raman, Roy S. Nutter JR. y Y.V. Reddy JR. IEEE Trans. on Industry Applications Vol. 24 No. 5, September/October 1988, pp. 862-865. [Raman 88b ] Knowledge Organization and Inference Engine for the WVU Face Decision Support System. Ravi S. Raman, Narendar A. Reddy, Y.V. Reddy, Roy S. Nutter JR., Steven Carrow y R. Larry Grayson. IEEE Trans. on Industry Applications Vol. 24 No. 5, September/October 1988, pp. 866-869. [Rauch-Hindin 89 ] Aplicaciones de la Inteligencia Articial en la Actividad Empresarial, la Ciencia y la Industria. Wendy B. Rauch-Hindin. Diaz de Santos, 1989. [Rim 90 ] Transforming SYntactica Graphs into Semantic Graphs. Hae-Chang Rim, Jungyun Seo y Robert F. Simmons. Univ. of Texas at Austin AI Lab. AI90-127, 1990. 162 [Ruiz-Mier 89 ] A Hybrid Paradigm for Modeling of Complex Systems. Sergio Ruiz-Mier y Joseph Talavage. En Articial Intelligence, Simulation and Modelling. Lawrence E. Widman, Kenneth A. Loparo y Norman R. Nielsen (eds). Wiley-Interscience, 1989. [Ruspini 82 ] Possibility Theory Approaches for Advanced Information Systems. Enrique H. Ruspini. IEEE Computer, September 1982. pp. 83-91. [Sacks 88 ] Automatic Analysis of Ordinary Differential Equations Using Piecewise Linear Approximations. Elisha Sacks. MIT AI Lab. TR 1031. 1988. [Saito 89 ] Application of Articial Intelligence in the Japanese Iron and Steel Industry. Toyokazu Saito. 6th MMM-89. [Sanchez 87 ] Aproximate Reasoning in Intelligent Systems, Decision and Control. Elie Sanchez y Lofti A. Zadeh (Eds). Pergamon Press. p. 195. 1987.
[Savory 87 ] CONAD: A Knowledge-Based Con- [Steelman 82 ] Distributed Cement Plant Control The Intelligent Approach. D. Steelman, IEEE guration Adviser, Built Using Nixdorfs ExTrans. on Industri Aplications, Vol. 18, No. 2, pp. pert System Shell TWAICE. S.E. Savory. Know192-198, 1982. ledge Based Expert Systems in Industry. Ellis Horwood, England 1987, pp. 111-116. [Stein 83 ] Human Display Monitoring and Failure Detection: Control Theoretic Models and [Schmidt 85 ] Partial Provisional Planning: Some Experiments. W. Stein y P.H. Wewerinke. AuAspects of Commonsense Planning. Charles tom atica, Vol. 19, No. 6, pp. 711-718, 1983. F. Schmidt. Formal Theories of the Comonsense World, pp 227-250. ABLEX Publishing Corpo- [Struss 87 ] Multiple Representation of Structure ration, Norwood, New Jersey, 1985. and Function. Peter Struss. En Expert Systems [Shafer 76 ] A Mathematical Theory of Evidence. Glenn Shafer. Princeton University Press, 1976. [Sheridan 83b ] Measuring, Modeling and Augmenting Reliability of Man-Machine Systems. Thomas B. Sheridan. Autom atica, Vol. 19, No. 6, pp. 637-645, 1983. [Shlaer 88a ] The Object-Oriented Method for Analysis. Sally Shlaer, Stephen J. Mellor, Deborah Olsen y Wayne Hywari. Proc. 10th Structured Developent Forum, 1988. [Shlaer 88b ] Understanding Object-Oriented Analysis. Sally Shlaer y Stephen J. Mellor. HP Design Center, No. 3, pp. 8-13, 1988. in Computer Aided Design. John S. Gero (Ed.), pp. 57-92. North Holland, 1987. [Suganuma 89 ] Learning Control and Knowledge Representation. Yoshinori Suganuma y Masami Ito. Journal of Intelligent and Robotic Systems Vol.2 No.2&3, 1989. pp. 337-358. [Sugaya 87 ] A Prolog Frame System for Knowledge-Based Design and Diagnosis. H. Sugaya. Knowledge Based Expert Systems in Industry. Ellis Horwood, England 1987, pp. 117-129. [Tamisier 90 ] A Software Tool for the Automatic Operation of Bahavioral Simulations of Technological Systems. S. Tamisier y J.L. Petit. IMACS MIMS2 , 1990.
[Shlaer 89a ] An Object-Oriented Approach to [Tate 87 ] Application of Knowledge-Based Planning Systems. A. Tate. Knowledge Based Expert Domain Analysis. Sally Shlaer y Stephen J. Systems in Industry. Ellis Horwood, England Mellor. En Software Engineering Notes, ACM 1987, pp. 130-144. Press, 1989. [Shlaer 89b ] Real-Time Recursive Design. Sally [Taunton 88 ] Empleo de Sistemas Expertos en L nea en Control de Procesos. J.C. Taunton. Shlaer y Stephen J. Mellor. Project Technology Autom atica e Instrumentaci on, Marzo 1988. Inc., 1989. [Tenteris 90 ] Structural Modeling and Fuzzy Si[Shoham 88 ] Reasoning About Change. Yoav mulation of Metallurgical Processes. J anis K. Shoham. MIT Press. 1988. Tenteris, Esko K. Juuso y Kaulo Leivisk a. 2 IMACS MIMS , 1990. [Siler 87 ] Functional Requierements for a Fuzzy Expert System Shell. W. Siler, J.J. Buckley y D. [Terano 83 ] Human Reliability and Safety evaluaTucker. Aproximate Reasoning in Intelligent Systion of Man-Machine Systems. T. Terano, Y. tems, Decision and Control. Elie Sanchez y LofMurayama y N. Akiyama. Autom atica, Vol. 19, ti A. Zadeh (Eds). Pergamon Press. pp. 21-32. No. 6, pp. 719-722, 1983. 1987. [Theuretzbacher 86 ] Tecnolog a de sistemas ex[Simmons 83 ] Representing and Reasoning pertos para sistemas de seguridad cr tica en tiempo real. N. Theuretzbacher. Comunicacioabout Change in Geological Interpretation. nes El ectricas, Vol. 60, No. 2, pp. 147-153, 1986. Reid G. Simmons. MIT AI Lab. TR 749. 1983. 163
Ricardo Sanz
[Tichy 87 ] What can Software Engineers Learn from Articial Intelligence?. Walter F. Tichy. IEEE Computer, November 1987, pp. 43-54. [Trillas 80 ] Conjuntos Borrosos. Enrique Trillas. Vicens-Vives, 1980. [Tse 89 ] An Intelligent Control System. Edison Tse and Michael Fehling. IEEE International Symposium on Intelligent Control, 1989. [Valavanis 89 ] Hardware and Software for Intelligent Robotic Systems. Kimon P. Valavanis y Peter H. Yuan. Journal of Intelligent and Robotic Systems, Vol. 1, pp. 343-373, 1989. [Van der Rhee 90 ] Knowledge Based Fuzzy Control of Systems. Floor Van der Rhee, Hans R. Van Nauta Lemke y Jaap G. Dijkman. IEEE Trans. on Automatic Control, Vol. 35, No. 2, pp. 148-155, 1990. [Vangheluwe 90 ] Application of a Multifacetted Modelling Methodology: An Example in Phisiology. Hans Vangheluwe, Jorge Barreto y G.C. Vansteenkiste. IMACS MIMS2 , 1990. [Vescovi 90 ] A new Model for Qualitative Reasoning Representing Time Explicitly. Marcos R. Vescovi. IMACS MIMS2 , 1990.
[Watanabe 89 ] Intelligent Control in the Hierarchy of Automatic Manufacturing Systems. Tohru Watanabe. Journal of Intelligent and Robotic Systems Vol.2 No.2&3, 1989. pp. 171-186. [Weiss 84 ] A practical Guide to Designing Expert Systems. Sholom Weiss y Casimir Kulikovski. Rowman & Allanheld, 1984. [Weld 84 ] Switching Between Discrete and Continuous Process Models to Predict Genetic Activity. Daniel S. Weld. MIT AI Lab. TR 793. 1984. [Weld 86 ] The Use of Aggregation in Causal Simulation. Daniel S. Weld. Articial Intelligence, Vol. 30, pp. 1-34, 1986. [Weld 88 ] Theories of Comparative Analysis. Daniel S. Weld. MIT AI Lab. TR 1035. 1988. [Wewerinke 83 ] Model of Human Observer and Decision Maker - Theory and Applications. P.H. Wewerinke. Autom atica, Vol. 19, No. 6, pp. 693-696, 1983. [Williams 84 ] Qualitative Analysis of MOS Circuits. B.C Williams. Articial Intelligence Vol.24, pp. 281-346, 1984.
[Winston 84 ] Articial Intelligence. 2nd Edition. Patrick Henry Winston. Addison Wesley 1984. [Vitins 87 ] A Prototype Expert System for Con524 p. guring Technical Systems. M. Vitins. Knowledge Based Expert Systems in Industry. Ellis Ho[Winter 86 ] Articial Intelligence in Manrwood, England 1987, pp. 145-158. Machine Systems and Automation. Heinz Winter. Articial Intelligence and Man-Machine [Volckers 86 ] Dynamic Plannig and TimeSystems. Springer-Verlag, 1986, pp. 1-22. Conict Resolution in Air Trafc Control. Uwe Volckers Articial Intelligence and ManMachine Systems. Springer-Verlag, 1986, pp. [Wittig 87 ] Expert Systems for Real-Time Applications. Thies Wittig. Seminar on Expert Sys175-197. tems and Applications. UIMP. June-July 1987. [Wahlster 86 ] The Role of Natural Language in Advanced Knowledge-Based Systems. Wolf- [Wuwongse 83 ] An Interactive System for Supporting Multiobjective Decision Making. V. gang Wahlster Articial Intelligence and ManWuwongse, S. Kobayashi y A. Ichikawa. AuMachine Systems. Springer-Verlag, 1986, pp. 62tom atica, Vol. 19, No. 6, pp. 697-702, 1983. 83. [Ward 86 ] The Transformation Schema: An Ex- [Yadav 90 ] Comparison of Analysis Techniques for Information Requirement Determination. tension of the Data Flow Diagram to RepreS.B. Yadav, R.R. Bravoco, A.T. Chateld y T.M. sent Control and Timing. Paul T. Ward. IEEE Rajkumar. Communications of the ACM, Vol. 31, Trans. on Software Engineering, Vol. 12, No. 2, No. 9, pp. 1090-1097, 1988. pp. 198-210, 1986. 164
[Yamakawa 87 ] Fuzzy Hardware Systems of Tomorrow. T. Yamakawa. Aproximate Reasoning in Intelligent Systems, Decision and Control. Elie Sanchez y Lofti A. Zadeh (Eds). Pergamon Press, pp. 1-20, 1987. [Yazdani 86b ] Intelligent Tutoring Systems: An Overview. Masoud Yazdani. Expert Systems, Vol. 3, No. 3, pp. 154-162, July 1986. [Yoon 86 ] Fiber-Optic Gyroscopes. B. Yoon Kim y Herbert John Shaw. IEEE Spectrum, March 1986, pp. 54-60. [Zadeh 86 ] Outline of a Computational Approach to Meaning and Knowledge Representation based on the Concept of a Generalized Assignment Statement. Lofti A. Zadeh Articial Intelligence and Man-Machine Systems. Springer-Verlag, 1986, pp. 198-211. [Zadeh 89 ] Syllogistic Reasoning in Fuzzy Logic and its Application to Usuality and Reasoning with Dispositions. Lofti A. Zadeh. IEEE Transactions on Systems, Man and Cybernetics, Vol. 15, No. 6, pp. 754-763. November/December 1985. [Zeigler 89 ] DEVS Representation of Dynamical Systems: Event-Based Intelligent Control. Bernard P. Zeigler. Proceedings of the IEEE, Vol. 77, No. 1, pp 72-80, 1989. [Zhang 89 ] The System Entity Structure: Knowledge Representation for Simulation Modeling and Design. Guoqing Zhang y Bernard P. Zeigler. En Articial Intelligence, Simulation and Modelling. Lawrence E. Widman, Kenneth A. Loparo y Norman R. Nielsen (eds). WileyInterscience, 1989. [Zhang 90b ] A Fault Diagnosis System with Self Reasoning Facility Based on Qualitative Modelling. J. Zhang, P.D. Roberts y J.E. Ellis. IMACS MIMS2 , 1990.
165
Ap endice D
Par ametros de los conjuntos borrosos

PARAMETROS DE LOS CONJUNTOS BORROSOS S P1 P2 1 2 P ! -! P Z P1 P2 1 2 S-Z P1 P2 1 2
Tabla D.1: Par ametros de los conjuntos borrosos
166
Reference: ASL-T-1990-001 v 1.0 Final Title: Arquitectura de Control Inteligente de Procesos Subtitle: El sistema CONEX URL: http://www.aslab.org/public/documents/ASL-T-1990-001.pdf Date: 1990
c 1990 ASLab
Autonomous Systems Laboratory

CNICA DE M ADRID U NIVERSIDAD P OLIT E c/Jos e Guti errez Abascal, 2 Madrid 28006 (Spain)
aslab.org
www.aslab.org

Control Inteligente

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Control Inteligente

Uploaded by

Copyright:

Available Formats

Arquitectura de Control Inteligente de Procesos

Autonomous Systems Laboratory

THE AUTONOMOUS SYSTEMS LABORATORY www.aslab.org

Arquitectura de Control Inteligente de Procesos

Arquitectura de Control Inteligente de Procesos

Arquitectura de Control Inteligente de Procesos

Arquitectura de Control Inteligente de Procesos

Arquitectura de Control Inteligente de Procesos

Arquitectura de Control Inteligente de Procesos

B.1. T erminos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143 B.2. Acronimos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148 C. Bibliograf a 149

Arquitectura de Control Inteligente de Procesos

Arquitectura de Control Inteligente de Procesos

Cap tulo 1. Introducci on

Referencias utilizadas en esta tesis y referencias adicionales.

Control de Procesos Complejos

Caracter sticas de los Procesos Complejos

Cap tulo 2. Control de Procesos Complejos

Operador Interfaz de operador

Complejidad de interaccion o secundaria

Complejidad volum etrica o primaria

Arquitectura de Control Inteligente de Procesos

Incertidumbre de comportamiento o complejidad terciaria

Control de Procesos Complejos

Cap tulo 2. Control de Procesos Complejos

Arquitectura de Control Inteligente de Procesos

Variables de proceso Proceso

Cap tulo 2. Control de Procesos Complejos

Arquitectura de Control Inteligente de Procesos

Cap tulo 2. Control de Procesos Complejos

Arquitectura de Control Inteligente de Procesos

Inteligencia articial en control

Alarmas de Valoracion estado Lenguaje Natural Filtrado de acciones

CAD de Exploracion espacios de diseno

Tabla 2.2: Algunas aplicaciones de la inteligencia articial en control.

Cap tulo 2. Control de Procesos Complejos

del mismo. ra la solucion

Arquitectura de Control Inteligente de Procesos

Modelos Simbolicos de Sistemas F sicos

Arquitectura de Control Inteligente de Procesos

Caracter sticas de los modelos

Cap tulo 3. Modelos Simb olicos de Sistemas F sicos

Arquitectura de Control Inteligente de Procesos

Modelos para Control

Cap tulo 3. Modelos Simb olicos de Sistemas F sicos

Ejemplo de Usos de Modelos en Control

Utilizacion de modelos num ericos

Arquitectura de Control Inteligente de Procesos

Utilizacion de modelos simboli cos impl citos

Figura 3.1: Objeto en ca da libre.

Cap tulo 3. Modelos Simb olicos de Sistemas F sicos

Utilizacion de modelos simboli cos expl citos

corresponde a la terminolog a de Kuipers [Kuipers 84].

Arquitectura de Control Inteligente de Procesos

Cap tulo 3. Modelos Simb olicos de Sistemas F sicos

y = [+, inc] v = [+, dec] a = [g, std]

>0 y aumentando. Posicion Velocidad >0 y disminuyendo. constante. Aceleracion

el original no function in structure.

Arquitectura de Control Inteligente de Procesos

Control Inteligente de Procesos

Control Inteligente: Objetivos y Deniciones

Arquitectura de Control Inteligente de Procesos

Objetivos generales del control inteligente

Cap tulo 4. Control Inteligente de Procesos

Control cl asico y supervisor