Control de Procesos 2

Control Inteligente
Ing. Edgar Príncipe Leyva

Copyright © Abril de 2019 por TECSUP

 CONTROL INTELIGENTE

Desde la aparición del primer dispositivo de control, mucho

ha variado en cuanto a la tecnología utilizada en estos
equipos.
Esto ha ido a la par de las necesidades de la Industria de
contar con controladores cada vez más sofisticados,
en especial para manejar procesos especialmente
complejos.
Durante este tiempo se ha intentado desarrollar técnicas
diversas, no siempre exitosas debido a diversas razones
 CONTROL INTELIGENTE

Razones por los que no se han tenido mucho éxito:

• Alta dimensionalidad del proceso.
• Variación con el tiempo de las características del
sistema.
• No linealidades en el comportamiento del proceso.
• Problemas de medición bajo incertidumbre.
• Objetivos de control demasiados complejos.
• Condiciones de alarma rigurosas.
• Modelación muy pobre de la dinámica del proceso.
• Restricciones operativas del proceso.
• Probabilidad de falla en sensores ó actuadores.
 CONTROL INTELIGENTE

Es aquí donde se requiere un control que goce de

características inteligentes, con el cual sea posible
controlar estos procesos en un grado mucho mayor que el
actual y con las mismas o mejores prestaciones que lo
hacen los sistemas convencionales.
En las últimas décadas surgió una rama de la investigación
en control aplicado, muy ligada con las ciencias del
conocimiento y la computación: la investigación en
control inteligente de procesos usando herramientas
de inteligencia artificial.
 CONTROL INTELIGENTE

Evolución de las técnicas de control de procesos

 CONTROL INTELIGENTE

¿Qué se desea al aplicar control autónomo?

El control autónomo, podría en cualquier momento de su

operación, cambiar las condiciones de mando al
detectar cambios en el proceso que controla, todo sin
que se requiera la supervisión humana.
 CONTROL INTELIGENTE

Definición para el concepto de control inteligente.

Sistema que debe ser capaz de comprender, razonar y

aprender acerca del proceso, perturbaciones y condiciones
de operación.
Control que puede aprender con base a alguna experiencia
en el desempeño de la tarea de control (diferente a la
adaptación).
 CONTROL INTELIGENTE

Cuando hablamos de Control, ¿Adaptación y aprendizaje

es lo mismo?

Control Adaptativo:
Se adapta a las condiciones cambiantes del entorno
Se aplica normalmente a regiones pequeñas dentro del
espacio general del problema de control.

Control Inteligente:
Aprende acerca del proceso para que el sistema de control
realice una continua mejora de su desempeño.
 CONTROL INTELIGENTE

Desde hace casi medio siglo en que apareció el concepto

de inteligencia artificial, se han usado una serie de
tecnologías de manejo de la información para implementar
en las computadoras algunos comportamientos
catalogados como inteligentes.
 CONTROL INTELIGENTE

Tecnologías que soportan el trabajo en inteligencia

artificial.

1. Redes Neuronales.
2. Sistemas basados en Conocimientos.
Sistemas Expertos.
Lógica Difusa.
3. Sistemas híbridos.
 CONTROL INTELIGENTE

Redes Neuronales (RNA)

Actualmente hablar de control industrial lleva implícito

considerar un control distribuido, con algún elemento
inteligente para evaluar la información.
En algunos casos, se necesita gran rapidez en la respuesta del
sistema de control y una adaptación al sistema, aunque éste
varíe, Las redes neuronales artificiales responden a estos
requisitos
Con las redes neuronales artificiales (RNA), se pretende
modelar mediante funciones matemáticas simples, los procesos
de transferencia y procesamiento de información que ocurren
entre las neuronas de una red natural.
 CONTROL INTELIGENTE

Redes Neuronales (RNA)

Una red neuronal es un conjunto de elementos de computación
independientes (neuronas) interconectadas entre sí actuando de forma
autónoma pero en sincronía con las demás.

Estructura multicapa de una red neuronal

 CONTROL INTELIGENTE

Redes Neuronales (RNA)

Una característica de las redes neuronales es su
capacidad de aprendizaje, el cual puede ser supervisado o
no supervisado.
En el primer caso, se presentan sucesivamente
patrones de estímulo y las salidas correspondientes,
hasta que la red aprenda a organizarlos todos. En este
caso se dirá que la red converge o está entrenada.
El segundo caso consiste en presentar a la red una
serie de patrones de estímulos y las reglas que debe
usar para relacionar los datos.
 CONTROL INTELIGENTE

Redes Neuronales (RNA)

Para la elección del tipo de red que conviene usar en una
aplicación se necesita saber qué parámetros se deben
monitorear y que acciones se deben realizar para
determinar con ello el número de entradas y salidas de la
red.
 CONTROL INTELIGENTE

Redes Neuronales (RNA)

• Existen muchas aplicaciones en las que se pueden
emplear las redes neuronales tales como el control en
tiempo real de mecanismos complejos (movimientos de
robots), predicción del movimiento de accionamientos,
reconocimiento de posiciones espaciales, organización
automática de movimientos en manipuladores,
predicción de cargas y energía en redes eléctricas,
procesamiento de señales, control de procesos
continuos, etc.
 CONTROL INTELIGENTE

Sistemas basados en Conocimientos

Encierra todas las implementaciones de inteligencia
artificial que usan profusamente una base de
datos reportados como conocimiento sobre un
determinado campo del saber.

Cuenta con un módulo encargado de realizar la deducción

o inferencia (Motor de inferencias) de la respuesta a un
determinado conjunto de condiciones o evidencias
 CONTROL INTELIGENTE

Sistemas basados en Conocimientos

Sistemas expertos
Su característica particular es que el conocimiento
proviene siempre de un experto o grupo de ellos, de modo
que su origen directo es la experiencia.
El conocimiento debe de estar suficientemente validado,
que sobre él no pese ningún tipo de incertidumbre
 CONTROL INTELIGENTE

Sistemas basados en Conocimientos

Sistemas expertos
Usa reglas exactas sobre las cuales no pesa ninguna clase
de incertidumbre.
Estas cláusulas típicamente “si – entonces”, permiten con
facilidad la realización de tareas de control secuencial,
control on – off e incluso algunas tareas de control simple
en sistemas multivariable,
 CONTROL INTELIGENTE

Sistemas basados en Conocimientos

Lógica difusa
Hasta ahora la probabilidad ha sido la única clase de
incertidumbre con la cual los matemáticos han trabajado.
Sin embargo lo probable y lo fuzzy difieren en su
naturaleza. La probabilidad se establece sobre hechos que
van a ocurrir y lo fuzzy se establece sobre hechos
imprecisos pero ciertos.
 CONTROL INTELIGENTE

Control PID vs Control Fuzzy

Diagrama de bloque control PID

 CONTROL INTELIGENTE

Control PID vs Control Fuzzy

Diagrama de bloques de un procesador de inferencia

 CONTROL INTELIGENTE

Lógica Fuzzy en Control

Un método de implementación de un controlador de lógica
difusa requiere de dos señales de entrada: una señal de
error y otra de razón de cambio del error. (error y delta del
error)
 CONTROL INTELIGENTE

Lógica Fuzzy en Control

Fuzzificación
En la etapa de fuzzificación, cada una de estas entradas
(error y delta del error) actúan como variables
independientes de un conjunto de funciones que se
traslapan y que forman el conjunto difuso. Este conjunto es
referido como una función de correspondencia de entrada
y representa el grado al cual las entradas cumplen con la
definición individual.
 CONTROL INTELIGENTE

Lógica Fuzzy en Control

Fuzzificación
Este conjunto es referido como una función de
correspondencia de entrada y representa el grado al cual
las entradas cumplen con la definición individual.
 CONTROL INTELIGENTE

Lógica Fuzzy en Control

Fuzzificación
En general el error y delta del error pueden ser descritos en
grados distintos usando las siguientes palabras cualitativas:
• NL (Negative Large): negativo grande
• NM (Negative Medium): negativo medio
• NS (Negative Small: negativo pequeño
• Z (Zero): cero
• PS (Positive Small): positivo pequeño
• PM (Positive Médium): positivo medio
• PL (Positive Large): positivo grande
 CONTROL INTELIGENTE

Lógica Fuzzy en Control

Reglas
Las reglas difusas son usadas para procesar las salidas de
las funciones de correspondencia. Estas reglas en la
medida que mejor describan las necesidades del sistema
de control, mejor será la respuesta de todo el sistema.

Típica regla de lógica difusa

 CONTROL INTELIGENTE

Lógica Fuzzy en Control

Defuzzificación
El último paso para implementar un controlador fuzzy es
generar un cambio en la salida del controlador que puede
ser transmitida a un elemento final de control tal como una
válvula. Este es el proceso de “defuzzificación” y requiere
funciones de correspondencia de salida. Como es posible
tener más de una de estas salidas, se puede tomar un
promedio ponderado de las mismas.
 CONTROL INTELIGENTE

Sistemas híbridos
Para lograr un mejor desempeño del controlador, se realiza
la combinación de tecnologías.
Algunas de las combinaciones más usadas son:
• Redes neuronales con lógica difusa: control neuro –
fuzzy.
• Redes neuronales con sistemas expertos.
• Redes neuronales con lógica difusa y sistemas expertos.
 CONTROL INTELIGENTE

Sistemas híbridos
 CONTROL INTELIGENTE

Controladores de proceso con lógica difusa

La lógica difusa es por el momento la única tecnología de
inteligencia artificial que se ha embebido tanto en
controladores de procesos como en PLC’s.
 CONTROL INTELIGENTE

Controladores de proceso con lógica difusa

 CONTROL INTELIGENTE

Controladores de proceso con lógica difusa

Dependiendo del ancho de la función de correspondencia a cero
(triángulo Z), puede aparecer un pequeño error de estado estable
(offset).
Mientras más reducida la base de Z y mientras más cercanos a Z se
encuentren los vértices superiores de los triángulos NS y PS, menor
será este offset.
 CONTROL INTELIGENTE
Controladores de proceso con lógica difusa
En control PID para reducir off-set se aumenta la ganancia del
controlador.
En control Fuzzy para reducir off-set se reduce la base de Z.
En ambos casos por reducir off-set se puede entrar a una inestabilidad,
por ello se recurre en un integrador para reducir off-set sin entrar en
inestabilidad, su uso depende de la dinámica del proceso.
 CONTROL INTELIGENTE
Controladores de proceso con lógica difusa
Los controladores fuzzy comerciales incluyen en realidad
un controlador PID para mejorar el control. La salida del
controlador fuzzy actúa como un seudo set point.
 CONTROL INTELIGENTE
Controladores de proceso con lógica difusa
Parte de hoja técnica de un controlador fuzzy comercial.
 CONTROL INTELIGENTE
Controladores de proceso con lógica difusa

Intensidad Fuzzy (FU1), que determina el impacto de la

sección de lógica difusa del algoritmo de control en el
porcentaje de la salida de control. Cuando su valor es
mínimo, su efecto es nulo y el controlador se comporta
simplemente como uno PID. Conforme aumenta su valor,
su efecto es más notorio fundamentalmente si se quiere
neutralizar rápidamente el efecto de un disturbio.
 CONTROL INTELIGENTE
Controladores de proceso con lógica difusa

Escala Fuzzy 1 (FUS1), que controla la magnitud función

de membresía del error. Este valor corresponde a lo que el
controlador debería considerar como error “grande”. La
reducción de este valor hace al controlador más sensible al
error y reducirá el tiempo de respuesta para regresar al
proceso a su punto de control.
 CONTROL INTELIGENTE
Controladores de proceso con lógica difusa

• Escala Fuzzy 2 (FUS2), que controla la función de

membresía de la velocidad de cambio o delta del error.
Este valor corresponde a lo que el controlador debería
de considerar como delta de error “grande”. La reducción
de este valor hace que el controlador sea más sensible
al cambio. Es importante señalar que pequeños valores
de este ajuste pueden originar un gran incremento de las
oscilaciones, por lo que comúnmente se ajustan
manualmente los otros dos, dejando a éste último en el
valor de autosintonía.
GRACIAS