Escolar Documentos
Profissional Documentos
Cultura Documentos
1
..Control Avanzado
2
Lógica difusa (Fuzzy Logic)
3
Un poco de historia …
5
Conjunto difuso
6
Conjunto difuso…
7
Conjunto difuso
1,0
0,5
0,0
0,60 1,20 1,80 2,40 altura h(x), m
8
Otros ejemplos
µ
32,5
1
µ = 0,75
0
20 25 30 35 °C
9
Otros ejemplos
µ
1,3
1
µ = 0,65
baja alta
0
0,5 1 1,5 2 bar
10
Operaciones And, Or
11
Operaciones Negación
12
Operaciones Max, Min
13
Estructura del controlador…
r u y
FUZIFICACION REGLAS DEFUZIFIC PLANTA
15
Velocidad
16
Angulo
17
Velocidad angular
18
Reglas
| angulo
|
veloc | NA NB C PB PA
----------+------------------------------
v NA | NA
. NB | NB C
a C | NA NB C PB PA
n PB | C PB
g PA | PA
19
20
21
22
23
24
Resultado de aplicar reglas
25
Otros ejemplos
µ
32,5
1
Reglas de inferencia:
“Si el agua está caliente y la presión es alta”:
µ = 0,75
min(0,75, 0,65) = 0,65
frío tibio caliente
“Si el agua está caliente o la presión es alta”:
max(0,75, 0,65) = 0,75
µ = 0,65
baja alta
alta
Valor de
0 salida
0,5 1 1,5 2 bar 0
0,25 0,5 0,75 1
Fuzzyficación de la presión 1,3 bar
Defuzzyficación de regla SI-ENTONCES
26
...Lógica Difusa
28
Algunas aplicaciones
33
Comparación entre neuronas reales y
artificiales
Sinapsis 1
Dendritas
Axon de salida
Sinapsis Sinapsis 2
Función de activación
Cuerpo de la célula
x1
Dendritas Output
Axon Input y
w2
x2
34
Redes neuronales
36
Función de propagación..
37
Función de propagación..
38
Función de propagación..
39
Función de activación
40
Función de activación,
ejemplos
41
Función de salida
42
Arquitecturas de Redes
Neuronales
43
Ejm.: Reconocimiento visual
A B C
1 1 1
2 2 2
3 3 3
Input Output Input Output Input Output
Retina
Nervio óptico
Procesamiento de
la información
en el cerebro
45
Resultado del “aprendizaje”
0,2
0,8
-0,1
0,1
“Retina” “Córtex”
Variación de los pesos
en el sentido deseado 0,5
0,8
0,3 0,8 -0,5
-0,2 0,5
0,2 0,3
0,3
0,8
0,3
-0,3
1
0,5 -0,3
0,8
-0,3 0,8
0,2
etc.
46
Ejm.: Reconocimiento del alfabeto en
matriz de 5x7 puntos
- = - =
- = - =
47
R.N. de capa simple (Kohonen)
48
R.N. de capas múltiples
(Multilayer Perceptron)
“neurona”
conexiones
sinápticas
capa de capa de
entrada salida
capas intermedias
49
¿Por qué capas múltiples?
(0,0) (0)
(1,1) (0)
1 1
Única solución -2
posible con 1,5 0,5
1 capa adicional 1 1
50
Redes hardlim
51
Aplicaciones de las R.N.A.
Robots inteligentes
Optimización de líneas de laminación
(acero, aluminio, aleaciones de cobre)
Predicción del mercado de valores
Reportes crediticios
En general, cuando no se conoce la
relación entre las entradas y salidas
52
Limitaciones de las R.N.A.
54
Fabricación de laminados
55
Sistema de control en
laminadora tándem
56
Variables para el control de
calidad en laminado
Diagrama de tensiones
de la superficie laminada
Falsa imagen 3D
58
Parámetros considerados para el
entrenamiento de la R.N.A.
•Espesor
•% de reducción
•Ancho Cálculo fuerza
•Temperatura de laminación
•Radio de los rodillos
•Tensión longitudinal X Fw
•Análisis químico de
la colada (Cu, Zn, Sn…) R.N.A.
•Velocidad de laminado
•Operaciones previas
59
Método de entrenamiento
Automatización básica
Ajustes en la Adquisición de
máquina datos
60
Ventajas de las R.N.A. en
laminado
laminación)
Calidad más consistente
Se consideran mayor número de parámetros
Disminución de la variabilidad entre operarios
61
Control Adaptivo
PID
+
PROCESO
-
63
Ganancia programada
TABLA
ysp
u y
CONTROL PROCESO
64
Adaptivo
especificaciones parámetros
DISEÑO ESTIMACION
PARAMETROS
ysp
u y
CONTROL PROCESO
65
Control Predictivo
66
Control Avanzado
67
Sistemas expertos
69
...Análisis del conocimiento
71