Você está na página 1de 71

Control Avanzado..

Alta dimensionalidad del proceso


Variación con el tiempo de las
características del sistema
No linealidad en el comportamiento del
proceso.
Objetivos de control demasiado complejos
Condiciones de alarma rigurosa

1
..Control Avanzado

Modelamiento pobre de la dinámica del


proceso.
Restricciones operativas del proceso.
Probabilidad de falla en sensores y
actuadores.

2
Lógica difusa (Fuzzy Logic)

Control basado en reglas que dicta la


experiencia
Se aplica a sistemas difíciles de modelar
Lógica difusa = estimador de una función
basado en asociaciones linguísticas (E/S)

3
Un poco de historia …

400 A.C. “Leyes del pensamiento”, “Ley


del medio excluído” = Lógica binaria.
Heráclito y posteriormente Platón
proponen que la cosas pueden tener un
valor distinto a verdadero o falso.
1900’s: Luckasiewicz propone una lógica
ternaria de (verdadero, falso, posible),
luego cuaternaria y finalmente de infinitos
valores de verdad.
4
… Un poco de historia

1965: Lofti Zadeh formula el fundamento


matemático de la lógica difusa actual.

5
Conjunto difuso

 Sea X = [0,10] el universo de discurso


 Sea A = [5,8] subconjunto de X
lA = { 0, 0 < x < 5,
1, 5x8
0 8 < x < 10}

6
Conjunto difuso…

 B = {conjunto de gente joven}


 B = [0,20]
 Fuzificación y grados de pertenencia

7
Conjunto difuso

Grado de pertenencia: (0.0: falso – 1.0: verdadero)


Ejm.: “Javier es alto”
alto(x) = { 0, h(x) < 1,50 m,
(h(x)-1,50)/0,60 1,50 m  h(x)  2,10 m,
1, h(x) > 2,10 m }

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

frío tibio caliente

0
20 25 30 35 °C

Fuzzyficación de la temperatura 32,5 °C

9
Otros ejemplos

µ
1,3
1

µ = 0,65
baja alta

0
0,5 1 1,5 2 bar

Fuzzyficación de la presión 1,3 bar

10
Operaciones And, Or

11
Operaciones Negación

12
Operaciones Max, Min

13
Estructura del controlador…

Variables lingüísticas describen entradas


y salidas en forma cualitativa
Set difuso para variables (lenguaje difuso)
El comportamiento cualitativo del
controlador se describe en base a reglas
(conocimiento del experto)
Uso de métodos para traducir reglas en
relaciones difusas.
14
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

entonces... (regla, base de conocimiento)


0
20 25 30 35 °C
Fuzzyficación de la temperatura 32,5 °C
µ
1,3 µ
1
1

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

El controlador procesa una estrategia


basada en reglas.
Luego de la fuzificación la entrada
construye las premisas para la inferencia
ejecutada por la operación de
composición.
Un valor explícito para la salida es
seleccionado por la etapa de
defuzificación.
27
Aplicaciones

Los Sistemas difusos, pueden ser usados


para estimaciones, toma de decisiones y
mecanismos de Sistemas de control como
son: aire acondicionado, control de
automóviles y algunos trabajos
inteligentes como controladores de
procesos industriales.

28
Algunas aplicaciones

Control (robótica, automatización,


artefactos eléctricos)
Sistemas de Información (DBMS,
búsqueda de información)
Reconocimiento de patrones
(procesamiento de imágenes, visión
artificial)
Apoyo de decisiones (HMI adaptiva)
29
Ejm.: Acondicionamiento de aire en
centros de cómputo

Control preciso de temperatura y


humedad
Minimización de ciclos de compresión y
expansión
Aprovechamiento del aire frío de la
mañana
Sistema de control simple, directo y
económico
30
Redes neuronales

Reproducir el razonamiento lógico del


experto (lógica difusa)
Enseñar al sistema de control a realizar su
trabajo
El cerebro recibe información de los
sentidos y en base a un proceso de
aprendizaje se generan acciones de
respuesta.
31
Redes Neuronales Artificiales (R.N.A.)

Programas basados en el modelo de las


conexiones neuronales del cerebro.
Cada neurona artificial recibe señales de
entrada (de datos originales u otras neuronas).
Cuando la suma de las entradas supera el valor
umbral (threshold) de la neurona, ésta genera
una señal de salida.
Se estima que en el cerebro humano existen
unas 10 mil millones de neuronas, cada una con
varios miles de conexiones.
El “aprendizaje” consiste básicamente en alterar
la fuerza de las conexiones sinápticas. 32
Neuronas en la corteza cerebral

Neuronas cerebrales después


del teñido con sales de plata
(reactivo de Golgi)

33
Comparación entre neuronas reales y
artificiales

Sinapsis 1
Dendritas
Axon de salida

Sinapsis Sinapsis 2
Función de activación

Cuerpo de la célula
x1

w1 Suma de las entradas


ponderadas

Dendritas Output
Axon Input y

w2

x2
34
Redes neuronales

Para cada combinación de entrada


tendremos una combinación de salidas de
acuerdo a lo aprendido.
Para nuevas combinaciones de entrada
se generan nuevas combinaciones de
salida (inteligencia).
La magnitud de salida se regula mediante
la contribución individual de cada neurona.
35
Estructura una neurona artificial

36
Función de propagación..

Esta regla permite obtener, a partir de las


entradas y los pesos el valor del potencial
postsináptico hi de la neurona:

37
Función de propagación..

La función más habitual es la suma


ponderada de todas las entradas. Con los
vectores (x1, x2, ... , xn) y (w1j, w2j, ... ,
wnj) obtenemos:

38
Función de propagación..

Podemos usar como función de


propagación, el mínimo, máximo, la
mayoría, producto, o diversos algoritmos
de normalización. El algoritmo específico
para la propagación de las entradas
neuronales está determinado por la
elección de la arquitectura

39
Función de activación

 El valor de la salida de combinación puede ser


comparada con algún valor umbral para determinar la
salida de la neurona. Si la suma es mayor que el valor
umbral, neurona generará una señal

40
Función de activación,
ejemplos

41
Función de salida

La salida es directamente equivalente al


valor resultante de la función de
activación.

42
Arquitecturas de Redes
Neuronales

43
Ejm.: Reconocimiento visual

Cada figura consta de 20 000


a 30 000 puntos
44
Entrenamiento de una R.N.A.

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)

El problema de la (1,0) (1) ?


negación exclusiva ?
(XOR) (0,1) (1) ?

(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.

Debe existir una correlación entre los


datos de entrada y salida.
Por cada número de casos válidos debe
entrenarse un número igual o mayor de
casos errados.
Muchas veces un programa secuencial
puede resolver también el problema.
La convergencia hacia una solución válida
debe ser examinada matemáticamente en
redes complejas. 53
Ejm.: Automatización en plantas de
laminado

54
Fabricación de laminados

55
Sistema de control en
laminadora tándem

56
Variables para el control de
calidad en laminado

Espesor (entrada / salida)


Planitud
Presión de los rodillos
Tensión longitudinal
Velocidad
Número de pases (plan de laminado)
Rugosidad de los rodillos
Operaciones previas (recocido, laminado,
corte)
57
Control de planitud

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 del proceso


Modelos
Datos Primer
Tablas Recálculo
primarios cálculo
R.N.A

Automatización básica
Ajustes en la Adquisición de
máquina datos

60
Ventajas de las R.N.A. en
laminado

Aumento de la productividad en 10 a 15%


 Disminución de tiempos muertos
 Optimización de la velocidad de la línea de

laminación)
Calidad más consistente
 Se consideran mayor número de parámetros
 Disminución de la variabilidad entre operarios

 Optimización del número de pases

61
Control Adaptivo

Los parámetros del controlador son ajustados


en función a las características del proceso
cambiante en el tiempo. (Compensación
dinámica)
La sintonía se da por aproximaciones ya sea
basadas en modelos (estático y
especificaciones de la respuesta de lazo
cerrado) o basadas en reglas
Técnicas empleads:
 Autosintonía
 Ganancia programada
 Adaptación 62
Autosintonía

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

Permite conocer a priori la respuesta del


proceso a la acción de control.
Es necesario tener un modelo matemático
del proceso.
Función inversa del modelo.

66
Control Avanzado

Objetivos de control demasiado complejos


Condiciones de control riguroso
Aprende de la operación

67
Sistemas expertos

Sistemas basados en conocimientos


Basado en la experiencia (conocimiento
validado).
Aplicación de técnicas de búsqueda.
Soporte para análisis heurístico.
Habilidad para inferir nuevos
cocnocimientos a partir de los existentes.
Procesamiento de símbolos.
68
Análisis del conocimiento...

Hechos: declaraciones que relacionan


elementos de la realidad.
Reglas de procedimiento: Secuencia de
eventos.
Reglas de procedimiento: reglas en forma
de opiniones o empíricas que sugieren
procedimientos.

69
...Análisis del conocimiento

Hechos: Un Boeing 747 vuela sin


problemas con 3 motores.
Reglas de procedimiento: Si el altímetro
señala nivel de vuelo, entonces el medidor
de velocidad vertical debe indicar cero.
Reglas de procedimiento: Es mejor
intentar un aterrizaje de emergencia bajo
condiciones controladas que volar en
condiciones desconocidas.
70
Estructura

71